基于PCA-BP算法的PTA溶剂脱水塔软测量模型

从PTA溶剂脱水塔的实际操作出发,本文提出了主元分析(PCA)与BP神经网络相结合的组合建模方法,通过PCA剔除原有自变量中的干扰信息、减少输入变量维数,提高BP神经网络的训练效率和精度,建立了PTA溶剂脱水塔塔底醋酸含量和反映塔顶醋酸含量的电导率的软测量模型,仿真结果表明所建模型精度高,具有实用价值。     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．     

基于模糊神经网络骨素pH值软测量

针对明胶中和工序骨素人工检测pH值严重滞后的问题,提出了模糊神经网络pH值软测量方法。确定与骨素pH值最相关影响因素,结合模糊C均值聚类和BP算法对模型结构及参数辨识,在matlab环境下进行仿真,仿真结果表明,模糊神经网络模型具有很好的学习能力和泛化能力,能大大提高测量的精度,可实现在线检测骨素pH。     

基于改进CS-BPNN的松茸发酵过程软测量建模

针对松茸发酵过程中关键参量难以实时在线检测的难题,提出了一种基于改进布谷鸟算法（CS）与改进BP神经网络（BPNN）相结合的松茸菌丝生物量软测量建模方法。首先采用两阶段动态发现概率法对传统CS进行改进,平衡CS的全局搜索与局部搜索能力;然后引入附加动量和动态调整学习率对BPNN进行改进,提高BPNN参量的修正精度;最后,通过CS算法获取BPNN的初始权值和阈值,并由权值修正公式（附加动量与动态学习率相结合）对权值进行动态修正。仿真结果表明,改进的CS-BPNN软测量模型在预测精度提高了6%以上,能够实现松茸发酵过程实时在线测量的需求。     

基于自适应模糊聚类的神经网络软测量建模方法

提出一种基于模糊聚类的神经网络软测量建模方法．该方法采用数据分组训练、自动确定模糊分类数、在线测量时分类中心自适应修正，降低了计算量，提高了建模精度．将该算法用于步进式加热炉钢坯温度预报的仿真结果表明，它能够解决钢坯温度难以在线测量的问题。     

基于软测量的先进控制系统的实现

针对某精馏装置存在的测量和控制方面的问题，提出了基于软测量的推断控制方案。分别用逐步回归和BP神经网络方法建立了对象的软测量模型，分析了建模效果。最后介绍了如何在DCS上组态实现该控制方案。     

基于过程神经网络的污水处理软测量算法研究

过程神经网络是传统神经网络的拓展,它的输入是与时间有关的函数和过程。过程神经元增加了一个对于时间的聚合算子,使网络同时具有时空二维信息处理能力。从而更好地模拟了生物神经元的信息处理机制。污水处理过程是一个与时间有关的过程,将过程神经网络引入到污水处理软测量中是一种新颖的软测量预测算法。在对基于正交基展开的过程神经网络算法的污水处理软测量仿真研究的基础上,通过分析原网络收敛速度慢等问题,借鉴传统BP的改进算法,在原算法的基础上提出两方面的改进,仿真取得较好的训练结果。     

基于模糊神经网络的COD软测量技术的研究

针对现在污水处理过程中监测水质的设备与技术比较落后,原始的实验室化验方法会造成时间的严重滞后,不能及时的反馈信息保证产品的质量,可能会造成一些严重的后果;采用了一种基于模糊神经网络(FNN)软测量技术的方法,充分利用神经网络的非线性映射能力、学习能力、并行处理能力和容错能力,以及模糊逻辑系统处理不确定性的能力等优势;将两者有机结合起来,组成在功能上更加完善和强大的模糊神经网络,以此进行建模,实现对污水处理中难测水质指标-化学需氧量(COD)的在线监测。     

基于随机模糊神经网络的刀具磨损量软测量技术

刀具磨损检测对于提高加工过程的自动化、高精度化、智能化具有重要意义．本文通 过检测电流信号基于随机模糊神经网络建立了刀具磨损量的软测量模型．该模型的创新之处 在于利用切削参数实时地调整网络的部分参数,从而可以减小切削参数与电流信号之间关系 对于刀具磨损估计的影响并且使得模型具有动态性、实时性．实验验证表明该方法是正确而 有效的．     

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.

     

MC-UVE-GA-PLS算法用于精馏软测量辅助变量选择

现代工业生产的复杂化使得候选辅助变量增多,大量的输入变量会使软测量模型过拟合,影响模型的预测效果。针对这个问题,提出了一种蒙特卡洛无信息变量消除结合遗传算法偏最小二乘(MC-UVE-GA-PLS)选择辅助变量的方法。该方法在运用GA算法搜索最优变量子集之前,采用MC-UVE方法消除与模型不相关的变量,使GA算法能有效地搜索出对响应变量预测贡献最大的变量子集。用本文提出的方法建立了工业精馏塔浓度软测量模型,仿真结果表明本文提出的辅助变量选择方法不仅能提高模型的预测能力,而且能简化模型的复杂性。     

面向工业过程软测量建模的概念漂移检测综述

基于数据驱动的软测量模型广泛用于工业过程中产品质量与环保指标等难测参数的在线测量,该过程中存在的概念漂移问题易导致模型精度下降.如何有效识别过程概念变化并精准检测漂移样本是提高模型测量性能的关键.本文总结并分析目前漂移检测的研究思路与进展,为面向工业过程软测量的漂移检测算法提供设计指导.首先,介绍了概念漂移的通常定义与...     

