基于KCCA虚假邻点判别的非线性变量选择

特征变量选择技术是非线性系统建模过程中降低信息冗余和提高精度的有效方法。提出一种结合核典型相关法(kernel canonical correlation analysis,KCCA)与虚假最近邻法的变量选择法。首先引入核方法,将非线性原始数据映射到线性空间,再采用典型相关法有效合理地消除因子之间的多重共线性,受混沌相空间虚假最近邻点法的启示,通过计算原始数据在KCCA子空间中投影的距离,判断其对主导变量的解释能力,由此进行变量的选择。该方法用氢氰酸生产工艺工程中的非线性模型验证,并与全参数模型进行比较,结果显示该方法有良好的变量选择能力。因此,该研究为非线性系统建模的变量选择方法提供了一种新方法。     

基于KICA子空间虚假邻点判别的软传感器变量选择方法

针对软传感器建模过程中,高维冗余的非线性辅助变量造成的维度灾难问题,提出一种结合核独立成分分析法(Kernel independent component analysis,KICA)与虚假最近邻点法(False nearest neighbors,FNN)的非线性辅助变量选择方法。主要利用核函数将原始非线性数据映射到线性子空间,并采用独立成分分析消除因子之间的多重共线性,再运用虚假最近邻点法,计算原始数据在KICA子空间中投影的距离,依次判断各辅助变量对主导变量的解释能力,由此进行非线性变量选择。以某企业氢氰酸(Hydrocyanic acid,HCN)生产工艺过程中的转化率为软传感器预测目标,仿真结果表明该方法可有效降低辅助变量的维数、同时提高模型的预测精度。     

基于特征子空间虚假邻点判别的软传感器模型变量选择

辅助变量选择技术是软传感器建模过程中降低信息冗余和提高效率的有效方法.提出一种结合偏最小二乘回归法与虚假最近邻法的变量选择法.采用偏最小二乘回归法有效合理地消除因子之间的多重共线性,在一个新的正交空间里,受混沌相空间虚假最近邻点法的启示,通过计算某变量选择前后在特征子空间里的相关性,判断其对主导变量的解释能力,由此进行变量的选择,利用偏最小二乘法得到软测量模型.该方法通过构造的试验和Jolliff变量选择试验作了验证,结果显示该方法有良好的辅助变量选择能力,为软传感器建模的辅助变量选择方法提供了一种新方法.     

基于ICA_FNN的软传感器建模过程原始特征选择

针对软传感器建模过程中辅助变量通常是多因素的混杂信号,在原始特征空间很难进行原始特征约简的问题,提出一种结合独立成分分析(ICA)和虚假最近邻点法(FNN)的原始特征选择法.利用独立成分分析法(ICA)将原始特征空间的混杂信号映射到新的独立特征子空间；然后再利用FNN计算每个原始特征剔除前后在独立特征子空间里的相似性测度,进而判断它对主导变量的影响能力,由此选择出原始特征.仿真结果表明,该方法具有优秀的原始特征选择能力.因此,该研究为选择出软传感器模型的原始特征提供了新方法.     

基于特征子空间虚假邻点判别的铝电解槽况诊断模型

造成铝电解异常槽况的因素较多,彼此相关性强,建立槽况诊断模型时计算量巨大。利用核主元分析法虽然可以对非线性数据进行降维,但得到的主元仍然是原始变量在特征空间的线性组合,既无明确的物理含义,又无法对原始特征进行约简达到减少传感器种类的目的。提出一种基于特征子空间虚假邻点判别的槽况诊断方法,首先考察各原始变量置零前后在核空间主元投影上的相似度,根据其对槽况的解释能力进行原始变量选择;再将约简后的原始变量输入概率神经网络,对各类异常槽况进行诊断。通过取自某厂170KA大型预焙槽的268组样本进行检验:在原始特征约简44.4%的情况下分类精度达到95%以上,表明该方法不但可对原始特征进行有效约简,而且槽况分类精度和训练时间均优于同类模型。     

