基于PSO-SVM逆的赖氨酸发酵过程软测量

针对赖氨酸发酵过程非线性、大滞后、多变量动态耦合,关键生化参数难以实时在线测量等问题,提出一种改进的粒子群-支持向量机(PSO-SVM)逆发酵过程软测量建模方法。首先分析逆系统的存在性,并结合赖氨酸发酵过程,引入发酵特征信息和舍弃次要信息构造逆扩展模型;然后利用支持向量机离线辨识初始逆扩展模型,并根据系统输入与模型输出的偏差信号,采用粒子群算法对初始逆扩展模型进行在线校正;最后将校正后的逆扩展模型串联在原发酵过程之后构成复合伪线性系统,实现不直接可测关键生化参数的在线预测。以L-赖氨酸流加发酵过程为例,验证了所提算法能够对发酵过程关键生物量参数进行较准确的在线预测,较普通的SVM逆建模方法具有更高的预测精度。     

改进粒子群算法优化SVM的水泥烧成系统故障诊断

在基本粒子群算法的基础上,通过引入自适应变异算子、交叉算子和新的惯性权重,提出一种采用改进粒子群(IPSO)算法对支持向量机(SVM)参数进行优化的分类器模型。选取UCI公共数据集中的Iris、Wine和Seed对其分类性能进行验证。最后,将IPSO-SVM分类器应用于水泥烧成系统的故障诊断中,结果表明:该分类器具有更快的收敛速度、更好的全局收敛能力和更高的故障诊断精度。     

催化裂化装置故障诊断系统设计与开发

结合数据分析与专家系统技术，提出一种流化催化裂化装置(FCCU)故障监测与诊断系统结构，包括：离线组态环境、数据库、在线运行环境。仿真结果表明，该系统诊断效果良好，能满足工厂的实际需求。     

基于蜻蜓算法优化支持向量机的滚动轴承故障诊断

针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。     

基于支持向量机的机械设备故障诊断研究

大多数情况下,机械设备故障模式识别属于一个小样本机器学习问题,通过小样本进行故障诊断往往精确度不高,但是支持向量机能够对小样本进行故障诊断分析,文章将研究基于支持向量机的机械设备故障诊断,通过对支持向量机多类分类算法中的二叉树进行改进,然后选择合适的核函数并对其相关参数进行优化,最后将改进的方法应用到旋转机械故障诊断中...     

基于人工神经网的催化裂化故障诊断研究

由于催化裂化系统的变量众多,每个故障的发生都可能涉及众多操作变量,这给故障的准确判断带来困难.人工神经网具有很强的自适应能力,非线性映射能力和泛化能力也很强,对数据进行高度并行处理,可自然处理多输入信号.用于催化裂化的故障诊断,取得较好的效果.将改进的LM算法用于人工神经网的训练,提高了网络的收敛速度.     

基于粒子群神经网络的异步电机故障诊断系统的研究

采用粒子群算法与BP算法结合的综合方式训练神经网络,用粒子群优化算法调节和优化全局性的网络参数,用BP神经网络学习方法优化局部性的参数,解决单纯的BP算法训练收敛较慢且易陷入局部最小值等问题,用于提高异步电机故障诊断的性能。在此基础上借助MATLAB进行计算机程序的编写,并使用Visual Basic进行异步电机故障诊断系统用户操作界面的开发。实践证明该系统能有效识别电机常见故障,操作简单方便且诊断精度高。     

基于支持向量机的化工装置电力电子故障诊断

采用小波包分析与支持向量机（SVM）对化工装置电力电子故障进行自动识别和诊断,运用变尺度分辨小波包方法对电力电子故障信号进行特征处理。支持向量机能够对小样本数进行模式识别,并且具有良好的分类推广能力。在小波包分析特征基础上,采用分布式多支持向量机（SVM）分类器识别化工装置电力电子故障。结果表明：该方法能准确有效地对化工装置的电力电子故障进行识别和诊断。     

基于改进萤火虫算法优化SVM的滚动轴承故障诊断

针对萤火虫算法优化支持向量机时,收敛速度较慢、易陷入局部最小值等问题,将萤火虫算法进行改进来优化支持向量机,用此方法来对轴承故障进行诊断.经过对比实验,发现该方法分类效果和识别准确率均有一定的提高.     