变尺度粒子群算法及其在工业软测量中的应用

粒子群优化算法是一种基于群体智能的随机优化算法,具有收敛速度快、设置参数少、算法简单、容易实现等优点,其缺点是容易陷入局部最优解。变尺度法是一种可靠的局部快速寻优方法。为了解决了基本粒子群优化算法易陷入局部最优的问题,本文提出了一种基于变尺度方法的自适应变异粒子群优化算法。在本文算法中,粒子群每进化一代后,对所有粒子执行变尺度搜索,寻找更优个体,从而使算法具有动态自适应性,能够较容易地跳出局部最优。在延迟焦化生产过程中,汽油干点是衡量汽油的一个关键指标,建立汽油干点的软测量对延迟焦化生产实现卡边控制和提高装置的经济效益是有必要的。在实际生产过程中,无法在线测量延迟焦化汽油干点,只能采用离线实验室分析的方法获得,但离线分析不能满足控制的要求。基于软测量技术而开发的延迟焦化汽油干点软测量模型,使汽油干点的在线测量成为可能。目前,工程上一般采用BP神经网络来训练软测量模型。BP神经网络的学习算法是决定BP神经网络预测质量的关键。鉴于此,本文将所提出的变尺度粒子群优化算法用于BP神经网络学习过程中,并将本文方案的预测结果与文献方案进行了对比实验。实验结果表明,与文献方案相比,本文方案具有较好预测精度和良好的泛化能力,具有较好的应用价值。     

精馏塔系的软测量建模与优化策略研究

针对工业精馏系统操作优化的需求,在分析过程机理的基础上,本文基于广义回归神经网络和交叉验证等方法,建立了产品质量的软测量模型。随后,通过改进标准遗传算法的算子和结构,提出一种改进的求解有约束稳态优化问题的遗传算法,解决了常规优化算法在求解有约束优化问题时惩罚系数难以选择、易陷入局部最优、所得优化解可能不满足约束等问题。将其应用于以产品质量为约束的精馏塔能耗优化问题,可以求解得到精馏塔系"卡边"生产对应的最优操作条件。仿真结果表明该建模和优化策略具有优化结果好、计算效率高等优点,可为工业精馏系统的操作优化提供有效支撑。     

软测量模型的建立

软件测量是采用过程中比较容易测量的辅助变量，构造推断估计器来推算出难以测量或根本无法测量的关键工艺参数；是根据某种最优准则，选择一组既与主导变量有密切联系又容易测量的变量，即辅助变量，通过构造某种数学关系，用计算机软件实现对主导变量的在线估计，介绍了软测量的核心技术，并重点阐述了软测量模型建立的方法，还给出了建立一个完整的软测量模型的步骤。     

基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。     

用于多模型软测量的扩张搜索聚类算法

多模型可以改善模型估计精度,提高泛化性能.针对传统的聚类方法过于依赖空间数据先验知识及初始参数的缺点,提出1种适用于任何形状样本分布的单参数调节扩张搜索聚类算法.该方法以近邻算法为基础,通过设定各样本的ε-邻域,以扩张搜索的方法将所有相关的ε-邻域样本归为一类,从而聚类样本数据.将其用于聚类样本数据集,构建基于扩张搜索聚类的软测量多模型.在双酚A生产过程质量指标的软测量建模仿真中验证了算法的有效性,其均方根误差、最大相对误差和平均相对误差均较基于模糊C均值的多模型建模方法有所减小,分别从1.2943,3.88%和1.40%下降到了1.0276,2.72%和1.16%.     

基于超图正则化的域适应偏最小二乘多工况软测量模型

针对流程工业中,因多工况导致数据分布变化引起传统软测量模型预测性能恶化问题,本文提出一种基于超图正则化的域适应多工况软测量回归模型框架.首先,采用非线性迭代偏最小二乘回归算法为基模型,在潜变量空间利用历史工况数据重构当前工况数据,以增强工况间的相关性,有效减小数据分布差异;同时,对重构系数施加低秩稀疏约束,保留了数据的局部和全局子空间结构;其次,通过超图拉普拉斯正则项对域适应潜变量求解过程进行约束,避免在寻找潜变量过程中破坏数据结构.最后,利用交替方向乘子法优化求解模型参数.在多个数据集上的实验表明,本文方法在多工况环境下可有效提高软测量模型的预测精度和泛化性能.