基于光滑化$L_1$正则项的随机配置网络

为了提高随机配置网络(stochastic configuration networks,SCN)的泛化能力,提出一种适用于SCN的光滑化$L_1$正则化方法.针对$L_1$正则化算子局部不可微的缺陷,在曲线不光滑点的邻域内进行光滑处理,并在此基础上构建SCN的光滑误差函数,提出增量计算权值的算法,进而以交替方向乘子法为基础给出权值的全局优化算法,并且在理论上分析算法的收敛性.与$L_1$正则化的稀疏性和$L_2$正则化均匀减小参数的特点相比,所提出方法按重要程度保留数据的全部特征,使参数既保持在较小的范围内又具有层次分明的分布,从而使网络具有更好的泛化能力.最后,通过数值仿真实验验证了所提出方法的可行性和有效性.     

基于流形正则化域适应随机权神经网络的湿式球磨机负荷参数软测量

针对湿式球磨机多工况运行过程中标签样本难以获取和工况改变导致的原测量模型失准问题,本文引入域适应随机权神经网络（Domain adaptive random weight neural network,DARWNN）,实现待测工况中少量标签样本与原工况样本共同进行迁移学习.DARWNN网络解决了不同工况间难以共同进行机器学习的问题,但其只考虑经验风险,而未考虑结构风险,从而泛化性能较差,预测精度较低.在此基础上,本文引入流形正则化,并构建基于流形正则化的域适应随机权神经网络（Domain adaptive manifold regularization random weight neural network,DAMRRWNN）,以保持数据几何结构,提高相应模型性能.实验结果表明,所提方法可以有效提高DARWNN的学习精度,解决多工况情况下湿式球磨机负荷参数软测量问题.     

随机配置网络研究进展

随机配置网络(stochastic configuration network, SCN)是一种新兴的增量式神经网络模型,与其他随机化神经网络方法不同,它能够通过监督机制进行隐含层节点参数配置,保证了模型的快速收敛性能.因其具有学习效率高、人为干预程度低和泛化能力强等优点,自2017年提出以来, SCN吸引了大量国内外学者的研究兴趣,得到了快速的推广和发展.从SCN的基础理论、典型算法变体、应用领域以及未来研究方向等方面切入,全面地概述SCN研究进展.首先,从理论的角度分析SCN的算法原理、通用逼近性能及其优点;其次,重点研究深度SCN、二维SCN、鲁棒SCN、集成SCN、分布式并行SCN、正则化SCN等典型变体;随后介绍SCN在硬件实现、计算机视觉、医学数据分析、故障检测与诊断、系统建模预测等不同领域的应用进展;最后指出SCN在卷积神经网络架构、半监督学习、无监督学习、多视图学习、模糊神经网络、循环神经网络等研究方向的发展潜力.     

基于随机配置网络的轻量级人体行为识别模型

针对智能手机受限的计算和存储环境等问题,提出基于流形正则化和QR分解的轻量级随机配置网络人体行为识别模型.首先,利用流形正则化解决输入数据被随机映射到SCNs隐含层空间后出现难以预测的非线性分布问题,以提升模型结构的轻量性;其次,采用QR分解降低输出权值计算复杂度,进一步提高模型建模过程的轻量性;最后,在两个人体行为识别数据集上评估所提出模型在模型识别精度和轻量性方面的有效性.实验结果表明,与SCNs、CNN等相比,所提出模型对于人体行为识别问题不仅可以实现识别精度的提高,还能有效降低计算复杂度,提高模型结构的紧致性.     

一种随机配置网络软测量模型的稀疏学习方法

随机配置网络(SCN)构建一个不等式约束条件对隐性参数进行随机分配,同时对其范围进行自适应选择,具有收敛速度快、建模精度高等优点.由于随机算法的本质特性,不可避免产生低值、冗余节点,为提高SCN软测量模型的稀疏性,提出一种简约随机配置网络(PSCN).PSCN在网络增量构建目标函数中引入$L_1$范数,建立一个新的不等式约束条件来保障隐性节点的生成质量.并进一步针对新建目标函数的非凸性和非光滑性,采用交替方向乘子法(ADMM)对整个PSCN网络的输出权重进行更新.最后,将所提出方法应用于基准数据集和实际工业过程软测量问题中,结果表明该方法可有效简化模型结构,同时具有较高的泛化性能.     

基于随机配置网络的井下供给风量建模

主通风机切换过程中, 取压风量测量作为监测井下供给风量的主要手段, 是矿井主扇通风系统安全、稳定与经济运行的重要保障. 然而, 由于取压孔极易出现堵塞现象, 需要频繁维护, 导致无法实时测量井下供给风量, 难以实现主通风机切换过程的闭环优化控制. 同时, 随着隐含层节点数的增加, 基于随机配置网络(Stochastic configuration network, SCN)的估计模型存在过拟合和泛化能力差的缺点. 为了解决上述问题, 结合正则化(Regularization, R)技术, 本文提出一种新型的改进SCN算法, 即RSC算法, 用于井下供给风量的建模. 基准回归分析和工业实验表明: 与SCN方法相比, 建立的RSC模型具有较高的模型精度和较好的泛化性能.     

