基于振动频谱的磨矿过程球磨机负荷参数集成建模方法

以磨矿过程的湿式球磨机为背景, 针对传统磨机负荷(ML)检测方法只能依靠灵敏度较低的轴承振动、筒体振声和磨机功率等信号监督判断ML状态, 难以检测磨机内部负荷参数的问题, 提出了一种基于高灵敏度的筒体振动频谱的集成建模方法. 首先, 依据磨矿过程的研磨机理, 将振动频谱采用波峰聚类方法自动划分具有不同物理意义的分频段; 然后利用核偏最小二乘(KPLS)算法分别建立各分频段的ML参数子模型; 最后, 依据子模型训练数据预测误差的信息熵获得初始权重, 加权得到最终的ML参数集成预测模型; 在线使用中则根据子模型预测误差的变化进行权值的在线自适应更新. 仿真结果证明了该方法的有效性.     

局部KPLS特征提取的LSSVM软测量建模方法

针对复杂工业过程的非线性、变量间的强相关性以及工况时变的特点,提出了一种基于局部KPLS特征提取的LSSVM建模方法。该方法通过属性加权的欧式距离指标选取局部训练样本子集,利用KPLS算法对该子集进行特征提取,使用LSSVM算法在线建立局部软测量模型。实验结果表明,该方法可以有效实现特征提取,具有更好的推广能力和预测精度,比基于全局KPLS特征提取的LSSVM模型和未经特征提取的全局LSSVM模型具有更好的泛化能力。     

基于KPLS和LS-SVM的过程参数预测及其应用

针对有色冶炼净化过程流程长、影响因素多以及非线性强等特点,提出了一种结合最小二乘支持向量机和核偏最小二乘回归的过程参数预测方法。考虑到过程参数时间序列具有高噪声和非平稳等特性,首先基于小波多分辨率分析方法将参数时间序列分解成具有不同频率特征的子序列,然后根据分解后各自序列的特点,利用最小二乘支持向量机和核偏最小二乘回归法对各子序列进行建模,最后对各分量预测信号重构合成得到最终的预测结果。将该建模方法应用于锌湿法冶炼净化除钴过程钴离子浓度的预测,并应用工业现场的数据进行了实验验证,结果表明,该预测模型性能优于最小二乘支持向量机模型,具有较好的泛化能力和较强的鲁棒性。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

基于核函数及参数优化的KPLS质量预测研究

核偏最小二乘(KPLS)在工业过程监测和质量预测中得到了广泛的应用,核函数和核参数的选取对KPLS质量预测结果有重要影响。然而,如何选择核函数类型和核参数一直是该方法应用的瓶颈。针对以上问题,提出一种改进遗传算法的核函数优化方法。该方法将核的种类及核参数作为优化的决策变量,以均方根误差为目标,分别从编码方案、遗传策略、适应度函数优化、交叉和变异算法等方面进行设计,以保证核函数种类的多样性,利用2折交叉验证法对训练结果进行验证。以田纳西-伊斯曼过程(TE)与MATLAB结合进行仿真实验,仿真结果表明,该方法能寻找到最优核函数以及其核参数,具有很好的稳定性和一致性。     

基于多源数据的铝土矿浮选生产指标集成建模方法

在长流程浮选过程中,生产指标难以在线检测,造成操作不及时,影响系统的稳定运行.本文提出了一种基于多源数据的铝土矿浮选过程生产指标集成建模方法.首先结合浮选机理和现场工人经验,分析影响和反映生产指标的多源数据(生产数据和泡沫图像特征数据);然后分别建立各生产指标预测子模型和同步误差补偿子模型;最后采用信息熵和智能协调策略分别构建精矿品位和尾矿品位的集成预测模型.工业验证和工况分析表明,本文集成建模方法具有良好的预测性能和较强的泛化性,为基于生产指标的浮选过程操作参数控制和全流程优化奠定基础.     

基于KPLS的网络入侵特征抽取及检测方法

从特征抽取的角度研究提高入侵检测性能问题,提出应用核偏最小二乘(KPLS)进行入侵特征抽取和检测的方法.其优点在于KPLS能非线性地抽取输入特征的多个正交分量,并保持与输出类别的相关性,可同时完成入侵特征抽取和判别.将该方法应用于基于Linux主机的入侵检测实验,取得了比SVM和KPCR等方法更好的效果.     

