基于偏最小二乘法的纸张抗张强度预测模型

为了解决抗张强度机理模型中参数难以测量、偏离工厂生产变量、实际指导关联性差的问题。以一瓦楞原纸生产线为研究对象,先通过经验分析筛选影响纸张抗张强度的生产过程变量,在收集对应变量的生产数据后,应用偏最小二乘法建立抗张强度预测模型并对重要影响变量进行分析。结果表明该模型具有较好精度,其皮尔逊相关系数r=0.732,均方根误差RMSE值为276 N·m-1,平均相对误差MRE值为5.17%。同时得到了影响纸张抗张强度的6个重要生产过程变量,通过机理分析和现场验证,发现结果具有较好的现实吻合度。     

基于偏最小二乘法的纸张抗张强度预测模型

为了解决抗张强度机理模型中参数难以测量、偏离工厂生产变量、实际指导关联性差的问题。以一瓦楞原纸生产线为研究对象,先通过经验分析筛选影响纸张抗张强度的生产过程变量,在收集对应变量的生产数据后,应用偏最小二乘法建立抗张强度预测模型并对重要影响变量进行分析。结果表明该模型具有较好精度,其皮尔逊相关系数r=0.732,均方根误差RMSE值为276 N·m^-1,平均相对误差MRE值为5.17%。同时得到了影响纸张抗张强度的6个重要生产过程变量,通过机理分析和现场验证,发现结果具有较好的现实吻合度。     

基于主元分析与偏最小二乘故障诊断算法的研究

选取多元统计方法中最常用的两种故障诊断方法(主元分析法与偏最小二乘法)对锅炉参数的离线故障测试数据进行仿真。结果表明:与主元分析法相比,偏最小二乘法在进行故障诊断时对正常数据与故障数据的区分更为有效,对故障数据的识别率更高。     

偏最小二乘法测定聚氯乙烯塑料中的DEHP

采用偏最小二乘法定量测定了聚氯乙烯塑料样品中增塑剂DEHP的含量，该方法不受基体的干扰，结果可靠，简单快速，适合于流水线的质量控制。又采用了气相色谱法对同一样品进行测试，结果表明这两种方法的测试结果无显著差异。     

偏最小二乘法同时无损测定聚氯乙烯塑料中的多种增塑剂

为了在线监控聚氯乙烯塑料中增塑剂的含量,采用傅立叶变换红外光谱ATR技术进行光谱测定,利用偏最小二乘法对所测的谱图进行分析,建立了聚氯乙烯塑料多种增塑剂的无损定量测定方法,同时测定了聚氯乙烯塑料中多种邻苯二甲酸酯类增塑剂和多种己二酸酯类增塑剂。该方法精密度好,试验结果表明其RSD均小于7%,该方法的准确度试验结果表明,测定结果与配方值的偏差均小于1%;且不受基体干扰,结果可靠,简单快速,适合于流水线的质量控制。     

基于最小二乘法预测的导热反问题求解

根据体表红外热像图获得体内异常热源信息可抽象为一个含有未知内热源的导热反问题,其求解过程需要对计算区域内温度场进行反复计算,对于复杂的三维物理模型反演过程耗时较长。采用粒子群算法用以反演未知参数,并结合最小二乘法对部分粒子位置对应的目标函数值进行预测。在反演过程中,对远离群体的粒子进行位置的重新分配,避免计算资源的浪费。分析不同预测系数对粒子搜索过程的影响,采用了线性递减的预测系数。数值验证结果表明：基于最小二乘法预测的粒子群算法能在保证反演精度的前提下减少导热问题计算次数,缩短反演所需时间。     

