一种自适应CMAC软测量与控制模型

通过研究了小脑模型神经网络(CMAC)存在的不足,设计了基于自适应的CMAC算法,对CMAC的重要组成部分概念映射、学习率和惯性系数进行了自适应设计,提高CMAC的计算速度和精度以满足复杂动态环境下的非线性实时控制的需要.结合沉降分离控制系统工艺优化的需求,提出了基于自适应CMAC的沉降系统软测量和控制模型,用于准确实时地预测稀释矿浆固含,在此基础上进行絮凝剂投放措施优化.工业试验说明了该模型在对化学量软测量的预测精度和快速性上具有明显的优越性,本模型已应用于某氧化铝厂工艺优化系统中动态调节絮凝剂投放量,节省了生产成本,取得了明显的经济效益.     

基于神经网络的软测量模型及应用

本文提出了一种新的基于神经网络软测量模型及算法,为复杂测量系统中软测量建模提供了一种有效的途径。应用结果表明采用该算法可获得较高的测量精度。     

基于神经网络的动态系统软测量

简要叙述了基于神经网络软测量的主要技术方法,针对当前软测量过程中所存在的一些问题,对随机学习方法(RAW)的性能作了比较分析.通过对一个典型动态过程对象的仿真,表明该学习方法的有效性以及工业应用的实用性.     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于均匀设计和遗传算法的神经网络软测量模型及应用

运用基于均匀设计（UD）和遗传算法（GA）的神经网络（NNs）构造法，构建一个能够用于木糖醇补料分批发酵过程的、可超前预测和实时估算木糖醇浓度的软测量模型。实验表明，该模型可实现在线预估和软测量。     

基于RBF神经网络的球磨机负荷软测量

分析了球磨机负荷测量的现状,提出了基于并行RBF神经网络测量制粉系统球磨机磨筒内负荷的软测量方法,给出了相应的系统结构和算法.现场实测数据计算实例显示了该方法良好的测量性能.     

基于自适应模糊聚类的多模型染纱能耗软测量

针对染纱生产的工艺能耗测量问题,提出一种基于自适应模糊聚类的多神经网络的染纱能耗软测量方法.该方法采用自适应模糊C均值聚类算法,基于实时采集的样本数据,将训练集划分成不同聚类中心的子集,并自适应修正.每个子集用径向基函数网络训练得到子模型,然后根据聚类后的隶属度,将各子模型的输出加权求和获得最后结果.通过对染缸能耗软测量建模,并对其进行仿真和典型实例研究,表明该方法具有良好的预测精度和鲁棒性,且与制造执行系统结合具有良好的在线测量能力.     

基于神经网络的汽包水位软测量研究

介绍工业过程软测量技术.讨论基于神经网络的软测量技术在热工过程应用中的相关问题.通过对汽包水位测量的仿真研究表明软测量技术在热工过程检测方面的应用前景。     

基于函数型神经网络的机械参数软测量模型研究

以机械工程中无法用传感器直接测量或测量十分困难的动态参数为研究对象，采用函数型连接神经网络理论建立软测量模型，解决了两个具有因果性质被测物理量之间函数关系的计算问题，为不易直接监测的机械参数提供了一种间接测量的新方法。液压打桩锤冲击力和塔式起重机力矩实测研究证明该方法可行、可靠。     

基于PCA-BP神经网络的精馏塔产品组成软测量模型

依据工艺机理和操作经验，初选了醋酸精馏塔产品组成的神经网络预测模型的输入变量，运用主元分析方法对输入变量进行主元分解，降低输入变量维数且消除了输入变量之间的线性相关性，再通过基于LM优化算法的BP神经网络进行建模。仿真结果表明，该模型具有较快的训练速率和较高的预测精度，可以满足精馏过程对出口物料组成的在线软测量要求。     

基于CMAC神经网络测温传感器的非线性校正

本文充分利用CMAC神经网络的非线性函数逼近功能,并结合电站数据采集和监测系统,提出一种校正电站测温传感器非线性输出特性的新方法,研究表明,该方法简单实用,速度快,精度高。     

