ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机(ELM)不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机(ASOS-ELM)综合建模的方法。该方法利用改进的共生生物搜索(ASOS)算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差(RMSE)作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归(SVR)模型、改进的粒子群算法(PSO)和基本的共生生物搜索算法(SOS)优化的ELM作对比。结果表明,ASOSELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法（AWOA）和快速学习网（FLN）综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

基于鲸鱼优化算法的汽轮机热耗率模型预测

为了准确地建立汽轮机热耗率预测模型,提出了一种基于反向学习自适应的鲸鱼优化算法(AWOA)和快速学习网(FLN)综合建模的方法。首先将改进后的鲸鱼算法与经典改进的粒子群、差分进化算法和基本鲸鱼算法进行比较,结果证明其具有更高的收敛精度和更快的收敛速度;然后采用某热电厂600 MW超临界汽轮机组现场收集的运行数据建立汽轮机热耗率预测模型,并将改进后的鲸鱼算法优化的快速学习网模型的预测结果与基本快速学习网及经典改进的粒子群、差分进化算法和基本鲸鱼算法优化的快速学习网模型预测结果相比较。结果表明,AWOA-FLN预测模型具有更高的预测精度和更强的泛化能力,更能准确地预测汽轮机的热耗率。     

基于鲸鱼算法优化深度极限学习机的锂离子电池剩余使用寿命间接预测

鉴于对锂离子电池直接预测剩余使用寿命（RUL）困难，而极限学习机预测效果不稳定的现状，提出基于等压降放电时间和深度极限学习机（DELM）相结合的间接预测方法。首先，在恒流放电过程中提取出表征电池性能退化的等压降放电时间，分析它与容量间的相关程度并选之作为间接健康因子；其次，引入鲸鱼优化算法（WOA）优化深度极限学习机模型参数，构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验，结果表明：基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM，能够更加准确地预测出锂离子电池的RUL，预测误差±5%，具有较好的预测精度和较快的收敛速度。     

基于极限学习理论的爆破块度预测

通过爆破试验,获得9组爆破参数,采用照片法统计了相应的爆破块度,采用极限学习机ELM(Extreme Learning Machine)预测模型,对最后3组爆破参数下的大块率进行预测,同时采用BP预测模型进行预测。两种预测对比可知:ELM模型可以较好地预测爆破块度,且比传统神经网络有较好的适用性和精确性,可用于爆破块度预测,为爆破参数设计提供可靠的依据。     

基于相关向量机的汽轮机最优运行初压的确定

为了有效计算最优初压,首先提出一种基于模拟退火和混合迁移的生物地理学优化算法（B-BBO-SA）优化相关向量机（RVM）的热耗率预测模型;然后在该模型的基础上利用B-BBO-SA算法寻找各个负荷下热耗率最小时所对应的主蒸汽压力。通过与B-BBO-SA-SVM进行比较,B-BBO-SA-RVM具有更好的泛化能力;另外,得到的最优初压与设计初压存在着一定的差别,它更能准确地指导汽轮机的安全、经济运行。     

基于IFOA-KELM-MEA模型的游梁式抽油机采油系统井下工况的短期预测

实现对井下工况的预测是及时掌握抽油井生产状态的有效方法,对提高油井生产效率和降低维护成本具有十分重要的意义。采用混沌理论实现抽油井井下工况的短期预测,首先将所提取的示功图的不变曲线矩特征向量作为预测变量,在证明其数据序列具有混沌特性后,由核极限学习机（kernel extreme learning machine,ELM）建立混沌时间序列预测模型,对其中的几个不确定参数采用改进的果蝇优化算法（improved fruit fly optimizationalgorithm,IFOA）进行优化选取,IFOA采用全局群体多样进化和局部个体随机变异的策略,最后,对模型所预测的结果进行物元分析（matter-element analysis,MEA）,诊断其属于哪种故障类型。由某油田作业区的两口生产井进行实例验证,结果表明所提出的IFOA-KELM-MEA预测模型是合理有效的。     

基于PSO-SVR算法的燃煤锅炉结渣特性预测

针对燃煤锅炉结渣特性的有限样本、非线性和高维数问题,提出了一种基于粒子群优化（PSO）和支持向量回归（SVR）的预测模型。对于支持向量回归机在建模中存在的参数选取问题,采用改进的粒子群算法（PSO）对模型参数进行优化,该方法结合了PSO的快速全局优化能力和SVR的结构风险最小化理论,精确地逼近非线性映射关系的能力。仿真结果表明：相比遗传算法（GA）SVR预测模型和模拟退火（SA）SVR预测模型,PSO-SVR模型预测燃煤锅炉结渣特性具有较高的准确率。     

基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

基于极差分析法与GA-ELM的电器连接器壳体注射成型工艺优化

以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力.极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7％.关键点采用遗传算法优化后...     

