柴油硫含量的中红外光谱技术检测方法

对获取的柴油原始光谱数据分别采用遗传算法(Genetic algorithms,GA)提取特征波长,然后采用了PLS(Least square regression)建立预测模型,结果表明:GA-PLS算法精度较高,RPD为1.95,RMSEP为0.028 6,r_(pre)~2为0.88,可以用于柴油硫含量的快速检测。     

基于改进PLS算法的火电机组燃煤热值建模

通过对入炉燃煤工业分析数据和与热值的关系进行分析,选取了燃煤水分、灰分、挥发分、固定碳和全硫分5种工业分析成分作为模型的输入,以燃煤热值作为模型输出,基于改进偏最小二乘(PLS)算法搭建了某电厂燃煤热值预测模型。预测模型中采用PRESS值确定潜变量的个数。预测结果表明:该模型预测精度较高,预测偏差满足工程要求。     

基于混合核函数和PLS的胎面尺寸预测模型

为实现对生产过程中胎面尺寸的准确预测,分析胎面生产工艺,结合混合核函数和偏最小二乘法(PLS)的特点构造了一种基于混合核函数和PLS的软测量模型。该预测模型把辅助变量通过输入非线性函数映射到高维特征空间,在高维特征空间中采用线性建模方法建立模型后经过非线性函数映射回原数据空间形成非线性模型。应用效果表明,该模型具有较强的学习和泛化能力,并且具有较高的预测精度,能较好地满足胎面实际生产要求。     

基于偏最小二乘支持向量机的燃煤电站锅炉效率模型

针对电站锅炉燃烧系统非线性强、变量间强耦舍及信号噪声大等特点,提出了基于电站历史运行数据的锅炉效率建模方法。根据锅炉燃烧的机理选取关键输入变量,利用偏最小二乘原理(PLS)对其进行特征提取,建立锅炉效率与所提取特征之间的最小二乘支持向量机(LSSVM)关系模型,组成一个PLS-LSSVM混合模型,并利用电站实际数据对模型的准确性进行验证。结果表明:PLS-LSSVM模型相比于PLS模型具有更强的泛化能力,相比于LSSVM模型有更好的运行效率。     

烷基苯磺酸钠定量结构与生物降解性关系研究

由分子结构算出164个电子、组成、几何和拓扑描述符以及疏水部分的辛醇/水分配系数(f-log P),对19个直链烷基苯磺酸钠的生物降解性进行定量结构-生物降解性关系(QSBR)研究。经启发式算法变量筛选建立了MLR和PLS模型,结果表明,碳原子最小偏电荷(MC)、氢原子最大偏电荷(MH)、Gravitation指数、f-log P及分子形状描述符YZ Shadow可建立5参数模型,最佳MLR模型复相关系数R2为0.964、F值为70.47、S2为8.829及Rcv2为0.924。     

基于PLS-LSSVM的谷氨酸发酵产物浓度预测建模

针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘(PLS)和最小二乘向量机(LSSVM)相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火(coupled simulated annealing,CSA)对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。     

蝙蝠算法优化近红外光谱校正模型测定柴油黏度

为了提高近红外光谱定量分析的精度和效率,提出以改迚二迚制蝙蝠算法同步优化参数和特征波长的LS-SVM模型。首先将动态速度权重和Cauchy随机扰动融入蝙蝠算法,幵用V-shaped函数将其离散化,得到WCBBA算法;然后以RMSECV为适应度函数,用WCBBA算法对LS-SVM模型的参数和特征波长迚行同步优化;最后根据优化结果建立近红外光谱定量校正模型,幵用于180个柴油样本的运动黏度测定。结果表明,该模型的各项性能指标优异,能够用于实际检测工作。     

中红外光谱结合PLS定量检测柴油掺假

目的：建立一种中红外光谱结合偏最小二乘法(PLS)对柴油中大豆油含量的定量分析方法。方法：首先，配制39组不同含量的柴油掺假大豆油样品并采集中红外光谱，探究不同的预处理方法对PLS校正模型的影响；其次，采用区间偏最小二乘法(IPLS)、协同区间偏最小二乘法(SIPLS)、后向区间偏最小二乘法(BIPLS)分别对SNV预处理后的光谱进行特征变量提取，并采用留一法交叉验证进行优化；最后，基于最优预处理方法(SNV)、特征变量提取方法(SIPLS)构建最优PLS校正模型，与原始光谱校正模型进行对比。结果：采用SNV-SIPLS-PLS的校正模型预测能力远超原始模型，其决定系数(R_P²)从0.6908上升为0.9444，均方根误差(RMSE_P)从0.3400降至0.1400。结论：中红外光谱技术结合协同区间偏最小二乘法是一种快速准确检测柴油掺假的分析方法。     

协同区间PLS——紫外光谱法同时测定肉桂酸和苯乙酮

结合紫外光谱和化学计量学算法,建立了同时测定混合物中肉桂酸和苯乙酮的方法。常规全谱偏最小二乘(PLS)由于存在与组分无关或呈非线性关系的波长点,使模型预测性能降低。本文采用协同区间偏最小二乘(synergy interval PLS,siPLS)算法选择特征波段,并优化波段组合。与全谱PLS模型比较,结果显示,基于siPLS的方法可以明显简化模型,提高模型的预测精度。研究为肉桂酸和苯乙酮的同时分析提供参考,也为siPLS算法在光谱计量学中应用提供借鉴。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题，提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间，对数据进行时延重构；然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标，并结合基于关联性的特征选择算法(CFS)进行输入变量筛选；最后基于时延重构和变量筛选后的数据，采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明，经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度，优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型，平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