基于更新样本智能识别算法的自适应集成建模

选择表征建模对象特性漂移的新样本对软测量模型进行自适应更新,能够降低模型复杂度和运行消耗,提高模型可解释性和预测精度.针对新样本近似线性依靠程度（Approximate linear dependence, ALD）和预测误差（Prediction error, PE）等指标只能片面反映建模对象的漂移程度,领域专家结合具体工业过程需要依据上述指标和自身积累经验进行更新样本的有效识别等问题,本文提出了基于更新样本智能识别算法的自适应集成建模策略.首先,基于历史数据离线建立基于改进随机向量泛函连接网络（Improved random vector functional-link networks, IRVFL）的选择性集成模型;然后,基于集成子模型对新样本进行预测输出后采用在线自适应加权算法（On-line adaptive weighting fusion, OLAWF）对集成子模型权重进行更新,实现在线测量阶段对建模对象特性变化的动态自适应;接着基于领域专家知识构建模糊推理模型对新样本相对ALD（Relative ALD, RALD）值和相对PE（Relative PE, RPE）值进行融合,实现更新样本智能识别,构建新的建模样本库;最后实现集成模型的在线自适应更新.采用合成数据仿真验证了所提算法的合理性和有效性.     

基于LS_SVM的在线建模方法在大肠杆菌发酵过程中的应用

为了实现大肠杆菌发酵过程菌体浓度基于模型的优化控制,提出一种基于最小二乘支持向量机(LS_SVM)在线建立大肠杆菌发酵过程局部模型的方法.该方法首先将当前批次滑动时间窗内采集到的数据作为查询序列,以动态时间弯曲距离(DTW)为判断时间序列相似性的标准,从历史批次数据库中搜索与之相似度最高的数据区间,组成训练样本集.然后利用LS_SVM在线建立发酵过程的局部模型.最后通过实际的大肠杆菌发酵过程数据,对本建模方法与传统的LS_SVM离线全局建模方法进行了仿真验证.结果显示,本方法在线建立的大肠杆菌发酵过程菌体浓度预估模型具有更高的精度以及动态适应能力.     

稀疏最小二乘支持向量机及其应用研究

提出一种构造稀疏化最小二乘支持向量机的方法．该方法首先通过斯密特正交化法对核矩阵进 行简约,得到核矩阵的基向量组;再利用核偏最小二乘方法对最小二乘支持向量机进行回归计算,从而使最 小二乘向量机具有一定稀疏性．基于稀疏最小二乘向量机建立了非线性动态预测模型,对铜转炉造渣期吹炼 时间进行滚动预测．仿真结果表明,基于核偏最小二乘辨识的稀疏最小二乘支持向量机具有计算效率高、预 测精度好的特点．     

基于KPLS鲁棒重构误差的高炉燃料比监测与异常识别

作为钢铁冶金制造的核心工序, 高炉炼铁是典型的高能耗过程, 其运行能耗约占钢铁总能耗的50%以上, 其中, 80%的能耗是焦炭和煤粉等燃料消耗. 因此, 对表征高炉燃料消耗的燃料比参数进行监测, 并尽可能早地识别影响燃料比异常波动的关键因素, 对于高炉炼铁过程的节能降耗具有重要意义. 本文针对先验故障知识少的高炉燃料比监测与异常识别难题, 提出一种基于核偏最小二乘(Kernel partial least squares, KPLS)鲁棒重构误差的故障识别方法. 该方法首先建立过程变量与监测变量的KPLS监测模型, 然后根据非线性映射空间的协方差矩阵和核空间Gram矩阵之间的关系, 反向估计原始空间变量的正常估值. 为了增强算法的鲁棒性, 采用迭代去噪算法减少异常数据对原始空间正常估值的影响. 通过利用原始空间正常估值和真实值来构造故障识别指标, 并给出故障识别指标的控制限. 基于实际工业数据的高炉数据实验表明所提方法不仅可以监测出正常工况下影响燃料比异常变化的潜在因素, 还可识别出异常工况下影响燃料比异常变化的关键因素, 具有很好的工程应用前景.     

基于EMD和选择性集成学习算法的磨机负荷参数软测量

针对磨机筒体振动和振声信号组成复杂难以解释、蕴含信息存在冗余性和互补性、与磨机负 荷参数映射关系难以描述等问题,提出了基于经验模态分解（Empirical mode decomposition,EMD）技术和选择性集成学习算法分析 筒体振动与振声信号组成,建立磨机负荷参数软测量模型的新方法.首先从机理上定性分析了筒 体振动及振声信号组成的复杂性;然后采用EMD技术将原始信号自适应分解为具有不同时间尺度的系列组 成成分,即本征模态函数（Intrinsic mode function,IMF）;接着在频域内基于互信息（Mutual information,MI）方法分析并选择IMF频谱特征;最后采用基 于核偏最小二乘（Kernel partial least square,KPLS）建模方法、分支定界优化算法的选择性集成学习方法建立磨机负荷参数软测量模型,实现了多源多尺度频谱特征的选择性信息融合.基于实验球磨机的实际运行数据仿真验证了该方法的有效性.     

