基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。     

基于人工蜂群算法优化LSSVM的蒸汽干度软测量

为了提高蒸汽干度测量的精确性,提出了基人工蜂群优化最小二乘支持向量机的干度软测量模型。首先利用人工蜂群算法对最小二乘支持向量机的核参数进行参数优化,然后利用优化后的最小二乘支持向量机干度测量模型对干度进行软测量,软测量结果表明基于人工蜂群优化的最小二乘支持向量机的测量效果满足了精度要求。最后运用最小二乘支持向量机和BP神经网络模型对干度进行了软测量,结果表明:基于人工蜂群优化的最小二乘支持向量机软测量模型具有测量精度高,测量稳定性好的优点。     

基于差分进化算法-最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中存在的一类难以在线测量参数估计问题的有效方法,该技术的核心是建立优良的数学模型。支持向量机是基于统计学理论的一种机器学习方法,最小二乘支持向量机是一种扩展的支持向量机,相对于支持向量机具有较快求解速度。最小二乘支持向量机存在着参数选择的问题,针对这个问题,采用差分进化算法进行参数选择。提出基于差分进化算法的最小二乘支持向量机应用于软测量建模,并将其应用于对苯二甲酸中对羧基苯甲醛含量测试的软测量建模中,获得了满意的结果。     

基于最小二乘支持向量机的复合肥装置养分含量的软测量建模

针对复合肥装置养分含量无法用常规的传感器在线测量的问题,提出了基于最小二乘支持向量机(LS-SVM)的软测量方法来在线估计养分含量.LS-SVM用等式约束代替传统的标准支持向量机中的不等式约束,求解过程从解二次规划问题变成解线性方程组,求解速度相对加快.工业实例表明LS-SVM所建模型的预测精度较高,能满足实际工业应用的需求.     

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。     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

丁二酸发酵过程软测量模型的参数优化研究

针对生物转化法制备丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,采用基于结构风险最小化的支持向量机对发酵过程建模.与神经网络方法相比,所建模型的预测效果更好.同时采用粒子群算法对支持向量机模型中     

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。     

基于分阶段的LSSVM发酵过程建模

发酵过程建模是研究微生物发酵的重要课题,基于模型可实现被测参量的软测量、系统的优化控制。鉴于引入混合核函数的最小二乘支持向量机在过程建模中具有优良表现,采用基于混合核函数的最小二乘支持向量机建模。但由于发酵过程周期较长,最小二乘支持向量机的全局模型预测精度难以保证,算法复杂度很高,因此提出一种分阶段建模方法。首先,选择表征阶段特性的辅助变量,利用模糊C均值聚类算法对样本数据聚类,将发酵过程分成不同的阶段,然后为各个阶段分别建立最优混合核最小二乘支持向量机局部模型,最后将局部模型合成构成过程的完整模型。将此方法应用于青霉素发酵过程和重组大肠杆菌发酵过程中,验证了该方法的有效性。     

基于PSO优化LS-SVM的气液两相流干度软测量

对标准孔板进行改进,设计了一种流出特性较好的锥形孔板。将锥形孔板压差脉动特性的经验公式与经过粒子群算法优化的混核最小二乘向量机模型结合,建立了气液两相流干度的软测量模型。该模型的优点是采取径向基核函数和多项式核函数的混合核函数兼顾了局部和全局的拟合能力,且通过对传统最小二乘向量机模型的参数优化,可减少对初始点和样本数量的依赖。实验结果表明,该预测方法可行,且比未经过优化的最小二乘支持向量机模型和经过优化的单核最小二乘向量机模型的泛化能力强,具有实际工程意义。     

氧化铝蒸发过程的混合智能优化设定控制

氧化铝蒸发过程的关键工艺指标碱液浓度不能在线检测且与控制回路输出之间的动态特性难以用精确的数学模型描述,采用已有的优化控制方法不能实现上述运行层的优化。针对上述问题提出了由基于案例推理的预设定模型,基于专家规则的前馈、反馈补偿模型以及基于块式偏最小二乘的软测量模型组成的混合智能优化设定控制方法。采用某氧化铝厂蒸发过程的实际数据进行仿真实验,实验研究表明该方法可以有效地将碱液浓度控制在工艺要求的区间内。     

Data reconciliation strategy with time registration for the evaporation process in alumina production

