与软测量建模相结合的过失误差侦破新方法

软测量模型建立前对建模数据进行过失误差侦破与剔除,是确保数据质量、成功建立软测量模型的先决条件.针对软测量建模过程中建模数据过失误差侦破的特殊性,提出了一种适用于软测量数据的中心欧氏距离聚类算法(CED),这种新方法依据各数据点到数据中心的欧氏距离来判定过失误差,脱离了传统过失误差侦破方法依赖于机理模型的束缚,更好地适应了软测量的特点.针对单纯使用聚类算法实现过失误差侦破的不足,将其与软测量建模过程相结合,将建模误差作为过失误差侦破过程的指导,使其克服了由于单纯基于数据而存在的缺陷,并且在完成过失误差侦破的同时建立了软测量模型.实验表明这种与软测量建模相结合的基于聚类分析的过失误差侦破方法具有很好的效果.     

修正时序法在石化装置数据校正中的应用研究

为了有效地克服传统统计检验和线性化处理方法进行过失误差侦破、数据校正与参数估计时存在的局限性，对现有过程测量数据校正技术进行了综合分析，探讨了数据分类、过失误差侦破和过程测量数据校正等问题，以具有代表性的化工装置和炼油装置为研究对象，提出了修正时间序列分析法，给出了时间序列分析法的基本思想、概率模型和特点，以及含随机误差的数据校正方法，并将时序法用于过失误差侦破。在大型化工装置的测量数据校正结果表明，该方法是实用性强、方便有效的数据校正新策略。     

基于改进串联混合建模方法的发酵过程菌体浓度软测量

发酵过程中菌体浓度难以在线实时测量,给控制与优化带来困难.针对这一问题,本文利用软测量技术来实现菌体浓度的在线估计,并提出了一种改进的串联混合建模方法用以建立菌体浓度软测量模型.改进的串联混合建模方法,克服了现有方法需要利用插值所得的数据进行软测量模型构建的不足,从而保证了建模数据的可靠性.利用诺西肽发酵过程生产数据进行仿真研究,仿真结果表明,基于改进串联混合建模方法的软测量模型是有效的,比基于现有方法的软测量模型具有更好的估计性能.     

基于数据驱动的发电机组软测量建模方法优化研究

针对发电机组中部分难测准参数的软测量及已测量参数的准确性校验等应用问题,提出了融合广义神经网络(GRNN)和B样条偏最小二乘回归(PLSR)各自优势的数据驱动软测量建模新方法NN-PLS。该方法先采用了GRNN对由机理分析初步选定的建模变量预建模,考察了各参变量对因变量的平均贡献率,并筛选得出了主要建模参数,然后采用B样条PLS对筛选后的变量建模,从而得出了简化、可靠的模型,最后以联合循环电厂的实测数据为样本进行了建模。研究结果表明,NN-PLS方法对不同工况下测量参数拟合准确、精度高、模型泛化能力强,同时由于该模型需要保存的参数相对较少,更适合作为解决上述在线问题的模型。     

烟气含氧量测量方法研究

针对氧化锆分析仪测量烟气含氧量过程中存在的一些问题,分析了其测量过程中的主要影响因素,给出了常见的软测量建模方法以及流程图,并且重点分析了软测量建模过程中辅助变量选取、辅助变量建模与主导变量校正、样本选择以及模型校正等关键技术。分析表明,尽管软测量模型具有较高的精度和动态响应速度,但是现有的研究并不能完全解决直接测量结果误差大、滞后等问题。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于热弹性理论与温度场积分中值定理的 电主轴热误差研究

