基于Kernel特征空间分解的组分仪递推模型

提出一种Kernel映射空间中特征值问题的递推求解算法，用于建立能够在线快速更新的软组分仪模型。该算法由向前更新和向后更新两个递推阶段组成，只需极小的计算量即可获得新的特征空间信息，且无需保存整个Kernel矩阵。通过对Tennessee Eastman（TE）过程的终端产品质量的建模研究表明，基于提出的快速更新算法建立的软组分仪模型可以获得准确的预报精度，而且在过程故障情况下也显著优于无在线更新的组分仪模型。     

基于FGCN的针铁矿沉铁过程建模

针铁矿沉铁过程是由多个连续反应器级联,并且包含氧化反应、还原反应以及中和反应等一系列复杂化学反应的复杂过程,具有强非线性、不确定性的特点,难以建立精确的数学模型。提出一种基于模糊灰色认知网络（fuzzy gray cognitive network,FGCN）的针铁矿沉铁过程的建模方法。根据专家经验和历史数据,建立针铁矿沉铁系统的模糊灰色认知网络模型,利用带终端约束的非线性Hebbian学习算法（nonlinear Hebbian learning,NHL）对权值进行学习。在不同程度的不确定性环境下对系统进行分析,结果表明模糊灰色认知网络能够在不确定性高的环境下对复杂工业系统进行有效模拟,收敛到一个灰度为零或者灰度很小的灰数平衡点,利用白化函数得到一个准确的控制输出。     

选择性递推LSSVR及其在过程建模中的应用

提出一种改进的递推最小二乘支持向量机方法,用于非线性MIMO(multi-input multi-out)过程的可在线更新辨识和软测量建模.该算法在向前递推时只引入预报误差较大的样本更新模型,以提高模型的稀疏性和泛化能力.在向后删减时推导了基于快速留一法的模型修剪准则,以克服随意删减样本的缺点.通过有选择性的向前、向后递推,模型的推广能力和计算性能均得以保证,且更加适应过程的时变性.在连续搅拌釜式反应器过程的辨识和重油催化裂化的软测量建模研究,均表明所提出算法的有效性和优越性.     

基于FGCN的针铁矿沉铁过程建模

针铁矿沉铁过程是由多个连续反应器级联,并且包含氧化反应、还原反应以及中和反应等一系列复杂化学反应的复杂过程,具有强非线性、不确定性的特点,难以建立精确的数学模型。提出一种基于模糊灰色认知网络(fuzzy gray cognitive network,FGCN)的针铁矿沉铁过程的建模方法。根据专家经验和历史数据,建立针铁矿沉铁系统的模糊灰色认知网络模型,利用带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL)对权值进行学习。在不同程度的不确定性环境下对系统进行分析,结果表明模糊灰色认知网络能够在不确定性高的环境下对复杂工业系统进行有效模拟,收敛到一个灰度为零或者灰度很小的灰数平衡点,利用白化函数得到一个准确的控制输出。     

关键核网络及其在发酵过程在线建模中的应用

发酵过程通常采用流加补料操作,无稳态工作点、非线性强,且重要生物量往往无法在线测量。本文提出了一种适用于非线性多输入多输出的发酵过程在线建模方法：关键核网络（key kernel network,KKN）。结合过程的先验知识给出控制模型关键节点加入的准则,使其能自适应调整模型的复杂度,以提高建模的精度和速度,并给出了关键节点增加时KKN模型的在线递推形式。将KKN应用于青霉素发酵过程的在线建模,研究表明,KKN能同时快速、准确地预报菌体和产物浓度,且随着批次的增加,过程信息不断得到积累,模型精度逐渐提高。     

移动窗递推PLS软测量建模及其工业应用

讨论了基于递推部分最小二乘(RPLS)算法的软测量建模方法及其应用.针对过程的时变特性,采用移动窗RPLS算法,在线修正样本的均值和方差,实时更新模型参数,兼顾了建模样本的饱和性、样本信息的完整性.然后将软测量模型应用于工业异构化装置,在线估计对二甲苯(PX)的含量.针对大量工业数据,进行仿真计算,得到模型的最大相对误差、相对均方误差和跟踪性能指标分别为2.68%、0.17%和0.9569,说明该软测量模型具有良好的预测能力和跟踪性能.接着讨论了建模样本长度对模型性能的影响,指出其最佳的样本长度为20～50.     

