基于自适应仿射传播聚类算法的多模型建模方法

考虑到工业生产数据具有按工作点聚类和迁移的特点,提出了一种基于自适应仿射传播聚类(adAP)的多最小二乘支持向量机(LSSVM)算法进行软测量建模。该方法用adAP算法对训练样本进行分类以找到最优的聚类结果,采用LSSVM算法对各类样本分别建立子模型,并根据当前工作点所属子类的模型进行预测输出。将该方法用于聚丙烯熔融指数的软测量建模,结果表明,与其他方法相比该方法具有更高的回归精度和良好的泛化能力。     

高压法聚乙烯管式反应器的数学模拟

为了研究高压聚乙烯管式反应器内各重要变量沿管程的分布,基于自由基聚合反应机理,结合质量、能量和动量守恒,采用矩方法对其进行了数学建模.通过对模型的参数优化和求解,获得了反应器内物料温度、引发剂浓度、转化率、聚合物重均及数均摩尔质量和熔融指数沿管程方向的演化过程.同时,通过反应器内物料的温度变化、出口转化率和产品熔融指数与工业数据的对比,发现计算值与工业实际值符合良好,验证了模型的精确性.此外,模型的温度预测可以反映管内的黏壁问题,为黏壁状态提供检测和指示.模型运算简便快捷且准确度高,能实现工业反应器的软测量和在线监测,为优化操作过程、制定生产决策、预防事故发生提供可靠依据.     

基于混合核函数PLS的氧化铝粉流量预测

为了解决氧化铝粉流量需要在线实时预测的问题,提出了一种基于混合核函数PLS的软测量建模方法,建立了混合核函数PLS的氧化铝粉流量预测模型,经采用工业现场数据仿真研究,说明该模型具有算法简单、有较高的预测精度,并兼具了全局及局部核函数的优点,能满足氧化铝粉流量的在线测量要求．     

基于模型预测控制的汽车底盘集成控制

为了实现汽车底盘的集成控制,提出了模型预测控制(MPC)方法。在紧急避障操纵时,利用四轮差动制动和主动前轮转向集成控制的方式实现对汽车理想操纵特性的跟随。上层集成控制器通过模型预测控制方法决策下层子控制器所需的附加横摆力矩和前轮附加转角。建立了七自由度非线性车辆模型作为预测模型,并通过实车试验对其精度进行了验证。在Carsim中的虚拟试验对模型预测控制方法的控制效果进行了验证。     

基于快速留一交叉验证法的在线递推最小二乘支持向量机建模方法

为提高软测量模型的全局推广能力,提出一种基于快速留一交叉验证法(FLOO-CV)的在线递推最小二乘支持向量机(LSSVM)建模方法。在前向学习过程中,设计一种基于FLOO-CV预报误差的模型更新阈值,该阈值无需人工设定,且能够根据过程特性自适应改变;后向学习时采用FLOO-CV删除对模型整体性能影响最小的冗余样本,最大程度地保留模型的推广性能。工业聚丙烯熔融指数的软测量建模研究表明,该方法能够在提高模型泛化能力的同时,有效降低模型更新频率。     

SKPCA⁃LSSVM模型在汽油干点预测中的应用

常压塔塔顶汽油干点与产品质量密切相关,因为常减压蒸馏工艺流程和变量相关性均复杂,所以汽油干点预测很难在线进行。软测量方法是解决这类变量估计和控制预测问题的一种技术途径。在核主元分析（KPCA）算法中引入稀疏主元分析（SPCA）思想,采用稀疏核主元分析（SKPCA）算法对模型的输入变量进行选择,实现了数据的非线性降维,简化了主元结构,增加了主元变量的稀疏性。将选择的稀疏主成分作为最小二乘支持向量机（LSSVM）的输入,建立常压塔塔顶干点软测量预测模型。仿真结果表明,SKPCA?LSSVM模型相对于传统PCA?LSSVM、KPCA?LSSVM方法具有较高的预测精度和性能优越性。     

