基于集成学习的多产品化工过程软测量建模方法

化工过程通常具有非线性、时变以及多产品等特性。针对上述特点,在集成学习框架下建立自适应软测量模型。首先,面向具有多个产品的化工对象,借助k近邻法,以统计假设检验理论为依据,提出一种自适应局部化方法,获得多样性程度高的局部模型集合。然后,根据未知样本量化局部模型的泛化能力,通过选择性集成方法获得主导变量的估计值。此外,为了对主导变量估计值的精度进行评估,基于局部模型泛化误差,给出一种通用性高的模型性能评价方法。在仿真的盘尼西林生产过程上的运行结果验证了所提方法的有效性。     

选择性集成LTDGPR模型的自适应软测量建模方法

随着时间的增加,传统时间差（TD）模型会出现性能显著下降的问题。为了提高TD模型的可靠性和预测精度,同时考虑过程的时滞特征,基于一种选择性集成策略,提出一种局部时间差高斯过程回归（LTDGPR）模型的自适应软测量建模方法。首先,提取出数据库中的时滞动态信息,对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于新来的输入样本,选择部分泛化能力强的LTDGPR模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对当前时刻主导变量值进行在线预测。通过脱丁烷塔过程的数据建模仿真研究,验证了所提方法的有效性和精度。     

选择性集成LTDGPR模型的自适应软测量建模方法

随着时间的增加,传统时间差(TD)模型会出现性能显著下降的问题。为了提高TD模型的可靠性和预测精度,同时考虑过程的时滞特征,基于一种选择性集成策略,提出一种局部时间差高斯过程回归(LTDGPR)模型的自适应软测量建模方法。首先,提取出数据库中的时滞动态信息,对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于新来的输入样本,选择部分泛化能力强的LTDGPR模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对当前时刻主导变量值进行在线预测。通过脱丁烷塔过程的数据建模仿真研究,验证了所提方法的有效性和精度。     

基于进化多目标优化的选择性集成学习软测量建模

常规集成学习软测量方法忽略了输入变量选择的多样性,而且没有对基模型进行修剪,从而造成集成模型复杂度高、预测性能受限。为此,提出一种基于进化多目标优化(EMO)的选择性集成学习(SE)高斯过程回归(GPR)软测量建模方法,称为EMO-SEGPR。该方法融合输入特征扰动,通过结合bootstrapping随机重采样和偏互信息相关分析(PMI)构建多样性输入变量子集,并据此建立多样性GPR基模型。然后,基于EMO算法对GPR基模型进行集成修剪,从而获得一组集成规模较小、多样性和准确性较高的基模型。最后,引入集成学习策略实现GPR基模型的融合。将EMO-SEGPR方法应用于青霉素发酵过程和Tennessee Eastman化工过程,实验结果表明了该方法的有效性和优越性。     

基于改进聚类和加权bagging的多模型软测量建模

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进聚类和加权bagging的多模型建模方法。该方法在传统FCM聚类的基础上,利用K-近邻处理进一步降低错分率,改善聚类效果;通过相关性分析对训练样本集进行特征分组,将原始集划分为多个特征集;最后根据加权bagging的集成学习算法,融合支持向量机自适应地实现多模型建模。仿真结果表明,该建模方法可以合理地加权分配特征子模型,使得模型估计精度得到提高,具有更强的泛化能力。     

基于改进随机梯度Boosting算法的软测量建模

在建立复杂化工过程软测量模型时,使用传统的随机梯度Boosting算法（SGB）建模若收缩参数v选取不当会明显降低算法收敛速度,且极易陷入过拟合,难以取得令人满意的泛化效果。为解决这一问题,提出了一种基于SGB集成学习的软测量建模方法,采用高斯过程回归作为基学习器,并针对SGB算法固有的不足,依据每一次迭代中弱学习机的反馈,自适应调整收缩参数v,改善了SGB算法的过度拟合,从而提高了集成模型的估计精度与学习效率。将该方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统SGB建模,该方法具有更高的泛化性能和学习效率。     

基于改进随机梯度Boosting算法的软测量建模

在建立复杂化工过程软测量模型时,使用传统的随机梯度Boosting算法(SGB)建模若收缩参数v选取不当会明显降低算法收敛速度,且极易陷入过拟合,难以取得令人满意的泛化效果。为解决这一问题,提出了一种基于SGB集成学习的软测量建模方法,采用高斯过程回归作为基学习器,并针对SGB算法固有的不足,依据每一次迭代中弱学习机的反馈,自适应调整收缩参数v,改善了SGB算法的过度拟合,从而提高了集成模型的估计精度与学习效率。将该方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统SGB建模,该方法具有更高的泛化性能和学习效率。     

基于互补神经网络级联模型的聚丙烯MFR预报

提出了一种基于集成数据处理的,由高斯基-自适应复合基函数构成的互补径向基函数(RBF)神经网络系统和隐马尔科夫模型(HMM)的聚丙烯熔体流动速率(MFR)预报方法。首先构造HES-KDE-TVW集成数据处理方法,挖掘建模数据规律;然后构造自适应复合基函数,搭建互补的RBF神经网络预报模型;最后引入HMM对聚丙烯生产过程中的随机误差进行估计。经过工厂实际数据检验,模型在精度、泛化性及可靠性方面具有较好的综合性能。此种建模方法能为聚丙烯生产过程中牌号切换和质量控制提供一种备选的指导方案。     

