基于样本稀疏化高斯过程的发酵过程软测量建模方法

提出了一种基于样本稀疏化高斯过程(GP)的发酵过程软测量建模方法。该方法将聚类和灰色关联度分析相融合,综合考虑样本点间欧式距离和各个特征向量对样本点间相似度的影响,通过剔除相似度比较大的样本点,实现训练样本集的稀疏化,降低了模型的计算复杂度。利用基于样本稀疏化的高斯过程构建青霉素发酵过程的软测量模型,同时得到青霉素浓度的预估值和表征预估值的不确定度,实验结果表明,本文所提方法与标准GP方法相比,在保证模型预测精度的前提下,减少了模型的训练时间。     

基于非高斯信息的JITL软测量模型

为了有效监控具有非高斯数据特性的工业过程,提出了一种新的基于非高斯信息的JITL(Just-In-Time Learning)软测量模型.首先通过非高斯非相似度测量选择JITL局部建模样本;然后建立局部ICA-PLS回归模型实现工业过程质量变量监控.该方法从局部建模样本选择到局部回归模型建立能够有效处理工业过程数据的非高斯特性,并且保留了JITL建模的优点,能够有效地处理工业过程时变特性以及非线性.通过硫回收处理过程的应用,验证了方法的有效性.     

基于多准则和高斯过程回归的动态软测量建模方法

为了解决静态软测量建模预测精度低和鲁棒性差等问题,提出了一种基于多准则和高斯过程回归的动态软测量建模方法.该方法综合考虑多种模型定阶准则,提出了高斯过程回归动态软测量模型定阶策略,为模型阶数确定提供了依据,并将所提动态软测量模型应用于红霉素发酵过程中生物量浓度的估计.研究结果表明,基于高斯过程回归的动态软测量建模方法可以实现对生物量浓度的高精度预测,且预测结果具有较小的置信度区间.     

一种动态校正的AGMM-GPR多模型软测量建模方法

工业过程常常是强非线性的,并有多个工况,传统的软测量方法存在预测能力差,不能有效利用误差信息等缺点.为了有效解决这些问题,提出一种基于自适应高斯混合模型-高斯过程回归(AGMM-GPR)的多模型动态校正软测量建模方法.首先,通过贝叶斯信息准则构建自适应高斯混合模型(AGMM),得到优化的子模型个数;然后,利用GPR方法建立各局部模型,当新的数据到来时,将其隶属于各局部模型的后验概率和预测值融合得到多模型输出;最后,为了进一步提高模型的精度,构建自回归积分滑动平均(ARIMA)模型对多模型输出进行动态反馈校正.通过数值仿真和硫回收装置(SRU)中H2S浓度的估计,验证了所提方法具有良好的预测精度和泛化性能.     

一种基于改进扩张搜索聚类算法的软测量建模方法

针对传统聚类方法过于依赖数据空间分布和先验知识的缺点,该文提出了一种改进的扩张搜索聚类算法。该算法充分考虑了样本疏密度对聚类效果的影响,根据每个样本点不同的疏密度给予不同的搜索半径,并且引入阈值对不同疏密度的样本点采用不同的聚类方式,以适于各种形状的样本分布。采用这种改进的扩张搜索聚类算法对样本数据进行聚类,并用高斯过程回归(GPR)对各类样本子集分别建立对应的软测量子模型,最后采用开关切换的多模型融合方式得到最终的软测量多模型。以双酚A生产过程结晶单元的仿真结果为例,对装置出口处的苯酚浓度进行软测量建模,获得了较好的实验结果。     

基于非参数回归的发酵过程软测量建模

为了对发酵过程进行检测并分析发酵中产物的浓度,提出一种基于非参数回归的发酵过程软测量方法。该方法直接利用未经处理过的历史数据,采用多维窗宽选择方法确定窗宽,通过计算待估计点与历史数据库中其他时刻点数据的距离来确定该时刻点的权值,从而达到软测量建模的目的,并将其用于青霉素发酵过程产物浓度的测量。实验研究表明,所得软测量模型精度较高,能够有效地实现对青霉素发酵产物浓度的估计。     

