高炉炼铁过程多元铁水质量指标多输出支持向量回归建模

针对高炉炼铁过程铁水温度、Si含量、S含量、P含量等关键质量指标难以直接在线检测,且离线化验过程滞后严重的难题,建立基于建模精度综合评价与遗传参数优化的铁水质量(molten iron quality,MIQ)多输出支持向量回归(multi-output support vector regression,M–SVR)动态模型,用于对高炉铁水质量指标进行在线估计.与常规单输出SVR建模不同,M–SVR可一次确定多个分类超平面,从而可实现多元铁水质量指标的多输出建模:建模精度综合评价指标从模型估计趋势以及估计误差等方面综合评价建模性能;以建模精度综合评价指标为适应度函数,采用遗传算法对M–SVR的伸缩向量和惩罚因子参数进行全局寻优,从而获得具有最优参数的GA–M–SVR动态模型.在某钢铁厂2#高炉的工业实验表明:所提GA–M–SVR模型能够根据实时输入数据的变化对多元铁水质量参数进行准确估计.     

应用Hammerstein模型辨识受相关噪声扰动的非线性系

本文提出了一种用于Ｈａｍｍｅｒｓｔｅｉｎ模型参数估计的偏差补偿最小二乘法。当观测数据被未知有色噪声污染时，应用本文方法可在缺少任何有关噪声先验信息的情况下实现参数的渐近无偏估计。     

基于支持向量机的发酵过程建模研究

发酵过程有众多关键性的变量难以在线检测,给过程优化策略的有效实施带来了障碍。最小二乘支持向量机（LS-SVM）是标准支持向量机（SVM）的一种扩展,LS-SVM算法精度高,速度快,适合于在线预估。将该算法用于青霉素发酵过程建模,用具有RBF核函数的LS-SVM建立菌体浓度、青霉素浓度的模型,并通过仿真实验与标准支持向量机进行比较。结果表明,最小二乘支持向量机是青霉素发酵过程建模与控制的一种有效的方法。     

无轴承永磁同步电机最小二乘支持向量机非线性建模

无轴承永磁同步电机的磁链特性表现为严重的非线性, 常规的解析法所建立的模型难以准确反映无轴承永磁同步电机的实际特性. 因此, 提出利用最小二乘支持向量机建立无轴承永磁同步电机非线性模型的新方法. 在介绍最小二乘支持向量机回归理论的基础上, 利用有限元法得到的样本建立了无轴承永磁同步电机的最小二乘支持向量机非线性模型, 并与神经网络方法进行了比较. 仿真结果表明, 所建模型具有较好的鲁棒性和预测精度. 最后给出了应用该模型实现无轴承永磁同步电机优化控制的方法.     

基于最小二乘支持向量机的热电偶非线性辨识研究

热电偶的电动势和温度之间的函数关系是一种非线性关系。对热电偶进行精确的非线性辨识是提高温度测试精度的关键。采用最小二乘支持向量机方法解决热电偶的非线性辨识问题,可以实现热电偶电动势和温度之间的高精度辨识。该方法采用LS-SVM构建逆模型,并通过该模型映射热电偶的非线性特性。通过K型热电偶的非线性辨识实验结果表明:所提出的LS-SVM模型能很好地拟合热电偶的非线性特征,辨识精度高,误差在0.3℃以内。     

高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足, 本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks, RVFLNs)算法, 用于实现MIQ指标在线估计的鲁棒建模.首先, 为了提高建模效率和降低计算复杂度, 采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量; 其次, 由于传统RVFLNs网络的输出权值由最小二乘估计获得, 易受离群数据影响而鲁棒性差, 引入基于Gaussian分布加权的M估计技术, 提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型; 同时, 在鲁棒加权后的最小二乘损失函数基础上, 进一步引入${L_1}$和${L_2}$两个正则化项以构成优化目标函数的Elastic net, 用于稀疏化RVFLNs网络的输出权值矩阵, 解决RVFLNs网络多重共线性和过拟合的问题.最后, 基于某大型高炉工业数据, 进行充分数据实验, 结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.     

高炉铁水质量均方根误差概率加权集成学习建模

高炉炼铁是一个物理化学反应复杂、多相多场耦合的大滞后、非线性动态密闭系统,其关键质量指标―铁水温度、Si含量、P含量、S含量难以直接在线检测,且离线化验过程滞后严重.针对这一实际工程难题,本文提出一种基于均方根误差概率加权集成学习建模算法,用于高炉多元铁水质量的预测建模.首先,为了提高建模数据质量,对高炉原始数据进行时间粒度的统一、数据归一化等数据预处理操作;为了提高建模效率和降低计算复杂度,采用灰色关联分析法提取与多元铁水质量指标关联度最强的关键变量作为建模输入变量.然后,为了提高建模的精度,提出一种均方根误差概率加权集成随机权神经网络(RVFLNs)算法.该算法采用具有快速建模速度的RVFLNs为子模型,使用核密度估计方法估计出子模型的均方根误差概率密度函数曲线,进而求出每个子模型的均方根误差概率并作为自身权重进行加权求和,得到最终的均方根误差加权集成RVFLNs模型.最后,数值仿真验证和工业试验表明:所提算法能够根据实时输入数据的变化对多元铁水质量进行快速准确的预测.     

