基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模

乙烯裂解深度的建模与控制对于裂解炉的实时优化具有重要意义。针对石脑油原料组分复杂、油品特性波动大等状况,采用模糊核聚类对石脑油数据库进行最优划分,建立最小二乘支持向量机的多模型,对于最小二乘支持向量机中模型的参数选取,利用差分进化算法进行参数寻优,提高了模型的精度和泛化能力。通过对现场数据的建模实验,结果表明：基于模糊核聚类的乙烯裂解深度最小二乘支持向量机多模型跟踪性能良好,预测精度较高。     

用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。     

用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。     

基于改进粒子群优化LSSVM的水泥熟料fCaO软测量

针对水泥熟料fCaO含量难以在线实时测量,提出了一种基于最小二乘支持向量机的软测量建模方法。针对最小二乘支持向量机模型的2个难点进行了改进:首先利用样本间的马氏距离来衡量样本的相似程度,删除样本中部分相似样本,提高最小二乘支持向量机模型的稀疏性,从而减小了模型的运算量。然后利用改进的粒子群优化算法对最小二乘支持向量机模型的2个重要参数进行迭代寻优,克服了常规交叉验证法或网格搜索法等参数选择方法的盲目性。最后将基于粒子群最小二乘支持向量机软测量模型用于熟料fCaO含量的实例仿真。结果表明,该方法具有收敛性好、预测精度高、泛化能力强等优点。     

基于LSSVM的溶剂油分离建模方法研究

针对传统支持向量机和单一模型建模的缺点,利用某炼油厂溶剂油分离过程中二侧线流量作为建模对象,对最小二乘支持向量机集成学习方法进行了研究。首先利用自适应系数加权模糊(AWFCM)聚类算法对训练样本进行聚类;然后对每一类数据使用最小二乘支持向量机建立子模型,并使用PLS合成函数得到最小二乘支持向量机集成模型;最后通过仿真实验来验证最小二乘支持向量机集成模型预测的精确性。结果表明,该算法在预测精度上有了较大的提高,对过程控制系统中分离效果的预测具有重要指导意义。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...     

基于差分进化算法-最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中存在的一类难以在线测量参数估计问题的有效方法,该技术的核心是建立优良的数学模型。支持向量机是基于统计学理论的一种机器学习方法,最小二乘支持向量机是一种扩展的支持向量机,相对于支持向量机具有较快求解速度。最小二乘支持向量机存在着参数选择的问题,针对这个问题,采用差分进化算法进行参数选择。提出基于差分进化算法的最小二乘支持向量机应用于软测量建模,并将其应用于对苯二甲酸中对羧基苯甲醛含量测试的软测量建模中,获得了满意的结果。     

基于PSO优化LS-SVM的气液两相流干度软测量

对标准孔板进行改进,设计了一种流出特性较好的锥形孔板。将锥形孔板压差脉动特性的经验公式与经过粒子群算法优化的混核最小二乘向量机模型结合,建立了气液两相流干度的软测量模型。该模型的优点是采取径向基核函数和多项式核函数的混合核函数兼顾了局部和全局的拟合能力,且通过对传统最小二乘向量机模型的参数优化,可减少对初始点和样本数量的依赖。实验结果表明,该预测方法可行,且比未经过优化的最小二乘支持向量机模型和经过优化的单核最小二乘向量机模型的泛化能力强,具有实际工程意义。     

基于人工蜂群算法优化LSSVM的蒸汽干度软测量

为了提高蒸汽干度测量的精确性,提出了基人工蜂群优化最小二乘支持向量机的干度软测量模型。首先利用人工蜂群算法对最小二乘支持向量机的核参数进行参数优化,然后利用优化后的最小二乘支持向量机干度测量模型对干度进行软测量,软测量结果表明基于人工蜂群优化的最小二乘支持向量机的测量效果满足了精度要求。最后运用最小二乘支持向量机和BP神经网络模型对干度进行了软测量,结果表明:基于人工蜂群优化的最小二乘支持向量机软测量模型具有测量精度高,测量稳定性好的优点。     

基于最小二乘支持向量机的非线性补偿器

针对工业过程中普遍存在的非线性被控对象,通过最小二乘支持向量机对系统的模型偏差建模,并在此基础上构造非线性补偿器.首先,采用具有RBF核函数的LS-SVM离线建立系统偏差模型,并在系统运行时不断对偏差模型进行在线修正;然后基于此模型在DMC预测控制的基础之上构建补偿器;最后成功应用于智能工厂实验室的多变量液位控制实验装置.     