基于稀疏特征空间的核方法建模研究

为提高支持向量机在建模方面的拟合性能,针对核函数方法中单个核函数的局限性,尝试融合核支持向量机建模方法以提高模型的泛化能力和精度。为避免在进行核融合时,支持向量机稀疏性的缺失,提出将数据映射到稀疏特征空间进行研究。通过仿真研究表明,所建模型在保证稀疏性的前提下,能较好地提高建模精度,从而验证了算法的有效性。     

基于改进Kalman滤波算法的多模型融合建模方法

针对聚合物生产过程重要质量控制指标或状态变量的软测量问题,提出了一种基于改进Kalman滤波算法的多模型融合建模方法。将混合核函数主元分析(K₂PCA)与人工神经网络(ANN)相结合,建立一种基于K₂PCA-ANN的数据驱动模型;利用改进Kalman滤波算法实现K₂PCA-ANN模型与机理模型融合,构建一种并联结构的混合模型;协调二次滤波(线性滑动平滑)和方差更新对混合模型进行优化处理,使混合模型的估计性能尽可能地达到最优,使混合模型的预测稳定性得到有效改善。将该多模型融合建模方法应用于氯乙烯聚合过程聚合速率软测量中,应用研究结果表明:与单一的机理模型或K₂PCA-ANN数据驱动模型的预测性能相比,该建模方法建立的聚合速率模型具有更佳的预测性能。该建模方法的运用为进一步开展聚合物生产过程优化与控制等研究提供基础条件。     

基于极小极大估计器的偏最小二乘方法及应用

针对多输入多输出化工过程中,自变量间、因变量间均存在较强的相关性,提出了偏最小二乘回归(PLSR)与极小极大估计器相结合的PLS-Minimax算法。该算法先对样本数据进行多因变量的PLSR,以消除变量间的复共线性,建立较为稳健的模型;然后基于多变量残差的协方差矩阵,采用极小极大准则,估计收缩系数矩阵,以修正回归系数矩阵,改善模型的预报性能。将PLS-Minimax算法实际应用于聚合反应过程的建模,效果良好。与已有方法相比,其所建模型的预报精度有显著提高。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

递归核PCA及其在非线性过程自适应监控中的应用

PCA、PLS作为常用的多变量统计监控算法,一般适用于线性、定常的过程。针对实际工业过程的时变、非线性特性,提出了一种递归核PCA（RKPCA）方法用于非线性过程的自适应监控。RKPCA算法通过将递归奇异值分解推广到核空间,给出了核形式描述的递归KPCA算法,运算复杂度比KPCA明显降低,保证非线性监控模型能够在线更新。在Alstom工业燃气发生装置上的自适应监控表明,所提出的RKPCA算法能够及时跟踪非线性过程的时变特征,保证了监控模型的有效性。     

基于泄漏积分型回声状态网络的软测量动态建模方法及应用

提出一种基于泄漏积分型回声状态网络（LiESN）的软测量动态建模方法,给出LiESN的岭回归离线学习算法与递推最小二乘（RLS）在线学习算法。通过引入正则化系数,岭回归离线学习算法可有效地控制输出权值的幅值,改善ESN的预测性能。RLS在线学习算法能适应大数据集的处理,满足过程建模实时性的需求。将基于LiESN的软测量方法分别用于预测脱丁烷塔底部丁烷组分的含量及计算硫回收装置中尾气的组成,实现对精炼厂相关产品质量的实时监控,并采用模型残差的四图分析对建模性能进行评价。在同等条件下,与基本的ESN网络以及支持向量机（SVM）等软测量建模方法进行了比较,结果表明,所提出的LiESN方法取得了很好的预测性能,计算精度满足工业生产的实际要求。     

Efficient recursive kernel canonical variate analysis for monitoring nonlinear time‐varying processes

Kernel canonical variate analysis (KCVA) cannot be adopted for monitoring nonlinear time‐varying processes because of changes in variance, mean, and correlation between variables. Efficient recursive kernel canonical variate analysis (ERKCVA) is thus proposed to monitor the nonlinear time‐varying processes. In a high‐dimensional feature space, the covariance matrix can be updated recursively by the exponentially weighted moving average approach. The first‐order perturbation theory is introduced to obtain the recursive singular value decomposition of the Hankel matrix, which can significantly reduce the computational cost of the proposed method. Prediction errors and state variables are non‐Gaussian; thus, upper control limits can be derived from the estimated probability density function by kernel density estimation. The proposed method is demonstrated by simulating a continuous stirred tank reactor. Simulation results indicate that ERKCVA could efficiently capture the predefined normal and natural changes in nonlinear time‐varying processes. In addition, ERKCVA can also identify 4 types of sensor faults.     

