基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法(JIT)的多模型在线软测量方法(MOSVR)。离线阶段首先采用模糊C均值聚类(FCM)对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略(OSMU)将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

基于回声状态网络的柴油性质近红外光谱测量模型

针对柴油性质的近红外光谱测量问题,提出了一种基于回声状态网络(Echo State Network,ESN)的近红外光谱测量模型。该模型采用化学计量学方法,通过ESN对柴油性质的近红外光谱数据进行学习以建立光谱信息与柴油性质间的输入输出关系模型。为克服ESN生成过程产生的随机性对测量精度的干扰,采用集成学习方法对模型进行校正。对柴油的十六烷值和密度的近红外光谱测量表明,该模型在测量精度上优于偏最小二乘、主成分回归及多元线性回归等常规化学计量学方法建立的模型。     

某城市生活垃圾低位热值预测模型比较与改进

生活垃圾低位热值(lower heating value,LHV)为焚烧工艺及设备计算和选型的重要参数。文章基于某城市四个区一年48个生活垃圾物理组分、工业分析和热值监测数据样本,对物理组分预测方法和工业分析预测方法的各类模型进行比较和评价,并采用多元回归方法建立了一个预测该城市垃圾低位热值的修正模型,并最终对该修正模型进行验证。     

多变量时滞系统的闭环渐进辨识研究与应用

多变量时滞系统由于滞后以及相互之间的耦合而难以得到理想的辨识效果,因此基于渐进理论,提出一种多变量的闭环辨识方法.采用阶跃作为测试信号,利用两阶段闭环辨识算法进行辨识.首先采用递推ARX算法实现高阶ARX模型对真实模型的逼近,消除耦合,然后利用二阶泰勒近似实现对滞后的辨识,最后采用渐进准则(ASYC)对模型进行降阶,利用输出误差(OE)准则对降阶后的模型进行参数估计.该方法在实际项目的应用中得到了较好的效果,应用前景广阔.     

SMB色谱分离过程计算机仿真

针对模拟移动床(SMB)综合速率模型，采用有限元法和正交配点法分别对柱向和颗粒径向模型进行离散化，利用MatLab ODE求解器对SMB过程进行数值求解。通过仿真，验证了该方法的可行性。     

红外光谱法快速检测电线包裹材料聚氯乙烯中的邻苯二甲酸酯类增塑剂的研究方法

红外光谱法(FTIR)是一种根据样品红外特征法检测样品含量的一种非破坏性方法,采用红外光谱法(FTIR)以及使用衰减全反射(ATR)检测技术对电线包裹材料聚氯乙烯(PVC)中的邻苯二甲酸酯的含量进行快速测定。本文通过制备系列试验标样,根据其红外光谱图建立偏最小二乘(PLS)化学计量模型,采用该模型对未知试验样品进行测试。经过试验,结果表明:红外光谱法快速检测电线包裹材料聚氯乙烯中的邻苯二甲酸酯的线性关系良好,相关系数 0. 999,检测结果快速,方法定量限低至1%。     

磺化木质素吸收硫化氢动力学

本文对磺化木质素脱硫方法进行了动力学研究。根据Higbie渗透理论,提出了磺化木质素吸收硫化氢的数学模型,采用Crank-Nicholson差分方法对该模型进行了数学处理,并在电子计算机上求取模型方程的数值解。实验采用双搅拌气液无梯度反应器,考查了磺化木质素吸收硫化氢的动力学行为。实验证明该宏观吸收反应对于木质素的反应级数为0.347,对于硫化氢的反应级数为1.04,其宏观动力学方程为: N_(H_2S)=10.3·e~(-25394.2/RT)·C_(H_2S_i)~(1(?)04)·C_(R-O)~(0.347) 实验结果与数值解吻合良好。     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

果蝇优化SVM模型对有机化合物熔点的预测

为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。