In real industrial production, many mass and heat transfer processes are influenced by high temperature, high pressure, and even strong acid or alkali conditions. In addition, some important variables cannot be measured and chemical compositions are analyzed offline with a long time delay, which leads to inaccurate measurements of the process data. In this paper, a layered data reconciliation (LDR) method based on time registration is proposed to improve the measurement accuracy and estimate unmeasured variables. Considering that the material cannot be tagged and tracked in process manufacturing, a temporal and spatial matching strategy for the process data is designed based on a time‐correlation analysis matrix which is determined to describe the correlation of each time sequence in the data matrix. Then, a layered data reconciliation model with time registration is developed by reconciling the mass balance layer and the heat balance layer separately and stepwise, and the model is solved by the state transition algorithm. Meanwhile, regular terms and engineer's knowledge are introduced into the data reconciliation model to solve the problem of insufficient redundancy. The industrial verification results from the actual industrial evaporation process indicate that the accuracy of measured values is improved by using the proposed reconciliation strategy.     

浮选工艺指标KPCA-ELM软测量模型及应用

精矿品位和尾矿品位是浮选过程重要的工艺技术指标,其难以实现在线检测,且与过程控制变量具有强非线性、不确定性等综合复杂特性,难以直接采用精确的数学模型描述,主要依靠人工化验分析。人工采样化验周期较长,难以满足控制要求,使得浮选精矿品位偏低,尾矿品位偏高,因此建立浮选品位指标的软测量方法受到工业界广泛关注。在分析浮选过程工艺指标相关影响因素的基础上,建立一种基于主元分析KPCA(kernel principal component analysis)和极限学习机ELM(extreme learning machine)的软测量模型。为了消除离群点对软测量模型精度的影响,采用基于稳健位置估计的方法识别离群点,利用核主元分析对软测量模型的输入数据进行降维,提取非线性主元,然后用极限学习机进行建模。该建模方法已成功应用于中国西北某选矿厂浮选车间,工业应用结果表明该方法有很高的预报精度,对生产有一定的指导意义。     

基于改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量

针对氧化铝蒸发过程铝酸钠溶液浓度难以在线检测问题,提出了改进差分进化和最小二乘支持向量机的铝酸钠溶液浓度软测量建模方法。首先基于灰色关联分析和核主成分分析确定模型的输入变量,再用改进差分进化算法的最小二乘支持向量机构建软测量模型。并与DE-LSSVM软测量模型进行比较;最后应用蒸发过程生产数据进行验证,结果表明,新模型具有更好的学习能力和泛化性能且预测精度更高,可为蒸发过程操作优化提供必要的指导。     

基于时效关联分析的氧化铝蒸发过程多重时滞辨识

将流程工业中物料在每个单元的滞留时间以整数序列的形式表示,根据时滞序列将原始数据重新匹配生成新的数据矩阵。定义时效关联分析来描述数据矩阵中各个时间序列之间的相关性并使用H_∞范数进行量化,将多重时滞辨识问题转化为求取最大H_∞范数的问题。最后采用离散状态转移算法进行快速求解,得到最优时基序列即为辨识得到的多重时滞。将所提方法用于氧化铝蒸发过程的多重时滞辨识,将辨识出的多重时滞用于预测模型数据的预处理,预测模型的准确性提高了34.4%,验证了辨识方法的有效性。     

基于(火用)分析的氧化铝多效蒸发过程液位优化设定方法

在拜耳法生产氧化铝多效蒸发过程中,各蒸发器液位是影响流程各个参数的重要变量,对整个蒸发过程的优化操作十分重要。但实际生产中各效蒸发器液位的设定值通常是一个较大的范围,难以优化运用。针对此问题提出了一种基于(火用)分析的多效蒸发流程液位优化设定方法。在对液位作用机理分析的基础上,基于整个流程的实际生产数据,拟合得到了每效包含液位随其他参数变化的关系模型。结合蒸发流程物料平衡关系以及(火用)分析方法,建立了综合(火用)效率评价指标的能耗优化模型。最后,采用两种不同约束处理技术和状态转移算法,计算了不同酸洗周期下的各效蒸发器最优液位,得到了优化目标随各个效液位高度变化的关系曲线。     

基于高斯过程和贝叶斯决策的组合模型软测量

为了提高化工生产过程中软测量建模的估计精度,提出了一种基于高斯过程和贝叶斯决策的组合模型建模方法。该方法在对原始数据进行分类的基础上,利用高斯过程对每个子类建立软测量子模型,通过贝叶斯决策方法实现模型的联合估计输出。将该建模方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统的开关切换或加权组合多模型,该组合模型能在实际生产中充分利用样本信息,使得具有更高的估计精度和更强的泛化性能。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...