最小二乘支持向量机在汽油调合建模中的应用研究

最小二乘支持向量机作为数据挖掘新方法,对学习样本质量和数量要求低,学习的泛化性更好.采用最小二乘支持向量机对小样本数据LS-SVMs建立油品调合数学模型,对模型进行仿真试验,结果表明采用LS-SVMs建立的模型精确,并具有良好的泛化性能.     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

最小二乘支持向量机在水平井产能预测中的应用

随着油气勘探开发技术的发展,水平井以其泄油面积大、油气流动阻力小的突出优点越来越受到人们的重视。通过对水平井的产能预测,可以预测该水平井的开发效益及经济回报,因此对水平井的产能研究变得尤为重要。鉴于水平井产能影响因素的复杂性,本文运用最小二乘支持向量机技术,对多因素非线性影响下的水平井产能进行预测,并通过实例说明该方法的实用性。     

混沌最小二乘支持向量机及其在发酵过程建模中的应用

针对青霉素发酵过程的参数检测存在不确定因素,提出一种基于混沌最小二乘支持向量机的青霉素浓度预测方案。采用混沌优化算法对最小二乘支持向量机参数进行寻优,建立了一种混沌最小二乘支持向量机模型。首先,利用该模型对两种常规非线性函数曲线进行了仿真回归,结果表明,算法具有良好的建模精度;其次,基于Pensim仿真平台,运用文中方法预测青霉素发酵过程的产物量,实验仿真表明混沌优化算法具有良好的全局优化性能,在参数选择中可以有效避免陷入局部最小值,基于混沌优化的最小二乘支持向量机具有较高的建模精度。     

基于非线性偏最小二乘回归的软测量建模及应用

针对复杂工业过程存在的多变量、相关性和非线性问题,提出一种新的基于非线性偏最小二乘(partial least squares,PLS)回归的软测量建模方法。该方法利用PLS作为模型的外部框架来提取输入输出主成分变量,同时消除变量间的相关性,然后用最小二乘支持向量机(least squares support vector machine,LSSVM)作为内部函数来描述主成分变量之间的非线性关系,并引入基于误差最小化的权值更新策略,来改进模型的预测精度。以pH中和过程的Benchmark模型来验证该方法的性能,并与其他建模方法比较,结果表明该方法预测精度较高,而且具有较强的泛化能力。将该方法应用于某电站燃煤锅炉的NOx排放软测量建模之中,取得了较好的预测效果。     

双谱核主元分析在气液两相流流型识别中的应用

针对压差波动信号的非线性和非高斯特性,提出了一种基于高阶谱和核主元分析相结合的流型识别方法。通过对气液两相流压差波动信号的双谱分析,提取了不同流型下信号的非高斯特征,以双谱分析核主元数字特征提取流型的特征,最后利用最小二乘支持向量机对流型进行智能识别。实验结果表明,提取的核主元特征反映了两相流的流动状态,最小二乘支持向量机可以有效地识别水平管道内的4种典型流型,整体识别率达到95%,为流型识别提供了一种有效的方法。     

基于PCA-LSSVM的氢回收膜分离过程建模

针对氢回收膜分离过程中一些重要性能参数难以在线测量,提出一种基于PCA-LSSVM的软测量模型。首先,用PCA分析影响气体膜分离过程的多个非线性变量间的相关性,得到它们各自对目标变量的重要程度。然后,用网格搜索、交叉验证结合贝叶斯估计,得到LSSVM模型的2个最优参数值(gam为0.7,sig2为100)。最后,建立模型并对数据进行预测。仿真结果表明,4输入变量(渗透气压力、尾气侧压力、原料气氢浓度、一段膜流量)PCA-LSSVM模型的预测值,与实测的渗透气氢浓度、渗透气流量和尾气氢浓度符合较好,最大相对误差都在8%以内,而且模型的收敛速度不到1 s,可为气体膜分离过程重要性能参数的在线检测和其过程的优化控制提供指导。     

基于PSO-LSSVR的环状流截面含气率软测量方法

由于测量条件高,环状流的截面含气率直接测量往往比较困难。软测量技术的关键在于建立优良的数学模型,在分析了微粒群优化算法(PSO)和最小支持向量回归机(LS-SVR)原理的基础上,利用粒子群算法优化最小二乘支持向量回归机参数的算法,建立了软测量模型,实现了环状流的截面含气率的软测量。实验表明:该模型泛化能力强,测试精度比较高,为环状流截面含气率的测量提供了一种新的测量途径。     

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.     

