基于AKPLS方法的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

基于SNNs-RR的聚丙烯熔融指数软测量

提出了一种组合神经网络-岭回归（SNNs-RR）建模方法,并将该方法应用于聚丙烯熔融指数软测量研究中.通过多个单一神经网络的合理组合可显著改善神经网络模型的泛化能力,而选择合适的组合权重对组合神经网络模型是否具有良好预测性能是至关重要的,因此提出了采用岭回归方法来选择合适的组合权重.通过与单一神经网络模型的预测结果进行比较,表明基于SNNs-RR的聚丙烯熔融指数软测量模型具有更佳的预测精度和鲁棒性.     

基于自适应偏最小二乘回归的初顶石脑油干点软测量

提出了一种具有强非线性表达能力的自适应偏最小二乘回归（APLSR）方法,并应用于初顶石脑油干点软测量模型建立.APLSR对于指定的预测对象,将根据样本在自变量空间中的分布,分析它们对预测对象的预报能力,自适应地为各个样本分配权值,然后从加权样本数据中提取和选定PLS成分,实施自适应加权PLSR,从而获得预报性能良好的模型.同时提出将前一时刻初顶石脑油干点人工分析值引入作为模型的自变量,从而进一步提高了软测量模型的预测精度.     

一种基于支持向量机增量学习的软测量建模方法

针对软测量模型在现场的失效问题,提出一种基于支持向量增量学习的软测量建模方法,将增量样本中违背Karush-Kuhn-Tucker条件的样本引入到工作样本集中,同时将非支持向量中到特征空间超球球心距离较小的样本剔除出工作样本集。并将提出的方法用于对二甲苯吸附分离过程中产品纯度的预测中。     

基于操作域划分的聚丙烯熔融指数软测量

讨论了如何建立聚丙烯熔融指数软测量模型及模型更新问题.首先根据聚丙烯反应器中的氢气浓度划分操作域,对于每个操作域,用一种新的非线性部分最小二乘方法建立熔融指数软测量子模型,然后将各个子模型进行组合,建立全局模型.为了使模型适应过程的变化,提出一种递推非线性部分最小二乘算法,利用新获得的数据对原模型进行更新.同时基于滑动窗方法,提出模型在线估计和更新策略.实际应用结果表明,模型取得了很好的估计性能,计算精度满足工业生产的实际要求.     

基于拉曼光谱的高密度聚乙烯质量检测

密度和熔融指数是高密度聚乙烯（HDPE）产品最重要的质量指标。本文通过拉曼光谱,结合偏最小二乘法（PLS）分析,实现了对HDPE密度和熔融指数的同时检测。通过对2700～2970 cm^-1范围内HDPE的拉曼光谱进行PLS分析,发现了HDPE的密度与短支链数量的负相关,并建立了HDPE密度的PLS回归模型。模型所得密度预测值与真实值的相关系数（r）、平均相对误差（ARD）和预测标准误差（SEP）分别为0.950、0.09%和1.02,优于近红外光谱和基于凝聚态结构分析的拉曼光谱的检测结果。利用HDPE乙烯基含量与熔融指数的正相关,通过分析1288～1650 cm^-1范围内的拉曼光谱,建立了HDPE熔融指数的PLS回归模型,所得熔融指数的预测值与真实值的r、ARD和SEP分别为0.966、8.61%和0.99。与熔融指数的红外光谱检测结果相比,拉曼光谱的检测结果具有更高的精度。     

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。     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。     

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。     

自适应混合粒子群约束优化算法及其在软测量模型参数估计中的应用

对于软测量模型参数估计问题, 针对传统梯度法求解非线性最小二乘模型时依赖初值、需要追加趋势分析进行验证和无法直接求解复杂问题的缺陷, 提出将参数估计化为约束优化问题, 使用混合优化算法求解的新思路。为此提出一种自适应混合粒子群约束优化算法(AHPSO-C)。在AHPSO-C算法中, 为平衡全局搜索(混沌粒子群)和局部搜索(内点法), 引入自适应内点法最大函数评价次数更新策略。对12个经典测试函数的仿真结果表明, AHPSO-C是求解约束优化问题的一种有效算法。将算法用于淤浆法高密度聚乙烯(HDPE)串级反应过程中熔融指数软测量模型参数估计, 验证了方法的可行性与优越性。     

