基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

基于系统辨识的PEMFC温度非线性建模与预测

针对质子交换膜燃料电池(PEMFC)等一类具有严重非线性的复杂被控对象，提出一种基于模糊模型的模糊预测算法，并对PEMFC系统进行建模。在建模过程中，采用离线学习和在线修正辨识出对象的模糊模型。其中，模型的参数通过模糊聚类初始化和离线反向传播算法进行学习，必要时可通过在线调整后件参数，以使得模型的预测精度能满足实时控制的需要。仿真和实验结果表明了该模糊辨识建模方法具有建模简单、模型精度高等优点，亦证明了该算法的有效性和优越性。     

基于自适应FLSVM的赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型随着时间的推移而出现的模型老化现象,提出一种基于增量学习的自适应模糊支持向量机软测量建模方法.它首先将输入空间中的样本映射到高维特征空间,然后根据样本偏离超平面的程度赋予不同的模糊隶属度,建立模糊支持向量机软测量模型,并在模型投入现场运行后,通过一种改进的增量学习算法在线更新模型参数以自适应获得更加准确的软测量模型.以L-赖氨酸流加发酵过程为例,验证了所提算法能够从过程的第2批次开始对关键生物量参数(菌丝浓度和基质浓度)进行较准确的在线预测,与普通的模糊支持向量机建模方法相比具有较高的预测精度和自适应性.     

基于MSADE-IT2FNN模型的软测量建模方法及应用

针对复杂工业过程某些关键参数无法有效、实时在线检测的问题，提出一种基于多策略、自适应差分进化算法(MSADE)优化的区间二型模糊神经网络(IT2FNN)软测量建模方法。首先，为了解决差分进化算法采用单一策略、固定缩放因子和交叉概率导致后期搜索能力不足的问题，提出一种多策略、自适应的差分进化算法(MSADE),该算法利用IT2FNN模型的均方根误差(RMSE)作为适应度函数，通过搜索不同规则数下的RMSE值，从而确定IT2FNN的结构(规则数)和初始参数；然后，IT2FNN模型的参数利用梯度下降法进行学习。最后，将所提模型应用到Mackey-Glass混沌时间序列的预测和酿酒过程淀粉利用率的软测量建模问题中，仿真结果验证了提出方法的有效性和优越性。     

基于时空相似性的即时学习在线建模

流程工业数据具有较大的时变性以及非线性,传统的离线模型难以应对实际生产过程中的工况变化,而即时学习是在线建模的有效方法。已有研究对即时学习的相似度度量方法大多只侧重于样本的空间距离,忽略了工业数据时序性的特点。为此,提出基于时空相似性的即时学习建模方法。首先,将样本点延拓成样本序列,结合动态时间规整计算样本间的时序距离。其次,提出时空相似性度量准则,通过对时序距离和空间距离进行非线性加权,构建时空相似性度量指标。最后,提出基于时空相似性的即时学习在线建模方法。将所提算法应用于公共数据集及聚酯纤维聚合过程,拟合优度分别达到了91.6%和98.6%,实验结果验证了算法的有效性和优越性。     

一种载体位姿不受控的空间机械臂自适应控制

对于载体位置和姿态均不受控制的自由漂浮空间机械臂系统,提出了一种自适应控制方法.该方法将离线参数辨识与在线估计相结合,离线辨识已建模动力学方程的参数,在线估计补偿未建模的动力学方程不确定部分.仿真结果证明了该方法的有效性.     

相似样本选择方法在SVM发酵建模中的应用

针对基于动态时间规整(DTW)发酵过程局部建模时相似样本选择未考虑样本权重对建模的影响,基于加权欧氏距离,提出了一种样本相似度度量方法。首先在分析亲和度的基础上将亲和度引入到加权欧式距离中,然后将其转化成相似度度量函数并应用到大肠杆菌发酵过程相似样本选择中,最后结合局部支持向量机建立发酵产物的在线预测模型。实验结果表明,与基于其他相似度度量函数的支持向量机模型相比较,该模型有着更高的预测精度、更好的泛化能力,而且预测时间也明显缩短。     

基于FXLMS算法的主动噪声控制降噪效果研究

分析了基于FXLMS算法的离线辨识与在线辨识主动噪声控制系统,通过Matlat对系统模型进行建模与仿真,着重比较在线辨识与离线辨识系统模型在稳定性和收敛性等方面的差异,及影响FXLMS算法性能的因素。     

时序局部加权自适应核PLS软测量建模及其应用

针对工业现场数据的强非线性、时序性特点,提出了一种结合移动窗口的局部加权自适应核偏最小二乘(LW-AKPLS)算法。在建模阶段,通过移动窗口法对数据集进行动态时序划分后,利用自适应核PLS(AKPLS)进行建模;与固定核函数的核PLS(KPLS)不同,AKPLS对于不同子数据集能自适应地选出各自的最优核函数,使模型结构与子数据集充分匹配,有效提高了子模型的预测精度;在预测阶段,利用集成学习进行子模型加权预测,获得的全局模型实用性高、泛化能力强。最后将所提算法在某焦化系统历史数据集上进行了测试应用,预测结果进一步证明了所提算法的有效性。     

迟滞动态模型辨识

介绍用Krasnosel′skii-Pokrovkii(KP)迟滞算子对所设计的超磁致伸缩驱动器中的频率无关迟滞特性进行建模.首先,给出了KP迟滞模型中的密度函数离散化的离线辨识方法.其次,为了能够使迟滞模型更好的与自适应控制理论结合,又提出了应用神经网络进行密度函数的自适应在线辨识.此神经网络的BP算法是以离散的KP算子为作用函数、以密度函数为权值.最后,仿真与实验验证了所提出的模型辨识方法的有效性.     

