基于3MAD-PCA的软测量数据过失误差侦破

经典PCA是一种对软测量建模数据进行误差侦破的方法,但当数据中存在单变量大误差时,该方法不能准确确定主元(PC),从而影响了误差侦破效果.针对这一情况,结合单变量误差侦破技术提出了3MAD-PCA方法.该方法首先用3MAD对数据分别进行单变量误差侦破,再利用经典PCA进行多变量误差侦破,提高了经典PCA方法的稳定性,有效实现了数据的过失误差侦破.用该方法对丙烯浓度的软测量数据进行过失误差侦破,取得了良好的效果.     

基于神经网络的多过失误差侦破方法的研究

基于神经网络的过失误差侦破方法具有简单、计算量小和适于在线应用的优点,并且相对于传统方法具有处理非线性问题能力较强的特点。但是在侦破多过失误差时,现有的直接侦破法和序列侦破法的侦破率较低。针对这一情况,本文提出了将神经网络和测量数据检验法相结合的侦破多过失误差的新方法,该方法首先利用神经网络较强的鲁棒性和容错能力对数据进行处理,然后再进行过失误差侦破。实例研究表明,这种方法能够有效地提高多过失误差共存时的侦破能力。     

软测量技术的数据预处理方法研究

针对软测量技术在线实施时的数据预处理问题,提出了基于聚类分析的过失误差侦破方法。该方法不需过程的先验知识和假设,直接面向数据,可十分方便地在线实现。将该方法与滑动平均滤波算法相结合,可以有效处理过程测量数据的过失误差和随机误差,从而提高软仪表估计的精度。在二元精馏塔底产品组分浓度软测量仪表在线进行的仿真中,应用该方法进行数据预处理,使进入软测量模型的过程数据更接近真实值,取得了很好的效果。     

基于加权MMMD的软测量数据过失误差侦测

在基于聚类分析的软测量过失误差侦测中,针对不同变量对建模影响程度的不同,提出了基于加权MMMD聚类分析的过失误差侦测方法。该方法在聚类的相似度计算时,根据各辅助变量与主导变量的相关性,给每个变量加以不同的权值。在新的相似性度量基础上进行聚类,并侦测出过失误差。用该方法对丙烯浓度的软测量数据进行了过失误差侦测,并用剔除过失误差后的数据做了建模仿真。实验结果表明了新方法的有效性,并能提高软测量数据的整体质量。     

广义似然比过失误差侦破方法的改进及应用研究

准确可靠的测量数据是工业过程优化和控制的重要前提,实际过程中由于过失误差的存在导致测量数据不准确,而传统的过失误差侦破方法常会出现过失误差分摊到其他测量数据上的现象.本文在研究广义似然比法(GLR法)过失误若侦破的原理及步骤的基础上,对GLR法的检验统计量进行改进,提出了2个变量同步侦破补偿的两两同步侦破法,即每次同时用2个变量计算检验统计量,并对相埘调节量大的测量数据进行补偿.两两同步侦破法与GLR法的实例考核结果表明,在相同显著性水平下,两两同步侦破法的总体检验能力和选择性比GLR法高,且犯第1类错误的概率比GLR法小.因此新方法提高了过失误差侦破率,降低了犯第1类错误的概率,能有效地对过失误差进行侦破和识别,且同步补偿后得到的补偿值更准确,有利于获得较为准确的过程数据.     