火电厂煤粉浓度软测量研究

软测量技术是基于推断控制理论的一门新兴工业技术。本文在介绍软测量技术的基本原理及其设计步骤的基础上,详细介绍了火电厂采用热平衡法、动压法建立煤粉浓度的软测量模型,通过模型校正和在装置上实现软测量,保证煤粉浓度的在线测量。     

基于改进BP神经网络的纸浆漂白MIMO软测量模型研究

针对漂白过程中纸浆白度、残氯在线测量的不足,提出基于BP改进算法的神经网络软测量模型。文章介绍了基于神经网络的软测量技术原理以及漂白软测量模型建立的步骤与方法,给出了该模型的仿真结果。仿真结果表明,该模型具有较高精度和准确性,为纸浆质量的评判和优化控制提供了指导作用。     

基于多"内在传感器"逆的诺西肽发酵过程生化参数软测量模型

针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于多“内在传感器”逆的软测量模型。在诺西肽发酵过程非结构模型的基础上,建立了多个包含在原系统中的“内在传感器”子系统。经过数学推导证明了各子系统的可逆性,并利用神经网络分别拟合各子系统的逆,实现了诺西肽发酵过程中菌体浓度和基质浓度的软测量。实际应用表明,该软测量模型能够较好地预估菌体浓度和基质浓度,其平均相对误差都在5%以内,且所提软测量建模方法是有效的。     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。     

基于神经网络的超磁致伸缩智能构件滑模控制

提出了一种利用超磁致伸缩材料（giant magnetostrictive material GMM）智能构件精密加工活塞异形孔方法。 为了消除GMM智能构件迟滞非线性影响,提出一种神经网络前馈复合离散滑模变结构控制策略,实现GMM智能构件的精密位移控制。将智能构件的输出位移及其变化率作为小脑模型神经网络（CMAC）输入,构件的输入电流作为网络输出,利用CMAC在线自学习能力建立GMM智能构件的迟滞逆模型,神经网络的建模近似误差以及外界干扰通过离散滑模变结构控制器来消除。仿真结果表明此控制策略能在线建立智能构件的迟滞逆模型,消除迟滞非线性的影响,可实现智能构件的精密位移控制。     

A multi-sensor relation model for recognizing and localizing faults of machines based on network analysis

Recently, advanced sensing techniques ensure a large number of multivariate sensing data for intelligent fault diagnosis of machines. Given the advantage of obtaining accurate diagnosis results, multi-sensor fusion has long been studied in the fault diagnosis field. However, existing studies suffer from two weaknesses. First, the relations of multiple sensors are either neglected or calculated only to improve the diagnostic accuracy of fault types. Second, the localization for multi-source faults is seldom investigated, although locating the anomaly variable over multivariate sensing data for certain types of faults is desirable. This article attempts to overcome the above weaknesses by proposing a global method to recognize fault types and localize fault sources with the help of multi-sensor relations (MSRs). First, an MSR model is developed to learn MSRs automatically and further obtain fault recognition results. Second, centrality measures are employed to analyze the MSR graphs learned by the MSR model, and fault sources are therefore determined. The proposed method is demonstrated by experiments on an induction motor and a centrifugal pump. Results show the proposed method’s validity in diagnosing fault types and sources.     

基于GA_BP算法的化工设备设计人工时预测

针对目前人工估算人工时预测精度低的问题,提出基于遗传算法优化反向传播神经网络的算法建立人工时预测模型,对化工设备设计人工时进行定量预测.首先对化工设备设计项目的管理流程和设计特点进行分析;然后对用户数据库中的历史项目数据进行统计,并对统计数据进行参数的贡献度和相关性分析,同时结合参数在预测时获取的难易程度,选择出适当的人工时预测模型输入参数;再建立基于反向传播算法的预测模型,并针对反向传播算法的缺陷选择遗传算法优化反向传播神经网络和支持向量机算法进行建模,预测结果表明遗传算法优化反向传播神经网络算法更适合化工设备设计人工时预测.采用基于遗传算法优化反向传播神经网络算法的模型进行了实例预测.     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。