电主轴热误差的精确建模较困难,且大多数仅关注轴向热误差而忽略径向热误差。 因此,提出了基于热弹性理论与温 度场积分中值定理的热误差建模方法。 用热弹性理论建立了电主轴轴承温度—热变形模型,将积分中值定理运用在轴向热误 差建模中,得到了关键点温度—轴向热变形的线性模型,仅需一个传感器测量关键点温度就可得到主轴末端伸长量。 分析电主 轴径向和轴向误差机理,得到耦合热误差模型。 设计了利用球杆仪快速测量电主轴热误差的新方法,将误差理论建模数据与实 际测量数据作对比,验证了其可行性,并将热误差模型导入自主开发的外挂式误差补偿器中,实验表明加工孔径热误差降低了 73. 5% 左右,证明该方法合理、有效。     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于多重小波变换的信号去噪及其在软测量中的应用

针对化工过程中数据的随机性、非平稳性及含有大量噪声的特点,提出了小波去噪的思想和步骤,并在此基础上采用多重小波变换阈值去噪的方法,以去除大部分高频随机噪声,提高数据的置信度。然后将该方法应用于醋酸正丙酯反应过程质量指标软测量模型中,仿真结果表明,该方法能有效恢复数据的真实性,能提高软测量建模的拟合精度与泛化性能。     

全系统动态误差建模理论分析与应用

对测量系统进行动态特性和精度理论研究必须建立测量系统的数学模型。针对传统建模方法的缺陷,研究分析了全系统动态误差建模理论与方法,该建模理论与方法充分考虑了系统内部各组成环节的信息,建立的模型能够反映实际测量系统内部各结构单元的传递特性随时间变化对系统测量精度的影响。该建模理论与方法具有普遍的适用意义,不管是动态测量系统还是静态测量系统,用该建模理论与方法都能够建立其全误差模型。最后利用全系统动态误差建模理论与方法建立了测微系统（百分表）的全误差模型,并进行了实验验证。     

寄生式时栅传感器动态测量误差的贝叶斯建模

为了提高寄生式时栅传感器的测量精度,分析了它的工作原理和动态误差组成,得到其主要误差分量为常值误差、周期误差和随机误差等。针对寄生式时栅误差特点,建立了寄生式时栅动态误差高精度预测模型,并与其他建模方法进行了比较。选用插入标准值的贝叶斯预测模型,以实际测量的传感器第一个对极动态误差数据进行建模,在后续对极特定位置插入部分实际误差测量数据,建立误差预测模型,预测了传感器后83个对极的动态误差。另选用三次样条插值和BP神经网络建模方法对寄生式时栅整圈动态误差建模,并与建立的误差模型进行了对比。验证实验表明,三次样条插值建模时间最短(0.62s),但其建模精度不高(16.050 0″);贝叶斯动态模型建模时间(0.86s)略长于三次样条插值,但建模精度最高(0.415 3″);BP神经网络建模时间最长(32min),但建模精度最低(19.680 2″)。同时贝叶斯插入标准值建模方法所需数据点(69395个)远少于三次样条和BP神经网络建模数据点(235526个),节省了大量的标定时间和建模数据量,因此可用于寄生式时栅传感器的动态测量误差高精度建模修正。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

基于PXI总线的发酵过程软测量系统研究

PXI总线是一种专为工业数据采集与自动测试应用度身定制的模块化仪器平台,而软测量方法是解决发酵过程中难以直接测量变量的有效方法.本文介绍了软测量技术在发酵过程中的应用,提出了将PXI总线数据采集系统应用到发酵过程变量检测,以及利用LabVIEW进行软测量建模以得到发酵过程待测变量最佳估计值的方法.实验表明,开发的基于PXI总线的发酵过程软测量系统实时性好、精度高并且具有广泛适应性.     