变量选择在废水处理过程软测量建模中的应用

化学需氧量与悬浮固形物含量是造纸工业废水排放中需要重点监测的指标,建立有效的废水出水水质预测模型是优化控制废水中污染物排放量的有效方法。由于实际工业废水处理过程的复杂性,可测变量之间存在强相关性,利用偏最小二乘法提取变量的投影重要性信息进行变量选择,将选择后的最优变量子集作为软测量模型的输入,建立出水水质的最优预测模型。以最小二乘支持向量机模型为例,基于变量选择的最小二乘支持向量机模型对出水化学需氧量进行预测时均方根误差降低了15.2%,相关系数提高了14.4%;对于出水悬浮固形物模型,均方根误差降低了20.5%,相关系数提高了16.1%。结果表明在建模时进行变量选择可以降低模型的复杂度和提高模型的泛化能力。     

一种自适应指数平滑动态预测模型

针对传统指数平滑预测模型的不足,设计了一种自适应指数平滑动态预测模型。该模型实现了对时间序列数据的自适应动态预测,且保留了原方法公式简单、易实现的特点,可用于在线动态预测,具有工程实用性。利用实际数据对该预测模型进行了数据验证,并与传统指数平滑模型进行了对比。结果表明,该自适应动态预测模型的预测效果较好。     

基于机理与数据驱动的热连轧板凸度组合预测

针对传统热连轧出口板凸度预测方法存在的模型精度低、解释性差等缺陷,提出了一种将机理与数据驱动相结合的热连轧板凸度组合预测模型。通过热连轧板凸度机理预测模型得到热连轧板凸度基准值,将该基准值与实际值之间的偏差量作为机器学习模型的预测变量,再将偏差量预测值与基准值进行求和得出组合预测模型的板凸度预测值,并将该组合预测策略应用至多个神经网络进行方法验证。研究结果表明,提出的热连轧板凸度组合预测模型相较于传统预测模型具有更好的预测性能,其中有97%以上预测数据的绝对误差小于0.02 mm,82%以上预测数据的绝对误差小于0.01 mm,同时该组合预测方法具有较好的可行性与普适性,所提出的模型能够实现机理模型与数据驱动模型的优势互补,使得模型更加符合实际物理意义,该组合模型既缓解了神经网络预测结果由于过程黑箱导致解释性差、可信度低的问题,又弥补了机理模型预测结果偏离生产工况、无法实时修正的缺陷,对热连轧板带钢的板形控制以及热连轧产品质量的改善具有重要意义。     

BP人工神经网络在加氢汽油干点软测量中的应用研究

汽油干点是石油加工过程中汽油质量的一个重要指标,但实际生产中还没有合适的可用于实时测量这一参数的仪器,本文运用软测量技术,通过BP人工神经网络建立了软测量模型,并嵌入到DCS控制系统中对汽油干点进行实时预测和推断,在实际应用中取得了良好的预测效果.     

基于支持向量机算法的海水藻类生长状态软测量

为了有效监测海水藻类生长状态,采用支持向量机算法对水体中关键表征因子进行软测量.首先采用网格寻优法对支持向量机(SVM)的惩罚因子C和参数σ进行参数寻优,然后利用所得最佳匹配参数通过样本训练,获得海水叶绿素-a浓度的软测量模型.将基于SVM的软测量结果与基于BP神经网络的软测量结果作对比,可以看出,基于SVM的软测量方法具有较好的预测精度和稳定性,可应用于海水藻类生长状态的软测量.     

基于长短时记忆网络的航线市场份额预测

当前主流航线市场的份额预测方法是服务质量指数（QSI）模型,但此方法需要模型线性化和大量人工经验. 提出基于长短时记忆网络的航线市场份额预测模型,利用该模型对航班市场份额进行预测,并通过在简化数据集上进行试验来验证模型的有效性. 以均方根误差为评价指标,对模型的参数进行优化,分别测试运力预测,QSI模型和提出的预测模型等3种方法的预测精度. 试验结果表明提出的模型能更好地预测航线市场份额,均方根误差在0.1左右.     

