基于不平衡学习的集成极限学习机污水处理故障诊断

污水处理过程的故障诊断数据具有高度不平衡性,影响了故障诊断效果,尤其是降低故障类别的识别正确率,导致出水水质不达标、运行费用增高和环境二次污染等问题出现。据此提出一种基于加权极限学习机集成算法的污水处理故障诊断建模方法。该方法将不平衡分类评价指标G-mean引入以加权极限学习机为基分类器的AdaBoost集成分类模型,定义新的基分类器初始权值矩阵更新规则和集成权重计算公式,用于基分类器的迭代学习。由仿真实验结果可知,基于加权极限学习机集成算法的污水处理故障诊断模型,可有效提高分类性能G-mean值和整体分类精度,特别提高了故障类的识别正确率,验证了基于加权极限学习机的集成算法在不平衡性污水处理故障诊断问题上的有效性。     

基于不平衡学习的集成极限学习机污水处理故障诊断

污水处理过程的故障诊断数据具有高度不平衡性,影响了故障诊断效果,尤其是降低故障类别的识别正确率,导致出水水质不达标、运行费用增高和环境二次污染等问题出现。据此提出一种基于加权极限学习机集成算法的污水处理故障诊断建模方法。该方法将不平衡分类评价指标G-mean引入以加权极限学习机为基分类器的Ada Boost集成分类模型,定义新的基分类器初始权值矩阵更新规则和集成权重计算公式,用于基分类器的迭代学习。由仿真实验结果可知,基于加权极限学习机集成算法的污水处理故障诊断模型,可有效提高分类性能G-mean值和整体分类精度,特别提高了故障类的识别正确率,验证了基于加权极限学习机的集成算法在不平衡性污水处理故障诊断问题上的有效性。     

一种基于改进加权粗糙集的多模型软测量建模方法

根据多模型可以改善模型估计精度,提高泛化性的思想,提出一种基于改进加权粗糙集的多模型软测量建模方法。加权粗糙集可以有效地处理不平衡数据的分类问题,但是传统的样本权重选择方法缺乏整体考虑,容易引起分类器整体精度的下降。通过向加权粗糙集引入类别权重,得到了一种基于最小风险贝叶斯决策理论的加权粗糙集决策算法,并利用AdaBoostM2算法寻优样本权重及类别权重。通过上述方法构建的最小风险加权粗糙集分类器,有效地提高了分类精度,从而保证了各个子模型的可靠性。     

基于Relief-F特征加权的模糊支持向量机的分类算法

传统基于样本与类中心的欧氏距离构造模糊支持向量机隶属度函数的方法将所有特征同等对待,并未考虑不同特征对样本与类中心距离的影响。针对这一问题,提出基于Relief-F特征加权的模糊支持向量机分类算法。首先通过Relief-F算法计算各特征权重并剔除权重较小的特征;然后应用特征权重计算样本到所属类中心的加权欧氏距离;最后,基于加权欧氏距离构造隶属度函数。该方法在考虑到特征重要性对分类效果影响的同时,通过权重阈值剔除权重较小的特征,从而将数据降维,提高了分类准确度和训练效率。实验结果表明:与支持向量机和传统基于距离构造隶属度的模糊支持向量机相比,基于Relief-F特征加权的模糊支持向量机具有更高的训练效率和分类准确率。     

基于支持向量机的矿山微震波形识别和分类研究

为了对微震监测系统每天采集到的大量波形数据进行识别和分类,建立了一个基于支持向量机并具有智能学习功能的波形自动分类器模型。通过对某段时间采集的波形进行人工分析,得到相关特征参数,包括频率、最大幅值、释放总能量、持续时间、触发时间、测试感知率等信息,结合经验与理论的分析方法区分判断该波形的类别,利用这些已经人为判定的波形类别和特征参数对支持向量机分类器进行训练、优化,最后得到最优的分类器模型参数。结果表明该分类器能够将微震波形进行良好的分类处理。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析（statistical local kernel principal component analysis, SLKPCA）在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析（weighted statistical local kernel principal component analysis, WSLKPCA）的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼（Tennessee Eastman, TE）化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于加权统计局部核主元分析的非线性化工过程微小故障诊断方法

传统统计局部核主元分析(statistical local kernel principal component analysis, SLKPCA)在构造改进残差时未考虑样本的差异性,使得故障样本信息易于被其他样本所掩盖,针对该问题,提出一种基于加权统计局部核主元分析(weighted statistical local kernel principal component analysis, WSLKPCA)的非线性化工过程微小故障诊断方法。该方法首先利用KPCA获取过程的得分向量和特征值并构建初始残差。然后设计了一种基于测试样本与训练样本之间距离的加权策略构建加权改进残差,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。最后,采用基于测量变量与监控统计量之间的加权互信息构建贡献图以识别故障源变量。在连续搅拌反应釜和田纳西伊斯曼(Tennessee Eastman, TE)化工过程上的仿真结果表明,所提方法具有良好的微小故障检测与识别性能。     

