基于有偏估计的近红外定量分析方法及应用

根据工况需求建立稳健性好的定量分析模型是使用近红外分析技术的关键。近红外光谱的波长点数多,实际工况中难以获得精确的无偏估计,可控的有偏估计更便于后续优化控制对产品目标属性的调优。鉴于此,提出一种融合互信息的光谱波长选择方法：根据光谱波长间的最大信息系数,选择与目标属性相关性大的波长,实现有监督波长选择。此外,融合即时学习,以有偏最小最大概率机建立定量分析模型,在保证有偏估计的同时提高了模型的自适应能力。工业案例验证结果表明,所提方法可有效提高近红外定量分析模型的精度,减少累积偏差。     

有偏最小最大概率模型及在汽油属性预测中的应用

汽油属性的在线预测多采用无偏估计方法建立的近红外定量分析模型实现,累积预测误差的正负偏差范围难以控制,这会严重影响汽油调合优化控制的投运效果.针对这一问题,本文提出了一种采用有偏估计实现油品属性在线预测的方法.首先从最小最大概率学习机出发,提出了有偏最小最大概率回归模型.然后利用即时学习方法设计了有偏回归模型的局部建模与更新策略,用以提高回归模型的自适应能力.最后在国内某炼厂汽油调合过程中采集的工业数据上进行实验,结果表明该方法与传统方法相比具有明显优势,有利于大幅度提高调合优化控制的投运率.     

融合互信息与慢特性的火电机组异常监控

以大型火电机组为研究对象,提出了一种基于互信息(MI)和慢特性分析(SFA)的异常工况检测方法,用于提高工业过程中异常工况检测的准确率和效率。首先,根据过程变量和故障标签的MI值选取高于设定阈值的过程变量;然后,利用慢特征算法提取出特征矩阵,使用两种新的指标计算统计量,通过潜在变量模型的慢特征来检测过程数据的异常;最后,将该方法应用于汽轮机和引风机异常工况案例中,与传统算法的对比实验分析表明该方法有较强的工程应用价值。     

改进的证据K近邻异常工况检测及应用

大型火力发电系统复杂,诱发异常工况的因素多、难以检测,并且过程数据中故障案例少,有标签的故障样本不完备,难以建立有效的异常工况检测模型。针对这些问题,提出一种基于证据K近邻的异常工况检测方法。首先,基于斜坡系数完成对历史数据稳态工况的划分,便于建立工况模型;然后,基于工况数据的局部密度构建证据体,确定异常工况检测边界;在线应用时,过程数据的异常特性由证据体根据K近邻原则判定。所提方法在模型构建与应用时不需要完备的有标签样本,建模效率高,模型更新维护较为方便。案例分析表明,所提方法与主成分分析(PCA)、基于K近邻的故障诊断(FD-KNN)、证据K近邻(EKNN)方法相比具有较低的误报率和漏报率,具有较好的工程应用价值。     

基于神经网络的近红外光谱辛烷值模型的研究及应用

汽油管道调合的在线优化过程中,调合优化与控制系统对近红外光谱模型的依赖很大。光谱模型的精度及适应性直接影响整个在线调合系统。本文就如何建立适用于在线汽油调合的汽油辛烷值近红外光谱模型展开研究,提出一种采用主元分析(PCA)结合人工神经网络(ANN)的方法建立汽油近红外光谱辛烷值模型的方法;并与多元线性回归及偏最小二乘法建立的线性模型做比较。结果表明主元分析结合人工神经网络所建立的模型适应性较高、抗干扰能力强,适合汽油在线调合的现场应用。     

基于智能优化算法的软测量模型建模样本优选及应用

根据目标工况合理选择训练样本,是建立软测量模型的关键。传统的训练集样本选择方法难以充分利用因变量信息,而且难以综合考虑样本对模型的影响。为了解决上述问题,本文提出一种基于智能优化算法的训练集样本选择模型,定义了损失函数和样本压缩率,通过权重因子将二者融合为多目标适应度函数,可调整优化算法的寻优方向,使算法能够同时对建模样本组合结构与样本数量寻优,因此极大提高了所选建模样本的质量。为了验证方法的有效性,以汽油调和过程中采集的汽油近红外光谱-研究法辛烷值数据以及柴油近红外基准数据为例,与偏最小二乘、局部权重偏最小二乘等多种方法进行了比较研究,并分析了建模样本对软测量模型的影响。结果表明,本文方法在大规模降低训练集样本规模的同时能够保证软测量模型的精度和泛化性,非常适合工业应用。