一种用于软测量建模的增量学习集成算法

针对软测量模型在实际应用中遇到的问题, 结合AdaBoost 集成学习思想, 提出适用于软测量回归的集成学习算法, 以提高传统软测量模型的精度. 为了克服模型更新技术对软测量实际应用的制约, 将增量学习机制加入软测量集成建模中, 使软测量模型具有在线实时更新的增量学习能力. 对浆纱过程使用新方法建立上浆率软测量模型, 并使用实际生产数据对模型进行检验, 检验结果表明, 该模型具有很好的预测精度, 并能够较好地实现在线更新.

     

基于信息融合算法的LF炉钢水温度预测

LF炉钢水温度的控制对钢的质量和连铸操作的顺行都很重要,而LF炉钢水温度的预报是LF炉钢水温度控制的前提。针对LF炉冶炼过程中物理化学反应过程及传热过程的复杂性,以宝山钢铁股份有限公司300 tLF炉为研究对象,在分析了影响LF炉钢水温度的主要因素的基础上,应用基于BP神经网络的信息融合算法,开发了用C语言编写的预测程序,预测了LF炉的钢水温度。实验表明,此算法可以提高预测的速度和精度,预测结果为误差不大于±5℃的炉次大于90%。     

基于集成多支持向量回归融合的上浆率在线软测量方法

现有浆纱过程上浆率的检测无法实现实时在线测量,直接影响纱线产品质量的保障。本文提出一种新的基于Bagging多SVR融合的建模方法,建立上浆率在线软测量模型。首先对浆纱过程进行分析,确定影响上浆率的主要因素。将这些主要因素作为模型的输入,用不同的核函数、损失函数和参数建立基本SVR模型。使用Bagging将多个SVR模型进行融合,使他们的优势进行互补,不足得以克服,得到最终的上浆率在线软测量模型。使用实际生产数据对模型进行检验,并将其与传统软测量方法进行比较,结果表明基于Bagging多SVR融合的上浆率在线软测量模型的性能优于传统软测量模型,并具有较高的测量精度,完全能够满足实际生产的需要。     

与软测量建模相结合的过失误差侦破新方法

软测量模型建立前对建模数据进行过失误差侦破与剔除,是确保数据质量、成功建立软测量模型的先决条件.针对软测量建模过程中建模数据过失误差侦破的特殊性,提出了一种适用于软测量数据的中心欧氏距离聚类算法(CED),这种新方法依据各数据点到数据中心的欧氏距离来判定过失误差,脱离了传统过失误差侦破方法依赖于机理模型的束缚,更好地适应了软测量的特点.针对单纯使用聚类算法实现过失误差侦破的不足,将其与软测量建模过程相结合,将建模误差作为过失误差侦破过程的指导,使其克服了由于单纯基于数据而存在的缺陷,并且在完成过失误差侦破的同时建立了软测量模型.实验表明这种与软测量建模相结合的基于聚类分析的过失误差侦破方法具有很好的效果.     

基于增量学习思想的改进AdaBoost 建模方法

针对软测量建模的特点以及建模过程中存在的主要问题,提出了基于 AdaBoost RT 集成学习方法的软测量建模方法,并根据 AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难,提出了自适应修改阈值 和增添增量学习性能的改进方法.使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型,并使用实际生产数据对模型进行了检验.检验结果表明,该模型具有较好的预测精度,能够很好地实现在线更新.     

基于人工神经网络的冲击地压预测

本文应用Matlab语言编写了BP神经网络程序，并对BP算法做了一定的改进，用此算法对冲击地压进行了预测，结果令人满意。     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

基于改进数据驱动子空间算法的电力负荷预测

在钢铁企业中,电力负荷消耗规模相对较小,未呈现明显的周期性变化特征,而工序变化会导致瞬间电力负荷波动较大,传统负荷预测模型对工业用电预测效果不佳,无法有效预测出用户的突发性扰动。采用数据驱动的子空间方法预测钢铁企业电力负荷,分别建立基于子空间算法的电力日负荷预测、超短期负荷预测2个模型。为提高预测模型准确率,引入反馈因子和遗忘因子来改善标准子空间算法的性能。以实际电力负荷数据的测试验证该方法的实用性,预测结果能够为钢铁企业的电力负荷预测和二次能源智能管理提供有效的决策支持。     

基于改进相空间重构的压缩机运行状态预测

精确的状态预测对于压缩机的平稳运行至关重要,同时,振动信号能够表征绝大多数压缩机的运行状态。为提高预测精度,文中提出改进的相空间重构法和神经网络相结合的预测模型。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。使用BP神经网络对重构后的振动信号进行预测。预测结果表明相空间重构后的信号预测效果更好。