基于LS-SVM与遗传算法的数控机床热误差辨识温度传感器优化策略

提出一种在数控机床热误差辨识建模过程中，利用最小二乘支持向量机结合遗传算法对温度传感器进行筛选与优化的新方法。对布置在一台数控车床上的温度传感器进行了优化，首先根据热模态理论，对传感器进行分组，利用最小二乘支持向量机方法构建数控机床热误差辨识模型，再根据遗传算法对其进行传感器优化布置。结果表明，遗传算法与最小二乘支持向量机方法的结合，不但很好地避免温度测点的相互影响，保证模型精度，而且节约了硬件成本，提高了辨识建模速度。     

基于多最小二乘支持向量机的草酸钴粒度软测量

提出了一种基于改进的鲁棒学习方法(improved robust learning algorithm,IRLA)的多最小二乘支持向量机(multipleleast squares support vector machine,Multi-LSSVM)建模方法,用以解决非线性系统建模问题。该方法通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多个成员最小二乘支持向量机模型,然后应用改进的鲁棒学习方法对成员最小二乘支持向量机模型的权重进行优化融合,从而使多最小二乘支持向量机模型具有较高的准确率和泛化能力。通过仿真实验,验证了方法的有效性;并将其应用于湿法冶金合成过程草酸钴粒度软测量建模问题,获得了比单个最小二乘支持向量机模型方法更高的预测精度。     

基于支持向量机的软测量方法及其在生化过程中的应用

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷，提出了一种改进的最小二乘支持向量机回归方法。根据样本点间欧氏距离的大小，去除原变量空间中大部分的样本点，从而获得回归模型的“稀疏”特性，大大简化模型复杂程度。同时，将这一方法应用于生物发酵过程，建立青霉素发酵过程中产物浓度的软测量模型，实现青霉素浓度的在线预估。实验研究结果表明，所提方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段。     

基于卡尔曼滤波的数控机床主轴热误差建模研究

为提高数控机床精度,提出一种基于卡尔曼滤波法的机床误差建模新方法,将统计模型的回归系数看作状态向量,统计模型视为观测方程,利用卡尔曼滤波法实现了统计模型的建模,由于卡尔曼滤波法属于线性最小方差估计,所以相比最小二乘法可望获得更高的建模精度。对一台立式加工中心,利用温度传感器与非接触式激光位移传感器同步测量主轴温度变化及热误差,利用卡尔曼滤波法构建的热误差模型分别与利用最小二乘法(LS)、最小二乘支持向量机法(LS-SVM)构建的模型进行对比,结果表明:卡尔曼滤波法的建模精度比最小二乘法和最小二乘支持向量机法分别高10.5%和1.8%,且建模时间比最小二乘法和最小二乘支持向量机法分别少0.9%和6.8%。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

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。     

基于最小二乘支持向量机的铣削加工表面粗糙度预测模型

在分析以往所建立的表面粗糙度预测模型方法不足的基础上，将一种基于最小二乘支持向量机的预测模型引入铣削加工领域，并给出了相应的步骤和算法。该模型能方便地预测铣削加工参数对加工表面粗糙度的影响，并能利用有限的试验数据得出整个工作范围内的表面粗糙度预测值，有助于准确认识已加工表面质量随铣削参数的变化规律。通过具体实例及与其他几种预测方法的对比表明，在相同样本条件下，其模型构造速度比标准支持向量机方法高1～2个数量级，模型预测误差约为支持向量机方法的40％，预测精度比常规BP模型高1个数量级。因此，基于最小二乘支持向量机方法建模速度快、预测精度高、适合加工表面粗糙度预测。     

基于在线最小二乘支持向量机的数控机床热误差建模与补偿

为消除数控机床热误差对加工精度的影响,提出了基于在线最小二乘支持向量机的数控机床热误差建模方法。为构建机床热误差模型,进行了建模实验,采用智能温度传感器与激光位移传感器分别测量机床温度值与主轴热变形量。将获得的数据进行在线最小二乘支持向量机建模训练,构建机床热误差模型。在根据模型得出误差预测值的同时,可以不断根据在线输入的新数据修正热误差模型本身,运算时间短,适用于在线建模。实验结果表明,基于在线最小二乘支持向量机的数控机床热误差建模方法具有精度高、鲁棒性强和计算时间短的特点。在此基础上,根据在线模型进行热误差补差,可有效消除机床热误差影响,提高数控机床的加工精度。     

基于粒子群优化的VB-LSSVM算法研究辛烷值预测建模

针对现有红外线分析仪表无法实现阶段在线检测车用汽油调合中,MMT抗爆剂对辛烷值的影响问题,考虑到样本数据较少的因素,提出一种基于粒子群优化算法的矢量基最小二乘支持向量机方法,首先以粒子群优化的方法来选取最小二乘支持向量机的模型参数,然后用矢量基判据选择支持向量,使最小二乘支持向量机的解具有稀疏性.该方法不但克服了常用的交叉验证法的耗时与盲目性问题,发挥了最小二乘支持向量机的小样本学习和计算简单的特点,而且提高了最小二乘支持向量机模型的泛化能力,将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的.     