基于改进流形正则化随机配置网络的软测量

为提高复杂工业过程中某些关键参数的预测精度,提出一种基于改进流形正则化随机配置网络(improved manifold regularization stochastic configuration networks, IMRSCNs)的软测量建模方法。该方法首先采用基于迁移学习的特征提取思路,集成最大方差、协方差分布差异和最大均值差异获取特征变换矩阵,将训练集和测试集的特征信息投影到一个公共子空间。进一步将子空间的训练集数据输入带有流形正则化的随机配置网络中,训练网络模型,以保持数据在原特征空间的几何结构。通过多组实验结果表明,相较于原始随机配置网络(stochastic configuration networks, SCNs),所提的改进流形正则化SCNs模型拥有更高的预测精度和更好的泛化性能。     

基于ASOS-ELM的球磨机负荷参数软测量系统设计

球磨机负荷参数是决定磨矿工作质量和效率的重要指标,为了提升球磨机负荷参数软测量系统的运行性能,降低综合测量误差,利用ASOS-ELM算法,从硬件和软件两个方面,设计球磨机负荷参数软测量系统。加设球磨机工作数据采集器,改装处理器与输出显示屏,扩大存储器空间,利用电源电路连接硬件设备,完成硬件系统的设计。根据球磨机的组成结构和工作原理,构建球磨机数学模型,在该模型下,采集球磨机不同工况下的振动信号。利用ASOS-ELM算法,提取振动信号特征,得出球磨机球负荷、料负荷、水负荷参数的软测量结果,实现球磨机负荷参数软测量系统设计。通过系统测试实验结果表明,设计系统负荷参数的综合测量误差降低了约0.064kg,且系统运行性能得到明显提升。     

基于随机森林算法的石油钻采装备外部故障自动监测方法

为提高石油钻采装备外部故障检测能力,提出基于随机森林算法的监测方法.构建大数据采集模型,以石油钻采装备的异常振动数据为研究对象,进行故障特征提取和信息融合,构建故障工况下的信息融合和特征聚类模型,通过模糊C均值聚类进行故障特征的量化分解和分类识别,在随机森林学习算法下实现对故障检测和诊断的自适应寻优.仿真结果表明,采用该方法进行故障检测,可有效提高故障的自动监测能力,且准确性较高,实时性较好.     

无偏稀疏正则化的双策略结构神经网络压缩

虽然深度神经网络模型的性能十分出色,但目前网络存在规模庞大、权重冗余度高的问题。同时,现有对网络权重剪枝的正则子估测偏差大。因此,本文提出无偏稀疏正则化的双策略结构神经网络压缩。首先,本文将神经网络所连接权重视为一组,提出采用估测值偏差小的非线性拉普拉斯函数,构建组间无偏结构稀疏正则子和组内无偏结构稀疏正则子,对冗余神经元和剩余神经元的冗余权重分别进行稀疏约束,构建无偏稀疏正则化的双策略结构神经网络压缩模型。其次,针对所设计的无偏稀疏正则化的网络压缩优化难题,本文采用近端算子技术获得无偏稀疏正则子的闭式解,进而设计基于近端梯度下降法的反向传播算法,实现神经网络准确的结构压缩。最后,通过在数据集MNIST、 FashionMNIST和Cifar-10进行实验验证,本文所提出的无偏稀疏正则子的双策略结构神经网络压缩不仅收敛速度快于目前主流正则子。而且在压缩率保持一致的情况下,相比已有的方法识别精度平均提升2.3%,在识别保持精度基本一致的情况下,相对已有方法平均提升11.5%的压缩率。     

Feature extraction based on the fractional Fourier transform for vibration signals with application to measuring the load of a tumbling mill

Feature extraction plays a major role in data preprocessing and soft sensing. In this paper, a feature extraction method based on the fractional Fourier transform (FrFT) is proposed to estimate the load of a tubular ball mill. The FrFT, a generalised form of FFT, can draw intermediate time–frequency representations for a signal. Vibration signals are first transformed into a frequency spectrum by using the FrFT with multiple-orders, yielding multi-order frequency spectrums (MFS). Then, according to the sensitivity thresholds under different wear conditions, multi-order characteristic frequencies (MCF) are selected from the MFS, and some statistical characteristics are extracted from MCF as initial features. Only informative features can significantly benefit the forecasting accuracy. Therefore, some candidate features used to build the soft-sensing model are chosen from statistical characteristics. Finally, the load of a tumbling ball mill can be obtained by fusing the results of multi-order regression models based on an adaptive-weighting coefficient. Compared with some feature extraction methods and the performance of the proposed method in the Fourier domain, experimental results show that the feature extraction method proposed is effective in modelling the load parameters of a tubular ball mill.     