基于SVDD的冷水机组传感器故障检测及效率分析

传感器是制冷空调系统的重要组成部分,起着测量数据和监控状态的作用。传感器故障,尤其是输出偏差会引起测量值不准,影响控制策略,导致系统能耗增加。依据模式识别理论,故障检测可处理为一种单分类问题。据此采用一种单分类模式识别工具——支持向量数据描述(SVDD),针对冷水机组进行了偏差故障条件下的传感器故障检测工作。收集冷水机组实测正常运行数据,基于训练集建立SVDD模型,进行冷水机组传感器故障检测;在测试集中引入不同幅值水平的偏差故障,分析检测效率。结果表明:基于SVDD的冷水机组传感器故障检测效果明显,但对于不同传感器的不同幅值偏差故障,故障识别程度并不一致。     

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.     

多尺度小波核支持向量回归及其对丙烯浓度的估计与应用

多尺度小波核支持向量回归方法具有较强的鲁棒性和较好的泛化能力,而模型选择是其获得良好泛化性能的关键,其中采用多尺度核方法参数选择的复杂度比单个核方法的参数选择大得多。这里提出了一种构造多尺度Morlet小波核的支持向量回归机的方法,它采用量子聚类方法划分样本类别以确定多尺度核的尺度个数,依赖支持向量数据描述方法对相应样本计算其核宽度,然后用文化算法优化剩下的少量模型参数。结果表明所得到的多尺度小波核模型的泛化能力明显优于单小波核或高斯核情形。分别用3个标准回归数据集Bostonhous-ing、Bodyfat和Santa作仿真,结果表明,相对于高斯核方法,多尺度小波核支持向量回归方法的测试集均方差分别减小了6.8%、62.0%和91.3%。同时,该方法对丙烯精馏塔的塔釜丙烯浓度预估表现出较好的泛化能力。它不仅使丙烯浓度训练集模型输出与实际输出基本吻合,而且使丙烯浓度测试集相对误差为0.211,与其他方法相比,其预测误差是最小的。     

一种逆向样本分布的Boosting类新算法

对IB(Inverse Boosting)神经网络集成算法进行了研究,提出了IB算法的改进算法IB+算法.改进算法继承了IB算法的逆向样本分布调整策略,并在训练的过程中将部分已训练好的个体子网进行中间层网络集成,利用该中间层集成网络生成新的训练样本分布.实验结果表明,对于逆向权值分布的Boosting类算法,个体子网之...     

热泵供暖系统动态操作节能优化

采用系统工程的方法优化热泵供暖系统操作, 实现节能运行具有重要意义。在建立热泵供暖系统基本动态方程的基础上, 给出了考虑室温控制精度和能耗节省的优化操控目标, 通过联立求解方法将原微分代数方程优化问题(DAOPs)转化为非线性规划问题, 然后对不同目标侧重下的动态操作优化问题进行了分析, 并提出了动态调整目标函数权重的优化策略。优化计算结果表明:在室温跟踪误差最大为0.85℃的情况下系统可实现16%以上的节能效果;环境温度和电价对系统操作优化具有重要影响, 根据两者的变化特征而动态调整目标函数权重可以进一步降低系统能耗4.7%左右。本研究对热泵供暖系统优化节能控制具有一定的现实意义。     

利用输出反馈方法实现聚合物分子量分布的控制

利用正交多项式组合神经网络对聚合反应分子量分布(MWD)进行建模,MWD被解构为若干矩值组成的矩向量函数,由此二元MWD控制问题可被转换为一元分布矩控制问题。以矩向量为直接被控对象,通过对矩的控制实现MWD的跟踪。为便于求解这类非仿射非线性多变量系统的控制策略,提出了改进型非线性自回归正交多项式网络结构,建立模型输出与U(k)之间的线性映射关系;针对高维被控矩向量,证明了矩向量中独立变量与分布函数参变量间的数量对等关系,给出了矩向量降维准则,将高维输出控制转化为低维问题。基于改进的神经网络模型,利用输出反馈方法对MWD矩向量进行控制,实现了对MWD的形状跟踪,仿真实验证明了方法的有效性。所提出的方法为非线性多变量系统的建模控制问题提供了新思路。     