MOS传感器阵列的二元混合气体检测方法研究

针对混合气体检测准确性较低问题,提出一种新型的二元混合气体检测方法。该方法利用核主成分分析(KPCA)对多路信号的非线性特征提取能力,提取不同成分组合下的二元混合气体的特征对k最近邻域(KNN)分类器进行建模,实现目标气体的识别。采用多变量相关向量机的多元非线性回归特性对二元混合气体组成成分进行定量估计。设计了以CO和CH4为目标气体的实验系统获取实验样本,对所提出的二元混合气体检测方法进行对比验证。实验结果表明,相比于基于主成分分析法和独立成分分析法的气体识别方法,提出方法的气体识别准确率分别提高了5.83%、14.16%,达到98.33%。相比于单一相关向量机(RVM)和最小二乘支持向量(LS-SVR)的混合气体浓度估计方法,方法有效提高了估计的准确性,CO和CH4浓度估计的平均相对误差分别仅有5.58%、5.38%。     

基于监督保局子空间虚假近邻准则的原始特征选择

提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间,消除样本数据输入变量之间的相关性;然后,利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度,获得每个原始特征对类别变量不同程度的解释力;最后,从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集,并建立最近邻分类器,识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证,结果表明,该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征,获得的最佳特征子集比全特征集合的特征数量减少了50%以上,分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力,是一种有效的非线性特征选择方法。     

基于集成熵KPCA的复杂机电系统状态监测方法

针对传统KPCA方法的模型参数选取对经验知识依赖程度过高、容易造成漏报和误报的缺点,提出一种基于集成熵核主成分分析的状态监测方法。该方法将传统的KPCA与信息熵结合,在高维空间用信息测度确定模型参数,用Renyi熵贡献提取核主成分,通过构造综合统计量进行状态监测。在TE过程和某企业的压缩机组系统上的仿真研究表明,所提方法较传统KPCA有更好的非线性数据处理能力和更高的故障或异常检测精度。     

KPCA法在风电机组齿轮箱故障诊断中的应用

将核主成分分析法应用于风电机组齿轮箱的故障诊断中,通过计算齿轮箱振动信号原始数据空间的内积核函数来实现原始数据到特征空间的非线性映射。利用某风场齿轮箱的正常工作状态、初期磨损状态以及断齿状态下的振动数据进行测试,对主成分分析法和核主成分分析法的分类结果进行了分析比较。实验结果表明,核主成分分析法能够有效地对齿轮故障信号进行特征提取和模式分类,更适合于故障信号非线性特征的提取。     

基于KPCA和SVM的电梯故障诊断系统

针对电梯故障的非线性特性及故障特征不明显,传统方法分析后留下的显著成分不能反映这种非线性属性等问题,提出了核主元分析(KPCA)和支持向量机(SVM)相结合的故障诊断方法。利用KPCA在高维空间具有较强的特征选择能力和支持向量机具有较强的辨识率的特点,通过核主元分析法提取电梯故障特征,以达到降维作用,再利用支持向量机分类模型进行故障辨识。实验证明用此方法进行电梯的故障诊断具有更快更好的诊断效果。     

基于KPCA残差方向梯度的故障检测方法及应用

针对核主元分析(KPCA)在应用过程中非线性映射不存在原像、故障变量无法辨识、工程应用困难等问题,提出了一种改进的KPCA残差方向梯度故障检测方法。利用主元统计量和残差统计量的偏微分之间存在着相关性这一性质,对与主元统计量相关的格拉姆矩阵偏微分中间计算过程进行优化,提出一种新的KPCA残差方向梯度算法,在此基础上结合统计量形成系统故障检测的新方法。非线性系统仿真表明,改进的KPCA残差方向梯度法不仅具有较优的故障变量辨识能力,还极大地减小了计算量,缩短了计算时间。大型热力系统的应用进一步表明,无论对于单故障和多故障的情况,方法均具有较好的故障检测能力,并且不存在残差污染,易于工程实现。     

Indirect predictive type-2 fuzzy neural network controller for a class of nonlinear input - delay systems

