基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略.通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力.本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性.该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度.     

基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略。通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力。本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性。该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度。     

基于PCA-GABP神经网络的BOD软测量方法

针对污水处理过程中关键水质参数无法在线监测的问题．提出基于PCA-GABP神经网络的污水水质软测量方法。该方法由两部分组成：主元分析PCA和GABP神经网络。其中,GABP算法采用局部改进遗传算法优化神经网络权值。并采用自适应学习速率动量梯度下降算法对神经网络进行训练,建立软测量模型。仿真结果表明该软测量模型稳定性好、精度高,可用于污水处理厂对BOD进行在线预测。     

气体分馏装置软测量模型在线修正策略的研究

为了实现气体分馏装置的先进控制，需要使用软测量技术对气体分馏装置中的产品含量进行计算。由于软测量模型计算得到的结果不可避免要存在误差，因此需要对计算结果进行在线修正，以减少和实际结果的偏差。文章阐述了一种利用化验值的软测量在线修正方法。将滤波修正与一阶动态响应相结合，并采用了新的滤波系数计算公式。利用炼油厂实际数据和软测量模型的计算值，对这种在线修正方法进行了检验，实际数据的检验结果表明了修正的有效性，所得结果可以用于工厂先进控制的实施。     

基于多模型的发酵过程高斯过程回归软测量建模研究（英文）

软测量仪表在实际应用中往往存在预测精度低、缺乏预测精度信息等问题。基于多模型方法的软测量仪表通过子模型来描述局部变化,可以有效提高软测量仪表预测精度。在本研究中,高斯过程回归(GPR)模型因其预测方差能够反映预测精度信息特性,被用于构建局部子模型。同时,基于不确定性推理方法,本文提出了基于高斯过程回归预测方差的多模型融合策略。最后,将所提方法应用于工业红霉素发酵过程数据。结果表明,与其他高斯过程回归方法相比较,所提出方法预测精度更高,95%置信区间范围更小。     

神经网络非线性多步预测逆控制方法研究*

提出了基于多步预测控制方法的多变量非线性神经网络逆控制方案。利用预测模型对系统动态特性进行预测,使用一个带有时延因子的前馈神经网络作为控制器,利用多步预测性能指标对其在线训练,实现神经网络逆系统;在多步预测过程中还对每一步的预测误差进行预测,以实现预测误差补偿。将所提出的控制算法用于锅炉这种大滞后非线性对象的控制,仿真实验证明,该控制策略具有良好的解耦和动态跟踪性能。     

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。     

基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

污水处理参数的小波神经网络软测量技术

采用序批式污泥法处理污水的过程存在一定的非线性、时变性、随机性和不确定性,为此提出了一种基于核主元分析和小波神经网络模型的污水处理参数软测量技术.在保证水质信息量损失较小的情况下,使用核主元分析法对输入变量进行降维.将小波神经网络软测量模型和在线测量仪表相结合,对氧化还原电位、溶解氧、pH值及COD等参数控制信息进行实时检测;PLC控制器输出控制信号,控制整个系统设备的运行.仿真结果表明,和传统方法相比,该技术动态性能好、误差少,具有很好的鲁棒性和稳定性.     

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。     

列车脱轨系数的精确预测方法研究

研究列车脱轨系数的精确预测问题.列车在运行过程中,脱轨系数过大会产生列车脱轨隐患,因此列车脱轨系数是评价列车运行安全的重要依据.针对传统脱轨系数预测方法成本高和预测精度低等问题,提出RB算法的NARX神经网络的脱轨系数预测方法.以实测的轨道不平顺为输入,脱轨系数为输出,分别建立BP神经网络和NARX神经网络两种预测模型,并分析对比了两种神经网络模型的预测性能.试验结果表明:与BP神经网络相比,基于BR算法的NARX神经网络可实现对脱轨系数的精确预测.     

带自相关约束的NARX动态软测量模型

非线性带外输入自回归模型(NARX)在进行预测估计时依赖于主导变量的实时测量,因此在实际工业过程中存在一定的实施难度.针对该问题,利用神经网络构造一种新型NARX动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果.通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性.     

