基于状态约束的滑动时间窗软测量模型北大核心CSCD

工业过程的模型通常具有非线性强、系统时变明显、工况变化大等特点。传统的滑动时间窗选择方法容易包含大量关联度低的数据,影响了数据模型的建模精度和建模效率。本文提出了一种带状态约束的滑动时间窗口选择算法,应用于工业连续过程软测量模型的训练数据选取。将该时间窗口选择算法与最小二乘支持向量回归算法结合,利用电站锅炉的历史运行数据,建立了燃煤电站锅炉尾部烟气含氧量的软测量模型。研究结果表明,相比于传统的滑动时间窗选择算法,利用该算法进行训练样本选取后,提高了所建立的最小二乘支持向量机模型的模型精度和运行效率。利用该方法建立的烟气含氧量软测量模型具有较高的精度,可以在氧化锆传感器发生故障时代替其工作,保证了氧量信号的稳定性和可靠性。     

基于滑动时间窗的支持向量机软测量建模研究

提出了一种基于滑动时间窗的最小二乘支持向量机软测量建模方法，并针对某一工业共沸精馏塔成分估计问题，建立了合适的工业软测量模型。介绍了最小二乘支持向量机计算法和滑动时间窗的建立。并利用滑动时间窗内的数据进行系统的在线优化和周期性模型更新，提高了工业软测量模型的在线估计精度。研究结果表明，LS—SVM是一种有效的软测量建模方法。     

基于KPCA-LS-SVM的工业锅炉烟气含氧量预测

排烟含氧量是评价燃烧过程好坏和锅炉优化运行的重要指标,也是调节最佳风煤比的主要依据。针对工业锅炉氧量计使用受限的问题,提出一种混合的软测量方法:。为了提高烟气含氧量的软测量预测精度,本文分析与烟气含氧量有关的锅炉运行变量,从中确定8个,并采用核主成分析法进行参数处理,整合冗余,降低维数。经处理后得到的6个主成分,其累计贡献率达95.522%,以此作为最小二乘支持向量机软测量模型的输入。在此基础上,通过划分网格来改进交叉实验法,进而优化最小二乘支持向量机的2个参数。经优化得到的误差参数γ和径向基核函数参数σ~2分别为90.3和239.6,模型具有较高的训练精度。最后对某循环流化床锅炉进行建模仿真,利用采集的数据,分别建立最小二乘支持向量机、核主成分分析的最小二乘支持向量机和BP神经网络3种模型。应用3种模型对烟气含氧量进行预测,并采用3个模型性能指标进行对比分析。结果:表明,基于核主成分分析的最小二乘支持向量机的工业锅炉烟气含氧量模型,在小样本条件下学习更加有效,建模采样过程更快,预测精度更高。该模型有助于实现工业锅炉烟气含氧量在线软测量。     

神经网络在风烟系统含氧量软测量中的应用

风烟系统烟气含氧量是影响锅炉效率的一个重要因素,其测量结果对评价燃烧经济性指标有重要作用。由于炉内燃烧过程复杂且烟气含氧量影响因素多,现场含氧量的直接测量往往存在滞后且精度较差。近年来,基于相关参数建模的软测量方法在电厂逐渐得以应用。为此,针对某1 000 MW锅炉机组,考虑风烟系统的结构及影响锅炉含氧量的因素,以电厂采集的历史运行数据作为神经网络模型的训练样本和测试样本,建立了基于神经网络的风烟系统含氧量软测量模型。与基于梯度下降法的神经网络相比,采用性能更好的L-M算法作为神经网络训练算法。试验结果表明:基于L-M算法的神经网络模型能够更准确地预测烟气含氧量,为实现锅炉的燃烧优化调整、节煤降耗奠定基础。     

一种基于直接广义预测的烟气含氧量软测量方法研究

针对工业锅炉烟气含氧量的测量,文章给出了一种基于直接广义预测算法的烟气含氧量软测量方法,运用该方法能够客观反映锅炉燃烧过程中任何时段的真实情况,提高烟气含氧量的测量精度,优化锅炉燃烧控制系数的性能.利用现场实际数据对该方法进行了仿真验证,仿真结果果表明了该软测量方法的有效性.     

