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。     

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。     

基于ART-SVR的过程建模及在干点软测量中的应用

针对石油化工生产过程通常呈高度非线性,且生产过程数据呈非连续、具有一定类别特性等特征,提出基于自适应谐振神经网络（adaptive resonance theory,ART）和支持向量回归（support vector regression, SVR）相结合的建模方法（ART-SVR）。首先,基于建模样本,通过ART将样本模式空间分割成若干模式特性相近的子空间;然后,对各子空间分别采用SVR建立各自模型,实现基于样本模式空间分割的“分段”建模。仿真试验和在石脑油干点软测量建模的实际应用表明：ART-SVR模型的拟合精度和预测精度均优于全局SVR模型。     

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。     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时，由于新工况下的样本一般很少，且批次间存在着不确定性（由于原材料波动或过程动态特性波动等），基于全局学习的建模方法（如最小二乘支持向量机回归，LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中，提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数，针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例，验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型，较LSSVR有着更好的推广能力、适应性和鲁棒性。     

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。     

基于仿射传播聚类的发酵过程建模

针对花生四烯酸(ARA)发酵过程复杂,机理模型表达不够准确以及单模型泛化能力弱的问题,提出采用基于仿射传播聚类的支持向量机(SVM)多模型建模算法进行该过程建模。该算法首先用仿射传播聚类(AP)算法对ARA样本数据进行聚类,再用SVM算法对各子类样本分别建立子模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。ARA发酵过程的建模实验表明,与其他建模算法相比,基于仿射传播聚类的SVM多模型建模算法所建立的模型具有更高的回归精度和良好的泛化能力。     

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。     

选择性递推LSSVR及其在过程建模中的应用

提出一种改进的递推最小二乘支持向量机方法,用于非线性MIMO(multi-input multi-out)过程的可在线更新辨识和软测量建模.该算法在向前递推时只引入预报误差较大的样本更新模型,以提高模型的稀疏性和泛化能力.在向后删减时推导了基于快速留一法的模型修剪准则,以克服随意删减样本的缺点.通过有选择性的向前、向后递推,模型的推广能力和计算性能均得以保证,且更加适应过程的时变性.在连续搅拌釜式反应器过程的辨识和重油催化裂化的软测量建模研究,均表明所提出算法的有效性和优越性.     

基于FCMISVM的自适应软测量建模算法及其在PX吸附分离过程中的应用

To overcome the problem that soft sensor models cannot be updated with the process changes, a soft sensor modeling algorithm based on hybrid fuzzy c-means (FCM) algorithm and incremental support vector machines (ISVM) is proposed. This hybrid algorithm FCMISVM includes three parts: samples clustering based on FCM algorithm, learning algorithm based on ISVM, and heuristic sample displacement method. In the training process, the training samples are first clustered by the FCM algorithm, and then by training each clustering with the SVM algorithm, a sub-model is built to each clustering. In the predicting process, when an incremental sample that represents new operation information is introduced in the model, the fuzzy membership function of the sample to each clustering is first computed by the FCM algorithm. Then, a corresponding SVM sub-model of the clustering with the largest fuzzy membership function is used to predict and perform incremental learning so the model can be updated on-line. An old sample chosen by heuristic sample displacement method is then discarded from the sub-model to control the size of the working set. The proposed method is applied to predict the p-xylene (PX) purity in the adsorption separation process. Simulation results indicate that the proposed method actually increases the model’s adaptive abilities to various operation conditions and improves its generalization capability.     

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PDF技术的间歇过程NFM模型

间歇过程是一类具有典型复杂非线性特性的生产过程,可以利用模糊神经网络(NFM)建立其输入输出的非线性映射关系。在前期的研究中曾提出过基于概率密度函数(PDF)技术的模型训练方法,成功解决了传统的基于MSE准则训练方法模型泛化能力弱的问题,但又产生了概率密度难以估计及目标PDF未知时模型性能不稳定的问题。针对这两个问题,引入了新的概率密度窗宽估计方法,并提出了在目标PDF未知时采用PDF预估器及其收缩策略的算法。仿真实验表明:该方法能够保证足够的概率密度估计精度和模型预测性能。     