软测量技术的应用

以我厂南蒸馏装置常压塔的分子筛料干点为研究对象，基于现场采集数据及机理分析，确定了辅导变量，探讨了用多元线性回归建立的软测量模型，仿真结果表明模型精度达到了工艺要求，并讨论了在线修正。     

改进的GPC在网络控制系统时延问题中的应用

针对网络控制系统的时延具有随机、时变的特性,常会出现控制效果不理想的问题提出了动态BP网络误差修正的广义预测控制.在BP神经网络中加入误差动态反馈环节,形成动态补偿的神经网络模型,通过动态BP网络建立误差的预测模型,采用误差预测值对传统广义预测控制的输出预测值进行修正.仿真结果表明,将算法应用到时延网络控制系统当中能取得较好的控制效果.     

基于神经网络的炼油厂常压蒸馏350℃含量预测

常压塔四线350℃馏出含量是炼油厂常压蒸馏生产过程的重要质量指标,它与常压炉出口温度等多个变量之间存在严重的非线性关系,而且无法实时在线用仪表直接测量。论文提出了基于RBF神经网络的常四350℃含量预报模型,并用计算机软测量方式,对中石化广州分公司常压蒸馏装置(一)的实际数据进行模型验证研究。实验结果表明,该方法速度快,对实际生产具有指导意义。     

基于NARX神经网络航空发动机参数动态辨识模型

针对航空发动机参数非线性动态特性,提出一种基于外部输入非线性自回归（NARX）神经网络的发动机参数动态辨识模型。主要思路是根据NARX网络的非线性时序预测特性,结合发动机参数的稳态和动态参数,提出一种基于偏稳态差值预测的NARX参数动态模型结构。设计了SP-P辨识结构,整定了模型内部结构参数并建立N1（低压转子转速）、N2（高压转子转速）、EGT（涡轮后排气温度）参数非线性差分预测模型。最后依据某发动机试车样本,对推杆加减速时N1、N2、EGT动态辨模型进行仿真。仿真结果表明,N2相对误差小于0.2%,N1相对误差小于0.3%,EGT相对误差小于[1℃],满足发动机试车仿真需要。最后,将所建模型应用于某A320机务维修训练器的发动机仿真系统。     

基于神经网络的柠檬酸蒸发过程软测量研究

柠檬酸双效蒸发过程具有关联耦合严重、非线性、环境噪声大的特征.笔者采用PCA-BP神经网络建立了蒸发过程出料液浓度软测量预测模型.为提高软测量模型的实用性和预测精度,提出了基于误差估计器的短期在线校正方法和不定期软测量模型更新的学习机制.利用现场数据进行了校验,结果表明所建模型是合理有效的.     

基于NARX动态神经网络的民航客运量预测研究

民航客运量的准确预测对民航交通规划建设具有现实意义。论文首先对民航客运量数据的变化趋势和特点进行分析,得到客运量时序数据的发展趋势及波动规律。其次,论文提出基于NARX动态神经网络的民航客运量预测方法,该模型可以从非平稳的时序数据中提起历史数据的发展趋势以及周期波动的规律。论文利用2008年～2017年的历史客运量时序数据对未来两年的客运量进行仿真预测并验证。同时,论文还选用了ARIMA模型,Holt-Winters模型进行对比仿真实验。仿真结果表明,NARX动态神经网络的预测精度最高,R2、MAE、RMSE分别为0.91、81（万人）、102（万人）,可以有效提高民航客运量预测的准确度。     

城市轨道交通客流预测算法设计与仿真

为了更好地解决城市轨道交通的客流预测问题,提出了基于混合神经网络与卡尔曼滤波器的客流预测多层次模型。首先采用ELAN神经网络实现客流量的初步预测;然后采用卡尔曼滤波器对神经网络预测结果进行修正,以进一步提高预测结果精度;最后为了验证模型的正确性,以上海地铁交通作为研究对象,进行了客流观测和预测模拟。实验结果表明,所提出的多层次模型比单纯其中一种算法能减少约0.8%的误差,并且具有更好的实际效果。     

基于递归RBF神经网络的出水氨氮预测研究

针对污水处理过程出水氨氮难以在线测量的问题,文中提出了一种基于递归RBF神经网络的软测量方法来预测氨氮。首先,提取与出水氨氮相关的主元变量,剔除主元变量的异常数据。其次,利用递归RBF神经网络建立主元变量与出水氨氮的蕴含关系,完成出水氨氮软测量模型的设计。最后,将提出的出水氨氮软测量方法应用于污水处理实际运行过程,结果表明,基于递归RBF神经网络的软测量方法能够实现出水氨氮的在线预测;同时,与其他方法的比较结果显示基于递归RBF神经网络的软测量方法具有较好的预测精度。