基于KPLS和TD的热连轧精轧末架微调AGC

热连轧传统的厚度控制方式主要依靠精轧机组下游机架的监控AGC(automatic gauge control)来消除厚差,易造成末架调节量过大,对板形产生非常不利的影响.为此提出一种基于KPLS(kernel partial least squares)和TD(tracking differentiator)的热连轧精轧末架微调AGC,通过对前一卷带钢轧制信息进行非线性特征抽取,找出F5,F6机架间过程变量的关系,从而可以在F6机架保持辊缝和压力基本不变的前提下,仅通过调节F5机架的辊缝而使厚度精度达到控制要求.现场实验证明了这一观点.     

基于支持向量机的在线建模方法及应用

针对常规v支持向量回归用于在线建模时存在的问题，提出了一种支持向量回归在线建模方法．利用贝叶斯证据框架优化模型参数，通过判断新增观测值是否满足原来的KKT条件，并对历史数据给予不同程度的加权以充分利用最新的数据信息，使模型随着时间的推移在线更新．工业PTA氧化过程中4-CBA含量预测的实例表明，该方法能很好地跟踪4-CBA含量的变化趋势，是一种有效的在线建模方法．     

正交信号修正法及其在软测量中的应用

介绍化学计量学领域中出现的一种新的多变量数据预处理方法——正交信号修正(OSC)法．提出一种改进的OSC方法，并将该方法结合部分最小二乘(PLS)方法用于聚丙烯熔融指数软测量建模．最后得到的模型预测性能不变，但特征变量数目大大减少，而且模型的回归系数具有明显的物理意义．     

基于群体智慧的簇连接聚类集成算法

利用群体智慧原理,将多个相互独立的聚类算法的结果进行聚合,将显著提高聚类结果的准确性.基于群体智慧的簇连接聚类集成算法,首先使用群体智慧理论的独立性、分散性、多样性原则引导个体聚类结果的生成,然后提出基于连接三元组的聚类集成算法对个体聚类结果进行分组聚合,将分组聚合的结果再次进行聚合得到最终的聚类结果.该算法的优点包括:1)通过簇的分组和权重调整,避免了对基聚类生成的簇进行选择,有利于充分利用已生成簇的信息;2)采用连接三元组算法计算数据之间的相似性,可以充分挖掘数据点之间的关系.对不同数据集的实验研究表明：该算法相对传统的集成聚类算法以及群体智慧与机器学习相结合的集成聚类算法,可以进一步提高集成聚类结果的准确性.     

基于潜在特征选择性集成建模的二噁英排放浓度软测量

二噁英(Dioxin,DXN)是导致城市固废焚烧(Municipal solid waste incineration, MSWI)建厂存在“邻避现象”的主要原因之一. 工业现场多采用离线化验手段检测DXN浓度, 难以满足污染物减排控制的需求. 针对上述问题, 本文提出了基于潜在特征选择性集成(Selective ensemble, SEN)建模的DXN排放浓度软测量方法. 首先, 采用主元分析(Principal component analysis, PCA)分别提取依据工艺阶段子系统及全流程系统过程变量的潜在特征, 并依据预设贡献率阈值进行特征初选; 接着, 采用互信息(Mutual information, MI)度量初选特征与DXN间的相关性, 并自适应确定再选的上下限及阈值; 最后, 采用具有超参数自适应选择机制的最小二乘−支持向量机(Least squares — support vector machine, LS-SVM)算法建立多源特征的候选子模型, 基于分支定界(Branch and bound, BB)优化和预测误差信息熵加权算法进行集成子模型的优化选择和加权组合, 进而得到软测量模型. 基于某MSWI焚烧厂DXN检测数据仿真验证了所提方法的有效性.     

间歇过程的统计建模与在线监测

现代过程工业正逐渐倚重于生产小批量、多品种、高附加值产品的间歇过程.基于多元统计模型的过程监测是保障生产安全和产品质量的重要工具.从间歇过程独特的数据特性出发,将现有的多元统计建模方法进行合理的分类,简要回顾了各类方法的起源、发展及延伸的历程.除了阐述每种方法的基本原理,还详细讨论了各种方法的适用背景,相互关联及优缺点等内容,并对这一领域中依然存在的问题以及研究前景给出中肯的评述.