燃料乙醇发酵过程中生物参量的软测量建模

针对燃料乙醇发酵过程中关键生物参量(基质浓度、菌体浓度、乙醇浓度等)在线检测困难,离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的软测量建模方法。以关键生物参量中乙醇浓度的预测为例,首先,利用KPCA提取软测量输入数据空间中的非线性主元,然后利用LSSVM算法建立了乙醇浓度的软测量模型。仿真结果表明,与PCA-LSSVM建模方法相比,KPCA-LSSVM软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中乙醇浓度的在线测量要求,是一种有效的软测量建模方法。     

发酵罐KPCA与SVR软测量技术的研究

青霉素发酵过程具有较强的非线性、时变性和不确定性,发酵过程中的基质浓度、青霉素菌体浓度、产物浓度等关键生物参数难以实时在线测量,而离线化验存在时滞大的问题,难以满足实时在线控制的要求。针对这一问题,提出了一种基于核主成分分析(KPCA)与支持向量机回归(SVR)的软测量建模方法。首先,利用KPCA提取软测量输入数据空间中的非线性主成分;然后,采用SVR算法建立了可准确预测青霉素发酵过程重要参数的软测量模型。试验结果表明,与传统建模方法相比,KPCA-SVR软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中青霉素菌丝浓度的在线测量要求,是一种有效的软测量建模方法。     

青霉素发酵过程的粒子群模糊神经网络软测量

针对青霉素发酵过程中的基质浓度、菌体浓度、产物浓度等关键生物参数难以在线实时测量的问题,提出了一种基于粒子群模糊神经网络的软测量建模方法.采用模糊径向基函数-神经网络(RBF-NN)构建青霉素发酵的软测量模型,同时,结合改进粒子群优化训练算法(PSO),建立了青霉素反应过程的软测量模型,并对发酵工艺进行了仿真试验研究.仿真试验结果表明,所建立的软测量模型测量精度高、效果好,能够满足工程实际的要求.     

基于改进极限学习机的软测量建模方法

针对生物发酵过程中一些生物参量难以测量的问题,提出一种基于改进极限学习机（IELM）的软测量建模方法。该方法通过最小二乘方法和误差反馈原理计算出最优的网络输入到隐含层的学习参数,以提高模型的稳定性和预测精度。通过双对角化方法计算出最优的输出权值,解决输出矩阵的病态问题,进一步提高模型的稳定性。将所提方法应用于红霉素发酵过程生物量浓度的软测量。结果表明,与ELM、PL-ELM、IRLS-ELM软测量建模方法相比,IELM在线软测量建模方法具有更高的预测精度和更强的泛化能力。     

改进的PSO-FNN在发酵软测量中的应用

针对发酵过程中一些难以或者无法在线测量的关键物化参数和生物参数等变量,提出了改进的PSO-FNN软测量建模方案。通过改进的粒子群优化算法(PSO)寻优算法与模糊神经网络(FNN)相结合,建立发酵过程的软测量模型,再结合实际数据进行仿真研究。仿真结果表明,与传统PSO-FNN软测量相比,改进的模型测量精度更高,可以满足实际工程中的要求。     

基于KPCA-DFNN海洋微生物发酵过程软测量建模

针对海洋微生物发酵过程中关键生物参量（基质浓度、菌体浓度、产物浓度等）在线测量困难,离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与动态模糊神经网络(DFNN)相结合的软测量方法。以典型的海洋微生物-海洋蛋白酶发酵过程为例,通过KPCA提取输入数据空间中的非线性主元,将提取的主元作为DFNN的输入,基质浓度、菌体浓度、相对酶活作为DFNN的输出,建立了基于KPCA-DFNN的海洋蛋白酶发酵过程生物参量软测量模型。仿真结果表明,KPCA-DFNN模型比DFNN和PCA-DFNN建模的测量精度高,跟踪性能强,能很好地满足发酵过程中生物参量的测量要求。     

基于增量学习思想的改进AdaBoost 建模方法

针对软测量建模的特点以及建模过程中存在的主要问题,提出了基于 AdaBoost RT 集成学习方法的软测量建模方法,并根据 AdaBoost RT 算法固有的不足和软测量模型在线更新所面临的困难,提出了自适应修改阈值 和增添增量学习性能的改进方法.使用该建模方法对宝钢300 t LF 精炼炉建立钢水温度软测量模型,并使用实际生产数据对模型进行了检验.检验结果表明,该模型具有较好的预测精度,能够很好地实现在线更新.     

高斯过程集成算法的发酵过程软测量建模

针对谷氨酸发酵过程一些关键参数不能在线测量而导致的建模精度不高的问题,Bagging和高斯过程回归算法相结合,提出一种基于Bagging算法集成高斯过程的软测量建模方法。该算法使用Bagging技术从训练样本集中选取若干子训练样本集,利用该若干子集形成许多高斯过程模型,并通过平均组合方式进行集成,得到最终的模型输出。将该集成算法应用到谷氨酸发酵过程的软测量建模中,实现了对谷氨酸浓度的准确预测,相对于单一高斯过程模型,具有更高的预测精度和鲁棒性。     