基于改进ELM的递归最小二乘时序差分强化学习算法及其应用

针对值函数逼近算法对精度及计算时间等要求,提出了一种基于改进极限学习机的递归最小二乘时序差分强化学习算法。首先,将递推方法引入到最小二乘时序差分强化学习算法中消去最小二乘中的矩阵求逆过程,形成递推最小二乘时序差分强化学习算法,减少算法的复杂度及其计算量。其次,考虑到LSTD（0）算法收敛速度慢,加入资格迹增加样本利用率提高收敛速度的算法,形成LSTD（λ）算法,以保证在经历过相同数量的轨迹后能收敛于真实值。同时,考虑到大部分强化学习问题的值函数是单调的,而传统ELM方法通常运用具有双侧抑制特性的Sigmoid激活函数,增大了计算成本,提出采用具有单侧抑制特性的Softplus激活函数代替传统Sigmoid函数,以减少计算量提高运算速度,使得该算法在提高精度的同时提高了计算速度。通过与传统基于径向基函数的最小二乘强化学习算法和基于极限学习机的最小二乘TD算法在广义Hop-world问题的对比实验,比较结果证明了所提出算法在满足精度的条件下有效提高了计算速度,甚至某些条件下精度比其他两种算法更高。     

An efficient numerical algorithm for “A novel theoretical breakup kernel function of bubble/droplet in a turbulent flow”

An efficient numerical algorithm was proposed for “A novel theoretical breakup kernel function of bubble/droplet in a turbulent flow”. In this algorithm, a recursive method was used to calculate the involved triple integral, which reduced the calculation complexity of a triple integral to a double integral.     

Statistical analysis and adaptive technique for dynamical process monitoring

Multivariate statistical process monitoring (MSPM) methods based on two-dimensional dynamic kernel PCA (2-D-DKPCA) and two-dimensional dynamic kernel Hebbian Algorithm (2-D-DKHA) are proposed. First, a nonlinear batch process monitoring scheme based on 2-D-DKPCA is proposed. Its basic idea is to use KPCA to depict the both within-batch dynamics and batch-to-batch dynamics. However, the proposed 2-D-DKPCA needs to store the whole kernel matrix and calculate all nonlinear components. Kernel matrix will thus become extremely huge when the numbers of successive batches and samples are large. Then, kernel Hebbian Algorithm (KHA) is introduced to 2-D-DKPCA to construct 2-D-DKHA. KHA can extract adaptively nonlinear principal components without storing and manipulating the whole kernel matrix and only calculate the principal components. Thus, proposed 2-D-DKHA has the ability of monitoring complex batch processes. The 2-D-DKPCA and 2-D-DKHA are first proposed in this article. Also, from the proposed 2-D method, it is easily to obtain the 1-D algorithm.     

即时局部建模在填料塔液泛气速预测的应用

填料塔在工业生产中应用广泛,准确预测填料塔的液泛气速具有重要的应用价值。实际的填料类型多种多样,获取的填料数据也存在差异,单一全局模型的预测效果受到一定的限制。首先给出了岭参数极限学习机模型及其节点增加的递推算法,以有效更新在线模型。结合即时学习方式,提出了局部递推岭参数极限学习机在线建模方法,用于填料塔液泛气速的预测。实验结果表明所提出方法能更充分挖掘数据间的相关信息,预测效果优于相应的全局模型。     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题，提出基于多核学习相关向量机的软测量建模方法，并采用粒子群算法对多核权重以及核参数进行优化。同时，引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性，通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明，所提模型具有更好的预测效果。最后，对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

基于同址训练递推最小二乘支持向量机的分批补料生物反应器中溶氧浓度的非线性广义预测控制(英文)

In this study, Saccharomyces cerevisiae (baker’s yeast) was produced in a fed-batch bioreactor at the optimal dissolved oxygen concentration (DOC) and growth medium temperature. However, it is very difficult to control the DOC using conventional controllers because of the poorly understood and constantly changing dynamics of the bioprocess. A generalized predictive controller (GPC) based on a nonlinear autoregressive integrated moving average exogenous (NARIMAX) model is presented to stabilize the DOC by manipulation of air flow rate. The NARIMAX model is built by an improved recursive least-squares support vector machine, which is trained by an in-place computation scheme and avoids the computation of the inverse of a large matrix and memory reallocation. The proposed nonlinear GPC algorithm requires little preliminary knowledge of the fermentation process, and directly obtains the nonlinear model in matrix form by using iterative multiple modeling instead of linearization at each sampling period. By application of an on-line bioreactor control, experimental results demonstrate the robustness, effectiveness and advantages of the new controller.