多传感器数据融合技术在球磨机负荷检测中的应用

在水泥生产过程中,球磨机的负荷检测和控制非常重要,球磨机的负荷决定了水泥生产的连续性和水泥质量的稳定性。目前,没有直接检测球磨机负荷的方法,常用磨音、电机电流、提升机功率等间接方法获得,精确性和可靠性都较低,在生产实际中只能作为参考数据。提出一种多传感器数据融合的方法,采用自适应加权数据融合算法,选择磨音、磨机出口提升机功率、磨机电机电流、粗粉回粉流量4种传感器来综合检测磨机负荷,提高了球磨机负荷检测的准确性和可靠性。经过在水泥磨系统中的实际应用,验证了该方法的有效性。     

料位自寻优和解耦算法在制粉系统中应用研究

针对制粉系统多变量、强耦合、料位测量不准确造成的经济性能低等特性,提出了基于料位自寻优多神经元PID制粉系统解耦控制。根据现场采集的磨音信号、磨机负荷等参数,采用料位自寻优算法能实时搜索磨机最大出力,使系统始终运行在最佳工作点;根据系统在最佳工作点的料位控制量采用改进权重的神经网络PID算法,实现各层神经元的连接权重值调整,降低系统控制误差,使系统实现解耦控制。仿真和实际控制结果表明,该算法具有较高的准确率,能适应不同工况下出口温度、入口负压以及料位的稳定控制,不仅实现了制粉系统的闭环自动控制,而且提高了系统制粉效率,降低了制粉单耗,最终达到节能目标。     

基于即时学习策略的火电厂球磨机负荷软测量

针对电厂球磨机负荷难以进行有效预测的问题,从提高预测模型在线自适应能力的角度出发,提出一种基于即时学习策略的改进SVM建模方法。利用灰色关联分析方法对过程参数进行优化筛选,获得辅助变量;在即时学习策略建模框架下,采用多种群混合优化算法进行SVM预测模型参数的优化选取;基于电厂实际运行数据进行了仿真研究。仿真实验表明,与标准BP神经网络和SVM建模方法的比较,该算法具有更好的预测性能,虽然计算开销有所增加,但能够满足制粉系统球磨机负荷检测的实时性要求。     

Multiple models and neural networks based decoupling control of ball mill coal-pulverizing systems

Using a ball mill coal-pulverizing system as a motivating/application example, a class of complex industrial processes is investigated in this paper, which has strong couplings among loops, high nonlinearities and time-varying dynamics under different operation conditions. Focusing on such processes, an intelligent decoupling control method is developed, where the effects of nonlinearities are dealt with by neural network compensations and coupling effects are handled by specifically designed decoupling compensators, while the effect of time-varying dynamics is treated by a switching mechanism among multiple models. The stability and convergence of the closed-loop system are analyzed. The proposed method has been applied to the ball mill coal-pulverizing systems of 200 MW units in a heat power plant in China. Application results show that the system outputs are maintained in desired scopes, the electric energy consumption per unit coal has been reduced by 10.3%, and the production rate has been increased by 8%.     

Voltage stability assessment in power network using self organizing feature map and radial basis function

Self-organizing feature map (SOFM) in conjunction with radial basis function (RBF) has been applied in this paper to determine and classify the voltage stability states of a multi-bus power network. Simulations were carried out on a real 203-bus system of an Indian power utility considering load changes and contingencies. The data collected from simulations are then used as inputs to the SOFM which acts as a classifier to classify the voltage stability states of the system under test. To augment the effectiveness of the proposed method, the initial classification results were improved with the application of RBF technique. Studies show that the SOFM-RBF combination delivers high classification accuracy in the order of almost 100% and can be considered an effective soft-computing tool to ease the operation of large-multi bus power network under variable operating conditions.     

球磨机物料填充率检测器及其应用

介绍的磁电式球磨机物料填充检测器具有简单可靠、灵敏度高、稳定性好和全天侯结构等特点,可用于磨内物料填充率的显示,记录和报警,现可作为操作员提供判断磨机工况并据其进行操作的依据,又可作为磨机负荷控制的主控或监控参数,优化粉磨过程,实现粉磨过程自动化。     

选择性融合多尺度筒体振动频谱的磨机负荷参数建模

针对目前采用经验模态分解(empirical model decomposition,EMD)得到的系列子信号构建的磨机负荷参数软测量模型泛化性能差、难以进行清晰物理解释,以及EMD算法存在的模态混叠等问题,本文提出了基于选择性融合多尺度筒体振动频谱的建模方法.首先采用EMD、集合EMD(ensemble EMD,EEMD)、希尔伯特振动分解(Hilbert vibration decomposition,HVD)共3种多组分信号自适应分解算法获得磨机筒体振动多尺度子信号的集合,接着通过相关性分析剔除虚假无关部分,然后再将与原始信号相关性强的那部分多尺度子信号变换至频域,进而更有利于构建这些多尺度频谱与磨机负荷参数间的映射模型,最后通过改进分支定界选择性集成(improved branch and bound based selective ensemble,IBBSEN)算法建立软测量模型,实现对多源多尺度筒体振动频谱的最优选择性信息融合.基于实验球磨机运行数据的仿真实验表明所提方法在模型可解释性和泛化性能上均优于之前研究所提出方法.