基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性，提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中，通过在线聚类算法改善vSVR模型参数选择算法的稳定性，并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优，提高了模型的学习效率和精度。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.     

基于环路能量聚类的多模型软测量建模

在多模型软测量建模中,对于新的数据以及异常样本点,传统的聚类方法没有充分考虑它们的特性,因而所属类别往往不能反映其真实属性,最终导致模型精度不高.为此,提出一种基于最小环路能量聚类的算法,该方法将样本聚类转化为寻找一个最小能量环问题,通过模拟退火算法搜索一条经过所有样本点的最小能量环实现样本集的聚类;对侦破出的异常样本点和新的测试数据根据其能量值确定其所属属性,从而提高聚类和分类精度;然后利用支持向量机为各个子类建立回归子模型,得到软测量组合模型.将该方法应用于双酚A生产过程质量指标的软测量建模中,仿真结果验证了该方法的有效性.     

基于局部重构融合流形聚类的多模型软测量建模

针对单模型描述复杂非线性对象时估计精度低、泛化能力差的问题,提出了一种基于局部重构融合流形聚类的多模型软测量建模方法。该方法将样本集拆分为多个互不相交的样本子簇,克服异常样本点对聚类结果的影响;以各样本子簇重构线性流形面,将属于同一流形面且相距较近的样本子簇进行融合;采用支持向量机为各个子类建立回归子模型,得到一个基于多个子模型的软测量组合模型。在双酚A生产过程质量指标的软测量建模仿真中验证了该方法的有效性。     

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。     

基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。     

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。     

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。     

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。