Finite element-based machine learning approach for optimization of process parameters to produce silicon carbide ceramic complex parts

Design and fabrication of silicon carbide ceramic complex parts introduce considerable difficulties during injection molding. Due to the great importance in processing optimization, an accurate prediction on the stress and displacement is required to obtain the desired final product. In this paper, a conceptual framework on combination of finite element method (FEM) and machine learning (ML) method was developed to optimize the injection molding process, which can be used to manufacture large-aperture silicon carbide mirror. The distribution characteristics of temperature field and stress field were extracted from FEM simulation to understand the injection molding process and construct database for ML modeling. To select the most appropriate model, the predictive performance of three ML models were estimated, including generalized regression neural network (GRNN), back propagation neural network (BPNN) and extreme learning machine (ELM). The results show that the developed ELM model exhibits exceptional predictive performance and can be utilized to predict the stress and displacement of the green body. This work allows us to obtain reasonable technique parameters with particular attention to the loading speed and provides some fundamental guidance for the fabrication of lightweight SiC ceramic optical mirror.     

Optimization of nonlinear process based on sequential extreme learning machine

In this paper, a new approach to the optimal control with constraints is proposed to achieve a desired end product quality for nonlinear processes based on new kernel extreme learning machine (KELM). The contributions of the paper are as follows: (1) In existing ILC algorithm, the model was built only between manipulated input variables U and output variables Y without considering the state variables. However, the states variables X_state are important in the industrial processes, which are usually constrained. In this paper, the variables are divided into state variables X_state, manipulated input variables U and output Y in the process of modeling. Then ΔU can be obtained by batch-to-batch iterative learning control separately. Kernel algorithm is added to ELM. (2) Constraints of state variables X_state and the input variables U are considered in the current version. PSO is used to solve the optimization problem. (3) Kernel trick is introduced to improve accuracy of ELM modeling. New KELM algorithm is proposed in the current version. The input trajectory for the next batch is accommodated by searching for the optimal value through the error feedback at a minimum cost. The particle swarm optimization algorithm is used to search for the optimal value based on the iterative learning control (ILC). The proposed approach has been shown to be effective and feasible by applying bulk polymerization of the styrene batch process and fused magnesium furnace.     

A soft sensor for industrial melt index prediction based on evolutionary extreme learning machine

In propylene polymerization (PP) process, the melt index (MI) is one of the most important quality variables for determining different brands of products and different grades of product quality. Accurate prediction of MI is essential for efficient and professional monitoring and control of practical PP processes. This paper presents a novel soft sensor based on extreme learning machine (ELM) and modified gravitational search algorithm (MGSA) to estimate MI from real PP process variables, where the MGSA algorithm is developed to find the best parameters of input weights and hidden biases for ELM. As the comparative basis, the models of ELM, APSO-ELM and GSAELM are also developed respectively. Based on the data from a real PP production plant, a detailed comparison of the models is carried out. The research results show the accuracy and universality of the proposed model and it can be a powerful tool for online MI prediction.     

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。     

基于多分类概率极限学习机的污水处理过程操作工况识别

污水处理过程复杂多变的运行工况以及系统脆弱的抗负荷冲击能力,常常导致污水处理厂运行目标难以实现,有效识别污水操作工况的变化对污水处理过程安全运行和操作优化十分重要。为增强未知样本分类可靠性,在概率极限学习机二分类基础上,将其扩展到多分类概率极限学习机方法(extreme learning machine)。该方法首先采用极限学习机建立污水处理过程实时变量和污水处理过程工况编码之间的预报模型,然后根据类别的输出预报值分别建立每个类训练样本潜在函数的均值,确定所有类的条件概率密度函数,非线性最小二乘辨识条件概率密度函数参数,最后根据贝叶斯原理计算所有类的后验概率,由后验概率最大值判别样本所属类别。以辽宁某城市污水处理厂实时数据为背景进行验证,实验结果表明多分类概率极限学习机分类的可靠性和准确性优于极限学习机分类方法。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。