基于自适应动态时间规整(DTW)的GA-FCM多阶段间歇过程故障诊断

多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类（FCM）算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法（GA-FCM）,用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整（DTW）算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析（MKPCA）模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。     

再生骨料混凝土抗压强度的试验研究及其机理分析

通过试验研究再生骨料取代率对C20、C30再生骨料混凝土(RAC)流动性和抗压强度的影响,结果表明:再生骨料混凝土坍落度随再生骨料取代率增大而减小;当再生骨料取代率为20%、40%、60%、80%和100%时,再生骨料混凝土抗压强度较普通混凝土均明显降低,最大降幅分别达27.5%、28.4%;取代率为50%时再生骨料混凝土抗压强度较普通混凝土分别高出7.2%、6.1%。SEM图像显示旧浆体区内存在较多微裂纹,而新浆体区结构更致密。再生骨料取代率及界面过渡区微观结构是影响再生骨料混凝土抗压强度的主要因素。提高再生骨料品质、优化再生骨料级配、改善界面过渡区微观结构是提高再生骨料混凝土抗压强度的根本途径。     

涉农科技型企业高质量发展机制研究——基于乡村产业振兴视角

基于乡村产业振兴视角,本文系统分析了创新要素、外部环境与涉农科技型企业高质量发展的作用机理,并采用西南4省(市)533家涉农科技型企业的问卷调查数据,综合运用因子分析、主成分分析构建有序logistic计量模型进行了涉农科技型企业高质量发展机制实证研究,得出如下研究结论:(1)企业家创新精神、管理运行机制和科技创新能力是其高质量发展的关键创新要素,而政策环境、产业环境和社会文化环境则是涉农科技型企业高质量发展的外部创新条件;(2)市场创新能力、激励机制效果、研发资金占比、贷款支持政策、产业潜在利润、诚信价值观念对其高质量发展均有显著正向影响,是提升其发展质量的关键影响因素;(3)从关键变量的影响程度来看,贷款支持政策和产业潜在利润对其高质量发展的影响明显大于研发资金占比和市场创新能力,表明政策环境、产业环境对其发展质量的影响比创新要素更大,改善外部环境可以直接推动其实现高质量发展,同时也说明企业家创新精神和科技创新能力对提升其发展质量产生直接影响.     

基于PCA-OS-ELM的大气PM2.5浓度预测

为了提高细颗粒物PM_2.5浓度预测精度,提出一种主元成分分析与在线序列极限学习机相结合（PCA-OS-ELM）的PM_2.5浓度预测方法. 首先,通过主成分分析方法（PCA）提取高维大气数据中影响空气质量的关键变量,并去除不必要的冗余变量;其次,利用提取的关键变量建立在线序列极限学习机（OS-ELM）网络预测模型,将批处理和逐次迭代相结合,不断更新训练数据和网络参数实现大气PM_2.5浓度快速预测.研究结果表明,PCA-OS-ELM预测方法采用不同批次训练数据更新模型的方式,能够快速实现大气PM_2.5浓度预测,证明了该方法的有效性.与其他方法相比,该方法预测误差小,预测精度高,具有更好的实用价值.      

外源氨基酸对侧孢短芽孢杆菌S62-9产Brevilaterin的影响

为探究添加外源氨基酸对侧孢短芽孢杆菌S62-9(Brevibacillus laterosporus S62-9, BL)分泌抗菌肽Brevilaterin的影响,以BL发酵液的抗菌活性和Brevilaterin的组分变化为指标,分别采用琼脂扩散法和高效液相色谱法进行了分析。结果表明:添加L-缬氨酸、L-甲硫氨酸和2-氧代-3-甲基丁酸均能提高发酵液抗菌活性,抑菌直径最高可增加18.08%。添加外源氨基酸还能改变Brevilaterin的组分构成。添加L-甲硫氨酸后发酵液中只有抗菌肽组分Brevilaterin B和C,且二者间的相对比例发生反转;而添加L-缬氨酸或2-氧代-3-甲基丁酸还能促进BL分泌多种新组分。添加外源氨基酸能有效提高发酵液抗菌活性并改变抗菌肽的组分构成,研究结果旨在为人工调控微生物合成新型、高效的抗菌肽奠定一定的理论基础。     

基于海林格距离加权关键主元的流程工业故障检测研究

在采用主成分分析（principal component analysis,PCA）算法进行故障检测时,主元的选取及处理直接影响其故障检测的表现。对此,提出一种基于全变量表达（full variable expression,FVE）和海林格距离（Hellinger distance,HD）的故障检测方法。首先,利用FVE得到所有关键主元,即保留所有变量信息;然后考虑到与故障相关主元的重要性,定义基于海林格距离的变化率,用来衡量正常工况下主元与异常工况下主元的差异;对与故障发生更相关的主元进行加权,以突出与故障相关主元对于后续故障检测的影响;最后,考虑到降维后数据通常服从非高斯分布,利用改进的局部离群因子（local outlier factor,LOF）构建统计量,其相应控制限通过核密度估计（kernel density estimation,KDE）确定。数值实例及带钢热连轧实际生产数据验证了所提方法的有效性与优越性。     

关于工艺产品加工质量监测优化研究

质量监测可以有效的提高产品质量和生产效率。在复杂产品的生产过程当中,多个质量特性之间相互作用,共同对产品的生产质量产生影响,由于质量特性的数量较多、有些特性的关系是耦合的,因此准确诊断出异常变量是研究的难点。为了高效、准确的诊断出异常变量,提高产品的质量和生产效率,提出了基于改进网格优化的PCA-SVM多元控制图均值偏移诊断模型。在模型训练之前,使用主元分析(PCA)算法对数据进行预处理,降低数据维数和提取数据特征信息,再用改进网格算法对支持向量机(SVM)的参数进行优化,最终得到优化的SVM模型。仿真结果表明,采用的方法与传统方法相比,训练时间更短,且拥有更高的分类准确率。     

基于对数变换和最大信息系数PCA的过程监测

主元分析(principal component analysis,PCA)被广泛应用于工业生产过程监测。PCA假设数据服从高斯分布且协方差矩阵仅能评估变量间的线性关系,无法衡量变量间非线性依赖程度。基于此,提出了一种基于对数变换和最大信息系数(maximal information coefficient,MIC)PCA的过程监测方法。首先,应用对数变换对过程数据进行变换,在一定程度上改善数据分布。然后,采用可以度量变量间的非线性相关性的MIC矩阵替换协方差矩阵,从而改善对非线性非高斯过程的监测效果。最后通过在田纳西-伊斯曼过程(tennessee eastman process,TE)仿真研究验证了该方法的可行性和有效性。     

基于自适应评价函数的独立成分分析算法

简要介绍独立成分分析（ICA）及其模型，然后在极大似然估计的框架下，基于两类参数模型--Gaussian混合密度模型和Pearson系统模型，研究了具有对称分布（包括超高斯分布与亚高斯分布）和非对称分布源混合信号的盲分离问题，给出了一种有效的基于灵活评价函数的ICA新算法，该算法在一定意义上实现了对源信号概率分布的真正全“盲”。与原有的ICA算法相比，该算法具有更广泛应用范围。模拟实验验证了算法的有效性。