基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解(fast ensemble empirical mode decomposition,FEEMD)、近似熵(approximate entropy,AE)和反馈极限学习机(feedback extreme learning machine,FELM)的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵(AE)计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机(FELM),对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸(PTA)溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

基于EEMD近似熵的矿山微震信号特征提取研究

为解决矿山岩体破裂和爆破震动信号不易自动识别的问题,提出了一种基于EEMD(聚合经验模态分解)和近似熵的微震信号特征提取方法,以某金属矿山微震监测系统建立的爆破震动信号与岩体破裂信号数据为分析对象,首先利用该方法对两类微震监测信号进行EEMD分解,获得多个窄带本征模态分量(IMFs);再利用相关系数法确定与两类原始信号最相关的IMF分量得到主要分量,进而计算各主分量的近似熵;最后把主要分量的近似熵值组成表征微震信号的多尺度高维特征向量作为支持向量机(SVM)的判断输入进行训练预测。预测结果表明:EEMD近似熵特征提取方法结合SVM,对矿山爆破震动信号和岩体破裂信号具有较高的识别率,能准确、有效地进行智能分类,为信号识别研究提供了新的途径。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难，而无标签故障数据却大量存在，如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息，提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法，RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重，能更有效地提取数据特征；考虑到数据均可由其近邻数据来线性重构，故可构建近邻数自适应选择的重构图，并同时利用数据的标签信息优化连接权重，以更优地反映数据结构信息；通过建立新的含局部保持的目标函数，可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

基于流形正则化半监督学习的污水处理操作工况识别方法

污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。     

基于流形正则化半监督学习的污水处理操作工况识别方法

污水处理过程容易受外界冲激扰动影响,引发污泥上浮、老化、中毒、膨胀等故障工况,导致出水水质质量差,能源消耗高等问题,如何快速准确识别污水操作工况故障至关重要。针对污水工况识别过程中现有监督学习方法未利用大量未标记数据蕴含的丰富操作工况信息,采用基于流形正则化极限学习机的半监督学习方法,监视生化污水处理过程操作运行工况。该方法在学习过程中,在标记和未标记数据输入空间构建图拉普拉斯算子,通过随机特征映射建立隐含层,在流形正则化框架下,求解隐含层和输出层之间的权重,保留随机神经网络的计算效率和泛化性能。仿真实验结果表明,基于半监督极限学习机的污水处理工况识别在准确率与可靠性方面相对优于基本极限学习机方法。     

基于ELM的一类不确定性纯反馈非线性系统的Backstepping自适应控制

针对一类不确定性纯反馈非线性动力学系统,在中值定理、Backstepping控制的基础上,提出一种基于极限学习机（ELM）的自适应神经控制方法。ELM随机确定单隐层前馈网络（SLFNs）的隐含层参数,仅需调整网络的输出权值,能以极快的学习速度获得良好的推广性。在每一步的Backstepping设计中,应用ELM网络对子系统的未知非线性项进行在线逼近,通过Lyapunov稳定性分析设计的权值参数自适应调节律,可以保证闭环非线性系统所有信号半全局最终一致有界,系统的输出收敛于期望轨迹的很小邻域内。将所设计的控制方法应用于化工过程中的连续搅拌反应釜（CSTR）非线性系统实例中,仿真结果表明了控制方法的有效性。     

基于MEEMD-多尺度分形盒维数和ELM的球磨机负荷识别方法

针对球磨机在磨矿过程中负荷(充填率、料球比)靠经验难以准确判断的问题,提出基于改进的集总平均经验模态分解算法(modified ensemble empirical mode decomposition, MEEMD)-多尺度分形盒维数盒和极限学习机(extreme learning machine,ELM)的负荷识别方法。该方法首先利用MEEMD算法对不同负荷状态下的磨音信号进行分解得到本征模态分量,然后,采用相关系数法选取敏感模态分量进行重构得到降噪后信号;通过分析重构信号的多尺度分形盒维数,结果表明,欠负荷、正常负荷和过负荷状态下的多尺度分形盒维数存在明显的差异,能够很好地区分磨机的不同负荷状态。将重构磨音信号的多尺度分形盒维数作为极限学习机(ELM)的输入,磨机负荷状态为输出,建立磨机负荷识别模型;通过磨矿实验验证了该方法的有效性,整体识别率高达94.8%,模型能够准确识别磨机负荷状态。     

