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。     

丙烯聚合动态模型在牌号切换过程中的应用

分析聚丙烯牌号切换过程中的过渡策略 ,并在Hypol工艺上 ,利用丙烯聚合动态模型和熔融指数的软测量 ,结合工业实际生产数据 ,对聚丙烯的牌号切换过程进行了模拟 ,结果显示 ,利用丙烯聚合动态模型可以如实地反应聚丙烯的牌号切换过程 ,通过模拟的结果 ,可以找出最佳牌号切换策略 ,制定出最佳的生产过渡方案     

基于操作域划分的聚丙烯熔融指数软测量

讨论了如何建立聚丙烯熔融指数软测量模型及模型更新问题.首先根据聚丙烯反应器中的氢气浓度划分操作域,对于每个操作域,用一种新的非线性部分最小二乘方法建立熔融指数软测量子模型,然后将各个子模型进行组合,建立全局模型.为了使模型适应过程的变化,提出一种递推非线性部分最小二乘算法,利用新获得的数据对原模型进行更新.同时基于滑动窗方法,提出模型在线估计和更新策略.实际应用结果表明,模型取得了很好的估计性能,计算精度满足工业生产的实际要求.     

Spheripol工艺丙烯聚合质量模型

针对Spheripol工艺,根据Z-N催化剂聚合机理,对不同牌号聚丙烯产品(包括均聚聚丙烯、无规共聚聚丙烯和抗冲聚丙烯)分别建立了熔融指数和乙烯质量分率的预测模型.并应用实际生产数据,对模型进行优化拟合,得到了模型参数.结果表明,熔融指数和乙烯质量分率预测模型的计算值与分析值之间的平均相对误差分别为3.86%和13.5%,模型可以较为准确地预测树脂质量,对聚合产品质量的软测量及牌号切换的研究有很大帮助.     

基于SNNs-RR的聚丙烯熔融指数软测量

提出了一种组合神经网络-岭回归（SNNs-RR）建模方法,并将该方法应用于聚丙烯熔融指数软测量研究中.通过多个单一神经网络的合理组合可显著改善神经网络模型的泛化能力,而选择合适的组合权重对组合神经网络模型是否具有良好预测性能是至关重要的,因此提出了采用岭回归方法来选择合适的组合权重.通过与单一神经网络模型的预测结果进行比较,表明基于SNNs-RR的聚丙烯熔融指数软测量模型具有更佳的预测精度和鲁棒性.     

基于核PLS方法的非线性过程在线监控

针对过程监控数据的非线性特点,提出了一种基于核偏最小二乘（KPLS）的监控方法。KPLS方法是将原始输入数据通过核函数映射到高维特征空间,然后在高维特征空间再进行偏最小二乘（PLS）运算。与线性PLS相比,KPLS方法能充分利用样本空间信息,建立起输入输出变量之间的非线性关系。与其他非线性PLS方法不同,KPLS方法只需要进行线性运算,从而避免非线性优化问题。在对过程进行监控时,首先采用KPLS方法建立模型,得到得分向量,然后计算出T²和SPE统计量及其相应的控制限。Tennessee Eastman(TE)模型上的仿真研究结果表明,所提方法比线性PLS相似文献   

基于典型相关分析和数据自回归处理的BP神经网络在聚丙烯熔融指数预报中的应用

由于聚丙烯生产是一个大量参数相互耦合的强非线性过程,使得传统的机理建模受到一定的限制。提出基于典型相关分析和数据自回归处理的BP神经网络软测量建模,通过可测变量来推知聚丙烯熔融指数。应用典型相关分析选择与输出熔融指数关系较大的独立输入变量,数据自回归处理校正一系列带有误差的量测数据,而BP神经网络用来刻画过程的非线性特征。最后,将提出的算法应用到聚丙烯大型生产工艺中进行熔融指数的预报建模并进行实例仿真,仿真结果表明该算法有较强的建模精度。     

折息移动窗递推PLS算法及其在聚丙烯生产过程中的应用

针对聚丙烯生产过程的时变特性和非线性，提出一种基于数据块的折息移动窗递推PLS算法（discount moving window RPLS，DMW-RPLS）。该算法以经典递推PLS为基础，通过引入移动窗来控制数据块的数据量，并对数据块引入遗忘因子来进行折息，然后更新模型，实现对待测变量的实时预测估计。以聚丙烯熔融指数为对象进行了仿真研究，表明提出的折息移动窗递推PLS方法能减少计算量和解决数据饱和问题，有效利用过程信息，快速准确地反映过程特性。     

自适应粒子群优化算法在聚丙烯熔融指数预报上的应用

针对丙烯聚合生产控制中聚丙烯熔融指数在线测量的控制要求,以及过程变量间相关性高的特点,提出一种基于自适应粒子群优化算法和径向基函数神经网络的聚丙烯熔融指数预报新方法。该方法采用变参数的自适应粒子群优化算法提高优化算法的效率和收敛性,并且融合了主成分分析、统计建模以及智能优化方法,从而降低了预报模型的复杂度。提出了一种基于径向基函数神经网络的统计预报模型的参数优化和结构优化方法。使用该统计模型对工厂实际生产过程进行预报,并与国内外相关研究报道相比较,表明了本文所提出的预报方法的有效性和更高的准确性。     

基于自适应偏最小二乘回归的初顶石脑油干点软测量

提出了一种具有强非线性表达能力的自适应偏最小二乘回归（APLSR）方法,并应用于初顶石脑油干点软测量模型建立.APLSR对于指定的预测对象,将根据样本在自变量空间中的分布,分析它们对预测对象的预报能力,自适应地为各个样本分配权值,然后从加权样本数据中提取和选定PLS成分,实施自适应加权PLSR,从而获得预报性能良好的模型.同时提出将前一时刻初顶石脑油干点人工分析值引入作为模型的自变量,从而进一步提高了软测量模型的预测精度.     