基于高阶偏最小二乘的间歇过程建模

间歇过程的产品与现代人的生活息息相关,而建立可靠的模型是保障间歇过程安全运行的基础。针对间歇过程的数据特点,引入一种新的广义线性回归模型——高阶偏最小二乘(higher order partial least squares,HOPLS)。它与传统的间歇过程建模方法具有本质的不同,三维数据(批次×变量×时间)不需要展开成二维矩阵,而是直接被分解成一组正交的Tucker矩阵之和。通过高阶奇异值分解(high order singular value decomposition,HOSVD),张量变换和高阶正交迭代(higher order orthogonal iteration,HOOI)找到能同时包含自变量和因变量最大信息的潜向量,与此同时得到对应的负载向量。对于新观测值,通过模型就可以实现对因变量的预测。最后利用PenSim2.0,对青霉素发酵过程进行仿真研究,验证了该间歇过程建模方法的有效性。     

偏最小二乘法测定多异氰酸酯固化剂中TDI三聚体的含量

对不同TDI三聚体含量的多异氰酸酯固化剂的红外光谱进行了测定,采用偏最小二乘法对所得到的红外光谱进行分析,测定了多异氰酸酯固化剂中TDI三聚体的含量,该方法简单快速,结果可靠.     

基于偏最小二乘随机配置网络的污水水质指标估计

准确、可靠地测量污水处理厂的出水水质指标是成功控制和优化污水处理厂的关键。由于现有的离线化验方法存在操作繁复、测量滞后的问题,难以实现水质的实时控制。为了提高估计的准确性和可靠性,提出了一种偏最小二乘的随机配置网络方法 (PLS-SCN)。为了克服输入数据高维度和多重共线性导致的预测风险,将偏最小二乘(PLS)方法嵌入到随机配置网络(SCN)框架中,以代替经典的普通最小二乘(OLS)方法。PLSSCN方法从隐含层输出中提取影响水质指标的主要潜在变量,通过正交投影运算来增强泛化性能。某城市污水处理厂水质指标仿真结果表明,PLS-SCN网络具有良好的输入输出关系,性能优于传统SCN和PLS方法,能够快速、可靠地估计污水水质的质量。     

一种基于可预测元分析的故障诊断方法

将可预测元分析(Fore CA)引入到过程监控中,通过选取合适的可预测元并构造能够反映系统运行状况的统计量对在线数据进行统计监控,克服了主元分析(PCA)方法假设数据服从高斯分布且无法反映系统动态时序特性的缺陷,能很好地描述工业过程的动态特性并进行故障检测。TE模型上的仿真结果证明了Fore CA在工业过程监控中的可行性与有效性。     

基于核可预测元分析的非线性故障检测技术

为克服可预测元分析方法在非线性领域的不足,并更好地反映工业监控过程的动态特性,将核可预测元分析方法引入非线性故障检测领域。首先将观测数据映射到高维特征空间,提取可预测元特征;然后基于贝叶斯定理构造统计量,用于监控工业过程进行并检测故障。在TE模型的仿真实验结果表明:基于核可预测元分析的非线性故障检测方法能有效提高系统的故障检测准确率。     

基于集成核可预测元分析的非线性故障检测

以核可预测元分析(KForeCA)为例,将它与集成学习方法相结合,提出了一种基于集成核可预测元分析(EKForeCA)的非线性故障检测方法。给出EKForeCA的故障检测原理。TE仿真实验结果表明:基于EKForeCA的故障检测方法可有效提高故障检测灵敏度和鲁棒性。     

基于小波去噪的FVS-KPCA故障检测方法

对于复杂非线性系统,实际得到的数据不可避免地带有噪声、随机干扰,而传统的核主元分析(KP-CA)方法应用于大样本集的故障检测,要计算核矩阵K很困难。为此,提出一种小波去噪与特征矢量选择-核主元分析(FVS-KPCA)相结合的故障检测方法,首先对数据进行小波去噪,再采用特征矢量选择(FVS)与KPCA结合的方法能有效降低故障检测计算的复杂性。把上述方法应用到Tennessee Eastman(TE)化工过程,仿真结果表明该方法能有效地提高故障检测的速度。     