In this paper a new indirect type-2 fuzzy neural network predictive (T2FNNP) controller has been proposed for a class of nonlinear systems with input-delay in presence of unknown disturbance and uncertainties. In this method, the predictor has been utilized to estimate the future state variables of the controlled system to compensate for the time-varying delay. The T2FNN is used to estimate some unknown nonlinear functions to construct the controller. By introducing a new adaptive compensator for the predictor and controller, the effects of the external disturbance, estimation errors of the unknown nonlinear functions, and future sate estimation errors have been eliminated. In the proposed method, using an appropriate Lyapunov function, the stability analysis as well as the adaptation laws is carried out for the T2FNN parameters in a way that all the signals in the closed-loop system remain bounded and the tracking error converges to zero asymptotically. Moreover, compared to the related existence predictive controllers, as the number of T2FNN estimators are reduced, the computation time in the online applications decreases. In the proposed method, T2FNN is used due to its ability to effectively model uncertainties, which may exist in the rules and data measured by the sensors. The proposed T2FNNP controller is applied to a nonlinear inverted pendulum and single link robot manipulator systems with input time-varying delay and compared with a type-1 fuzzy sliding predictive (T1FSP) controller. Simulation results indicate the efficiency of the proposed T2FNNP controller.     

改进MKPCA方法及其在发酵过程监控中的应用

针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法.该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能.对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性.将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较.结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能.     

基于KPCA-LSSVM的硅锰合金熔炼过程炉渣碱度预测研究

针对硅锰合金熔炼过程中炉渣碱度在线检测困难、离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法。该方法通过KPCA去除样本数据的噪声,提取输入数据空间中的非线性主元,然后利用LSSVM回归算法建立硅锰合金熔炼炉炉渣碱度预测模型,工业生产过程数据仿真结果表明,与SVM或LSSVM建模方法相比,KPCA-LSSVM预测模型的测量精度高、跟踪性能好,能满足炉渣碱度的在线测量要求。     

基于KPCA的SBR过程监视

序批式反应器生化污水处理系统（SBR）具有复杂的生化反应机理，其固有的严重非线性、持续时间有限、非稳态运行等给其过程监视带来特殊困难。核主元分析（KPCA）方法通过集成算子与非线性核函数计算高维特性空间的主元成分，有效捕捉过程变量中的非线性关系。将KPCA技巧应用到序批式反应器生化污水处理系统，建立了基于KPCA的SBR污水处理过程在线监视策略。在监视暴风雨事件等典型的SBR过程异常状态时，统计指标变化灵敏，诊断及时。与线性PCA相比，显示出更高的过程监视性能。     

热力参数的KPCA-RBF网络建模及传感器故障诊断方法

针对复杂恶劣环境下机组热力参数的数据监测及传感器故障诊断问题,建立了融合机理分析、核主元分析(kernel principle component analysis,简称KPCA)与径向基神经网络(radial basis function,简称RBF)的发电机组热力参数预测及传感器故障检测模型。首先,根据机理分析得到完备的辅助变量集,并利用核主元分析提取辅助变量的特征信息以有效处理发电机组中高维、强耦合的非线性数据;其次,将主元变量集输入径向基神经网络进行学习,实现热力参数的重构;最后,基于预测模型与窗口移动法实现传感器的故障诊断,并对故障数据进行及时修复和准确替换。以燃气轮机排气温度为例进行验证的结果表明,该预测模型具有更高的精度和泛化能力,能在传感器故障发生初期及时发现并识别故障类型,检测效果优良。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

指数加权动态核主元分析法及其在故障诊断中应用

核主元分析法能充分利用核函数来解决非线性问题,具有很好的非线性逼近能力,但传统的核主元分析不能处理动态问题。在分析核主元分析法的基础上,提出一种新的指数加权核主元分析算法,建立一个多变量加权自回归统计核主元模型,选择Q统计量来判断系统是否发生故障,给出指数加权核主元分析法诊断故障的具体计算步骤。对液压泵进行了试验,利用小波包对液压泵端盖的振动信号进行处理,提取由13个时域和时频域特征量构成的故障特征矢量。试验结果表明,与传统的核主元分析法相比,新方法能实时更新主元模型和控制限Qa,合理地利用实时动态信息,能较好地处理动态问题,通过计算比较选择合适的加权因子,能获得良好的故障诊断效果,该方法是可行而有效的。