Melt index prediction by weighted least squares support vector machines

Melt index is considered an important quality variable determining product specifications. Reliable prediction of melt index (MI) is crucial in quality control of practical propylene polymerization processes. In this paper a least squares support vector machines (LS‐SVM) soft‐sensor model of propylene polymerization process is developed to infer the MI of polypropylene from other process variables. Considering the use of a SSE cost function without regularization might lead to less robust estimates; the weighted least squares support vector machines (weighted LS‐SVM) approach of propylene polymerization process is further proposed to obtain a robust estimation of melt index. The performance of standard SVM model is taken as a basis of comparison. A detailed comparison research among the standard SVM, LS‐SVM, and weighted LS‐SVM models is carried out. The research results confirm the effectiveness of the presented methods. © 2006 Wiley Periodicals, Inc. J Appl Polym Sci 101: 285–289, 2006     

Selective ensemble modeling based on nonlinear frequency spectral feature extraction for predicting load parameter in ball mills

Strong mechanical vibration and acoustical signals of grinding process contain useful information related to load parameters in ball mills. It is a challenge to extract latent features and construct soft sensor model with high dimensional frequency spectra of these signals. This paper aims to develop a selective ensemble modeling approach based on nonlinear latent frequency spectral feature extraction for accurate measurement of material to ball volumeratio. Latent features are first extracted fromdifferent vibrations and acoustic spectral segments by kernel partial least squares. Algorithms of bootstrap and least squares support vector machines are employed to produce candidate sub-models using these latent features as inputs. Ensemble sub-models are selected based on genetic algorithm optimization toolbox. Partial least squares regression is used to combine these sub-models to eliminate collinearity among their prediction outputs. Results indicate that the proposedmodeling approach has better prediction performance than previous ones.     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模，而原有模型失准问题，研究了一种局部线性嵌入（locally linear embedding, LLE）和测地线流式核（geodesic flow kernel, GFK）相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息，然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间，利用测地线流式核框架在流形空间上实现域迁移，以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型，得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果，验证了所提算法的实用性和有效性。     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于径向基神经网络的聚丙烯熔融指数预报

引　言在化工生产中大部分生产流程具有非线性、大时滞、结构复杂等特性 ,而且生产变量之间存在着不同程度的耦合与关联 .前馈神经网络由于具有强大的拟合非线性函数的能力 ,已成为生产指标预测的有力工具[1] .其中径向基 (radialbasisfunction ,RBF)神经网络相对于神经网络BP     

A novel Bayesian inference soft sensor for real‐time statistic learning modeling for industrial polypropylene melt index prediction

A novel real‐time soft sensor based on a sparse Bayesian probabilistic inference framework is proposed for the prediction of melt index in industrial polypropylene process. The Bayesian framework consists of a relevance vector machine for predicting melt index and a particle filtering algorithm for soft sensor optimization. An online correcting strategy is also developed for improving the performance of real‐time melt index prediction. The method takes advantages of the probabilistic inference and using prior statistical knowledge of polymerization process. Developed soft sensors are validated with ten public databases from UCI machine learning repository and real data from industrial polypropylene process. Experimental results indicate the effectiveness of proposed method and show the improvement in both prediction precision and generalization capability compared with the reported models in literatures. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45384.     

递归核PCA及其在非线性过程自适应监控中的应用

PCA、PLS作为常用的多变量统计监控算法，一般适用于线性、定常的过程。针对实际工业过程的时变、非线性特性，提出了一种递归核PCA（RKPCA）方法用于非线性过程的自适应监控。RKPCA算法通过将递归奇异值分解推广到核空间，给出了核形式描述的递归KPCA算法，运算复杂度比KPCA明显降低，保证非线性监控模型能够在线更新。在Alstom工业燃气发生装置上的自适应监控表明，所提出的RKPCA算法能够及时跟踪非线性过程的时变特征，保证了监控模型的有效性。     

Prediction of the Melt Index Based on the Relevance Vector Machine with Modified Particle Swarm Optimization

A novel chemical soft‐sensor approach for the prediction of the melt index (MI) in the propylene polymerization industry is presented. The MI is considered as one of the important variables of quality that determine the product specifications. Thus, a reliable estimation of the MI is crucial in quality control. An accurate optimal predictive model of MI values with the relevance vector machine (RVM) is proposed, where the RVM is employed to build the MI prediction model; a modified particle swarm optimization (MPSO) algorithm is then introduced to optimize the parameter of the RVM, and the MPSO‐RVM model is thereby developed. An online correcting strategy (OCS) is further carried out to update the modeling data and to revise the model's parameter self‐adaptively whenever model mismatch happens. Based on the data from a real polypropylene production plant, a detailed comparison is carried out among the least squares support vector machine (LS‐SVM), RVM, MPSO‐RVM, and OCS‐MPSO‐RVM models. The research results reveal the prediction accuracy and validity of the proposed approach.