面向污水处理过程的预测元-RVM故障诊断建模

污水处理系统是一个复杂的非线性大系统,存在作业环境恶劣、控制目标复杂等问题。这些问题导致污水厂故障频发,因此急需开发高效的监测技术。本研究提出了一种新的故障监测技术,即预测元-相关向量机方法。该方法是将可预测元算法与相关向量机进行有机结合。首先利用可预测元算法对在污水厂采集的数据进行特征提取,去除重复特征和冗余信息。然后,利用处理后的数据训练相关向量机模型。为了验证所提方法的优越性,将预测元-相关向量机与相关向量机(RVM)、主元分析-相关向量机(PCA-RVM)和独立元分析-相关向量机(ICA-RVM)3种方法同时用于监测国际水协会提供的污水仿真基准平台(BSM1)。实验表明本研究所提方法诊断精度高于3种基础方法。     

关联时滞系统分散镇定控制的若干结果

分别对具有Ｎ×Ｎ个和Ｎ个时滞的Ｎ维关联线性连续系统提出了一种分散镇定控制方法．所考虑的时滞是任意未知常时滞．针对所研究的系统,文中建立了若干时滞无关分散镇定控制的充分条件．最后,给出了一个示例与文献中存在的结果进行了比较,并说明所提方法的优越性．     

基于模式聚类的过程数据预处理方法及应用

在分析工业过程数据测量误差源的基础上 ,提出了一种基于模式聚类的数据预处理方法。该方法只依赖于领域的定性知识和半定量知识 ,能处理不同的误差干扰 ,预处理后的数据保留了原始测量数据的有用信息 ,剔除了过失数据 ,从而防止了矛盾数据的出现。将该方法用于制浆蒸煮过程的数据预处理中 ,收到了良好的效果     

基于小波分析的纸浆Kappa值分类模型软测量

针对在蒸煮过程纸浆Kappa值软测量中,基于经验的直接模型法在复杂工况情况下预测精度不高的问题,提出了一种分类模型软测量方法.该方法选择Daubechies小波作为分析工具,提取五维特征向量对升温过程曲线进行特征描述,并利用曲线特征对工况进行分类,对不同工况采用不同的软测量模型进行预测.用某造纸厂化浆车间的130组实际生产数据对该方法进行了检验,其中前100组数据用于训练,后30组数据用于测试.检验数据结果显示,分类模型预测标准偏差(3.87)比直接模型预测偏差(4.21)小,取得了更好的效果.     

带中间状态反馈的多变量非线性预测控制

给出了基于神经网络的多变量非线性预测控制算法,提出了带中间状态反馈校正的基于神经网络的多变量非线性预测控制,以及反馈校正矩阵的设计方法．仿真结果表明,此算法大大地增强了系统的抗干扰能力,是一种有效和实用的控制方法．     

基于改进JIT算法的软测量建模及其在污水处理中的应用

为解决污水生化处理过程中的水质参数BOD5(5天生化需氧量)难以在线监测的难题,在充分考虑污水处理过程非线性和多变量耦合的基础上,结合Jolliffe参数和数据选择算法提出了鲁棒最近相关性算法,并将其与RPLS(迭代偏最小二乘)和线性偏差补偿等算法相结合,对JIT(Just-in-Time)在线学习算法进行了改进,最后...     

基于集合卡尔曼-Elman网络的软测量建模方法

污水处理系统是一个复杂的非线性、大时延的动态系统，由于工艺的复杂性、检测设备的不完备性以及经济成本的限制，一些重要的出水指标无法实现精准的检测。为解决此问题，文中提出了基于集合卡尔曼-Elman网络的软测量方法。传统动态神经网络具有能够处理时延信息数据的动态记忆能力，可用于基于数据驱动的软测量建模过程。但是，常规训练方法容易使神经网络陷入局部最小值，导致模型预测性能欠佳。鉴于此，文中引入集合卡尔曼滤波技术和对偶有限样本集合卡尔曼技术对典型的动态神经网络——Elman神经网络进行无梯度训练，构建新型软传感器模型，不仅有效提高了传统Elman神经网络的预测能力，而且提供了一种简单、无梯度的神经网络训练方法。将该方法在加州大学欧文分校的污水处理数据（UCI数据）上进行验证，结果表明，文中方法具有较好的预测性能，集合卡尔曼滤波技术可作为一种无梯度的替代方法来训练神经网络。