基于最小二乘支持向量机和粒子群法的水煤浆性能优化

采用最小二乘支持向量机（LSSVM）进行水煤浆（CWM）浓度建模，并利用粒子群法（PSO）对运行工况寻优，获得优化水煤浆浓度的调整方式。以优化调整方式的相应参数作为当前负荷下的基准值，能很好地解决了制浆变工况下运行参数基准的确定问题。以该基准为中心分析了给水流量和分散刘流量对水煤浆浓度的敏感性影响。通过现场试验证明，按此基准值运行，可以提高水煤浆性能。     

Weighted support vector machine for quality estimation in polymerization processes

In this paper, a modified version of the Support Vector Machine (SVM) is proposed as an empirical model for polymerization processes modeling. Usually the exact principle models of polymerization processes are seldom known; therefore, the relations between input and output variables have to be estimated by using an empirical inference model. They can be used in process monitoring, optimization and quality control. The Support Vector Machine is a good tool for modeling polymerization process because it can handle highly nonlinear systems successfully. The proposed method is derived by modifying the risk function of the standard Support Vector Machine by using the concept of Locally Weighted Regression. Based on the smoothness concept, it can handle the correlations among many process variables and nonlinearities more effectively. Case studies show that the proposed method exhibits superior performance as compared with the standard SVR, which is itself superior to the traditional statistical learning machine in the case of high dimensional, sparse and nonlinear data.     

基于ICA和ES-SVM的油气两相流空隙率测量

基于12电极电容层析成像系统(ECT),提出了一种油气两相流空隙率测量的新方法.实际测量时,以ECT电容传感器获得的66个电容测量值作为输入,利用空隙率测量模型计算空隙率.建模过程中,首先采用独立分量分析(ICA),对66个电容测量值进行特征提取.然后以特征参数作为输入,空隙率作为输出,用最小二乘支持向量机(LS-SVM)建立回归函数,并运用进化策略(ES)寻找最优LS-SVM参数.实验结果验证了本文方法的有效性,测量精度和实时性满足工业应用的要求.     

基于支持向量机的柠檬酸发酵过程统计建模

鉴于生物发酵过程的高度非线性,且样本采集困难,数据总量较少等,采用支持向量机(SVM)方法,为柠檬酸发酵过程建模,得到最终酸度与相关因素间的定量关系。通过优化建模参数,所建SVM模型具有较高的拟合能力,且预测误差小,稳健性好。实例表明,与人工神经元网络等方法相比较,SVM方法更为优越。     

环氧树脂灌封胶的性能预测及配方优化

支持向量机(SVM)是一种新型的机器学习方法,以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。将SVM应用于双组分环氧树脂灌封胶的研制。通过对双组分环氧树脂灌封胶配方的学习,建立SVM推理模型,并结合穷举法对配方进行优化,结果表明所建SVM推理模型具有一定的预测能力,展示了其优越性和推广前景,可应用于胶粘剂配方的研制,对配方优化起到一定的指导作用。     

经验模态分解和小波分析在小通道气液两相流流型辨识中的应用

基于两电极电容传感器获得的小通道气液两相流电容波动信号,分别应用经验模态分解(Empirical Mode Decomposition,END)和小波分解将电容信号分解成不同特征尺度上分量的组合.对每层分量提取能量特征,将提取的流型特征参数作为最小二乘支持向量机(Least Squares Support Vector...     

Enhanced plant fault diagnosis based on the characterization of transient stages

This paper introduces a data-based fault diagnosis system that includes an enhanced characterization of faults during transient stages. First, data under abnormal operating conditions (AOC) is projected onto a reference PCA model constructed with data under normal operating conditions (NOC). T² and Q-statistic measures of this first PCA model are both used to detect the fault and to estimate the duration and delay of its transient evolution. After a dimensionality reduction, a second NOC PCA model is used to process data before diagnosing the faults by standard classification methods such as Artificial Neural Networks (ANN) or Support Vector Machines (SVM). A quantitative validation of the procedure has been carried out using simulated on-line data sets of the Tennessee Eastman Process (TEP). Results indicate that the incorporation of transient data in models improves the overall diagnosis performance, regardless of the particular choice between the statistical methods or the classification methods.