基于GMDH的电厂烟气含氧量软测量

烟气含氧量是评价火电厂锅炉燃烧好坏的一项重要指标,所以准确的测量尤为重要。本文主要研究内容是利用软测量技术对电厂烟气含氧量进行仿真测量,所采用的软测量建模方法为数据成组处理法(Group method of data handling,GMDH),利用从华润某电厂300MW机组得到的实际运行数据建立模型,并与BP神经网络所得预测结果进行对比。仿真结果表明:该方法能够较准确的对火电厂烟气含氧量进行预测。     

基于自适应加权最小二乘支持向量机的芳烃产量软测量建模

芳烃收率是催化重整生产过程中的重要质量指标。针对其软测量建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLSSVM)回归建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布加权规则,为每个建模样本分配不同的权值,以降低测量误差对建模精度的影响;同时提出一种全局优化算法—混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立催化重整生产过程芳烃收率的软测量模型,获得了较好的效果。     

基于ANFIS模型的烟气含氧量建模和预测

针对电厂热工测量参数难以进行有效预测的问题,提出一种基于ANFIS模型的烟气含氧量建模和预测方法.基于自适应神经模糊推理系统(ANFIS)学习能力与泛化能力均较强的优点,建立软测量预报模型,借助某电厂循环流化床锅炉烟气含氧量实测数据进行仿真,结果表明,基于ANFIS的自适应预测模型,具有良好的预报能力,具有较高的预报精度和鲁棒性,可以较好地解决电厂烟气含氧量预测问题,对于实现锅炉燃烧系统的优化运行和预测控制具有一定的价值.     

基于最小二乘支持向量机的软测量建模及在电厂烟气含氧量测量中的应用

通过分析燃煤电厂烟气含氧量测量的现状。提出了基于最小二乘支持向量机的软测量方法,给出了相应的系统结构和算法,用现场实测数据计算取得了良好的效果。通过和神经网络方法的比较,仿真结果证明了该方法具有更好的性能指标。     

一种改进的最小二乘支持向量机软测量建模方法

针对最小二乘支持向量机(LS-SVM)缺少支持向量所具有的稀疏性和模型参数值难以选择的问题,提出利用马氏距离进行样本相似程度分析,去除集中部分样本,以恢复最小二乘支持向量机的稀疏性的方法.同时,采用κ-折交叉验证误差作为学习目标的粒子群优化算法来选取模型参数,并利用改进算法建立了精馏产品浓度的软测量模型.通过仿真验证了改进算法的有效性.结果表明模型精度较高,泛化能力强,满足工业测量要求.     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于LS-CSO优化MWLS-SVM的SO2排放浓度软测量建模

针对石灰石-石膏湿法烟气脱硫过程最小二乘支持向量机（LS-SVM）建模中存在的噪声和辅助变量差异性对模型的影响,提出一种混合加权最小二乘支持向量机（MWLS-SVM）的建模方法。该建模方法对辅助变量进行加权,以降低各辅助变量对模型的差异性影响,并采用样本局部异常因子,对模型经验风险项进行加权处理,以提高模型的逼近和泛化能力,同时提出一种局部搜索竞争粒子群（LS-CSO）算法优化MWLS-SVM模型参数和特征权重。分别采用直接加权最小二乘支持向量机（DWLS-SVM）、LS-SVM和MWLS-SVM三种方法对湿法烟气脱硫SO₂排放浓度建立软测量模型,采用LS-CSO优化模型参数,实验结果表明MWLS-SVM模型在预测精度和泛化能力表现上明显优于LS-SVM和DWLS-SVM。     

基于改进SMO算法的热工参数灰色软测量建模

介绍了适宜支持向量机处理大规模数据回归问题的序列最小优化（SMO）学习算法,针对SVR进行二次规划处理大规模数据时计算复杂度高和学习机参数选择方法复杂的问题,从算法结构和参数选择两个方面对SMO算法进行了改进,使运算速度和建模效率得到了进一步提高。结合灰色理论进行辅助变量选取,并应用改进的SMO算法建立了火电厂烟气含氧量软仪表,通过电厂的实测历史数据仿真表明,改进的算法较传统的SMO算法在计算速度和性能上有较大提高,建立的软仪表模型具有更高的精度,能满足应用要求。     

