ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于极限学习机的汽轮机故障诊断

针对汽轮机故障诊断中出现的多故障识别问题,为有效提高汽轮机多故障诊断的准确率,提出了基于极限学习机的汽轮机故障诊断方法.极限学习机算法在训练时只需设置隐含层神经元个数,从而解决了如神经网络及支持向量机等多参数选取困难的问题,有效地提高了学习机的训练速度.在确定了最优参数的基础上,将极限学习机应用于汽轮机故障诊断模型中,并将极限学习机的故障诊断结果与支持向量机的诊断结果进行对比.结果表明：基于极限学习机的多故障诊断速度及准确率均明显优于支持向量机的诊断结果,对汽轮机故障诊断的实践有非常显著的指导作用.     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于IALO-ELM模型的滚动轴承故障诊断方法

为了有效提取轴承振动信号中的运行状态信号,并根据信号特征进行故障诊断,提出滚动轴承故障诊断IALO-ELM新模型.采用柯西高斯变异对蚁狮优化算法进行改进,进而对极限学习机的参数进行优化,实现对滚动轴承故障的诊断.试验结果表明:IALO-ELM模型与SVM、ELM和ALO-ELM模型相比较,具有更好的稳定性,识别准确度达...     

基于不平衡学习的集成极限学习机污水处理故障诊断

污水处理过程的故障诊断数据具有高度不平衡性,影响了故障诊断效果,尤其是降低故障类别的识别正确率,导致出水水质不达标、运行费用增高和环境二次污染等问题出现。据此提出一种基于加权极限学习机集成算法的污水处理故障诊断建模方法。该方法将不平衡分类评价指标G-mean引入以加权极限学习机为基分类器的AdaBoost集成分类模型,定义新的基分类器初始权值矩阵更新规则和集成权重计算公式,用于基分类器的迭代学习。由仿真实验结果可知,基于加权极限学习机集成算法的污水处理故障诊断模型,可有效提高分类性能G-mean值和整体分类精度,特别提高了故障类的识别正确率,验证了基于加权极限学习机的集成算法在不平衡性污水处理故障诊断问题上的有效性。     

基于自动谱聚类与多极端学习机模型的油井油液含水率软测量

油井油液的含水率是石油生产中的一个重要参数,及时、准确的测量对提高采油生产效率具有重要的意义。针对传统人工测量所存在的不足,引入软测量技术,建立基于自动谱聚类与多极端学习机（automatic spectral clustering-multiple extreme learning machines, ASC-MELM）的软测量模型。提出一种自动谱聚类（spectral clustering, SC）算法,由改进的萤火虫算法（firefly algorithm, FA）对聚类数目和尺度参数进行优化选取,所提出的改进萤火虫算法（improved firefly algorithm, IFA）采用以一定概率跳出当前解的机制,避免传统FA过早陷入局部最优解的不足;对聚类后的不同训练子集,分别由极端学习机（extreme learning machine, ELM）建立子模型,由IFA对其中的隐含层输入权值、隐含层神经元的偏置和隐含层节点个数进行优化选取;最后,将多个子模型的结果取加权平均值输出。由国内某油田作业区一口生产井进行实例验证,结果表明所提出方法具有较高的预测精度,对于实现油井油液含水率的软测量是合理有效的。     

基于不平衡学习的集成极限学习机污水处理故障诊断

污水处理过程的故障诊断数据具有高度不平衡性,影响了故障诊断效果,尤其是降低故障类别的识别正确率,导致出水水质不达标、运行费用增高和环境二次污染等问题出现。据此提出一种基于加权极限学习机集成算法的污水处理故障诊断建模方法。该方法将不平衡分类评价指标G-mean引入以加权极限学习机为基分类器的Ada Boost集成分类模型,定义新的基分类器初始权值矩阵更新规则和集成权重计算公式,用于基分类器的迭代学习。由仿真实验结果可知,基于加权极限学习机集成算法的污水处理故障诊断模型,可有效提高分类性能G-mean值和整体分类精度,特别提高了故障类的识别正确率,验证了基于加权极限学习机的集成算法在不平衡性污水处理故障诊断问题上的有效性。     