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。     

基于PLS-LSSVM的谷氨酸发酵产物浓度预测建模

针对谷氨酸发酵过程关键生化参数难以在线检测给发酵优化控制带来困难问题,基于谷氨酸5 L发酵罐发酵过程,建立基于偏最小二乘（PLS）和最小二乘向量机（LSSVM）相结合的谷氨酸浓度预测模型;利用PLS对输入变量进行特征提取降低维数和消除相关性,以简化模型和提高模型精度。为确定谷氨酸发酵最佳预测模型,简化后的预测模型与发酵动力学模型进行比较;实验结果表明,简化后的耦合模拟退火（coupled simulated annealing,CSA）对参数进行优化的LSSVM模型具有最好预测性能,相对PLS预测模型和发酵动力学模型具有明显优势,均方根误差分别为1.597、8.49和2.934,可以为谷氨酸发酵过程操作及时调整及优化控制提供有效指导。     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

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。     

基于遗传BP神经网络预测硫在高含硫气体中溶解度

为更精确地关联预测硫在高含硫气体中的溶解度,提出将遗传算法(GA)和LM-反向传播神经网络(LM-BP ANN)相结合的预测模型。设计了该模型的计算过程,讨论了模型参数的设置。以温度、压力和气体组分作为BP神经网络预测模型的输入变量,利用GA优化了BP神经网络的初始权值和阈值,采用遗传算法优化后的BP神经网络计算了元素硫在高含硫气体中的溶解度。结果表明,该模型训练结果与实测值之间的平均相对误差为5.90%,测试结果与实测值的平均相对误差为5.54%;该方法较BP神经网络模型具有预测精度高、收敛速度快的优点;该模型具有较好的模拟及内推、外推功能。     

伤寒沙门菌中试阶段发酵过程染菌建模预测

目的建立模型预测伤寒沙门菌中试阶段发酵过程染菌情况。方法通过对伤寒沙门菌中试阶段36批次发酵数据进行分析,选取特征和目标变量,利用GBDT(Gradient Boosting Decision Tree,GBDT)+LR(Logistic Regression,LR)混合机器学习算法建立染菌预测模型,并对所建立模型进行预测评估。结果选取特征为:培养基A600值,0、2、3、4 h发酵液A600值,2、3、4 h每升发酵液的累计葡萄糖消耗量,共8个特征;以发酵4 h是否染菌作为目标变量;建立染菌预测模型。利用预测样本对所建立染菌预测模型进行预测评估,其auc值为0. 83。结论利用所建立的伤寒沙门菌中试阶段发酵过程染菌预测模型可对发酵过程进行染菌预测。     

基于神经元网络模型的柴油调合非线性预测控制和在线优化

针对炼油厂柴油调合生产这个强非线性、多输入、多输出、多扰动、大纯滞后对象,提出了以柴油调合倾点RBF神经网络模型为质量指标约束条件的柴油连续调合生产非线性在线最优化方法,提出了基于RBF神经网络预测模型、滚动优化目标函数中带有静态经济指标的柴油连续调合倾点非线性预测控制策略。仿真计算证明本的非线性优化方法能计算柴油调合生产最优配方,在满足生产能力约束和产品倾点质量指标的前提下可实现组分油最优利用而获最大利润;预测控制策略在预测模型与实际对象模型失配时仍具有良好的跟踪性能和抗干扰性能,展示了其良好的工业应用前景。     

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PSO-SVR算法的燃煤锅炉结渣特性预测

针对燃煤锅炉结渣特性的有限样本、非线性和高维数问题,提出了一种基于粒子群优化（PSO）和支持向量回归（SVR）的预测模型。对于支持向量回归机在建模中存在的参数选取问题,采用改进的粒子群算法（PSO）对模型参数进行优化,该方法结合了PSO的快速全局优化能力和SVR的结构风险最小化理论,精确地逼近非线性映射关系的能力。仿真结果表明：相比遗传算法（GA）SVR预测模型和模拟退火（SA）SVR预测模型,PSO-SVR模型预测燃煤锅炉结渣特性具有较高的准确率。     

基于非线性偏最小二乘回归的软测量建模及应用

针对复杂工业过程存在的多变量、相关性和非线性问题,提出一种新的基于非线性偏最小二乘(partial least squares,PLS)回归的软测量建模方法。该方法利用PLS作为模型的外部框架来提取输入输出主成分变量,同时消除变量间的相关性,然后用最小二乘支持向量机(least squares support vector machine,LSSVM)作为内部函数来描述主成分变量之间的非线性关系,并引入基于误差最小化的权值更新策略,来改进模型的预测精度。以pH中和过程的Benchmark模型来验证该方法的性能,并与其他建模方法比较,结果表明该方法预测精度较高,而且具有较强的泛化能力。将该方法应用于某电站燃煤锅炉的NOx排放软测量建模之中,取得了较好的预测效果。