一种基于自适应回归核函数的污水处理能耗模型

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。     

基于递归模糊神经网络的污水处理控制方法

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

独立元子空间算法及其在故障检测上的应用

针对高维数据建模问题,提出一种独立元子空间算法(ICSM),作为一种新的集成学习算法,ICSM利用独立元在不同变量上的贡献度来选取子空间,符合了集成学习的要求,具备了明确的物理意义,有效地克服了随机子空间算法(RSM)的主要缺点。在此基础上,进一步将ICSM应用于工业过程监控,提出了一种新的ICSM-PCA故障检测算法。首先在各个子空间内分别建立相应的PCA监测模型,然后根据T~2和SPE统计量的值计算出集成时各自的权重,最后构造两个集成统计量对工业过程进行监测。通过在Tennessee Eastman(TE)模型上的仿真研究,说明提出的算法具有较好的建模效果和故障检测能力。     

Industrial polyethylene melt index prediction using ensemble manifold learning–based local model

For online melt index prediction in multiple‐grade polyethylene polymerization processes, using only a fixed model is insufficient. Additionally, without enough process knowledge, it is difficult to select suitable input variables to accurately construct prediction models. A novel manifold learning based local probabilistic modeling method named ensemble just‐in‐time Gaussian process regression (EJGPR) is developed. By utilizing output variables, an optimization framework is proposed to preserve the local structure of both input and output variables. Then the output information is integrated into construction of a JGPR‐based local model. Additionally, some new extracted variables in the projection space can be obtained. Moreover, using the probabilistic prediction information, the uncertainty of each JGPR‐based local candidate model can be simply described. Consequently, using an efficient ensemble strategy, a more accurate EJGPR prediction model can be constructed online. The melt index prediction results in an industrial polyethylene process show it has better performance than conventional methods. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45094.     

Soft sensor based on multi-phase stacking ensemble model with self-selected primary learner for batch processes

In batch processes, existing soft sensing methodologies encounter substantial challenges when confronted with nonlinearity and multi-phase issues. In response to these challenges, an innovative soft sensing framework known as the multi-phase stacking ensemble model with self-selected primary learner is proposed. The main innovation of this framework lies in the solution to the primary learner selection issue within the stacking model. To commence, the batch process is divided into multiple phases employing a Gaussian mixture model, thereby establishing local ensemble models for each phase. Subsequently, the iterative self-selection of primary learners strategy is proposed, which iteratively selects suitable primary learners for these models, optimizing their combination of primary learners for each local model. This primary learner selection strategy effectively enhances the accuracy of predictions in the stacking ensemble model. To further enhance the performance, Bayesian optimization is utilized to tune the hyperparameters of each local ensemble model. This step guarantees optimal performance of the model across diverse phases. Extensive simulation experiments are conducted on an industrial penicillin fermentation process to validate the effectiveness of the proposed framework. According to the findings, the model demonstrated superior performance compared to existing single-learner soft sensing methods and commonly utilized ensemble-based soft sensing methods in terms of both R² score (0.97584) and RMSE (0.0513). Overall, this framework offers a novel approach for selecting primary learners in stacking ensemble models and enhancing the predictive performance in batch processes for soft sensing.     

基于基团贡献神经网络集成法估算有机物常压凝固点

基于基团贡献法应用人工神经网络对有机物的常压凝固点进行了估算,输入参数为有机物的基团数和表征异构体的参数,输出为常压凝固点.分析了采用最速梯度下降法的BP算法在训练过程中产生误差饱和情况的原因,采用在隐含层节点中加入误差饱和预防函数用来防止误差饱和情况的出现.仿真结果表明,所采用的方法能有效地减小网络在误差表面陷入低谷的可能性和提高网络的收敛速率.采用神经网络集成法建立了神经网络集成模型,通过仿真合理选择隐含层节点数和采用交叉验证法用于防止BP网络的过度训练,增强了网络的泛化能力.估算结果表明,所建立的神经网络集成模型,其网络有良好的稳定性和预测精度,207个样本估算的绝对平均相对误差为8.62%.     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难，而无标签故障数据却大量存在，如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息，提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法，RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重，能更有效地提取数据特征；考虑到数据均可由其近邻数据来线性重构，故可构建近邻数自适应选择的重构图，并同时利用数据的标签信息优化连接权重，以更优地反映数据结构信息；通过建立新的含局部保持的目标函数，可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

A subspace ensemble regression model based slow feature for soft sensing application

A novel adaptive subspace ensemble slow feature regression model was developed for soft sensing application. Compared to traditional single models and random subspace models, the proposed method is improved in three aspects. Firstly, sub-datasets are constructed through slow feature directions and variables in each sub-datasets are selected according to the output related importance index. Then, an adaptive slow feature regression is presented for sub-models. Finally, a Bayesian inference strategy based on a slow feature analysis process that monitors statistics is developed for probabilistic combination. Two industrial examples were used to evaluate the proposed method.