基于近邻距离加权主元分析的故障定位

随着现代工业过程越来越复杂,采集到的数据量也越来越大,数据集中各个变量之间存在相互影响,一些传统的故障定位方法不能达到满意的定位效果.因此,在主元分析(PCA)故障定位方法的基础上,采用正常工况样本近邻距离对样本进行加权的方法,将每个样本与其最近邻样本的距离作为加权因子,削弱变量之间的相互影响,降低拖尾效应,改进PCA的故障定位效果.首先,对样本进行预处理并加权;然后,利用加权后正常工况的样本建立主元监视模型,在线监视过程中,在发生故障时刻,根据之前建立的模型计算相应时刻加权样本的重构监视统计量和每个变量的重构贡献值,通过最大贡献率法对变量进行逐步定位;最后在数值案例和TE过程进行仿真研究,并与基于PCA故障定位方法进行比较,结果表明了所提方法的有效性.     

基于灰理论及遗传算法构建神经网络的工程设计方法

研究工程设计变量对优化结果的影响程度,分析并简化输入变量对输出结果的约束限制.通过实验获得样本,并将样本的期望值同采用遗传算法构建的神经网络的模拟值作灰关联序列分析,从序列分析中删除对设计结果影响较小的设计变量,从而直观获得设计变量对输出结果的影响规律.采用多次设计变量对设计结果的分析,最终寻找出解决工程设计问题的合适设计变量信息,从而解决具体工程设计问题.通过对机械搅拌釜的气含率与结构参数间的灰关联分析,验证了该工程设计方法的有效性,该设计变量的分析方法为解决具体工程问题提供了很好的设计思路.     

广义Poisson单样本函数的刻划

本文对广义Poisson单的跳线和样本函数进行了刻划.证明了广义Poisson单的跳线是正规阶梯折线,它的样本轨道是灯函数.     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

基于抽样盲数的煤与瓦斯突出不确定性预测

为了分析煤与瓦斯突出预测输入变量的不确定性对于预测结果的影响,提出一种采用抽样盲数的估计法.在不确定变量的取值置信区间内进行分段,用每一段区间的均值及取值概率作为样本反映该区间的不确定信息,以不确定变量的各个样本的集合作为反映其不确定信息的抽样盲数.分别将各个输入变量的抽样盲数的样本组合作为预测器的输入进行预测,得到反映煤与瓦斯突出预测结果不确定性的抽样盲数,从而得出煤与瓦斯突出预测结果的概率分布及置信区间.结果表明:所建议的方法是可行的,它不仅可以处理任意概率分布的不确定性信息,还能避免卷积运算从而减少了计算量,且具有能够反映出煤与瓦斯突出各个级别的可能性的优点.3组检验样本的预测煤与瓦斯突出级别为A,D和A的概率分别为0.9045,0.7775和0.9893,与实际结果相符.     

类多变量方程误差类系统的递阶多新息辨识方法

根据递阶辨识原理,研究了类多变量方程误差系统和类多变量方程误差ARMA系统递阶随机梯度方法和递阶梯度迭代方法、递阶最小二乘方法和递阶最小二乘迭代方法.进一步利用多新息辨识理论,推导了递阶多新息梯度辨识方法和递阶多新息最小二乘辨识方法.为减小计算量,推导了基于滤波的类多变量方程误差ARMA系统递阶辨识方法和递阶多新息辨识方法.讨论了几个典型辨识算法的计算量,并给出了计算参数估计的步骤.     

常态或非常态网络最小维标准状态方程的列写

本文讨论了从广义状态方程（ＭＸ＝ＡＸ＋ＢＵ）获得最小维标准状态方程的算法．当Ｍ阵奇异，将Ｍ阵化为阶梯阵，消去多余变量；当Ａ陈奇异，通过变量替换，将Ａ奇异化为Ｍ奇异．仍用阶梯阵方法，使Ｍ、Ａ阵都非奇异，进而获得最小维状态方程．     

基于高斯和非高斯双子空间SVM的故障检测

为了降低样本间的自相关性对支持向量机(SVM)检测性能的影响,提出一种基于高斯和非高斯双子空间SVM(DSSVM)的故障检测方法.首先运用Kolmogorov-Smirnov(KS)检验原始数据中过程变量的正态分布特性,将过程变量划分为高斯子空间和非高斯子空间,并建立基于PCA的高斯子空间和IC A的非高斯子空间故障检测模型;分别对主元矩阵和独立元矩阵引入时滞特性和时差输入特性,该特性的引入能够降低样本间的自相关性;最后将引入时滞和时差特性的矩阵进行组合,运用SVM模型对其进行故障检测和监视.将该方法运用于多变量数值仿真和田纳西-伊斯曼工业过程,并与PCA、ICA、SVM和基于变量分布特征的统计过程检测方法(VDSPM)比较,仿真实验结果进一步验证了该算法的有效性.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

对神经网络污染预报建模的影响因素

为了通过大气环境质量的预测提出有效的污染防治措施,作者采用伦敦市PM_(2.5)的小时监测数据,利用传统的BP神经网络建立预报模型,定量预测伦敦市PM_(2.5)的小时平均质量浓度,探讨了大气污染预报网络的建模过程中,扩大样本集、去除样本集数据噪声和在输入向量中加入气象变量等因素对建模所产生的影响.最后得出结论,适当选择样本集、加入气象变量,有利于提高所建网络模型的预测精度.