基于环路能量聚类的多模型软测量建模

在多模型软测量建模中,对于新的数据以及异常样本点,传统的聚类方法没有充分考虑它们的特性,因而所属类别往往不能反映其真实属性,最终导致模型精度不高.为此,提出一种基于最小环路能量聚类的算法,该方法将样本聚类转化为寻找一个最小能量环问题,通过模拟退火算法搜索一条经过所有样本点的最小能量环实现样本集的聚类;对侦破出的异常样本点和新的测试数据根据其能量值确定其所属属性,从而提高聚类和分类精度;然后利用支持向量机为各个子类建立回归子模型,得到软测量组合模型.将该方法应用于双酚A生产过程质量指标的软测量建模中,仿真结果验证了该方法的有效性.     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变,单一的软测量模型难以满足系统对估计精度的要求,提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离,自适应地确定邻域半径,并引入局部密度用于确定聚类中心,对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取,建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模,仿真结果验证了该方法的有效性。     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变，单一的软测量模型难以满足系统对估计精度的要求，提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离，自适应地确定邻域半径，并引入局部密度用于确定聚类中心，对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取，建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模，仿真结果验证了该方法的有效性。     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

基于在线聚类和关联向量机的多模型软测量建模

针时软测量样本具有按工况点聚类的特性,提出一种基于在线聚类和关联向量机的多模型软测量建模方法.聚类算法通过设定各辅助变量的权重、按引力原理聚类以及合并子聚类,可把样本按照不同的工作点进行聚类.子模型通过关联向量机实现概率化预测,并采用一种更加有效的核参数选择算法提高算法速度.该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系.统中取得了良好的效果.     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中,通过在线聚类算法改善vSVR模型参数选择算法的稳定性,并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于聚类的多模型软测量建模及其应用

实际生产中往往存在对产品质量影响重大、但又难以在线测量的一些参数(只能离线测量与分析)。本文提出一种基于聚类的多模型建模方法对这些难以在线测量的参数实现软测量,将相关性分析、主元分析(PCA)、聚类和多模型建模应用于软测量建模中,构建一种实现重要参数软测量的基本框架:首先,基于相关度分析进行辅助变量的选择,然后用主元分析进行数据的进一步降维,再用k-means聚类与多模型建模思想相结合。最后将提出的思想和方法应用于某精馏塔组分的软测量中,仿真结果表明,测量精度有了较大的提高。     

一种基于多模型融合软测量建模方法

针对锌湿法冶炼净化过程中钴离子浓度LS-SVM软测量建模方法精度低的问题,将最小二乘支持向量机（LS-SVM）和自回归滑动平均模型（ARMA）融合建立钴离子浓度融合软测量模型,首先通过离子浓度序列的小波变换获得序列的低频和高频子序列,对各子序列分别进行相空间重构,并在相空间中分别建立最小二乘支持向量机模型,然后将各模型的输出利用小波重构整合得到钴离子基于LS-SVM软测量结果,利用自回归滑动平均模型对基于LS-SVM模型输出误差信息进行建模,通过对两个模型的融合,获得融合模型的软测量估计值。将该方法应用于锌液净化除钴段入口钴离子浓度的软测量,结果表明该方法比单一的LS-SVM方法具有更好的泛化性能和测量精度,显示出良好的应用潜力。     

A Design methodology of a soft sensor based on local models

A soft sensor is an empirical model, which estimates variables that is infeasible to measure on-line from other correlated variables. Because constructing a soft sensor is a process of data based empirical modeling, the homogeneity in the training data set is very important. If a process experiences a wide operation range or lasting significant disturbances, the data homogeneity is damaged and frequently results in several sub-clusters, which causes the prediction power of a soft sensor to be degraded. In this paper, we proposed a modeling procedure that involves classification of training data and subclass modeling. PLS and NLPLS are adopted selectively as the subclass modeling algorithm and wavelet coefficients thresholding is used to remove noises contained in signals without severe distortion of the signals. Also, weighted X variables based on Variable Importance to Projection(VIP) through exploratory PLS are used to enhance the performance of the subclass models. The proposed methodology has been illustrated using an application to the development of a soft sensor for composition estimation of a binary distillation column simulated with HYSYS. The soft sensor based on the proposed scheme has shown better performance and robustness.     