粒子群优化算法在催化裂化模型参数估计中的应用

参数估计是化工模型工业应用中的重要课题,有相当的难度。针对催化裂化八集总模型的动力学参数估计问题,考察了不同类型优化算法的应用效果,结果表明,粒子群优化算法简单、容易实现,而且可以避免传统方法对初始值的依赖,并进一步提出用结合Levenberg-Marquardt算法的混合粒子群优化算法提高参数估计效果。工业实例表明,用混合粒子群优化算法得到的动力学参数可以保证模型的预测精度。     

催化裂化反应再生系统故障树模型及操作工艺失常状态分析

反应 再生系统是影响催化裂化装置安全和经济效益的关键因素 ,文中采用故障树分析方法 ,建立反应 再生系统故障树模型 ,并对其操作工艺失常状态进行了可靠性分析 ,得到引起反应 再生系统非正常运行状态的关键影响因素和薄弱环节。并根据该故障树模型的特点 ,给出系统长周期可靠运行的改进措施。     

催化裂化反应-再生系统的失效模式、效应和危害度分析

反应 再生系统是影响催化裂化装置安全运行和经济效益的关键因素 ,文中建立了失效模式、效应和危害度分析故障树分析方法 (FMECA) ,并将FMECA与故障树分析模型 (FTA)结合起来 ,深入分析了反应 再生系统操作工艺失常状态及设备的可靠性。获得引起反应 再生系统非正常运行状态的关键影响因素和薄弱设备的危害度。并根据失效模式和危害度的特点 ,给出系统长周期运行的理论依据     

神经网络技术在分布式系统智能故障诊断中应用

阐述智能故障诊断技术的特点，针对多层次分布式系统，提出分层模块化的两种诊断模式及分层预处理规则；并就神经网络同其它诊断技术相结合的综合智能故障诊断模式的实现方法、特点及可行性作了进一步探讨分析。     

渣油催化裂化反应再生系统过程优化

本文采用十三集总动力学模型对大庆油田化工总厂60万吨／年渣油催化裂化装置进行了模拟计算,考查了不同掺渣比,反应温度,雾化蒸汽量和急冷油量对产品分布的影响,确定了较优的工艺条件。研究结果表明,该模型具有良好的模拟精度,能很好地预测不同条件下的产品分布,对生产具有一定指导意义。     

基于DeltaV的故障诊断系统在丁二烯装置中的应用

针对应用于丁二烯生产装置的DeltaV自带的报警系统存在的问题,应用专家知识提取出了32个重要监测点.并针对这些监测点用VB编程设计了一个运行在上位机的基于DeltaV的故障诊断系统,实现了实时故障诊断,并能在操作员站上实现实时报警.该系统具有良好的可扩充性.     

基于小波包-支持向量机的滚动轴承故障诊断

以轴承在正常、内圈和滚子裂缝、内圈和滚子剥落三种工况下的振动信号为研究对象,采用小波包频带能量特征提取的方法,构成振动信号的特征向量。在此基础上采用支持向量机对特征向量进行故障模式识别,试验结果表明,和神经网络相比,采用支持向量机进行故障诊断可以获得更高的诊断精度。     

基于小波理论的主元分析在故障诊断中的研究与应用

主要分析主元分析的原理和主要算法及其在故障诊断方面的应用 ,简单介绍数据预处理的小波分析方法 ,并把这两种方法结合用于过程故障诊断。常减压装置的应用实例表明 ,结合这两种方法进行基于过程的故障诊断取得了较好的效果     

基于C#和Matlab的变压器故障诊断系统的开发

提出了一种基于C#和Matlab的变压器故障诊断系统的开发方案.以Visual Studio 2005为开发平台,C#为开发语言,调用Matlab相关程序,最终完成了故障诊断系统的开发.验证结果表明,该诊断系统诊断精度高、速度快.     

基于虚拟技术的齿轮故障智能诊断研究

利用LabVIEW图形化编程语言开发了信号分析与处理、信号特征提取和故障诊断三大模块。信号特征提取由小波包分解来实现,故障诊断通过神经网络完成,小波包分解提取的齿轮振动信号各频段能量特征值作为神经网络的输入向量。以模拟故障实验台获取的齿轮典型故障振动信号训练神经网络,利用训练好的神经网络对齿轮进行故障诊断,实验结果表明：所开发的齿轮故障智能诊断系统能有效识别齿轮故障,较好地将虚拟技术应用于故障诊断领域。