基于独立元分析算法的过程故障检测方法

文章针对目前实际工业生产中变量不能严格服从高斯分布,且大量变量之间存有严重相关性的特点,运用ICA方法提取高维数据中独立的信号,在保留数据信息的前提下对噪声加以抑制。信号提取后分别构造监控统计量,实施过程监控和故障诊断,并利用独立元模型对CSTR仿真实时数据进行故障检测研究,仿真结果表明该方法能快速准确的检测到运行中发生的异常。     

流程工业仪表故障快速检测方法

通过对大量真实工业数据的统计分析,发现仪表测量信号变化量的方差能很好地表征仪表性能的稳定状态,由此提出了一种基于信号方差分析的快速仪表故障检测算法,并在此基础上开发了一套在线仪表故障检测系统.该系统以诊断数据库为核心,包括实时数据采集、仪表故障在线诊断、故障数据的保存与查询、诊断参数自学习以及远程访问功能.工业应用结果表明,这种故障检测方法能够对仪表早期的故障作出正确的判断.且检测迅速,物理意义明确,适用于大规模的流程工业过程.     

基于故障判别增强KECA算法的故障检测

基于核熵主成分分析方法的统计模型仅利用正常工况下数据进行建模,而忽略了监控系统数据库中一些已知类别的先前故障数据。为了利用先前故障数据中包含的故障信息来增强故障检测性能,提出了一种故障判别增强KECA (fault discriminant enhanced kernel entropy component analysis, FDKECA)算法。该法通过采用无监督学习和监督学习方法建立模型,同时监测非线性核熵主成分(kernel entropy component, KEC)和故障判别成分(fault discriminant component, FDC)两类数据特征。此外,利用贝叶斯推理将相应的监视统计信息转换为故障概率,并通过加权两个子模型的结果来构建基于总体概率的监视统计量。通过数值仿真和田纳西伊斯曼(Tennessee Eastman, TE)过程仿真实验,证明和传统KECA相比,FDKECA算法能够有效利用故障数据提高故障检测率。     

基于主成分分析和偏最小二乘回归的烟煤水分近红外检测

基于近红外光谱技术对烟煤水分分析的快速、无损性。采集了100个烟煤样品,分成验证集和预测集,验证集85个,预测集15个。利用主成分分析对烟煤的近红外光谱数据进行压缩,然后以主成分为输入,采用偏最小二乘回归建立烟煤水分预测模型。烟煤水分平均绝对相对误差为0.0728,表明该方法用于预测烟煤水分含量是可行的。     

Fault Detection of Non‐Linear Processes Using Kernel Independent Component Analysis

In this paper, a new non‐linear process monitoring method based on kernel independent component analysis (KICA) is developed. Its basic idea is to use KICA to extract some dominant independent components capturing non‐linearity from normal operating process data and to combine them with statistical process monitoring techniques. The proposed method is applied to the fault detection in the Tennessee Eastman process and is compared with PCA, modified ICA, and KPCA. The proposed approach effectively captures the non‐linear relationship in the process variables and showed superior fault detectability compared to other methods while attaining comparable false alarm rates.     

A Selective Moving Window Partial Least Squares Method and Its Application in Process Modeling

A selective moving window partial least squares (SMW-PLS) soft sensor was proposed in this paper and applied to a hydro-isomerization process for on-line estimation of para-xylene (PX) content. Aiming at the high frequency of model updating in previous recursive PLSmethods, a selective updating strategywas developed. Themodel adaptation is activated once the prediction error is larger than a preset threshold, or themodel is kept unchanged. As a result, the frequency of model updating is reduced greatly,while the change of prediction accuracy is minor. The performance of the proposedmodel is better as compared with that of other PLS-based model. The compromise between prediction accuracy and real-time performance can be obtained by regulating the threshold. The guidelines to determine the model parameters are illustrated. In summary, the proposed SMW-PLS method can deal with the slow time-varying processes effectively.