基于自动谱聚类与多极端学习机模型的油井油液含水率软测量

油井油液的含水率是石油生产中的一个重要参数,及时、准确的测量对提高采油生产效率具有重要的意义。针对传统人工测量所存在的不足,引入软测量技术,建立基于自动谱聚类与多极端学习机（automatic spectral clustering-multiple extreme learning machines, ASC-MELM）的软测量模型。提出一种自动谱聚类（spectral clustering, SC）算法,由改进的萤火虫算法（firefly algorithm, FA）对聚类数目和尺度参数进行优化选取,所提出的改进萤火虫算法（improved firefly algorithm, IFA）采用以一定概率跳出当前解的机制,避免传统FA过早陷入局部最优解的不足;对聚类后的不同训练子集,分别由极端学习机（extreme learning machine, ELM）建立子模型,由IFA对其中的隐含层输入权值、隐含层神经元的偏置和隐含层节点个数进行优化选取;最后,将多个子模型的结果取加权平均值输出。由国内某油田作业区一口生产井进行实例验证,结果表明所提出方法具有较高的预测精度,对于实现油井油液含水率的软测量是合理有效的。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入（locally linear embedding, LLE）和测地线流式核（geodesic flow kernel, GFK）相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

基于改进的快速搜索聚类算法和高斯过程回归的催化重整脱氯前氢气纯度多模型建模方法

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。     

基于FCMISVM的自适应软测量建模算法及其在PX吸附分离过程中的应用

To overcome the problem that soft sensor models cannot be updated with the process changes, a soft sensor modeling algorithm based on hybrid fuzzy c-means (FCM) algorithm and incremental support vector machines (ISVM) is proposed. This hybrid algorithm FCMISVM includes three parts: samples clustering based on FCM algorithm, learning algorithm based on ISVM, and heuristic sample displacement method. In the training process, the training samples are first clustered by the FCM algorithm, and then by training each clustering with the SVM algorithm, a sub-model is built to each clustering. In the predicting process, when an incremental sample that represents new operation information is introduced in the model, the fuzzy membership function of the sample to each clustering is first computed by the FCM algorithm. Then, a corresponding SVM sub-model of the clustering with the largest fuzzy membership function is used to predict and perform incremental learning so the model can be updated on-line. An old sample chosen by heuristic sample displacement method is then discarded from the sub-model to control the size of the working set. The proposed method is applied to predict the p-xylene (PX) purity in the adsorption separation process. Simulation results indicate that the proposed method actually increases the model’s adaptive abilities to various operation conditions and improves its generalization capability.     

基于改进聚类和加权bagging的多模型软测量建模

针对化工生产过程中软测量模型估计精度的问题,提出一种基于改进聚类和加权bagging的多模型建模方法。该方法在传统FCM聚类的基础上,利用K-近邻处理进一步降低错分率,改善聚类效果;通过相关性分析对训练样本集进行特征分组,将原始集划分为多个特征集;最后根据加权bagging的集成学习算法,融合支持向量机自适应地实现多模型建模。仿真结果表明,该建模方法可以合理地加权分配特征子模型,使得模型估计精度得到提高,具有更强的泛化能力。     

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。     

A multi-model approach for soft sensor development based on feature extraction using weighted kernel fisher criterion简

Multi-model approach can significantly improve the prediction performance of soft sensors in the proc- ess with multiple operational conditions. However, traditional clustering algorithms may result in overlapping phe- nomenon in subclasses, so that edge classes and outliers cannot be effectively dealt with and the modeling result is not satisfactory. In order to solve these problems, a new feature extraction method based on weighted kernel Fisher criterion is presented to improve the clustering accuracy, in which feature mapping is adopted to bring the edge classes and outliers closer to other normal subclasses. Furthermore, the classified data are used to develop a multiple model based on support vector machine. The proposed method is applied to a bisphenol A production process for prediction of the quality index. The simulation results demonstrate its ability in improving the data classification and the prediction performance of the soft sensor.