基于互信息和IGSA优化ELM的重整芳烃收率软测量

芳烃收率是催化重整生产过程中一个重要的产品质量指标。针对芳烃收率难以在线测量的问题,提出一种基于互信息(MI)和改进引力搜索算法(IGSA)优化极限学习机(ELM)的芳烃收率软测量建模方法。首先利用MI技术对输入变量进行特征提取及降维处理,确定软测量模型的辅助变量;其次通过引入序列二次规划法(SQP)和混沌变异策略,构建一种具有良好全局寻优性能的改进引力搜索算法,并利用该算法优化极限学习机的隐层阈值及输入权值参数,优化目标同时兼顾模型输出均方根误差和输出矩阵条件数的最小化,建立起基于IGSA优化ELM的芳烃收率软测量模型;最后应用该模型对某炼化企业催化重整装置的芳烃收率进行预报研究,结果表明,该软测量模型具有较高的预测精度和可靠性能。     

复杂坏境下基于SINS/UWB的容错组合定位技术研究

针对超宽带无线定位系统在复杂坏境中出现的定位数据丢失以及粗大误差等导致SINS/UWB组合系统定位精度下降的问题,提出了一种基于超宽带定位系统容错判断的组合定位方法。首先根据捷联惯导测量值进行基于中值滤波的运动载体静止状态检测,进而利用最小二乘法实现静止状态下捷联惯导量测偏差矫正;然后在建立SINS/UWB组合定位模型的基础上,引入决策树容错判断机制,对超宽带定位系统在复杂环境中由于信号干扰以及非视距导致的测量数据丢失以及粗大定位误差进行实时评估,进而应用卡尔曼滤波算法,实现容错组合定位系统的构建。在搭建的SINS/UWB组合定位实验平台中进行模型验证,结果表明容错组合定位系统能够有效检测出UWB定位系统出现的定位数据丢失以及粗大定位误差,并且在UWB粗大误差状态持续6 s的情况下,容错组合定位系统仍然能够保持较高的定位精度。     

基于IQPSO优化ELM的熟料质量指标软测量研究

水泥熟料游离氧化钙(f Ca O)含量是水泥生产过程的重要质量指标。针对难以建立其精确的数学模型和难以实时在线测量的问题,首先采用序列二次规划方法增强量子粒子群算法的局部搜索能力,提出了一种局部区域可调的改进量子粒子群优化(IQPSO)算法,并采用提出的IQPSO算法优化超限学习机(ELM)的输入层权值和隐层阈值参数,在优化过程中同时兼顾均方根误差和隐层输出矩阵条件数最小的原则,建立了基于IQPSO优化ELM的水泥熟料f Ca O软测量模型,仿真验证结果表明,IQPSO算法具有较高的搜索精度以及较快的收敛速度,建立的软测量模型精度高、泛化能力强。最后基于该模型,通过软件编程的方法给出了水泥熟料质量指标软测量仪表,实现了f Ca O含量的在线软测量。     

SOFT SENSING MODEL BASED ON SUPPORT VECTOR MACHINE AND ITS APPLICATION

Soft sensor is widely used in industrial process control. It plays an important role to improve the quality of product and assure safety in production. The core of soft sensor is to construct soft sensing model. A new soft sensing modeling method based on support vector machine (SVM) is proposed. SVM is a new machine learning method based on statistical learning theory and is powerful for the problem characterized by small sample, nonlinearity, high dimension and local minima. The proposed methods are applied to the estimation of frozen point of light diesel oil in distillation column. The estimated outputs of soft sensing model based on SVM match the real values of frozen point and follow varying trend of frozen point very well. Experiment results show that SVM provides a new effective method for soft sensing modeling and has promising application in industrial process applications.     

永磁同步直线电机霍尔位置检测传感器的优化

针对采用线性霍尔元件检测直线电机动子的磁场进而通过磁场信息来解算电机位置的方法,通过介绍双霍尔传感器位置检测的原理,分析由安装误差造成解算位置偏差的机理。提出采用三轴霍尔传感器代替线性霍尔传感器的方法,实现霍尔线性影响因素的误差补偿。为了降低非线性干扰造成的位置解算误差,提出了模糊-神经建模方法来实现传感器的离线标定,最后通过仿真和实验证明了所提传感器误差补偿方法的有效性。