用于过失测量数据侦破与校正的改进MT-NT算法

介绍了一种用于过失误差侦破和校正改进的MT-NT算法。改进后的算法采用逐次侦破、校正的策略,有效地解决了在侦破过失误差过程中出现的系数矩阵降秩问题,减少了运算量,增加了信息的可用性和完整性。给出了该算法的框图及步骤,并采用面向对象的方法和C 十语言编制出了过程测量数据校正软件。经过实例验证,该算法可有效侦破测量数据中的过失误差,避免了在运算过程中出现的系数矩阵降秩问题,具有一定的实用性。     

带误差校正的常压塔汽油干点软测量模型

根据误差反馈原理,设计出带误差校正的神经网络模型,并将其用于常压塔汽油于点软测量,建立带误差校正的软测量模型。它将开环软测量模型的预测误差反传,作为校正输入量送给带误差校正的软测量模型进行误差校正。最后结合常压塔工业实例,对汽油干点进行预测,±1℃的预测误差表明该模型比不带误差校正的软测量模型具有更高的精度。     

数据协调中测量数据方差–协方差估计及过失误差序列补偿算法

数据协调测量误差的方差-协方差矩阵(也称Q矩阵)通常是由操作人员根据仪表的精度事先给定的,由于没有考虑仪表精度的变化,很可能会造成数据的不一致或不准确.基于空间冗余的约束残差,本文提出了一种测量方差-协方差Q矩阵的估计方法,有效地减少了对Q矩阵先验知识的依赖.针对常见非线性或双线性问题,提出了估计方法的应用方案.并给出了侦破过失误差的序列补偿法.最后,某焦化厂的应用示例表明.该方法对于获得Q矩阵的最初估计和侦破过失误差是有效的.     

一种基于函数型连接神经网络的过失误差检测方法

在实际生产过程中,以往较多采用最优化方法和统计理论相结合的方法来实现过失误差的检测,但存在计算量大和不适于在线应用的缺点.本文提出一种新的基于函数型连接神经网络的过失误差检测方法,并应用于精馏过程.仿真结果证明了该方法的可用性.     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

显著误差检测的改进SICC算法

提出了一种改进的SICC(顺序识别显著误差并同步补偿)算法．改进后的算法利用时间冗余性，加入对过程测量变量的上下限约束，避免了显著误差的误判．并且通过对显著误差进行逐步的幅度补偿，再采用MT（测量残差检验）法找出候选显著误差集，避免了投影矩阵的计算．通过加入必要的回路检测，避免了幅度补偿后矩阵奇异性的产生．对蒸汽系统过程网络进行仿真研究，仿真结果表明了改进算法的有效性．     

制浆蒸煮过程中基于预测误差估计器的软测量方法研究与应用

针对文献[1]提出的软测量模型在工厂的实际应用中所存在的问题,提出了基于预测误差估计器的校正方法,实际应用表明,该方法有效的,因而具有实用价值。     

非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量回归方法

化工厂中过程数据的质量严重影响到来自例如性能监控, 在线优化和控制等活动所获得的效益和性能. 由于许多化工过程通常表现为非线性动态特性, 例如扩展卡尔曼滤波(EKF)和非线性动态数据协调(NDDR)等技术已经被发展出来改进数据的质量. 近期, 迭代非线性动态数据协调(RNDDR)技术已被提出, 该技术结合了EKF和NDDR技术的优点. 但是, RNDDR技术不能够处理具有显著误差的测量值. 本文中, 一种非线性动态系统中迭代的同步数据协调与显著误差检测的支持向量(SV)回归方法被提出. SV回归是一种经验风险和结构风险间的妥协, 并且对于数据协调来说, 其对随机误差和显著误差是鲁棒的．通过将结构风险取代RNDDR中的极大似然估计并使其最小化, 我们的方法不仅可以实现迭代非线性动态数据协调, 还可以同时实现显著误差检测. 本文中的非线性动态系统仿真结果显示出, 所提出的方法在迭代实时估计框架下, 对于非线性动态系统的同步数据协调和显著误差检测是鲁棒、稳定并且精确的. 该方法也可以提供更好的控制性能.     