一种新的多阶段间歇过程在线监控策略

为克服多阶段间歇过程硬划分和误分类导致漏报率和误报率高的缺陷,同时也为了实现更精确、有效地过程监控,提出一种基于模糊聚类软过渡的多PCA监控策略,实现多阶段间歇过程的在线监控.首先计算每个时刻数据矩阵的相似度指标作为聚类输入,采用模糊聚类算法实现阶段划分,根据隶属度辨识相邻阶段间的过渡过程,之后建立一系列具有时变协方差的加权PCA模型,该方法能客观地揭示各阶段及过渡过程的特征多样性,较好地解决存在过渡过程的多阶段监控问题.最后通过将所提出的方法应用于工业青霉素发酵过程的监控中,验证了该方法的可行性和有效性.     

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果，提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型；然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制，进而提高预测性能；进一步提出一种自适应网络，将分布匹配正则化项应用于Transformer模型的隐层特征，通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数，提高模型泛化能力；最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明，所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性，而且在面对未知工况时预测性能也领先于对比方法。     

带时延估计的加权高斯模型软测量建模

针对实际化工过程存在的时延及随机噪声的干扰问题,提出一种改进的在线软测量方法。该方法首先采用滑动灰关联度分析法估计过程时延参数,提取过程时延信息;当新样本到来时,基于离线阶段估计的时延参数对建模样本进行重构,并通过新样本相对于训练样本的权重建立加权高斯模型,构建输入输出变量的联合概率密度函数;最后,通过条件分布函数实时估计输出变量值。通过数值仿真和工业脱丁烷塔过程丁烷浓度的在线估计,验证了所提方法的有效性。     

转子时间常数对FOC系统的影响分析及解决方法

转子时间常数的精度极易受温度等外界因素影响,进而影响磁场定向调速系统的瞬态响应性能。离线辨识方法不能精确地估计转子时间常数,且易受电机运行环境的影响。针对该问题采用一种基于模型参考自适应的在线辨识方法,该方法以转子磁链的电流和电压模型为间接磁链观测器,并以波波夫稳定理论为依据设计自适应律。仿真结果表明,该辨识方法具有很好的阶跃和跟踪性能,具有较好的可行性。     

应用自组织人工神经网络对磨削烧伤在线辨识的研究

运用三维Ｔ．Ｋｏｈｏｎｅｎ人工神经网络对磨削烧伤在线辨识进行研究。该方法通过自组织、自适应的学习过程，对磨削的２类状态（烧伤、未烧伤）进行识别。     

基于函数主元分析的多阶段退化过程建模与预测

退化过程建模与预测作为设备健康管理的基础,是降低运行风险和维护成本的有效途径。为解决实际中退化过程所表现出的随机性、非线性和多阶段复杂性,提出了一种基于函数主元分析的多阶段退化过程自适应建模与预测方法。通过将退化测量值视为连续函数的离散采样值,从而将退化建模问题转换为函数型数据分析问题。在此基础上,利用函数主元分析方法对退化数据进行降维,提取设备退化的共性信息以及个体差异性信息。结合贝叶斯推理,利用在线监测数据更新退化模型参数,实现健康状态的在线实时预测。最后,将所提的方法用于散热风扇的加速寿命试验数据,验证了本方法的有效性。结果表明,所提方法可以地很好建模多阶段的复杂随机退化过程,具有潜在的工程应用价值。     

电液伺服系统建模及其状态特征辨识

根据电液伺服系统特点,采用递推最小二乘自适应算法,实现系统在线建模。结合实验,完成了系统在各工况下建模,最后提出了基于自适应参数模型的电液伺服系统状态辨识。     

局部LSSVM方法在飞灰含碳量软测量中的应用

电站锅炉飞灰含碳量的测量仪表往往精度较差且难以维护,因此对其实施软测量具有现实意义。作为一种新型的机器学习方法,最小二乘支持向量机（LSSVM）已被应用于工业过程软测量研究中,文章将该方法应用于火电锅炉飞灰含碳量建模并引入局部学习思想,利用某电站机组实测工况参数进行飞灰舍碳量建模仿真实验,结果表明局部学习方法相比全局学习具有更高的模型预测精度。     

自适应预测PID控制在理想物系内部热耦合精馏塔上的应用

首次将自适应预测PID控制方案(Adaptive & Predictive PID Control,AP-PID)应用于目前处于精馏塔节能技术前沿的内部热耦合精馏塔(ITCDIC),并相应地给出一种结合在线辨识和离线辨识各自优势的新颖辨识方法.以苯-甲苯物系为实例,将自适应预测PID控制方案与过去的预测PID控制方案进行了全面比较研究.仿真结果表明,自适应预测PID控制方案对内部热耦合精馏塔的控制是更为切实有效的.     

基于电化学阻抗谱的锂离子电池等效电路模型参数辨识方法

针对常用的等效电路模型参数辨识软件在使用时需用户多次手动调整初始参数,不利于阻抗谱车载应用的问题,提出了一种无干预的等效电路模型参数辨识方法。根据电化学阻抗谱各特征成分与等效电路模型不同电路环节相对应的规律,通过分段拟合的方法自适应地获取阻抗谱拟合的初值,进而实现了等效电路模型参数辨识。通过解析不同老化状态、荷电状态、温度下的阻抗谱,发现该方法与常用参数辨识软件的结果保持一致,从而为阻抗谱在线应用提供了基础。