基于OBE-PLS软测量的过程自适应建模

针对工业过程中因时变和工况迁移等复杂因素的影响,使得利用固定样本集训练得到的静态软测量模型不能很好地跟踪当前对象,从而导致该模型预测性能下降的问题,提出了一种融合最优定界椭球(OBE)和偏最小二乘算法(PLS)的动态软测量建模方法。该方法以离线数据集建立PLS软测量模型,当有新的查询样本到达时,可通过主成分分析(PCA)建立统计量寻找与其相似的历史样本,并利用该历史样本通过OBE算法来动态更新PLS模型,从而使模型达到很好地跟踪效果,有效地解决了工业过程中时变和工况迁移的问题。最后在数值例子和球磨机的实例中验证了该方法的有效性。     

混合高斯过程回归模型在铁水硅含量预报中的应用

为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。     

基于核主元分析和动态递归模糊神经网络的软测量建模

针对软测量建模过程中的误差数据剔除、特征提取,及模型的动态辨识问题,提出基于核主元分析和动态递归模糊神经网络软测量建模方法.首先,利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以确保数据质量;然后利用核主元分析提取系统的非线性主元,作为动态递归模糊神经网络的输入;最后利用新样本数据训练动态递归模糊神经网络.将该方法应用于赖氨酸发酵过程的产物浓度预测,仿真结果表明该方法具有较高的预测精度,满足现场测量要求.     

基于PSO优化LS-SVM的木材含水率软测量建模

木材含水率是木材干燥过程中重要的技术指标。针对木材干燥过程具有强耦合、大滞后、非线性的特点以及木材含水率检测存在的问题,提出一种软测量方法。利用最小二乘支持向量机(LS-SVM)对非线性系统时间序列数据进行学习,建立被控对象的软测量模型,同时通过粒子群优化(PSO)算法对LS-SVM的惩罚因子和核函数参数进行滚动优化,提高软测量模型的预测精度。将木材干燥窑内的温度、湿度以及木材含水率作为样本数据,通过PSO优化的LS-SVM方法建立木材含水率的软测量模型,进而利用该模型实现对目标检测点木材含水率的软测量。仿真结果表明,PSO-LSSVM软测量模型预测精度高,泛化能力强,满足木材干燥控制系统的实际测量要求。     

基于弯曲高斯过程组合方法的光伏出力预测研究

针对光伏发电功率受多种天气因素影响造成预测难度大的现状,提出了一种基于弯曲高斯过程的混合模型,可以实现一天内任意时刻的光伏出力的概率预测,获得置信区间预测值和点预测值.该算法先由多元自适应回归样条模型实现对多维输入变量的约减,同时得到待预测值的先验数据,然后利用模糊C均值算法按天气类型对训练集数据和测试集的先验数据进行聚类,得到相似样本,再利用弯曲高斯过程模型对测试集数据进行估计,最后利用Bagging算法实现对子混合模型的集成学习,得到待预测值的区间估计和点估计.仿真及试验结果验证了该混合模型的有效性和可靠性.与高斯过程估计和BP神经网络分位数估计相比,该混合模型精度更高,实用性更强.     

一种基于Bagging算法的高斯过程集成建模方法

针对单一高斯过程在化工过程软测量建模中存在估计精度不高的问题,利用Bagging和高斯过程回归算法,提出一种基于Bagging算法的集成高斯过程软测量建模方法.该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成多个高斯过程模型,并通过加权组合方式进行集成,得到最终的模型输出.将该方法应用...     

