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。     

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。     

基于改进的FasBack神经模糊系统的4-CBA软测量模型研究

提出一种基于改进的FasBack神经模糊系统的新型对羧基苯甲醛(4-CBA)软测量模型,用Leven-berg-M arquardt算法训练模型中的部分参数,经实际过程数据验证表明,提出的模型学习速度快、预测精度高、鲁棒性强,为实现精对苯二甲酸(PTA)生产过程中4-CBA含量的实时、精确控制提供了一条有效的途径。     

基于改进Bagging算法的高斯过程集成软测量建模

为提高对工况复杂的工业过程进行软测量建模的模型精度和泛化能力,提出了一种基于改进Bagging算法的高斯过程集成软测量建模方法。该算法采用高斯过程回归算法建立集成学习模型的基学习器,并在Bagging算法对训练样本重采样生成基学习器训练子集的基础上,采用基于正则化互信息的特征排序指标进行基学习器的输入特征抽取,实现有监督的特征扰动,从而改善学习器的差异度。待测样本进行软测量估计时,根据各高斯过程基学习器输出的方差自适应地选择基学习器进行集成输出。采用工业双酚A生产装置反应器的现场数据建模仿真,结果表明该方法是有效的。     

洛阳PTA装置基于径基函数网络的4-CBA软测量

采用一种具有强非线性表达能力的径基函数网络方法建立洛阳PTA装置4-CBA含量软测量模型。在实际应用中,4-CBA含量软测量模型具有良好的预测精度,相对误差仅为4.3%。基于该软测量模型系统分析主要工艺操作参数对TA产品中4-CBA含量的影响,为生产操作条件的优化提供指导。     

基于智能优化算法的软测量模型建模样本优选及应用

根据目标工况合理选择训练样本,是建立软测量模型的关键。传统的训练集样本选择方法难以充分利用因变量信息,而且难以综合考虑样本对模型的影响。为了解决上述问题,本文提出一种基于智能优化算法的训练集样本选择模型,定义了损失函数和样本压缩率,通过权重因子将二者融合为多目标适应度函数,可调整优化算法的寻优方向,使算法能够同时对建模样本组合结构与样本数量寻优,因此极大提高了所选建模样本的质量。为了验证方法的有效性,以汽油调和过程中采集的汽油近红外光谱-研究法辛烷值数据以及柴油近红外基准数据为例,与偏最小二乘、局部权重偏最小二乘等多种方法进行了比较研究,并分析了建模样本对软测量模型的影响。结果表明,本文方法在大规模降低训练集样本规模的同时能够保证软测量模型的精度和泛化性,非常适合工业应用。     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶（marine protease,MP）发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络（PSO-RBFNN）的MP发酵过程软测量建模方法。首先采用指数下降惯性权重（exponential decreasing inertia weight,EDIW）策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。     

基于改进PSO-RBFNN的海洋蛋白酶发酵过程软测量

针对海洋蛋白酶(marine protease,MP)发酵过程中某些关键参量难以在线检测,离线测量存在大滞后、易染菌的问题,提出了一种基于改进的粒子群-径向基神经网络(PSO-RBFNN)的MP发酵过程软测量建模方法。首先采用指数下降惯性权重(exponential decreasing inertia weight,EDIW)策略对粒子群算法进行改进,克服了固定惯性权重和自适应惯性权重的粒子群算法易于陷入局部极小,进化后期收敛速度慢以及全局搜索能力弱的缺点;然后,采用改进后的粒子群算法对径向基神经网络连接权值进行在线优化,确定RBFNN拓扑结构;最后,根据MP发酵过程的输入/输出向量构建RBFNN软测量模型。实验仿真结果表明,EDIW策略改进的PSO-RBFNN软测量模型训练时间缩短了40%左右,模型预测精度提高了3%以上。     

基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模

在复杂工业生产过程中,为提高产品质量,建立关键变量多步预测模型非常必要,但传统软测量建模方法难以聚焦工业数据复杂特性,导致预测不准。本文提出一种基于时空注意力机制的双向长短时记忆网络与轻量级梯度提升机(spatial-temporal attention mechanism bi-directional long short-term memory network and light gradient boosting machine,STA-BiLSTM-LightGBM)的多步预测软测量模型。首先训练STA-BiLSTM,时空注意力机制从时间和空间维度为输入特征分配权重,BiLSTM捕捉数据时序特征;其次使用BiLSTM最后一个时间步的隐状态扩充原始输入数据后,训练LightGBM,利用弱学习器迭代训练得到最优模型;进而将STA-BiLSTM和LightGBM的预测输出按照误差倒数法变权求和得到预测结果。最后将该方法在工业数据集上仿真验证,结果表明组合模型预测效果优于BiLSTM和LightGBM,且随着预测步数增大,仍保持较高的预测精度。     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