基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用

针对软测量建模过程中数据可能存在粗大误差以及粗差数据对模型的性能产生的影响,提出了一种基于粗差判别的自适应加权最小二乘支持向量机回归方法(WLS-SVM)。 该方法首先根据3δ法则检测出样本中的显著误差并加以剔除,然后根据样本误差的大小自适应地调整权值,使得非显著误差对模型性能的影响大大降低。另外,由于最小二乘支持向量机的正则化参数和核宽度参数对模型的拟合精度和泛化能力有较大的影响,一般依靠经验和试算的方法进行估计,耗时且不准确,本文将模型的参数作为进化算法的优化问题,应用自适应免疫算法(AIGA)对参数进行优化选择。仿真实验表明,该方法对非线性系统的建模具有很好的效果。同时,将该方法应用于工业PX氧化建模过程中动力学参数的估计中,结果表明,基于粗差判别的参数优化自适应最小二乘支持向量机预测精度高,取得了较好的效果。     

基于稀疏最小二乘支持向量机的软测量建模

针对传统最小二乘支持向量机非稀疏化解问题,提出了基于遗传算法的最小二乘支持向量机稀疏化及参数优化方法,稀疏化的基本思想是给训练样本赋予一个概率值,将概率值小于0.5的样本作为测试样本,从而将总的训练样本集分成测试样本集和保留的训练样本集。定义了包括稀疏率、训练误差及测试误差在内的适应度函数。种群个体的前N维表示每个样本对应的概率,后m维表示要优化的参数。通过选择、交叉和变异操作对所有参数进行整体优化,取适应度最小的个体对应的保留的训练样本及优化参数建立最小二乘支持向量机模型。并用该方法用于PX氧化过程4-CBA含量的软测量中,工业数据仿真结果表明,用本文提出的方法稀疏化率达到87%,核参数选取自动完成,与稀疏前建立的模型相比推广能力更高。     

基于M估计器的支持向量机算法及其应用

训练样本的准确性对回归分析模型有很大的影响,然而训练样本中难免会出现一些造成分析模型失效的奇异点。 为克服奇异点对回归模型的影响,本文提出了一种基于M估计器的支持向量机（M-SVM）。它采用M估计器的目标函数代替最小二乘支持向量机（LS-SVM）目标函数中的残差平方和,同时提出了M-SVM的迭代求解算法,并将该算法应用于含有奇异点的低维仿真数据回归和汽油近红外光谱定量分析中。实验结果证明,相比于其他的支持向量机,M-SVM具有更好的稳健性和分析精度。     

A new algorithm for developing dynamic radial basis function neural network models based on genetic algorithms

A new method for extracting valuable process information from input–output data is presented in this paper. The proposed methodology produces dynamical radial basis function (RBF) neural network models based on a specially designed genetic algorithm (GA), which is used to auto-configure the structure of the networks and obtain the model parameters. The new RBF network training technique formulates a complete optimization problem, which includes the network structure into the set of free variables that are used to minimize the prediction error. This is a different approach compared with the local search methods employed by other structure selection mechanisms, which are often trapped to local minima. Another advantage of the proposed method is that only one run of the algorithm is required to obtain the optimal network structure, in contrast to the standard RBF training techniques, where the produced model is selected by trial and error. The effectiveness of the method is illustrated through the development of dynamical models for two sets of data: simulated data from a Continuous Stirred Tank Reactor (CSTR) and true data collected from a Kamyr digester, which is a rather complicated reactor used in the pulp and paper industry.     

Multiobjective dynamic optimization of semibatch copolymerization reactors

Polymerization reactor optimal design and control problems are inevitably multiobjective in nature. Copolymerization problems encompass an even larger set of objective functions than homopolymerization. This work describes in some detail a set of typical components of the vector of objective functionals for copolymerization reactor problems. A subset of these is selected for detailed examination employing multiobjective function optimization techniques. Noninferior, or Pareto, sets of optimal solutions have been determined for the dual objectives of narrowing both copolymer composition and molecular weight distributions in the styrene-acrylonitrile system. Noninferior solutions occur when the two objectives are in conflict and no objective can be improved without sacrifice of the other. We show for several sets of control variables that, in the S-AN system, one should seldom, if ever, control with respect to one objective functional exclusively. Compromise policies can be found which are close to utopian for both objectives. A better quantitative understanding of the trade-offs between objectives in copolymerization engineering has been achieved.     

LSSVM过程建模中超参数选取的梯度优化算法

基于结构风险最小的最小二乘支持向量机（least squares support vector machine, LSSVM）为标准支持向量机（SVM）的约简;训练简易;性能良好。其模型精度受超参数影响;常规的网络搜索法很难搜得最佳超参数。在快速留一法的基础上;以全样本留一预测误差平方和最小化为目标;导出基于梯度的最优化算法;用以优选为LSSVM超参数;进而构建G-LSSVM模型。以柠檬酸发酵过程为算例对G-LSSVM进行检验;结果表明G-LSSVM的超参数选取耗时少;模型稳定性良好;且拟合和预报性能都优于标准SVM和神经网络。有望适用于机理不明、高度非线性、小样本的化工过程建模。