Ensemble Correntropy‐Based Mooney Viscosity Prediction Model for an Industrial Rubber Mixing Process

The development of accurate soft sensors for online prediction of Mooney viscosities in industrial rubber mixing processes is a difficult task because the modeling dataset often contains various outliers. A correntropy kernel learning (CKL) method for robust soft sensor modeling of nonlinear industrial processes with outlier samples is proposed. Simultaneously, the candidate outliers can be identified once the CKL‐based soft sensor model is built. An index for describing the uncertainty of the CKL model is designed. Furthermore, to obtain more robust and accurate predictions, an ensemble CKL (ECKL) method is formulated by introducing the simple bagging strategy. Consequently, by detecting the outliers in a sequential manner, the database becomes more reliable for long‐term use. The application results for the industrial rubber mixing process demonstrate the superiority of ECKL in terms of better prediction performance.     

A novel Bayesian inference soft sensor for real‐time statistic learning modeling for industrial polypropylene melt index prediction

A novel real‐time soft sensor based on a sparse Bayesian probabilistic inference framework is proposed for the prediction of melt index in industrial polypropylene process. The Bayesian framework consists of a relevance vector machine for predicting melt index and a particle filtering algorithm for soft sensor optimization. An online correcting strategy is also developed for improving the performance of real‐time melt index prediction. The method takes advantages of the probabilistic inference and using prior statistical knowledge of polymerization process. Developed soft sensors are validated with ten public databases from UCI machine learning repository and real data from industrial polypropylene process. Experimental results indicate the effectiveness of proposed method and show the improvement in both prediction precision and generalization capability compared with the reported models in literatures. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45384.     

基于核极限学习机的快速主动学习方法及其软测量应用

为提高主动学习方法的运行效率和降低人工标记成本,提出一种基于核极限学习机的快速主动学习方法,并将其应用于软测量建模中。首先,采用核极限学习机对无标记样本进行信息评估,将无标记样本的置信度作为样本选择评价准则,选择对改善模型性能最有价值的无标记样本进行标记;其次,充分考虑每次迭代过程的运算信息,引入矩阵反演公式优化样本选择策略,提升迭代过程样本评估的运行效率;最后,应用矩阵相似度理论对迭代过程的已标记样本数据进行信息度量,并将其作为迭代终止依据,以最小的标记代价提升模型性能。将所提方法应用于硫回收过程H₂S和SO₂浓度软测量研究中,仿真结果表明:所提方法不仅标记代价小,而且提高了迭代的快速性,比较全面地提升了主动学习算法的性能。通过开展本研究工作,为少标记样本情况下的软测量技术应用提供了一种新方法。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入(locally linear embedding, LLE)和测地线流式核(geodesic flow kernel, GFK)相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。     

基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于智能优化算法的软测量模型建模样本优选及应用

根据目标工况合理选择训练样本,是建立软测量模型的关键。传统的训练集样本选择方法难以充分利用因变量信息,而且难以综合考虑样本对模型的影响。为了解决上述问题,本文提出一种基于智能优化算法的训练集样本选择模型,定义了损失函数和样本压缩率,通过权重因子将二者融合为多目标适应度函数,可调整优化算法的寻优方向,使算法能够同时对建模样本组合结构与样本数量寻优,因此极大提高了所选建模样本的质量。为了验证方法的有效性,以汽油调和过程中采集的汽油近红外光谱-研究法辛烷值数据以及柴油近红外基准数据为例,与偏最小二乘、局部权重偏最小二乘等多种方法进行了比较研究,并分析了建模样本对软测量模型的影响。结果表明,本文方法在大规模降低训练集样本规模的同时能够保证软测量模型的精度和泛化性,非常适合工业应用。     

基于PLS快速剪枝法的RBF神经网络软测量模型建模方法和应用

提出一种从RBF神经网络隐含层的输出信息出发，通过PLS快速剪枝法，一次性剪去多余节点，生成最优规模的数学解析模型的方法。并用该方法建立了某化工企业精对苯二甲酸(PTA)晶体平均粒径的软测量模型，针对实际对象进行仿真研究，结果表明，该方法计算速度快，建立的模型精度高，适合实际工程应用的需求。     

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。