基于非负绞杀与长短期记忆神经网络的动态软测量算法

现代工业过程建模中,生产过程的多变量、非线性及动态性会导致模型复杂度增高且建模精度降低.针对这一问题,将非负绞杀算法(NNG)嵌入长短期记忆(LSTM)神经网络,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法.首先,通过参数优化生成训练好的LSTM神经网络,利用其出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度,并采用网格搜索法与分块交叉验证对其超参数寻优;最后,将算法应用于某火电厂脱硫过程排放烟气SO2浓度软测量建模,并与其它先进算法进行性能比较.实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能.     

轴承振动信号PF分量的分数低阶特征提取

针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数（product functions, 简称PF）的高阶统计特征提取性能退化问题，提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数（probability density function，简称PDF）曲线拖尾及特征指数α估计，验证轴承振动信号PF分量的分数低阶Alpha分布特性，并提出最优分数低阶统计量和共变低维流行映射矩构成轴承特征矩阵，以降低二阶及高阶统计量对信号分量特征描述误差，实现不同故障轴承特性的准确性表征。通过轴承特征散点图对比分析，结果表明，分数低阶次特征对轴承振动信号PF分量描述更为准确，不同状态轴承特征描述准确性和区分效果提升明显，具有一定的可行性及实际应用优势。