基于LSTM-RNN模型的铁水硅含量预测

针对高炉炼铁是一个动态过程,具有大延迟,工况复杂的特性。采用LSTM-RNN模型进行硅含量预测,充分发挥了其处理时间序列时挖掘前后关联信息的优势。首先根据时间序列趋势及相关系数选择自变量,并采用复杂工况的实际生产数据进行验证。然后用程序自动求解最优参数进行硅含量预测。最后将LSTM-RNN模型与PLS模型及RNN模型的结果进行对比,验证该方法的优势。研究发现LSTM-RNN模型预测误差稳定,预测精度较高,比传统的统计学及神经网络方法取得了更好的预测精度。     

改进型EMD-Elman神经网络在铁水硅含量预测中的应用

针对高炉炼铁过程的多尺度和动态特征,建立了基于经验模态分解(empirical mode decomposition, EMD)和Elman神经网络的铁水硅含量预测模型。该模型先采用EMD将硅含量序列分解成有限个、相对平稳的本征模函数(intrinsic mode function, IMF)和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;为了进一步提高预测精度,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。将该模型用于某钢厂铁水硅含量的预报,实验结果证实了该方法的有效性。     

基于ARIMA模型的中国塑料制品出口量预测及分析

预测中国塑料制品的出口量,对于企业生产方向的把握及经营战略的制定等具有重要的现实意义。为提高时间序列预测方法的预测精度及增强现实适用性,提出一个基于ARIMA模型的中国塑料制品出口量预测模型。仿真实验表明,所提出的ARIMA模型的预测精度高于回归模型,验证了该方法在塑料制品出口量预测中的优越性。最后,给出2019-2021年的塑料制品出口量预测值及提出相关建议。     

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。     

质子交换膜燃料电池冷启动堆栈温度预测模型

为了快速准确地预测出质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)在冷启动过程中的启动时长及启动方法的应用效果,提出了以堆栈温度和温度增量分别作为BP(back propagation)神经网络预测目标的堆栈温度实时预测模型,分别为模型T和模型K,并采用四个不同的预测精度评估标准来评估预测结果的准确性。基于文献中三种冷启动工况实验数据对预测模型进行验证,结果表明,模型K的平均相对误差在三种工况下均低于模型T,分别为0.4553、0.9537和1.0844。模型T在早期预测阶段缺乏训练样本,预测结果的堆栈温度变化趋势为零,因而模型K在早期预测阶段具有更大优势。堆栈温度变化趋势预测方法能够为用户当前的PEMFC冷启动实现效果提供参考。     

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。     

基于GA＿BP神经网络的地铁车站深基坑变形预测研究

BP神经网络对复杂和高度非线性序列有良好的适用性而被广泛应用于深基坑变形预测中,针对其算法存在收敛速度慢、容易陷入局部极小值、隐含层神经元不确定等不足,本文运用遗传算法对BP神经模型的初始权值和阈值进行了优化,通过郑州市地铁5号线某车站深基坑变形监测实测数据,验证了GA-BP模型能够提高预测精度,泛化能力更好,在时间序列变形数据预测中有较好的适用性和准确性。     

带复杂花纹的轮胎六分力计算方法

以205/55R16 TH201轮胎为例介绍了一种带复杂花纹的轮胎六分力的计算方法,包括侧偏工况、纵滑工况及复合工况等,并对计算结果精度进行了验证。研究结果表明,该方法计算得到的六分力数据可以直接用于拟合轮胎的动力学模型并用于整车分析。     

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。     

基于长短时神经网络的城市需水量预测应用

在分析影响居民用水量相关性因素的基础上,采用长短时神经网络结合Encoder-Decoder方法建立城市需水量预测模型。长短时神经网络可以自动从时间序列的历史数据中抽取数据特征,避免了手动设计输入变量特征的繁琐,且可以采用更长时间的历史数据进行训练,充分考虑长期条件下不同天气、节假日的城市居民用水特征。Encoder-Decoder的网络结构模拟大脑对数据处理和做出决策的过程,适合多小时水量预测模型的构建。该模型应用于某地区需水量预测,取得了较高的预测精度,模型的适用性得到了有效验证。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法

生产过程通常具有大时滞、非线性、多变量耦合等特点,往往难以建立准确的时间序列预测模型。基于生产过程历史数据,提出了一种采用关联变量时滞分析卷积神经网络（CNN）的生产过程时间序列预测方法,首先选取合适的关联变量并对关联变量与输出进行时滞分析,然后利用时滞分析结果确定关联变量时间窗的大小,最后建立合适的CNN模型对时间序列进行预测。某反应精馏过程实验表明,此方法对于大时滞系统的长步长时间序列预测具有较好的准确性。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影（VIP）这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

偏高岭土高性能混凝土抗压强度预测研究

以水胶比、用水量、砂率、水泥强度、水泥用量以及偏高岭土、矿粉和粉煤灰用量为输入向量,采用SPSS回归方程分析和基于Levenberg-Marquart算法的BP神经元网络预测模型对偏高岭土高性能混凝土的抗压强度进行了预测研究,并与试验值进行了对比.结果表明:与SPSS回归方程分析预测结果相比,BP神经元网络预测值与实测值线性拟合度高,拟合值为0.997,两者之比的平均值和标准差分别为0.999和0.010,网络预测最大相对误差不超过2.1%,模型预测精度高,结果可靠,为偏高岭土高性能混凝土的抗压强度预测提供了指导依据.     

Adaptive neural models for on-line prediction in fermentation

This paper deals with on-line prediction of fermentation variables by neural network techniques. It is shown that the accuracy of the on-line prediction based on a neural model, obtained from an initial learning sequence, decreases when kinetic changes occur during the course of the fermentation. Therefore, sliding window learning schemes are proposed. For a given network structure, the proposed learning procedures progressively refresh the knowledge integrated within an initial neural model. The influence of the length of the learning window, the number of iterations and the initial neural model on the predictive accuracy of adaptive neural models are investigated. Sliding window learning schemes can be also used when fermentation measurements are delayed and/or infrequent.     

ZrO2-SiC材料中原位SiC生成量预报的神经网络模型

研究了基于神经网络的ZrO2-SiC材料中原位SiC生成量预报模型,运用材料制备过程中的工艺参数,实现了SiC生成量的预报.结果表明:本模型具有良好的预报效果,人工神经网络是材料性能定量预报的一种有效方法.     

基于多传感器技术的原油含水率预测模型研究

通过多传感器技术对原油含水率测量有影响的多个参量进行测定,提出基于多元非线性回归和神经网络融合处理两种方法建立原油含水率预测模型,并采用分段建模的方法分别进行改进.评价结果表明:神经网络模型预测效果优于多元非线性回归模型,原油含水率分段预测模型效果优于统一模型.尤其是改进的神经网络分段预测模型具有网络结构简化、收敛速度快,泛化能力强的特点,取得很好的拟合精度和预测效果.