基于小波变阈值去噪递推偏最小二乘的加工质量预测方法

为准确预测在噪声干扰下的加工质量,基于小波去噪和递推偏最小二乘方法,提出了小波变阈值去噪递推偏最小二乘方法.该方法针对小波硬软阈值去噪的不足,利用小波多尺度去噪,建立了变阈值计算公式,基于两小波域的维纳滤波,实现在偏最小二乘建模前对噪声的小波多尺度变阈值处理;同时,针对递推偏最小二乘算法中的"数据饱和"现象,基于滑动窗口的原理,通过引入折息因子控制遗忘程度,构建了多调节参数的递推偏最小二乘算法.通过该方法构建了加工质量预测模型,进行加工质量的预测,最后,结合具体实例分析,验证了该方法的有效性.     

基于偏最小二乘回归分析发动机异常磨损的判断

针对发动机状态监测中油液光谱分析样本数据少、元素种类多及各元素之间存在相关性的特点,提出采用偏最小二乘回归方法处理油液光谱分析数据。分析了偏最小二乘回归方法的特点,阐述了其基本原理和算法步骤;将偏最小二乘回归方法应用于发动机油液光谱数据的处理和分析,求出了发动机磨损状态判断的回归模型;应用此回归模型判断了EQ6BT柴油发动机的异常磨损。结果表明,应用此回归模型可以直观地判断发动机是否存在异常磨损。     

基于偏最小二乘回归方法的产品满意度回归模型研究

将产品满意度与主要产品性价要素直接联系起来，基于偏最小二乘回归方法建立了产品满意度回归模型，较好地解决了由变量多重相关性等引起的满意度估计量数据失真问题；不断地通过主成分提取和还原计算，相对准确地确定了各产品性价要素在产品满意度计算中的权重，从而为产品改型设计提供了重要依据。     

基于偏最小二乘回归的发动机排气分析仪线性化研究

汽车及非道路用发动机的主要排气污染物有N0x、THC、CO、PM及C02等,测量这些排气污染物的分析仪由于测量原理等原因本身线性并不理想,需要进行线性化校正.现广泛采用的高次方多项式逐步回归线性化方法的模型稳定性和预测性能不佳.利用偏最小二乘回归方法建立CO2和CO分析仪线性化有效预测模型,该模型物理意义明确,较普通最小二乘回归多项式模型和切比雪夫多项式模型的预测精度分别提高29.1%～35.1%和23.5%～39.3%.提出基于交叉舍一方法计算回归系数不确定度的通用计算方法;提出基于交叉舍一方法计算的方均根偏差作为判定模型预测精度的原则:提出用回归系数不确定度区间是否包括零轴作为判定模型参数是否显著有效的原则;这一套方法简单、实用、有效,不仅适用于偏最小二乘回归(Partialleast squares,PLS)模型,也适用于最小二乘法(Least squares,LS)等其他回归模型.该建模方法可用于发动机排气分析仪的线性化建模,提高捧气污染物的测量精度,尤其在分析仪线性度不高、特性比较复杂时更能有效地提高预测精度.     

发动机润滑油高温清净性能的偏最小二乘法预测

考察了发动机润滑油功能元素与其高温清净性的相关性，用偏最小二乘法定量预测了发动机润滑油高温清净性能。研究结果表明，通过发动机润滑油的功能元素能够预测其高温清净性。     

基于偏最小二乘的热作模具钢热疲劳性能预测研究

将一种新型的统计回归方法——偏最小二乘方法(partial least square,PLS)用于热作模具钢的性能预测,借助提取主元的思想,利用PLS对热作模具钢工作温度下的性能参数和材料的热疲劳性能之间的相关信息进行筛选和综合,在此基础上建立热作模具钢热疲劳性能预测模型。结果表明模型对材料的热疲劳性能有较好的预测能力。同时,提高材料的高温屈服强度、冲击韧度、热稳定性、抗氧化性及伸长率有助于改善材料的热疲劳性能。     