诺西肽发酵过程中的混合建模

本文提出了一种发酵过程混合建模方法。该模型由基于质量平衡的发酵过程机理方程与基于数据的支持向量机模型2部分组成。机理方程作为描述过程的动态行为的整体框架，支持向量机模型用来进行模型参数的估计。并且提出了一种在线修正策略，增强了模型的实用性。将所建立的混合模型应用于诺西肽发酵过程中，结果表明，混合建模方法具有很好的估计性能。     

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法.首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型.对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型.将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度.     

基于ARM7的生物发酵智能补料控制系统

分析目前生物发酵过程中补料控制的难点,提出基于ARM7和神经网络控制策略的智能补料控制系统.其中现场控制部分采用S3C44B0X进行数据的采集和常规控制任务;软件设计中移植了μC/OS-Ⅱ操作系统,采用多任务程序设计方法设计,大大降低了编写程序的复杂度;针对生物发酵补料过程的特点,控制策略采用神经网络来实现系统补料的控制.在一定程度上解决了传统补料控制方法不易得到系统数学模型,难于对系统补料进行有效控制的不足.实践表明系统设计可靠,具有较强的鲁棒性,能够达到良好的控制效果.     

Hybrid intelligent control of substrate feeding for industrial fed-batch chlortetracycline fermentation process

The lack of accurate process models and reliable online sensors for substrate measurements poses significant challenges for controlling substrate feeding accurately, automatically and optimally in fed-batch fermentation industries. It is still a common practice to regulate the feeding rate based upon manual operations. To address this issue, a hybrid intelligent control method is proposed to enable automatic substrate feeding. The resulting control system consists of three modules: a presetting module for providing initial set-points; a predictive module for estimating substrate concentration online based on a new time interval-varying soft sensing algorithm; and a feedback compensator using expert rules. The effectiveness of the proposed approach is demonstrated through its successful applications to the industrial fed-batch chlortetracycline fermentation process.     

支持向量机刀具磨损预测模型及MATLAB仿真

针对刀具使用时加工参数多变的实际情况，提出使用最小二乘支持向量机（LS—SVM）建立模型并对刀具磨损进行预测：首先引入最小二乘支持向量机建立刀具磨损模型，然后针对具体实验数据，采用交叉验证的办法，选取优化的核参数。实验和仿真结果表明：该模型可以有效地学习刀具磨损中的非线性关系，刀具磨损的预测精度较高。因此该模型可以用作对实际加工中的刀具磨损进行有效预测，并为切削参数的实际选择提供依据。     

基于最小二乘支持向量机的压电作动器迟滞非线性建模及参数辨识

为了辨识压电作动器应用中迟滞非线性特性,采用Preisach模型与最小二乘支持向量机（LS-SVM）的混合建模法构建压电作动器模型以表征其迟滞非线性。在Preisach模型基础上采用一阶回转曲线法求得α-β平面内的迟滞单元加权系数,以迟滞单元形心和加权系数作为训练模型的输入输出,利用遗传算法对模型参数进行了辨识。数值仿真验证了建立的模型能精确描述压电作动器迟滞非线性特性,仿真结果与实验结果的相对误差在0.12%~2.01%之间,证实了模型的有效性。     

专家系统在发酵过程生物量智能检测中的应用

发酵过程是一个机理复杂的生化反应过程,对于其中无法在线检测而又起着关键作用的生物量参数,软测量技术是很好的解决途径.在生物量软测量建模的过程中,由于发酵过程分类繁杂,机理模型众多,因此适合用人工智能.专家系统来解决这类问题.本文给出了应用于发酵过程软测量混合模型划分的专家系统的结构,阐述了该专家系统知识库和推理机的构建,该系统为发酵过程软测量混合模型的划分提供了一种新的途径.     

Prediction of Surface Topography at the End of Sliding Running-In Wear Based on Areal Surface Parameters

Running in is a complex process, and it significantly influences the performance and service life of wear components as the initial phase of the entire wear process. Surface topography is an important feature of wear components. Therefore, it is reasonable to investigate the running-in process with the help of surface topography for improvement. Because the surface roughness after running in is independent of the nature of initial roughness, it is difficult to predict the surface topography after running in based on unworn surface topography. Aiming to build a connection of surface topographies before and after the running-in process, a black-box model predicting surface topography after the running-in process was established based on least-squares support vector machine (LS-SVM), and the areal surface evaluation parameters were adopted as model variables. To increase the adaptability of the predictive model, the main factors of the work condition were also taken into consideration. The prediction effect and sensitivity of the model were tested and analyzed. The analysis indicates that the hybrid property of surface topographies before and after running in is closely related. Moreover, the surface topography after running in is influenced more by the initial surface topography than by the work condition.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的建模预测方法。根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数。基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验。实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强。