基于支持向量机的软测量方法研究

针对所有样本点均出现在最小二乘支持向量机模型中的缺陷,提出一种改进的最小二乘支持向量机回归方法．根据最小二乘支持向量机模型学习误差的大小,去除原变量空间中大部分误差较小的样本点,从而获得回归模型的“稀疏”特性,大大简化了模型复杂程度．同时,将此方法应用于生物发酵过程,建立青霉素发酵过程中产物浓度的软测量模型,实现青霉素浓度的在线预估．实验结果表明,该方法为生物发酵过程中难于在线测量质量参数的实时监测提供了一个有效的手段．     

基于多神经网络的发酵过程菌丝浓度估计

某些发酵过程的参数,如菌丝浓度等难于在线测量,采用软测量的方法来进行估计是一种行之有效的方法。由于发酵过程的复杂性,传统的软测量方法难以获得准确的结果。该文采用多神经网络模型方法,充分利用尽可能得到的可在线测量信息,可有效地提高模型的估计精度和鲁棒性。该文采用的方法较传统的神经网络模型能更好地融合对被估计参数有用的冗余信息,从而达到更好的建模效果。应用实际数据的估计结果表明该软测量方法的优越性。     

支持向量机在产品成分估计中的应用研究

化工产品成分的在线分析对于实施有效的过程控制非常重要，但是传统的方法都存在明显的缺陷，软测量技术为解决这一问题提供了新的途径。采用支持向量机对萃取精馏塔工艺过程巾产品成分进行估计，给出了建模过程以及参数选取的原则与方法。与神经网络和多元回归方法相比，支持向量机能更好地克服噪声数据对建模的影响，泛化性能好。支持向量机在软测量系统中的深入发展应用，为化工过程的先进控制与优化运行提供了良好的基础。     

基于神经网络的软测量技术

本文对基于人工神经网络的软测量技术进行了综述与分析,给出了基于神经网络软测量技术摹一般步骤以及开发过程中需要注意的问题。     

软测量技术及其应用

软测量技术是当前过程控制中研究热点之一.在介绍软测量技术基础上,对目前主要软测量建模的方法:机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机(SVM)和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等十种方法进行介绍,并对软测量建模方法进行了展望.最后列举了工业应用实例.     

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.     

带FIR滤波的非线性滑动平均动态软测量模型

非线性滑动平均(NMA)模型能有效描述工业过程的动态特性,是一种典型的动态软测量模型.而受限于模型复杂度, NMA模型的输入时序边界相对较窄,难以适应带有大滞后或强测量噪声的动态工业过程.针对该问题,本文将NMA模型与结构简单、输入时序边界宽的FIR滤波器相结合,构造一种非线性、强抗干扰的软测量建模策略.并设计层白化结构来避免二者间的参数耦合现象,采用Adam算法进行同步优化,提高模型的预测精度及训练效率.最后,利用数值仿真和硫回收过程建模实验,验证所提模型的预测精度以及模型设计的合理性.     

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JITL的电量预测高斯软测量建模研究

为了解决工业过程受本身结构特征、外界因素等影响而存在严重的非线性和时变性等问题,本文提出了一种基于输入输出综合性相似度指标的即时学习高斯过程软测量建模方法。在该方法中,将样本数据进行归一化处理,首先利用传统的基于距离和角度的相似度指标分别对样本输入输出变量进行相似度计算,进而对相似度进行综合,最后选择出最终的相关样本集,建立高斯过程回归软测量模型,将所提基于输入输出相似度指标的即时学习高斯工程软测量模型应用于城市日用电量数据的预测。研究结果表明,所提出的软测量建模方法可以实现对日用电量数据的高精度预测且预测结果具有较小的误差。因此可表明该方法可在电量预测中具有一定的应用可靠性,可以在电力市场预测分析中得到广泛的应用。     

改进块式递推偏最小二乘建模方法及应用

针对传统偏最小二乘(PLS)模型的在线更新问题,提出了带有自适应遗忘因子的块式递推PLS建模方法.通过Hotelling-T2和Q统计量确定遗忘因子的大小,并且进行模型递推更新,确保模型跟踪过程特性的变化.将所提出的方法应用于管坯斜轧穿孔能耗过程,表现出较强的模型在线更新能力.测试结果表明,带有自适应遗忘因子的块式递推PLS方法的性能优于传统的迭代偏最小二乘方法的性能.     

Quality prediction for polypropylene production process based on CLGPR model

Online measurement of the melt index is typically unavailable in industrial polypropylene production processes, soft sensing models are therefore required for estimation and prediction of this important quality variable. Polymerization is a highly nonlinear process, which usually produces products with multiple quality grades. In the present paper, an effective soft sensor, named combined local Gaussian process regression (CLGPR), is developed for prediction of the melt index. While the introduced Gaussian process regression model can well address the high nonlinearity of the process data in each operation mode, the local modeling structure can be effectively extended to processes with multiple operation modes. Feasibility and efficiency of the proposed soft sensor are demonstrated through the application to an industrial polypropylene production process.     

基于免疫遗传算法的动态递归模糊神经网络在发酵过程中的应用

针对软测量建模数据中过失误差及动态递归模糊神经网络的结构复杂,大量参数难以确定的情况,提出基于免疫遗传算法动态递归模糊神经网络软测量方法。利用样本间马氏距离进行样本相似程度分析,去除样本中错误数据以提高计算速度。此外应用减法聚类确定模糊规则数,以简化网络结构,同时应用免疫遗传算法优化模型参数以提高模型的精度和泛化能力。该方法应用于赖氨酸发酵过程菌体浓度的软测量,仿真结果表明,该方法具有较高的预测精度,满足现场测量要求。