基于红外光谱的SSA-ELM石墨烯成分含量预测分析

为提高石墨烯成分含量软测量精度，提出一种基于红外光谱的SSA-ELM的石墨烯成分含量预测算法。针对ELM模型预测性能受其初始权值和阈值的影响，运用SSA算法对ELM模型的初始权值和阈值进行优化选择。将石墨烯材料的红外光谱吸光度作为ELM的输入，石墨烯含量作为ELM的输出，建立红外光谱的石墨烯成分含量预测模型。试验分析表明，与GA-ELM、PSO-ELM、 ELM等方法比较，使用SSA-ELM的石墨烯成分含量预测模型的预测精度最高，为石墨烯成分含量软测量提供了新的方法。     

PX氧化反应器动态模型和4-CBA浓度的软测量

建立了PX氧化反应器的动态机理模型,模型能够较好地预测不同工艺条件下的4-CBA浓度。基于上述模型,对现有工艺过程进行了数值模拟,发现4-CBA浓度与尾气CO2浓度具有很强的相关性。通过数据回归得到了简化的4-CBA软测量模型,上述模型为现有PX氧化过程的4-CBA浓度实时控制提供了理论依据。     

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.     

PTA生产中4-CBA浓度的影响因素分析和软测量

根据济南化纤公司75 kt／a精对苯二甲酸(PTA)的生产工艺,建立了对二甲苯(PX)氧化反应器的数学模型,模型能够较好地预测不同工艺条件下的对羧基苯甲醛(4-CBA)浓度。在此模型基础上,对现有工艺过程进行了数值模拟,结果发现,4-CBA浓度与尾气CO_2浓度和单位液相体积耗氧速率具有很强的相关性。通过数据回归得到了4-CBA软测量模型,该软测量模型结果与工业运行实测结果基本一致     

钢纤维混凝土抗压强度预测方法研究

通过机器学习算法建立钢纤维混凝土抗压强度预测模型。采用集成机器学习算法,通过集成多个弱学习器来构造一个强学习器,从而找到钢纤维混凝土设计参数和其抗压强度之间的映射关系。预测误差较小的弱学习器权重较大,可提高机器学习模型的整体精度。从现有文献中收集钢纤维混凝土抗压强度实验数据,用来训练集成机器学习模型,其中以钢纤维混凝土成分（例如粗/细集料、水泥、水、钢纤维掺量等）作为输入数据,以抗压强度值作为输出数据。模型验证测试数据集的结果表明,所采用的集成机器学习模型对预测钢纤维混凝土抗压强度的预测精度很高（MAPE=1.16%）,并且高于传统的单一机器学习预测模型（MAPE=1.76%）。     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

基于二子空间协同训练算法的半监督软测量建模

在工业过程中,存在着辅助变量与主导变量数据比例严重失衡的问题。协同训练算法是其中一种利用无标签数据中的潜在信息以提升学习性能的模型训练方法。然而目前在协同训练软测量建模过程中,学习器之间存在严重的训练特性交叉重叠的问题,这将导致对主导变量的预测性能衰减。针对这一问题,提出基于二子空间协同训练算法的半监督软测量模型two-subspace co-training KNN(TSCO-KNN)。该模型将二子空间分块算法与协同训练算法相结合,利用辅助变量与主成分子空间PCS和残差子空间RS两个特征子空间的相关性程度,将数据变量拆分为两个具有显著差异性的学习数据集,进而使用KNN回归器进行协同训练,共同用于对主导变量的预测。最后在乙烯精馏塔塔顶乙烷浓度和TE过程产品浓度软测量中进行仿真研究,验证本文所提算法的有效性。     

PTA生产中4-CBA含量的软测量技术

介绍了软测量技术的基本原理,并对近几年4-CBA含量的软测量建模方法进行系统综述,指出了该技术存在的问题和今后研究方向。     

一种基于增量式SVR学习的在线自适应建模方法

训练样本的数量与质量对于过程建模至关重要,在很大程度上影响所建模型的质量。基于增量式支持向量回归(SVR)学习算法,提出一种在线自适应建模方法以实现有选择地添加和删除训练样本。该方法利用SVR模型的KKT条件选择出那些包含足够多新信息的样本进行增量学习,能够在保证模型泛化能力的同时降低模型更新频率。另外,为快速准确地跟踪过程特性的变化,将通过评价当前模型对新增训练样本的学习能力来决定是否需要删除旧样本。当需要删除样本时,基于样本间的相似度,选择淘汰与当前过程特性差别最大的旧样本。将该方法用于建立工业聚丙烯熔融指数预报模型,结果表明,与其他方法相比,获得的预测模型具有更好的泛化性能,且模型更新频率明显降低,能有效地适应工况的变化。