基于Kernel特征空间分解的组分仪递推模型

提出一种Kernel映射空间中特征值问题的递推求解算法，用于建立能够在线快速更新的软组分仪模型。该算法由向前更新和向后更新两个递推阶段组成，只需极小的计算量即可获得新的特征空间信息，且无需保存整个Kernel矩阵。通过对Tennessee Eastman（TE）过程的终端产品质量的建模研究表明，基于提出的快速更新算法建立的软组分仪模型可以获得准确的预报精度，而且在过程故障情况下也显著优于无在线更新的组分仪模型。     

移动窗递推PLS软测量建模及其工业应用

讨论了基于递推部分最小二乘(RPLS)算法的软测量建模方法及其应用.针对过程的时变特性,采用移动窗RPLS算法,在线修正样本的均值和方差,实时更新模型参数,兼顾了建模样本的饱和性、样本信息的完整性.然后将软测量模型应用于工业异构化装置,在线估计对二甲苯(PX)的含量.针对大量工业数据,进行仿真计算,得到模型的最大相对误差、相对均方误差和跟踪性能指标分别为2.68%、0.17%和0.9569,说明该软测量模型具有良好的预测能力和跟踪性能.接着讨论了建模样本长度对模型性能的影响,指出其最佳的样本长度为20～50.     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

一种非线性系统在线辨识的选择性递推方法

针对非线性系统的在线辨识, 提出了一种选择性递推岭参数极限学习机方法。首先, 推导了岭参数极限学习机模型节点增加的递推算法, 以有效地更新在线模型。其次, 结合训练模型的相对误差, 提出模型节点递推增加的选择性策略, 以限制模型的复杂度, 获得更简单的递推辨识模型。通过一个典型非线性化工过程的在线辨识, 从多方面比较验证了所提出方法的简单有效, 更适合非线性过程的在线辨识。     

用于过程故障诊断的自适应kernel学习网络分类器

提出一种统一的最小二乘kernel学习框架，将自适应kernel学习（AKL）网络辨识器推广为分类器，用于化工过程的故障诊断。推导了AKL分类器在向后缩减和向前增长两种情况下的递推算法，实现了对记忆样本长度的控制。该分类器无需利用历史故障数据，即可进行在线学习并建立过程诊断模型。通过对Tennessee Eastman（TE）过程的5种典型故障的诊断分析，验证了该方法的有效性。     

基于递推PLS核算法的软测量在线学习方法

针对过程的动态时变特性,提出一种基于PLS核算法的软测量在线学习方法。该方法利用PLS核算法,通过递推学习具有代表性的新样本来改善模型的适应能力,较NIPALS算法具有更高的计算效率;并采用一种同时考虑输入和输出信息的相似度准则,有选择地删除一个或多个冗余样本,更有效地构建了训练样本集。工业聚丙烯熔融指数的软测量建模研究表明,本文提出的方法能够快速有效地跟踪牌号切换中熔融指数的变化。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

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.     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。