基于ICA变量分组的集成软测量方法研究

提出了一种基于独立主成分分析（independent component analysis,ICA）变量分组和集成学习的软测量建模方法.该方法首先运用ICA对输入过程变量进行分组,建立多个变量组子空间.然后在各变量组子空间内提取子样本集,降低变量和变量组之间的耦合性,并基于核偏最小二乘法（KPLS）建立预测子模型.最后,采用贝叶斯方法对子模型的输出进行集成,给出最终预测结果.运用该方法对工业橡胶密炼过程的数据进行了预测,并与其它软测量方法的结果进行比较分析,实验结果表明,本文提出的方法具有更好的预测性能.      

基于即时学习算法的软测量建模方法

针对工业过程中存在许多难以直接测量变量的问题,提出1种基于即时学习算法的软测量建模方法.提出k-矢量近邻方法建立系统的当前工况点的建模邻域,以提高即时学习算法的预测能力,利用递归最小二乘算法简化建模的在线计算量,通过PRESS估算得到算法的最优解,优化了算法,应用该算法对某一化工厂产品的酯化率进行测量建模,预测得到的最大相对误差为0.8742%,证明该方法的泛化性能良好,满足实际测量的精度要求,是1种便于理解,易于实现的软测量方法.     

基于即时学习的集成神经网络及其干点预测

针对单个神经网络泛化能力差、对不同样本预测精度波动大的问题,提出了一种基于即时学习集成神经网络方法。首先,基于训练样本,建立多个不同的神经网络模型。其次,根据即时学习的思想,在对样本进行预测时,在训练样本中寻找与预测样本最接近的若干邻近样本,根据各网络对邻近样本的训练误差,即时形成各神经网络的集成权重,实时构造集成神经网络模型,对预测样本进行预测。最后,将该方法应用于初顶石脑油干点的预测,相比于文献中提出的方法,得到了更好的预测结果 。     

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...     

基于小波网络的非线性多变量约束预测控制

为了解决非线性多变量系统的建模、控制和优化问题 ,论文扩展基于小波神经网络的单变量系统辨识到多变量系统辨识 ,并用它实现非线性预测控制。对开环稳定过程 ,引入一个具有输入约束的基于小波神经网络模型的区域预测控制方案 ,它的闭环稳定性能够通过适当选择它的预测水平来保证。基于上述动态控制方案 ,提出了一个稳态状态优化方案。通过对一个聚酯生产过程的仿真研究 ,证实了上述方法的有效性。由于能够通过线性最小二乘 (L S)估计方法来辨识 ,该模型易于实现并可用作通用模型。仿真研究的结果表明了该模型的通用性、辨识和控制方法的简单性 ,所提出方案能够被用于过程工业的非线性系统的建模和控制     

基于递推合成BP网络的多变量时间序列预测模型

提供了一种基于递推合成BP网络的非线性时间序列预测方法,并针对具体实例建立多变量时间序列模型.将其预测结果与灰色预测模型及常规BP网络的多变量时间序列预测模型的结果进行比较,其仿真实验结果表明该网络具有很强的学习特性和泛化能力,适合进行非线性时间序列建模及预测.     

基于关键变量的OPLS预测方法

产品的最终质量主要是由生产过程中的关键变量决定的,因此,回归模型的质量预测能力与过程变量的选择密切相关。本文提出了一种新的基于关键变量(CV)的OPLS预测方法(CVOPLS),用于输出变量较多过程的质量预测。首先,根据关键变量选取准则,为每个质量变量选取建模所需的关键过程变量。为了减少最后需要建立的模型个数,将由质量变量及其相应的关键过程变量组成的数据阵进行重组,并用OSC算法去除重组后的数据阵中与质量变量无关的干扰信息。然后,对校正后的数据阵建立PLS模型,求取相应的模型回归系数,得到最终的质量预测结果。与传统的PLS及OPLS方法相比,该方法能够在保证模型较好预测精度的前提下,有效地简化模型结构。最后,通过Tennessee Eastman(TE)过程的实验仿真验证了CV-OPLS方法的有效性。     

复杂系统的遗传-神经网络建模新方法

给出了多变量复杂系统的遗传 神经网络建模问题的学习训练法.该方法利用竞争学习对输入空间进行聚类,并对初步网络权值利用遗传算法进行修剪,从而优化网络拓扑结构.然后对优化网络进行训练学习,得到最终模型.最后以文献资料的例证为例,应用该神经网络估算模型进行验证.结果表明,该模型估算准确,由于考虑了变量的最优选择,因此非常适应于工程类复杂系统的动态管理.     

基于多Agent及多方法集成的复杂工艺优化模型

针对复杂工艺中涉及多因子、高噪声、非线性过程关系和模糊对象问题,提出一种集成多种智能计算方法的优化模型.该模型以多Agent技术来组织,划分为决策支持层、系统重构层和数据集成层,Agent间以Ontology来实现信息传递.在建模过程中,利用Chebyshev多项式的正交性质和递推性质,将过程输入变量正交化、线性化后,再应用偏最小二乘回归法计算模型参数,优化Agent在交互方式下通过变异的遗传算法来获取模糊工艺的最优解.以MOLDFLOW软件获取的注塑数据来训练BP(Back propagation)神经网络.结果表明:该优化系统的平均预测精度较BP神经网络提高3.23%.     