AFM压电陶瓷驱动器类Hammerstein建模与参数辨识

AFM( Atomic Force Microscope,原子力显微镜)中的压电陶瓷驱动器具有率相关迟滞非线性特性,这会影响AFM的扫描和定位精度。针对传统静态迟滞模型不能反映系统率相关动态迟滞特性的缺陷,提出Hammerstein模型以描述压电陶瓷驱动器的静态和动态迟滞特性。利用最小二乘支持向量机结合奇异值分解法对模型中的参数进行辨识。实验结果表明,模型能体现压电陶瓷驱动器的率相关迟滞特性,精度高于传统静态迟滞模型,建模方法对此类系统具有较好的应用价值。     

基于LS-SVM辨识的温度传感器非线性校正研究

针对人工神经网络等传统方法的不足,提出了一种利用最小二乘支持向量机(LS-SVM)的热电偶非线性校正方法。在该方法中,根据正反馈原理构造形式为幂级数展开模型的非线性补偿器,并利用LS-SVM线性回归算法辨识该补偿器幂级数序列模型的系数。通过该补偿器之后,热电偶可得到理想的线性特性。最后,对铂铑30—铂铑6热电偶(B型)进行非线性校正实验,实验结果表明:在0~1 820℃范围内,校正后系统的线性度小于0.035 3。因此,所提方法有效,且能应用于其他相似系统的非线性校正。     

集成自编码与PCA的高炉多元铁水质量随机权神经网络建模

针对随机权神经网络（Random vector functional-link networks,RVFLNs）建模存在的过拟合和泛化能力差的问题,集成自编码（Autoencoder）和主成分分析（Principal component analysis,PCA）技术,提出一种新型的改进RVFLNs算法,即AE-P-RVFLNs算法,用于建立高炉多元铁水质量在线估计的NARX（Nonlinear autoregressive exogenous）模型.首先,为了尽可能挖掘实际复杂工业数据中的有用信息和充分揭示输入数据之间的内在关系,采用Autoencoder前馈随机网络技术训练建模输入数据,并将训练得到的输出权值作为后续RVFLNs的输入权值;然后,引入PCA技术对RVFLNs的高维隐层输出矩阵进行降维,避免隐层输出矩阵多重共线性问题,从而解决由于隐层节点过多导致模型过拟合的问题;最后,基于所提AE-P-RVFLNs算法建立某大型高炉多元铁水质量在线估计的NARX模型.工业实验和比较分析表明：采用本文算法建立的多元铁水质量在线估计模型可有效提高运算效率和估计精度,尤其是避免常规RVFLNs建模存在的过拟合问题.     

基于动态注意力深度迁移网络的高炉铁水硅含量在线预测方法

铁水硅含量是反映高炉冶炼过程中热状态变化的灵敏指示剂, 但无法实时在线检测, 造成铁水质量调控盲目. 为此, 提出一种基于动态注意力深度迁移网络(Attention deep transfer network, ADTNet)的高炉铁水硅含量在线预测方法. 首先, 针对传统深度网络静态建模思路无法准确描述过程变量与铁水硅含量之间的关系, 提出一种基于注意力机制模块的输入过程变量与输出硅含量之间的动态关系描述方法; 其次, 为降低硅含量预测模型训练时对标签数据的依赖, 考虑到铁水温度与硅含量数据之间的正相关性, 利用小时级硅含量标签数据微调基于分钟级铁水温度数据预训练好的深度模型的结构, 进而提高基于动态注意力深度迁移网络的硅含量预测精度; 同时, 为增强预测网络的可解释性, 实时给出了基于动态注意力机制模块计算的每个样本各过程变量对铁水硅含量的贡献度; 最后, 基于某钢铁厂2号高炉的工业实验, 验证了该方法的准确性、有效性和先进性.     