我国交通事故死亡人数的组合测度及关联性分析

为了提高对交通事故的预测精度,在4种单项方法(多元线性回归、Brown指数平滑法、Holt指数平滑法、GM(1,n))的基础上,构建了基于Theil不等系数的IOWHA算子的最优组合预测模型.对我国1997—2016年的交通事故死亡人数进行预测的结果表明,本文提出的组合预测模型优于各单项方法,是一种优性组合预测模型.采用VAR模型分别对等级公路里程、国民总收入、机动车驾驶员人数与交通事故死亡人数间的关系进行脉冲响应研究表明,国民总收入对交通事故死亡人数具有抑制作用,而等级公路里程与机动车驾驶     

Chaotic time series prediction for surrounding rock＇s deformation of deep mine lanes in soft rock

Based on the measured displacements, the change laws of the effect of distance in phase space on the deformation of mine lane were analyzed and the chaotic time series model to predict the surrounding rocks deformation of deep mine lane in soft rock by nonlinear theory and methods was established. The chaotic attractor dimension（D） and the largest Lyapunov index（Emax） were put forward to determine whether the deformation process of mine lane is chaotic and the degree of chaos. The analysis of examples indicates that when D〉2 and Emax〉0, the surrounding rock＇s deformation of deep mine lane in soft rock is the chaotic process and the laws of the deformation can still be well demonstrated by the method of the reconstructive state space. Comparing with the prediction of linear time series and grey prediction, the chaotic time series prediction has higher accuracy and the prediction results can provide theoretical basis for reasonable support of mine lane in soft rock. The time of the second support in Maluping Mine of Guizhou, China, is determined to arrange at about 40 d after the initial support according to the prediction results.     

基于自适应自然梯度法的高斯过程磨矿粒度软测量建模

针对现有的磨矿粒度测量仪表检测周期长,难以满足实时检测的问题,结合典型两段式磨矿回路的特点,提出了基于高斯过程(Gaussian process,GP)的磨矿粒度软测量建模方法,将自适应自然梯度(adaptive natural gradient,ANG)法应用到对高斯过程超参数优化过程中,构建基于ANG-GP磨矿粒度软测量模型,并分别与BP神经网络和支持向量机软测量模型进行仿真试验的比较研究。结果表明：基于ANG-GP的磨矿粒度软测量方法优于其他2种方法,且具有较高预测精度,能有效地对磨矿粒度进行在线检测,表明了该方法的有效性。     

基于GA-LSSVM直吹式制粉系统煤粉细度软测量

针对燃煤电厂中煤粉细度难以测量的问题,提出了一种基于遗传算法优化最小二乘支持向量机(LSSVM)超参数的煤粉细度软测量方法。通过制粉系统特性试验,综合分析出影响磨煤机煤粉细度参数的主要因素。采用遗传算法优化支持向量机超参数方法构建煤粉细度软测量模型。将该方法用于特性试验,发现检验样本的均方根误差为1.7%,证明煤粉细度软测量方法有效,满足煤粉细度模型精确预测的需求。     

改进的Verhulst沉降预测模型及其参数估计方法

为提高软土路基沉降预测灰色Verhulst模型的预测精度,首先从沉降初始实测值修正和增加时间指数项两个方面对灰色Verhulst模型的离散时间响应式进行了改进;然后基于最小二乘原理,利用差分进化算法对改进的灰色Verhulst模型时间响应式进行直接地优化估计,避免了灰色Verhulst模型常规估计方法中因背景值选取问题而导致的计算误差.实例计算结果表明,改进的灰色Verhulst模型较原模型具有更好的灵活性和适应性,比Gompertz模型、Logistic模型、Bertalanffy模型、Weibull模型及原灰色Verhulst模型这几种沉降预测模型具有更高的预测精度,可供工程设计参考.     

基于熵权-灰色模型的电力数据网风险预测

针对当前电力数据网风险预警模型无法有效预测网络风险的现状,提出一种基于熵权-灰色模型的电力数据网风险预测机制,重点解决网络整体风险的预测问题.首先利用灰色模型对电力数据网的风险指标进行预测,确定单项风险指标值;然后采用熵权法得出每一项指标的动态权重;最后根据风险指标值和权重得出网络整体的预测风险值.仿真验证结果表明,该模型可保证动态网络下实时预测的准确度.     

基因算法结合类神经网络优化注塑成型参数

以熔融温度、射出时间、保压压力、保压时间、冷却时间等5个制程参数作为控制因子,利用Moldflow仿真软件对导光板模型进行模流分析,应用田口法搭配倒传递类神经网路Super PCNeuom 5.0程序,建立导光板总翘曲值、体积顶出收缩值、缩痕指数质量预测模型,再应用MATLAB基因演算程序来搜寻在控制参数水平范围内局部最佳解参数组合,使塑料产品的质量提升.