Mixture semisupervised principal component regression model and soft sensor application

Traditionally, data‐based soft sensors are constructed upon the labeled historical dataset which contains equal numbers of input and output data samples. While it is easy to obtain input variables such as temperature, pressure, and flow rate in the chemical process, the output variables, which correspond to quality/key property variables, are much more difficult to obtain. Therefore, we may only have a small number of output data samples, and have much more input data samples. In this article, a mixture form of the semisupervised probabilistic principal component regression model is proposed for soft sensor application, which can efficiently incorporate the unlabeled data information from different operation modes. Compared to the total supervised method, both modeling efficiency and soft sensing performance are improved with the inclusion of additional unlabeled data samples. Two case studies are provided to evaluate the feasibility and efficiency of the new method. © 2013 American Institute of Chemical Engineers AIChE J 60: 533–545, 2014     

基于多源信息特征融合的抽油井动液面集成软测量建模

针对传统抽油井动液面(DLL)检测只能依靠人工操作回声仪测试,无法实时在线检测的问题,提出基于多源信息特征融合的抽油井动液面集成软测量新方法。采用快速傅里叶变换(FFT)将抽油机悬点载荷及振动时域信号转换成频域信号;采用核主元分析(KPCA)提取悬点载荷及振动频谱和电功率、井口油、套压时域信号非线性特征;利用改进的模糊交互式自组织数据分析聚类(ISODATA)和高斯过程回归(GPR)融合时频信息特征,建立多个动态子模型;利用权重优化证据理论(D-S)构造的概率分配函数作为权值因子,对子模型输出进行集成以得到最终的DLL预测值。油田现场应用证明了该方法的有效性。     

Mixture robust L1 probabilistic principal component regression and soft sensor application

In this paper, the multivariate Laplace distribution (also called L1 distribution) is adopted to construct a robust probabilistic principal component regression model (MRPPCR-L1) under multiple operating modes. In the practical industrial chemistry process, outliers exist due to incorrect recording, disturbances, and process noises and might result in modelling distortion. To address this problem, Laplace distribution, instead of the Gaussian distribution in traditional methods, is introduced to reduce the negative influence of outliers. Moreover, probabilistic principal component regression is employed for dealing with the mixture modelling problem owing to its probabilistic property to determine the operating modes. The formulation of this approach is derived with the expectation maximum algorithm and the soft sensing model is also developed for prediction. Compared to the conventional method, a numerical example and the Tennessee Eastman process are used to demonstrate the robust modelling performance of the proposed method.     

基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

Improved dynamic kernel PCA based on local preserving projections and its application for electric submersible pump fault diagnosis

Dynamic kernel principal component analysis (DKPCA) has been frequently implemented for nonlinear and dynamic process monitoring of complex industrial processes. However, traditional DKPCA focuses only on the global structural analysis of data sets and strongly neglects the local information, which is equally essential for process detection and identification. In this paper, an improved DKPCA, referred to as the local DKPCA (LDKPCA), is proposed based on local preserving projections (LPP) for nonlinear dynamic process fault diagnosis. The method combines the advantages of LPP and DKPCA by utilizing the local structure feature to maintain the geometric structure of the data in a unified framework. To achieve a highly comprehensive feature extraction, the local characteristics are fused in DKPCA to produce an optimization objective. The neighbouring points of the new objective function projection in the feature space are still maintained in proximity, and the variance information is retained simultaneously. For the purpose of fault detection, two statistics, known as the T² and squared prediction error (SPE) statistics, are constructed, based on the LDKPCA model, and used to monitor the latent variable space and the residual space, respectively. In addition, the sensitivity analysis is brought in for fault identification of the two statistics. Based on the experimental analysis using the shaft breakage data of an offshore oilfield electric submersible pump (ESP), the proposed method outperforms the conventional DKPCA in terms of fault monitoring performance. The experimental results demonstrate the potential of the method in nonlinear dynamic process fault diagnosis.     

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。     

一种改进的动态核主元分析故障检测方法

针对复杂工业系统动态非线性故障检测过程精度低和计算量大的问题,提出了一种改进的动态核主元分析故障检测方法，该方法首先利用不可区分度剔除相关程度较小或者不相关变量,减少数据量，然后通过观测值扩展对筛选后的新数据构建增广矩阵，并对矩阵使用核主元分析提取变量数据的非线性空间相关特征，最后通过监测T ²和SPE 两种统计量诊断出系统发生故障及识别故障变量。仿真实验证明，该方法能对风力发电机故障进行有效监测和诊断，与KPCA方法相比，改进的动态核主元分析方法对微小故障更为敏感。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。