基于数据驱动多输出ARMAX建模的高炉十字测温中心温度在线估计

高炉（Blast furnace,BF）炼铁中,十字测温作为炉顶温度和煤气流分布监测的最主要手段,对高炉的安全、稳定和高效运行起着重要作用.然而,由于高炉炉顶中心部位温度较高,造成十字测温装置中心位置传感器极易损坏,并且更换周期长,因而无法及时判断炉顶煤气流分布.针对这一实际工程问题,本文基于时间序列建模思想,集成采用多输出自回归移动平均（Multi-output autoregressive moving average,M-ARMAX）建模、因子分析、Pearson相关分析、基于赤池信息准则（Akaike information criterion,AIC）与模型拟合优度联合定阶等混合技术,提出一种模型结构简单、精度较高且易于工程实现的十字测温中心温度在线估计方法.首先,提出利用因子分析与Pearson相关分析相结合的稳健特征选择方法选取多输出建模输入变量.然后,采用样本均值消去法预处理采集的高炉样本数据,使其成为离散随机数.基于离散随机数,建立算法简单、易于工程实现的M-ARMAX温度模型：为了克服传统基于AIC阶数确定造成模型阶次高、结构复杂的问题,提出在AIC准则基础上进一步引入模型拟合优度来选取模型最小阶,可保证模型估计精度的同时降低模型阶次;同时,采用可快速收敛的递推最小二乘算法辨识M-ARMAX模型参数,并用残差分析方法检验模型.工业试验和比较分析表明：建立的M-ARMAX模型能够根据实时数据同时对十字测温装置多个中心温度点进行准确和稳定估计,且模型估计误差符合高斯白噪声特性.     

支持向量机在高炉铁水温度预测中的应用

铁水温度是高炉冶炼过程的关键参数,是影响高炉稳定顺行及节能降耗的重要指标。以高炉炉内热状态的重要指示剂-铁水温度为研究对象,在综合利用K-means 聚类和支持向量机方法的各自优势和互补情况下,提出一种基于K-means 聚类的支持向量机预测铁水温度的方法,该方法首先将训练样本数据分为m 类,建立m 个支持向量机回归预测模型,同时采用粒子群算法优化模型参数; 其次建立m 个判别函数,判别待预测样本数据属于哪一类;最后将待预测样本数据代入相应类的回归模型中进行预测。相比标准支持向量机预测,得到了较高的预测精度。     

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.     

基于数据的一类部分未知仿射非线性系统近似解

针对一类部分未知仿射非线性系统无穷区间求解问题,利用在线采样数据,提出了 在线无偏最小二乘支持向量机(Least square support vector machines, LS-SVM)的方法. 首先,通过引入一个参数消除了LS-SVM的偏置项,避免了冗余计算,同时在优化目标中引入权值 函数,对靠近当前时刻的数据样本点赋予更高权重,提高了计算精度; 其次,采用滚动时间窗的方法,实现非线性系统无穷区间求解,并满足求解实时性要求;最后,通过 数值算例仿真验证了本文方法的有效性和优越性.     

基于多参数灵敏度分析与遗传优化的铁水质量无模型自适应控制

铁水硅含量(化学热)和铁水温度(物理热)是高炉炼铁过程最重要的铁水质量指标, 其建模与控制对于整个高炉炼铁过程的运行优化意义重大. 针对高炉炼铁过程极复杂动态特性以及铁水质量难以进行常规机理建模与控制的难题, 基于直接数据驱动控制思想, 提出一种基于多参数灵敏度分析与大规模变异遗传参数优化的高炉铁水质量无模型自适应控制方法. 首先, 基于紧格式动态线性化(Compact form dynamic linearization, CFDL)无模型自适应控制(Model free adaptive control, MFAC)技术确定铁水质量的多变量数据驱动控制器结构; 然后, 针对CFDL-MFAC众多可调参数对控制器性能影响大, 同时对众多参数整体优化非常耗时且效果不理想的问题, 基于多参数灵敏度分析(Multi-parameter sensitivity analysis, MPSA)技术, 提出基于大规模变异与精英局部搜索遗传优化的CFDL-MFAC控制器参数整定方法; 最后, 将参数整定后的CFDL-MFAC控制器应用到高炉炼铁过程多元铁水质量控制, 并与基于递推子空间辨识的数据驱动预测控制进行比较研究, 验证所提控制方法的有效性和先进性.     

SVM和基于PCA、PLS的SVM在非线性辨识中的比较研究

对于同一个非线性系统,比较单纯ε-不灵敏支持向量机方法和基于主元提取、基于偏最小二乘提取的ε-不灵敏支持向量机方法在输入相关和不相关两种情况下的拟合性能和抗干扰性能.仿真结果表明:当输入变量之间存在相关性时,基于特征提取的方法优于直接采用ε-不灵敏支持向量机的方法.     

SVM和基于PCA、PLS的SVM在非线性辨识中的比较研究*

对于同一个非线性系统,比较单纯ε不灵敏支持向量机方法和基于主元提取、基于偏最小二乘提取的ε不灵敏支持向量机方法在输入相关和不相关两种情况下的拟合性能和抗干扰性能。仿真结果表明：当输入变量之间存在相关性时,基于特征提取的方法优于直接采用ε不灵敏支持向量机的方法。