基于CEEMD-SVD和ELM的滚动轴承故障诊断

针对滚动轴承故障特征难以提取和故障难以识别的问题,提出一种基于互补总体平均经验模态分解(CEEMD)与奇异值分解(SVD)和极限学习机(ELM)分类模型相结合的滚动轴承故障诊断方法。该方法首先通过CEEMD对原始采样信号进行分解,得到由高频到低频组成的固有模态分量(IMFS),通过互相关性分析筛选出最能表征原始信号的固有模态(IMF)分量,并对它进行奇异值分解,然后将分解得到的奇异值作为特征参数构造特征向量,最后采用ELM分析提取特征向量矩阵,并建立ELM分类模型,实现对轴承故障类型的识别。仿真结果表明该方法对滚动轴承的故障识别度达到了95.0%。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂，传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题，提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析，提取数据的主元特征，去除变量间的线性相关性，简化研究问题。可以减小隐含层节点数对模型精度的影响，实现对ELM隐含层节点数的快速随机选取，同时使ELM具有鲁棒性。为验证提出方法的有效性，将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示，相比传统的ELM，PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势，可以对化工过程控制、分析起到指导作用。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法:基于重构的半监督极限学习机(RSELM)。相比于传统的半监督极限学习机(ELM)方法,RSELM采用自动编码ELM(ELM-AE)获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

基于数据特征提取的AANN-ELM研究及化工应用

针对极限学习机不能有效解决化工过程中高维数据建模的问题,本文将其与自联想神经网络结合,通过自联想神经网络过滤输入数据中存在的冗余信息、提取特征分量,并对所提取的特征分量采用极限学习机进行训练,由此形成了一种基于数据特征提取的AANN-ELM(auto-associative neural network-extreme learning machine)神经网络。同时,以UCI标准数据集进行测试,以精对苯二甲酸(PTA)溶剂系统进行验证,结果表明,AANN-ELM在处理高维数据时具有学习速度快、网络稳定性强、建模精度高的特点,为神经网络在复杂化工生产中的应用提供了新思路。     

基于改进极限学习机的透明塑料裂痕检测

针对透明塑料中微小裂痕难以检测的问题,提出了基于改进的极限学习机算法的检测方法,采用卷积神经网络以组建特征提取器;同时,采用基于狮群算法优化的改进极限学习机算法以构建分类器。在改进极限学习机算法中,狮群算法被用于优化隐含层神经元和输入层神经元之间的权重矩阵,提高了透明塑料微小裂痕检测实验中的识别率。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。     

Fast property prediction in an industrial rubber mixing process with local ELM model

Online property prediction in industrial rubber mixing processes is not an easy task. An efficient data‐driven prediction model is developed in this work. The regularized extreme learning machine (RELM) is utilized as the fundamental soft sensor model. To better capture distinguished characteristics in multiple recipes and operating modes, a just‐in‐time RELM modeling method is developed. The number of hidden neurons and the value of regularization parameter of the just‐in‐time RELM model can be efficiently selected using a fast leave‐one‐out strategy. Consequently, without the time‐consuming laboratory analysis process, the Mooney viscosity can be online predicted once a mixing batch has been discharged. The industrial Mooney viscosity prediction results show its better prediction performance in comparison with traditional approaches. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45391.     

基于BP神经网络紫外可见光度法测定苏丹红混合组分

应用人工神经网络,以BP算法对混合样品中苏丹红系列的三种组分(苏丹红Ⅰ、苏丹红Ⅲ、苏丹红Ⅳ)的浓度进行测定。在MATLAB 7.0中建立BP神经网络,优化网络条件,对训练样本进行训练,然后对检测样本进行检测。预测结果的误差范围在0.03%~9.20%之间。当样品浓度<0.1×10-4mol/L时,预测误差较大,均在5%以上;当浓度>0.1×10-4mol/L时,预测的相对误差较小,均在5%以下。该方法已用于模拟水样中微量苏丹红的检测。