有偏最小最大概率模型及在汽油属性预测中的应用

汽油属性的在线预测多采用无偏估计方法建立的近红外定量分析模型实现,累积预测误差的正负偏差范围难以控制,这会严重影响汽油调合优化控制的投运效果.针对这一问题,本文提出了一种采用有偏估计实现油品属性在线预测的方法.首先从最小最大概率学习机出发,提出了有偏最小最大概率回归模型.然后利用即时学习方法设计了有偏回归模型的局部建模与更新策略,用以提高回归模型的自适应能力.最后在国内某炼厂汽油调合过程中采集的工业数据上进行实验,结果表明该方法与传统方法相比具有明显优势,有利于大幅度提高调合优化控制的投运率.     

融合互信息与慢特性的火电机组异常监控

以大型火电机组为研究对象,提出了一种基于互信息(MI)和慢特性分析(SFA)的异常工况检测方法,用于提高工业过程中异常工况检测的准确率和效率。首先,根据过程变量和故障标签的MI值选取高于设定阈值的过程变量;然后,利用慢特征算法提取出特征矩阵,使用两种新的指标计算统计量,通过潜在变量模型的慢特征来检测过程数据的异常;最后,将该方法应用于汽轮机和引风机异常工况案例中,与传统算法的对比实验分析表明该方法有较强的工程应用价值。     

改进的证据K近邻异常工况检测及应用

大型火力发电系统复杂,诱发异常工况的因素多、难以检测,并且过程数据中故障案例少,有标签的故障样本不完备,难以建立有效的异常工况检测模型。针对这些问题,提出一种基于证据K近邻的异常工况检测方法。首先,基于斜坡系数完成对历史数据稳态工况的划分,便于建立工况模型;然后,基于工况数据的局部密度构建证据体,确定异常工况检测边界;在线应用时,过程数据的异常特性由证据体根据K近邻原则判定。所提方法在模型构建与应用时不需要完备的有标签样本,建模效率高,模型更新维护较为方便。案例分析表明,所提方法与主成分分析(PCA)、基于K近邻的故障诊断(FD-KNN)、证据K近邻(EKNN)方法相比具有较低的误报率和漏报率,具有较好的工程应用价值。