基于负荷划分数据和支持向量机的火电厂燃烧过程建模

为建立燃烧过程稳态模型,首先利用稳态检测算法提取稳态样本;针对稳态数据中的不均衡性,提出了一种基于负荷划分数据的方法,即根据负荷工况将样本划分成训练子集与测试子集,以提高模型的泛化性能。利用单因素图形分析方法确定3个模型参数的搜索范围,将网格搜索与交叉验证相结合选择最优的模型参数,在此基础上建立了一个300 MW燃煤火电厂机组锅炉燃烧过程的支持向量机模型,包括锅炉效率、NO_x排放量、排烟温度和飞灰含碳量4个过程输出。结果表明,经过参数优化的4个输出模型均具有很好的泛化性能。     

基于谱峰分解的拉曼光谱定量分析方法

目前用于拉曼光谱定量分析的方法,如PCA、PLS及SVM等算法需要较多的训练样本,且所建回归模型的外推性较差。间接硬建模（indirect hard modeling,IHM）是一种新型的光谱定量分析技术,适用于光谱的叠加及非线性变化情况,只需少量训练样本即可得到外推性较高的回归模型。但IHM方法需要已知混合物中所有常成分的光谱,这一条件在实际应用中较难达到。为此,提出了一种新的定量分析方法--直接硬建模算法（direct hard modeling,DHM）。新算法不需已知待测成分光谱,而是直接在混合物光谱中确定待测成分所对应的特征峰,然后利用特征峰面积与待测成分浓度之间建立线性模型。通过对PX装置中二甲苯成分的定量分析实验证明DHM具有训练样本数量少、回归模型稳健性强等优点。     

Machine learning-assisted design of Al2O3–SiO2 porous ceramics based on few-shot datasets

A machine learning model was proposed to accelerate the preparation of Al₂O₃–SiO₂ porous ceramics (ASPC) based on few-shot datasets. Phosphate tailings and bauxite were used as raw materials to prepare ASPC and obtain the initial dataset. The accuracy and generalization ability of the model are heavily influenced by the dataset partitioning method. 10-fold cross-validation and random sampling were compared to identify the optimal approach for training and testing the model on the limited data. Four commonly used regression algorithms of RF, KNN, SVR and BPNN were selected to predict the mechanical properties of ASPC. Based on the evaluation of model performance, the random forest algorithm was found to be the most suitable for small sample datasets. Using the trained random forest model, the feature importance of ASPC performance was analyzed, and a new ASPC database was established. Experimental schemes with the desired performance were obtained through screening from ASPC database. Finally, the ASPC with the target performance was prepared experimentally. The result demonstrated that employing machine learning techniques on few-shot datasets could effectively tackle the issues of low efficiency and insufficient data samples.     

A GENETIC NEURAL FUZZY SYSTEM AND ITS APPLICATION IN QUALITY PREDICTION IN THE INJECTION PROCESS

A genetic neural fuzzy system (GNFS) is presented and introduced to quality prediction in the injection process. A hybrid-learning algorithm is proposed, which is divided into two stages to train GNFS. During the first learning stage, the genetic algorithm is used to optimize the structure of GNFS and the membership function of each fuzzy term because of its capability of parallel and global search. On the basis of the first optimized training stages, the back-propagation algorithm (BP algorithm) is adopted to update the parameters of the GNFS to improve its predicting precision and reduce the computation time. The process of constructing a quality prediction model for an injection process based on GNFS is described in detail. The predicted weight of the molded part from the model based on GNFS demonstrates that the proposed GNFS has superior performance and good generalization capability in quality prediction in the injection process.     

A GENETIC NEURAL FUZZY SYSTEM AND ITS APPLICATION IN QUALITY PREDICTION IN THE INJECTION PROCESS

A genetic neural fuzzy system (GNFS) is presented and introduced to quality prediction in the injection process. A hybrid-learning algorithm is proposed, which is divided into two stages to train GNFS. During the first learning stage, the genetic algorithm is used to optimize the structure of GNFS and the membership function of each fuzzy term because of its capability of parallel and global search. On the basis of the first optimized training stages, the back-propagation algorithm (BP algorithm) is adopted to update the parameters of the GNFS to improve its predicting precision and reduce the computation time. The process of constructing a quality prediction model for an injection process based on GNFS is described in detail. The predicted weight of the molded part from the model based on GNFS demonstrates that the proposed GNFS has superior performance and good generalization capability in quality prediction in the injection process.