焦炉立火道温度的智能集成软测量方法及其应用

在分析焦炉立火道温度特性的基础上,提出了一种基于线性回归(LR)和监督式分布神经网络(SDNN)的立火道温度智能集成软测量方法。通过特性分析提出了典型蓄热室的选取原则,并利用级数验证了选取的有效性。为反映蓄顶温度与立火道温度的关系,首先分别建立了一元、二元和十二元LR模型,并通过智能集成将3个模型的输出进行有机融合;然后在对样本监督式聚类后,利用SDNN获得各个子网的综合输出;最后由专家协调器协调LR和SDNN的输出,得到立火道温度的软测量值。实际运行结果验证了该方法的有效性。     

基于条件生成对抗网络的稀疏样本回归预测模型

自生成对抗网络提出以来，基于生成对抗网络的拓展模型在图像处理等领域均有显著成效，但其在回归预测问题上的应用较少.在概率回归过程中，通过构建条件概率分布模拟特征与实际目标之间的潜在关系是一种常用方法，但在实际问题中条件概率分布过于复杂，似然估计难以捕捉.为此，首先分析高斯过程回归在稀疏样本回归预测中的预测精度，将其作为稀疏样本回归预测的基准线.通过分析条件生成对抗网络的构造，提出利用条件生成对抗网络解决稀疏样本回归预测问题.最终通过对比分析4种非线性模拟数据回归预测结果，发现提出的条件生成对抗网络模型相较基于Matern32核函数的高斯过程回归具有更好的预测精度.     

复杂工况下的纸浆Kappa值软测量方法

在纸浆Kappa值软测量技术的研究与应用中,发现直接基于经验模型的Kappa值软测量方法在复杂工况应用中预测精度有所下降,针对这个问题,提出了首先利用Daubechies小波变换获得升温过程特征信息来进行工况分类,再进行分类模型预测的方法,以某制浆车间的130组样本数据为对象进行分析,证明了该方法在复杂工况下的预测结果要好于直接基于经验模型的Kappa值软测量方法。     

基于多神经网络模型的软测量方法及应用

针对具有复杂非线性的生化过程,提出了一种基于多神经网络模型的软测量方法·利用主成分分析技术对原样本数据进行压缩,得到低维样本数据,并利用一种改进的分类指标对低维样本数据实现生化过程样本数据的分类,然后利用神经网络分别拟和各类数据的特性,建立软测量模型·最后,将这一方法应用于谷氨酸发酵过程,实验结果验证了该方法的有效性·     

基于连续隐Markov模型的发酵过程关键状态变量软测量

针对生物发酵过程中一些关键状态变量难以用仪表进行在线检测的问题,提出了一种基于连续隐Markov模型(CHMM)的软测量方法.首先,为增加模型预测的鲁棒性,采用多观测样本序列训练CHMM模型库,运用Baum-Welch参数重估修正公式实现CHMM参数优化;然后,将新样本观测向量输入训练好的CHMM模型库,并基于Vite...     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正-稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82%降低到1.17%、从5.87%降低到4.73%.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

基于正交信号校正和稳健回归的带钢酸洗浓度预测模型

为了实时获得冷轧带钢酸洗溶液的浓度值,便于进行酸浓度控制,采用软测量方法实时预测酸浓度.由于酸浓度建模数据中无关成分和特异点会影响模型精度,利用正交信号校正和稳健回归相结合的方法来建立酸浓度预测模型.首先利用正交信号校正对建模数据进行预处理,去除自变量中与因变量无关的成分;然后采用基于迭代加权最小二乘的稳健回归算法进行建模,降低特异点对模型的影响;最后将预测结果和多元线性回归、传统稳健回归方法和正交信号校正多元线性回归进行比较.实验结果表明:采用正交信号校正稳健回归方法后,模型预测能力得到提高,与多元线性回归结果相比,亚铁离子质量浓度和氢离子质量浓度的相对预测误差分别从1.82％降低到1.17％、从5.87％降低到4.73％.本文提出的方法具有更好的模型预测精度,可以满足工业应用要求.     

即时学习多模型加权GPR软测量方法

针对工业过程中难以实现实时在线测量的重要过程变量,在主成分降解变量分组的基础上,提出了一种基于即时学习与集成学习的多模型高斯过程回归建模方法.该方法首先利用多变量组合实现集成模型的多样性,然后借助即时学习的自适应能力进行即时建模,最终多模型加权获得最终的预测结果.将所提方法应用于实际的工业炼胶过程,实验结果表明,该方法具有很好的预测性能.