基于果蝇优化算法的LSSVR干燥速率建模

回转干燥窑由于干燥速率难以在线测量,其干燥速率模型的建立一直是一大难题.在分析干燥速率建模的基础上,提出将最小二乘支持向量机运用到干燥速率建模,及其基于免疫-果蝇优化算法的最小二乘支持向量机回归参数优化方法( IAFOALSSVR).首先利用预处理的干燥过程数据进行模型的训练,利用免疫-果蝇算法对模型参数进行寻优,然后获得最优参数并建立最优模型,通过使用该改进方法建立干燥速率模型与其他算法优化的模型进行对比,结果表明该优化方式在干燥速率建模精度上与其它智能算法相当,在计算效率上要优于其它算法.     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

万有引力搜索算法在电厂锅炉NOx排放模型中的应用研究

电站锅炉NOx的排放是造成环境污染的重要因素。为控制燃煤电厂NOx浓度的排放,实现低污染,应当正确建立电厂锅炉燃烧系统NOx的排放模型。本文以支持向量回归机为基础,利用最小二乘支持向量机和最近一种新的寻优算法——万有引力搜寻算法,进行综合建模。此模型较好的实现了对电厂锅炉NOx浓度排放量的预测,并与最小二乘支持向量机结合遗传算法的综合建模方法进行了实验对比,对比结果表明,在建模中万有引力搜寻算法比遗传算法能够找到更好的未知参数,使得所建模型具有更高的预测能力和泛化能力。     

基于在线支持向量机的锅炉燃烧系统动态建模

通过燃烧优化提高电站锅炉效率并降低NO_x排放,是实现电厂节能减排的重要手段。目前大多数的燃烧优化方法都是基于锅炉燃烧系统的稳态模型,因而难以实现动态变负荷情况下的燃烧优化。针对该问题,提出了一种改进的在线自适应最小二乘支持向量机动态建模算法。该算法首先进行离线的支持向量筛选,不仅减少了建模所需样本数,也确保了支持向量的稀疏性;然后,采用替换、新增、删除3种支持向量的在线更新策略,使算法能够更好地适应对象特性的变化。将上述算法应用于建立某600 MW机组锅炉燃烧系统的动态模型。仿真结果表明,所建模型能够准确反映锅炉效率和NO_x排放随负荷变化的动态特性。相比原有基于在线最小二乘支持向量机建立的稳态模型,其具有更高的精度和预测能力。同时,该模型结构简单、在线计算量小,为进一步研究锅炉燃烧动态优化控制策略奠定了基础。     

基于支持向量机软测量技术的应用

软测量技术在工业过程控制中得到广泛的应用。在软测量建模过程中，基于支持向量机的算法能较好地解决小样本、非线性、高维数、局部极小点等问题。在简单介绍最小二乘支持向量机算法的基础上，提出了一种新的改进算法——多输入多输出最小二乘支持向量机算法，将其应用到丙烯腈收率的预测模型中，并且与传统的神经网络算法以及多输入单输出最小二乘支持向量机算法进行建模比较。结果表明，这种算法可以在付出轻微代价的基础上，实现多输入多输出模型的软测量，并取得良好的效果。     

基于混合SVR-PLS方法的丙烯腈收率软测量建模

为了更有效地处理过程非线性、多输入和数据共线性等复杂特性,提高模型的推广能力和精度,提出了混合支持向量回归机-偏最小二乘法(SVR—PLS)方法．该方法兼具SVR和PLS的优点．用PLS进行特征提取．用SVR建立PLS的内部模型．对工业丙烯腈生产过程丙烯腈收率软测量建模的应用表明．采用该方法建立的软测量模型．在模型精度、推广能力等方面明显优于一些传统软测量建模方法．满足工业应用要求．     

基于LS-SVM的软测量模型及其工业应用

最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种扩展,其算法简练,计算速度快;利用LS-SVM进行特征提取,可以有效地降低输入样本维数,缩减模型的运算时间,同时LS-SVM又具有优越的非线性回归能力;为实现氧化铝高压溶出过程中苛性比值在线测量,建立了一种基于LS-SVM的软测量模型,并将此模型应用于实际生产;工业数据的仿真结果表明该模型具有较高的预测精度和范化能力,能满足在线检测、实时控制的要求。