基于仿射传播聚类的发酵过程建模

针对花生四烯酸(ARA)发酵过程复杂,机理模型表达不够准确以及单模型泛化能力弱的问题,提出采用基于仿射传播聚类的支持向量机(SVM)多模型建模算法进行该过程建模。该算法首先用仿射传播聚类(AP)算法对ARA样本数据进行聚类,再用SVM算法对各子类样本分别建立子模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。ARA发酵过程的建模实验表明,与其他建模算法相比,基于仿射传播聚类的SVM多模型建模算法所建立的模型具有更高的回归精度和良好的泛化能力。     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变,单一的软测量模型难以满足系统对估计精度的要求,提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离,自适应地确定邻域半径,并引入局部密度用于确定聚类中心,对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取,建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模,仿真结果验证了该方法的有效性。     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变，单一的软测量模型难以满足系统对估计精度的要求，提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离，自适应地确定邻域半径，并引入局部密度用于确定聚类中心，对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取，建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模，仿真结果验证了该方法的有效性。     

基于双层智能结构的多模型软测量方法研究

根据多个模型的混合使用可提高模型的预测精度及鲁棒性的思想,提出一种双层智能结构的非线性多模型软测量建模新方法.该方法先用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用网络或支持向量机进行训练得出子模型,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结果.此算法通过对一个乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,证明该算法比其它的算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于在线聚类和关联向量机的多模型软测量建模

针时软测量样本具有按工况点聚类的特性,提出一种基于在线聚类和关联向量机的多模型软测量建模方法.聚类算法通过设定各辅助变量的权重、按引力原理聚类以及合并子聚类,可把样本按照不同的工作点进行聚类.子模型通过关联向量机实现概率化预测,并采用一种更加有效的核参数选择算法提高算法速度.该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系.统中取得了良好的效果.     

基于改进的快速搜索聚类算法和高斯过程回归的催化重整脱氯前氢气纯度多模型建模方法

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

过程工业软测量中的多模型融合建模方法

对多模型融合建模方法在过程工业软测量中的研究进展进行了系统总结。根据整体模型中子模型的不同,多模型融合建模方法主要可分成数据驱动融合建模方法和半参数建模方法。详细介绍了数据驱动融合建模方法和半参数建模方法的设计思想和国内外研究现状,分析了各类方法的优缺点,并提出了相应的改进方向。根据过程数据处理方法的不同,将数据驱动融合建模方法分为集成学习和聚类分析。根据模型结构形式的不同,将半参数建模方法分为串联结构和并联结构。最后对多模型融合建模方法的未来研究方向进行了展望,期望今后的研究工作能在改进数据驱动模型融合技术、提高半参数模型外推能力和解决双率数据问题等方面取得突破性进展,并指出采用多模型融合建模方法建立基于多源信息融合的软测量模型是实现过程工业中难测变量在线估计的有效方法。     

一种基于多模型融合软测量建模方法

针对锌湿法冶炼净化过程中钴离子浓度LS-SVM软测量建模方法精度低的问题,将最小二乘支持向量机（LS-SVM）和自回归滑动平均模型（ARMA）融合建立钴离子浓度融合软测量模型,首先通过离子浓度序列的小波变换获得序列的低频和高频子序列,对各子序列分别进行相空间重构,并在相空间中分别建立最小二乘支持向量机模型,然后将各模型的输出利用小波重构整合得到钴离子基于LS-SVM软测量结果,利用自回归滑动平均模型对基于LS-SVM模型输出误差信息进行建模,通过对两个模型的融合,获得融合模型的软测量估计值。将该方法应用于锌液净化除钴段入口钴离子浓度的软测量,结果表明该方法比单一的LS-SVM方法具有更好的泛化性能和测量精度,显示出良好的应用潜力。     

基于PWA融合模型的注塑过程保压段建模及控制策略

注塑过程是典型的批次过程,由注射、保压、冷却等阶段构成。保压段是决定制品质量的一个重要阶段,且具有较大的非线性和时变性。分段仿射(piece-wise affine, PWA)模型能够有效描述保压段的特性,但是PWA模型硬切换方式会导致输出跳变问题,因此提出一种基于时间划分的PWA融合模型,在子模型切换过程中引入切换区间,通过线性加权方法进行模型融合,并采用基于分离最小二乘的辨识方法进行参数估计。在此基础上,设计了基于内模整定的多模型PID控制方法。注塑机实验结果表明了算法的有效性。     

多层次结构模型预测控制系统的层次间模型切换方法

引言实际的工业过程对象,大部分都呈现出很强的非线性特性,其控制过程十分复杂。虽然近年来,对非线性技术的研究已经取得了很多的成果。但是非线性系统精确建模困难[1]、非线性微分方程求解     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

Design of a multi-model observer-based estimator for anaerobic reactor monitoring

A multi-model observer based estimator (OBE), which consists of a set of simple sub-models describing typical process states and a knowledge-based system, was developed for monitoring and long-term prediction of the anaerobic digestion process. The knowledge-based system uses biogas and pH measurements for process diagnosis, while OBE uses fluorescence-based measurements of chemical oxygen demand (COD) and volatile fatty acids (VFAs) for estimating process outputs. The approach was tested on experimental results obtained from the operation of a lab-scale anaerobic reactor. The sub-models used either Monod or a combination of zero- and first-order rate expressions. A comparison showed that while both multi-model OBEs featured rapid convergence and good stability, the combined zero- and first-order kinetic equations provided better long-term prediction accuracy.     

芳烃异构化过程的多模型建模

针对芳烃异构化过程的非线性、复杂性,提出利用仿射传播聚类和最小二乘支持向量机对芳烃异构化过程进行多模型建模,以此来弥补单一模型建模的不足。首先仿射传播聚类对异构化数据聚类,利用最小二乘支持向量机对聚类之后的各个类分别建立子模型,通过计算欧氏距离来判断测试样本的所属类,将测试样本送入所属类的模型进行预测,以此来实现异构化过程的多模型预测。实验证明,与单模型以及基于k均值聚类的神经网络模型相比,本文提出的基于仿射传播聚类的最小二乘支持向量机模型更能准确地预测输出。