基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。     

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。     

基于主成分分析和PLS算法的弧线管污垢特性研究

搭建了弧线管污垢特性实验平台,用于测量相应的污垢参数。基于主成分分析理论和偏最小二乘算法(PLS)建立了弧线管的污垢特性方程。该方程以弧线管的出入口温度、壁温及流速等参数作为模型的自变量,以污垢热阻值作为因变量。利用交叉验证原则以提取最佳主成分个数。通过对预测方程的检验,结果表明:所建5自变量预测方程能较好地实现对弧线管污垢特性的预测,而且明显优于6自变量模型。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...     

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.     

基于AKPLS方法的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

基于苯乙烯过程生产数据驱动的软测量模型研究

针对苯乙烯生产过程的特点,引入软测量技术在线预测苯乙烯生产过程的一些关键参数,介绍了人工智能BP神经网络和部分最小二乘方法的软测量建模方法,基于企业生产数据研究了乙苯脱氢转化率、第一脱氢反应器脱氢转化率、第二脱氢反应器脱氢转化率和苯乙烯选择性等关键变量的软测量方法,对比了BP神经网络和部分最小二乘方法建模优缺点,应用结果表明,基于BP神经网络所建立的关键参数的软测量模型可真实再现实际苯乙烯生产过程,为安全可靠监控苯乙烯生产过程及未来实施先进及优化控制技术奠定了基础。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

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。     

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。     

一种基于混合建模技术的MIMO软测量建模方法

针对复合肥产品中几种养分含量需要同时预报的一类多输入/多输出(MIMO)软测量建模问题,提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型,然后采用简化机理模型实时计算三种养分含量。基于实际工业过程数据的仿真结果表明,所建模型运算速度快、预测精度高,可以满足复合肥养分含量在线预报的要求。     

基于KPLS模型的间歇过程产品质量控制

针对间歇过程所具有的非线性特性,提出了一种基于核偏最小二乘(KPLS)模型的最终产品质量控制策略。利用初始条件、批次展开后的过程数据以及最终产品质量建立了间歇过程的KPLS模型;采用基于主成分分析(PCA)映射的预估方法对未知的过程数据进行补充,实现了最终产品质量的在线预测。为了解决最终产品质量的控制,利用T2统计量确定KPLS模型的适用范围,并作为约束引入产品质量控制问题,提高控制策略的可行性;采用粒子群优化(PSO)算法实现了优化问题的高效求解。仿真结果表明,与基于偏最小二乘(PLS)模型的控制策略相比,所提出的方法具有更高的预测精度,且能有效解决产品质量控制中出现的各种问题。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

Compound PLS Model in Coal Analysis with Near-infrared Spectra

为了更好地确定偏最小二乘法模型的主成分数,提出一种传统偏最小二乘法和多主成分数偏最小二乘法相结合构建复合偏最小二乘模型的方法.给出了预测时两种样品相似度的计算方式:直接距离法和性质得分距离法.分别采用复合偏最小二乘法和传统偏最小二乘法对煤炭的全硫、灰分、热值和碳含量进行建模预测,比较传统偏最小二乘法和多主成分数偏最小二乘法建模过程中的相关系数和交互验证均方根误差,采用复合偏最小二乘模型对验证集样品预测时,计算了不同相似度计算方式下不同样品间距离算法的预测均方根误差,并同传统偏最小二乘法预测均方根的误差进行比较,结果表明:复合偏最小二乘法建模比传统偏最小二乘法建模有更强的适应性,能够提高预测的准确性.     

复合PLS模型在近红外光谱分析煤炭中的应用

为了更好地确定偏最小二乘法模型的主成分数,提出一种传统偏最小二乘法和多主成分数偏最小二乘法相结合构建复合偏最小二乘模型的方法。给出了预测时两种样品相似度的计算方式:直接距离法和性质得分距离法。分别采用复合偏最小二乘法和传统偏最小二乘法对煤炭的全硫、灰分、热值和碳含量进行建模预测,比较传统偏最小二乘法和多主成分数偏最小二乘法建模过程中的相关系数和交互验证均方根误差,采用复合偏最小二乘模型对验证集样品预测时,计算了不同相似度计算方式下不同样品间距离算法的预测均方根误差,并同传统偏最小二乘法预测均方根的误差进行比较,结果表明:复合偏最小二乘法建模比传统偏最小二乘法建模有更强的适应性,能够提高预测的准确性。     

一种新的近红外光谱信息区间选择方法

基于间隔策略的信息波长选择是近红外光谱分析中广泛应用的一种方法。针对传统算法忽略非线性因素的缺点,首次考虑将最小二乘支持向量机（least-squares support vector machine,LSSVM）方法应用于间隔选择策略,进而提出了一种新的波长选择方法iLSSVM（interval LSSVM）。该算法克服了传统间隔选择算法依赖于线性模型的缺陷,对存在较强非线性的光谱数据能够准确地选择最优信息区间,极大地减少建模变量并显著改善模型预测精度。应用两组业界标准的光谱数据来验证该算法的性能,并和传统方法进行了比较。实验结果表明,在两组数据集上该算法取得的标准预测偏差（root mean square error of prediction,RMSEP）分别比全谱PLS建模降低了20%和4%,比传统的间隔偏最小二乘算法（interval partial least-squares,iPLS）降低了28%和2%。     

偏最小二乘回归神经网络模型在燃煤锅炉结渣预测中的应用

偏最小二乘回归方法能较好地解决自变量之间的严重相关性问题,笔者将偏最小二乘回归与神经网络耦合,建立了克拉玛依市油田公司某燃煤供热锅炉结渣预测模型。利用偏最小二乘法对影响锅炉结渣的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量之间的多重相关性问题,降低了神经网络的输入维数。同时,利用神经网络建模可以较好地解决非线性问题。结果表明,预测值与实际值很接近,耦合模型的拟合和预报精度均优于独立使用偏最小二乘回归或神经网络建模的精度。模型对于提高燃煤锅炉的安全运行具有重要的指导意义。     

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。     

WBRPLSR方法及其在化工软测量中的应用

及时测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义.基于实时样本数据,采用偏最小二乘方法,以分块递归的方式,为过程变量建立软测量模型.在分析时序数据特性的基础上,引入加权策略,并提出选定相关参数的方法步骤,推导构建了加权分块递归偏最小二乘回归方法（WBRPLSR）.将该法实际应用于某公司PTA装置溶剂脱水塔,为塔釡排出液H₂O含量建立软测量模型,效果良好.与已有方法相比,它提高了建模效率,改进了预测性能.