基于自动谱聚类与多极端学习机模型的油井油液含水率软测量

油井油液的含水率是石油生产中的一个重要参数,及时、准确的测量对提高采油生产效率具有重要的意义。针对传统人工测量所存在的不足,引入软测量技术,建立基于自动谱聚类与多极端学习机(automatic spectral clustering-multiple extreme learning machines,ASC-MELM)的软测量模型。提出一种自动谱聚类(spectral clustering,SC)算法,由改进的萤火虫算法(firefly algorithm,FA)对聚类数目和尺度参数进行优化选取,所提出的改进萤火虫算法(improved firefly algorithm,IFA)采用以一定概率跳出当前解的机制,避免传统FA过早陷入局部最优解的不足;对聚类后的不同训练子集,分别由极端学习机(extreme learning machine,ELM)建立子模型,由IFA对其中的隐含层输入权值、隐含层神经元的偏置和隐含层节点个数进行优化选取;最后,将多个子模型的结果取加权平均值输出。由国内某油田作业区一口生产井进行实例验证,结果表明所提出方法具有较高的预测精度,对于实现油井油液含水率的软测量是合理有效的。     

基于GWO-ELM技术的化工资源在线交易数据仿真研究

化工资源信息数据直接影响化工企业转型升级,传统在线交易数据预测模型存在精度低的问题,制约企业的发展。采用灰狼优化算法对极限学习机模型的输入权重系数和隐层单元偏置值进行优化,提出基于GWO-ELM技术的化工资源在线交易数据模型。将在线交易数据模型应用于某省化工资源电商平台交易额预测中,结果表明,所构建的模型具有比较高的预测精度,在2023年后某化工资源电商在线交易额将快速增加趋势下,这对该化工电商平台经营战略的制定提供了数据支撑。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法,RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

基于改进ELM的递归最小二乘时序差分强化学习算法及其应用

针对值函数逼近算法对精度及计算时间等要求,提出了一种基于改进极限学习机的递归最小二乘时序差分强化学习算法。首先,将递推方法引入到最小二乘时序差分强化学习算法中消去最小二乘中的矩阵求逆过程,形成递推最小二乘时序差分强化学习算法,减少算法的复杂度及其计算量。其次,考虑到LSTD（0）算法收敛速度慢,加入资格迹增加样本利用率提高收敛速度的算法,形成LSTD（λ）算法,以保证在经历过相同数量的轨迹后能收敛于真实值。同时,考虑到大部分强化学习问题的值函数是单调的,而传统ELM方法通常运用具有双侧抑制特性的Sigmoid激活函数,增大了计算成本,提出采用具有单侧抑制特性的Softplus激活函数代替传统Sigmoid函数,以减少计算量提高运算速度,使得该算法在提高精度的同时提高了计算速度。通过与传统基于径向基函数的最小二乘强化学习算法和基于极限学习机的最小二乘TD算法在广义Hop-world问题的对比实验,比较结果证明了所提出算法在满足精度的条件下有效提高了计算速度,甚至某些条件下精度比其他两种算法更高。     

基于流形正则化半监督学习的污水处理操作工况识别方法

污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

基于机器视觉的塑料制品外观缺陷检测

为了克服传统人工检测方法效率低、自动化和智能化程度低等缺陷,设计了一种基于机器视觉的塑料制品外观缺陷检测方法,利用摄像机进行制品外观缺陷检测,实现制品生产流水线的自动化、智能化检测.介绍了机器视觉检测系统组成.为了提高机器视觉检测系统准确率,对采集到的图像进行了均值滤波和边缘分割检测.结果表明:机器视觉检测系统能够实现...     

Extremum‐seeking control of retention for a microparticulate system

The operation of a paper machine relies on the close monitoring and control of several integrated units to ensure a high quality paper with the required specifications. In this paper, the retention control system in the wet‐end of a paper machine is considered. The control objective is to maximize the retention of fines and fibres in the paper sheet to prevent the accumulation of micro particles in the water system. We present an adaptive extremum‐seeking scheme for the optimization and control of retention in the wet‐end of a paper machine. An adaptive learning technique is introduced to construct an algorithm that drives the system to the optimal retention value. Lyapunov's stability theory is used in the design of the extremum‐seeking controller structure and the development of the parameter learning laws. The performance of the technique is illustrated via simulations based on a first‐principles dynamic model developed previously for a micro‐particulate system.