高密度离散灰色建模及其预测应用

为定量描述复杂系统动态过程特征,针对生产过程空间整体参数的监测及控制问题,借助灰色系统理论的设计方法,给出一种利用多变量离散灰色模型预测控制算法.该算法利用线性矩阵级数展开求和设计一个空间高密度多点预测模型,基于该模型实现空间高密度多点预测模型的建模和预测.仿真算例证实了算法的有效性及可行性,为通用非线性预测提供一种新的控制思路.     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

一种基于高斯过程的非线性PLS建模方法

提出了一种基于高斯过程(GP)和偏最小二乘法(PLS)的非线性PLS方法(GP-PLS),以更加有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度。该方法首先采用PLS进行特征提取,再用GP建立PLS的内部模型,因而具有GP与PLS的优点。对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明,采用该方法建立的软测量模型在模型精度、推广能力等方面明显优于一些传统软测量建模方法,满足工业现场应用要求。     

基于宽度学习的浓密机底流浓度软测量

由于浓密脱水过程中浓密机的底流浓度难以在线检测,本文提出了一种基于宽度学习的软测量建模方法,用以解决底流浓度的在线检测问题.该方法精度高,泛化能力强.首先,在浓密机内部安装压力传感器,建立正常工况下的历史数据集;然后,利用宽度学习系统对软测量模型进行训练,从而实现浓密机底流浓度的在线预测;最后,通过仿真实验验证了该方法...     

基于IRLS-ELM生物发酵在线软测量建模方法

为解决生物发酵过程中生物量浓度难以在线测量的问题,提出一种基于改进的最小二乘正则化极限学习机(IRLS-ELM)软测量建模方法并将其应用于红霉素发酵过程生物量浓度的在线预测中.根据误差反馈原理,将训练误差作为输入建立带反馈的神经网络,以提高模型预测精度.并将加权最小二乘法引入到ELM中改进其数学模型,削弱离群点或者不稳...     

一种新的软测量方法及其工业应用

软测量是一门新兴的工业技术，它通过数学模型计算得到工程上难以检测的变量值．本文提出了一种基于模糊神经网络的软测量新方法，运用模糊集合论的知识对非线性对象进行局部模型的划分，并采用趋化性网络进行建模和模型校正．经在某炼油厂精密精馏塔的推断控制系统中的应用，表明该方法能够比较精确地建立过程模型，有效地进行模型的在线校正，而且具有灵活、简明的特点．     

基于AdaBoost.R2和ELM的软测量新方法

针对软测量建模的特点提出了一种基于AdaBoost.R2和ELM的软测量新方法,该方法依据AdaBoost.R2可以提高单一学习机精度和ELM学习速度快的特点,将二者结合起来实现软测量建模.这种结合使得新的软测量方法在提高软测量模型预测精度的同时保证了软测量模型的建模速度.该方法已经应用于抚顺老虎台矿冲击地压预测中,实验结果表明其冲击地压软测量模型具有良好的预测精度.     

传感器故障在线诊断和信号恢复的两级神经网络方法

目的研究控制系统中传感器软硬故障诊断和信号恢复．方法提出一种两级神经网络（ＮＮ）包括一个主神经网络和若干个局部神经网络方法．主神经网络负责诊断传感器故障,其输入为各传感器在时刻ｔ的信号,输出为各传感器在时刻ｔ＋１的信号．各局部网络负责传感器故障诊断和信号恢复．每一个局部网络对应一个传感器,局部神经网络输出为相应的传感器在时刻ｔ＋１的信号,其输入为其余传感器在时刻ｔ的信号．各网络均采用先学习,后工作的在线学习方法．结果与结论所述方法具有在线学习、故障误检率低、可以诊断多个传感器软硬故障的优点．对气垫船中传感器软硬故障诊断的仿真结果表明,该方法是行之有效的．     

球磨机制粉过程煤粉粒度FCM-SVRs软测量建模

根据多个模型相加可以提高整体预测精度和鲁棒性的思想,提出了一种基于模糊C均值聚类(FCM)算法的煤粉粒度多最小二乘支持向量机回归(MLS-SVRs)软测量模型.采用变长度染色体的遗传算法同时优化模糊聚类数和聚类中心,每种聚类子集用LS-SVRs进行局部模型的建立和训练,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后软测量结果.仿真结果表明该软测量模型具有更好的泛化结果和预测精度,可以满足煤粉制备过程实时控制的在线软测量要求.     

基于正弦图分区修复的稀疏角度CT重建算法

针对稀疏投影CT重建图像中的条形伪影问题,提出一种稀疏表示与低秩矩阵填充相结合的正弦图分区修复方法.首先,将正弦图子块依据灰度熵大小分为两类;然后,采用字典学习算法修复边界区域的正弦图子块,为了保留正弦图的内部结构,设计一种联合修复模型用于内部子块的修复,将正弦图的低秩特性融入稀疏表示模型中,以便引入非局部信息;最后,组成完整的正弦图并经滤波反投影(FBP)重建获得最终图像.实验结果表明,与经典算法相比,该算法在投影域与图像域皆有较优表现,能够较好地修复正弦图的结构,明显改善稀疏重建图像中的条形伪影及结构模糊问题.     

油藏分块数据组织与快速展示技术

利用三维可视化方式展示大型油藏需要耗费较长时间。针对此问题,引入"分块数据组织"的概念,设计油藏数据体分割与油藏分块数据组织的模式。结合Open Inventor设计并实现基于单个块体的油藏演变过程动态展示的功能,以油藏块体为基本单元,将油藏展示的任务分解成若干个块体展示的任务,提出油藏并行展示的方法。胜利油田埕岛区块和江苏油田陈堡区块的油藏展示结果表明,基于数据体分割、分块组织数据、并行展示等技术可以有效提高大型油藏展示的效率。