测量显著误差的F检验法

显著误差检测是数据校正技术中必不可少的一环,以往的显著误差检测方法绝大多数都是基于测量残差和约束残差这两个统计量展开研究的.基于测量残差的检测方法首先需要对测量数据进行数据协调,这就会将显著误差分散到各个测值中去,从而会对显著误差的位置做出错误的判断.基于约束残差的检测方法只能对节点的平衡性进行判断,而无法确定显著误差的具体发生位置.为此,本文通过构造一个基于测量值比例关系的F统计量,并与约束残差统计量相结合,对稳态过程中出现的显著误差进行检测.通过对工业数据的仿真结果表明此方法对显著误差十分敏感,其各项性能指标均符合实际工业要求,具有较高的可信度和可应用性.     

基于改进的MoCo的遥感图像目标检测

卫星遥感图像的智能化处理存在着处理标注时标准不统一、数据分布不均匀的问题,导致有效样本不多、目标检测效果较差的现象。针对这种现象,提出一种基于MoCo无监督对比学习模型的目标检测算法,目标检测的框架采用以ResNet50为骨干网络的YOLOv5,使用对比学习得到的ResNet50的权重作为固定值不进行梯度迭代参与YOLOv5下游的检测任务训练。对比学习实验在AID数据集上进行,改进的MoCo v2的top-1精度最高达到95.888%。在下游的检测任务中,使用的是TGRS-HRRSD数据集,改进MoCo v2的预训练权重的mAP@.5:.95精度达到67.8%,较不使用预训练权重提高了5.6个百分点。结果证明改进的MoCo对比学习模型的有效性,在对比学习之后的下游检测任务中,检测精度也有所提高。     

基于神经网络的软测量技术

本文对基于人工神经网络的软测量技术进行了综述与分析,给出了基于神经网络软测量技术摹一般步骤以及开发过程中需要注意的问题。     

Cross-source Data Error Detection Approach Based on Federated Learning

With the emergence and accumulation of massive data, data governance has become an important manner to improve data quality and maximize data value. Specifically, data error detection is a crucial step to improve data quality, which has attracted wide attention from both industry and academia. At present, various detection methods tailored for a single data source have been proposed. However, in many real-world scenarios, data are not centrally stored or managed. Data from different sources but highly correlated can be employed to improve the accuracy of error detection. Unfortunately, due to privacy/security issues, cross-source data are often not allowed to be integrated centrally. To this end, this paper proposes FeLeDetect, a cross-source data error detection method based on federated learning, so as to improve the error detection accuracy by using cross-source data information on the premise of data privacy. First, a Graph-based Error Detection Model, namely GEDM, is presented to capture sufficient data features from each data source. On this basis, the paper then designs a federated co-training algorithm, namely FCTA, to collaboratively train GEDM by using different cross-source data without privacy leakage of data. Furthermore, the paper designs a series of optimization methods to reduce communication costs during federated learning and manual labeling efforts. Finally, extensive experiments on three real-world datasets demonstrate that (1) GEDM achieves an average improvement of 10.3% and 25.2% in terms of the $F1$ score in the local and centralized scenarios, respectively, outperforming all the five existing state-of-the-art methods for error detection; (2) the F1 score of the error detection by FeLeDetect is 23.2% on average higher than that by GEDM in the local scenario.     

基于数据挖掘的雷达探测目标误差测量技术

传统技术缺少对数据处理部分,导致测量误差较大,为了避免该技术对雷达测量带来的弊端,提出了基于数据挖掘的雷达探测目标误差测量技术研究。在小波变换下对雷达采集到的图像进行去噪处理,通过构建网络层识别模型进行图像切割、归一化处理,由此设计具体识别流程。为剔除冗杂多余且空洞无用数据,对其进行相应的转换、集成和匹配,将数据处理成一致形式,以此读取雷达数据文件,完成数据预处理。依靠决策树在SQL Server 2005中进行误差数据挖掘,由此完成雷达探测目标误差测量。假设四种雷达运动轨迹目标类型,如此进行雷达仿真验证分析,由实验结果可知,该技术误差测量精准度与实际值相差较小,最大误差为2.0公里,在实际误差允许范围内,为雷达精准探测奠定基础。