基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。     

[装配技术]基于偏最小二乘回归的运动机构装配质量关键控制点判定方法

为提高复杂运动机构装配质量,提出了一种基于偏最小二乘回归（PLSR）的运动机构装配质量关键控制点判定方法。基于“功能—运动—动作”的结构化分解方法,定义了元动作和元动作链的概念;将元动作链中最后一个元动作输出运动参数作为装配质量的分析对象,以状态空间模型和分层迭代法为工具构建元动作链动力传递模型,建立装配质量分析对象与各级元动作内部影响因素之间的联系;利用PLSR解决各级元动作内部影响因素之间的多重共线性和样本数据过少的问题,并且以变量投影重要性指标衡量影响因素重要程度。最后,以砂轮架X轴进给运动下的元动作链为例,证明了该方法能有效地提取出与装配质量最密切的影响因素。     

板形模式识别的多输出最小二乘支持向量回归机新方法

为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,
结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。
     

基于偏最小二乘法的两栖突击车风扇泵故障分析

通过分析影响两栖突击车风扇泵泄漏量的影响因素,建立了风扇泵泄漏量的偏最小二乘回归模型,得到了风扇泵泄漏量的拟合值与测量值的相对误差不超过7%,并预测了超过风扇泵允许的泄漏量极限值的时间为10 050 h,为科学确定风扇泵的更换期或大修期提供了依据。     

基于提升核偏最小二乘回归的色彩校正

为进一步提高回归算法的色彩校正精度,提出一个基于核偏最小二乘回归的局部迭代算法.该算法首先将源色彩空间中校正样本的邻域样本经核函数映射到一个高维的线性特征空间,然后在提升的迭代过程中通过偏最小二乘回归消除映射数据的多重共线性,最终达到色彩校正的目的.实验证明算法引入的特征空间提供了额外的校正信息,提升方法增强了核偏最小二乘回归性能,算法在精度和鲁棒性上均优于传统的多重回归和基于分区的回归校正方法.     

Performance monitoring method based on balanced partial least square and Statistics Pattern Analysis

For process monitoring, it's of significance to pay more attention to some performance indexes related to quality, economy or security. To this end, a novel performance monitoring method based on the prediction of the performance indexes is proposed in this paper to promote the efficiency of process monitoring. In this study, firstly, the process variables are classified into two categories according to the correlation with the performance indexes. Based on the two categories of variables, a balanced Partial Least Square algorithm is proposed by constructing an enhanced objective function to predict the performance indexes which cannot be measured online. Then, the prediction residual is modeled for monitoring via the Statistics Pattern Analysis to capture the variation in the performance indexes. Finally, two Simulink examples and a practical example are utilized for illustration and validation.     

基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测

电力负荷预测为电力系统规划和运行提供可靠的决策依据。随着智能电网的全面发展,数据采集与监视控制系统(SCADA)获取数据量增加,数据的结构也更加复杂,负荷的频繁变化以及地区性的气象因素等都将影响负荷的预测的准确性。提出一种弹性网(EN)进行大数据降维以及花授粉算法(FPA)优化BP神经网络的短期电力负荷预测方法。首先采用弹性网对负荷和气象等高维大数据进行选择和降维。弹性网通过在惩罚项中添加L1范数和L2范数,兼具了最小绝对值收缩及变量选择(LASSO)和岭回归的优点,克服了LASSO降维时因为数据内部存在共线性和群组效应而影响降维效果的问题;然后,考虑到BP神经网络权值和阈值容易受到初值的影响、收敛速度慢以及容易陷入局部最优,引入花授粉算法(FPA)优化BP神经网络,通过与粒子群算法(PSO)对比得出花授粉算法寻优速度更快,效果更好。本文方法应用于实际电力负荷预测,结果表明能有效提高预测精度。