基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系，传统的故障检测模型通常会忽略不同变量间相关性的差异，对不同相关关系的变量采用相同的特征提取方法，从而导致检测效果欠佳。针对以上问题，提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型，首先计算变量间的最大信息系数矩阵，按照相关性的不同对变量进行分组，再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导，从而分别为各组建立不同的支持向量数据描述检测模型，完成最大信息系数与支持向量数据描述的紧密结合，最终实现分布式故障检测。通过仿真对比，验证了该模型的可行性与有效性。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法。该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

化工生产关键指标变量软测量模型的研究与应用

以尿素装置高压系统的氨碳比为分析对象，利用支持向量回归算法建立软测量模型，通过大数据平台的支撑将其部署于尿素生产过程中，并对输出结果持续跟踪，验证了该方法应用于实际化工生产过程中的适用性和可靠性。     

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.     

支持向量回归在乙烯裂解产物收率软测量中的应用

乙烯裂解产物收率的实时预报对于裂解炉的生产具有重要意义。针对有效的样本数据较少的问题,采用支持向量回归方法建立裂解产物收率的软测量模型。对于支持向量机中模型参数的选取,采用了微粒群优化算法进行参数寻优,提高了建模效率和模型精度。基于现场数据的建模实验结果表明,基于支持向量回归方法的乙烯裂解产物收率软测量模型预报精度较高,趋势跟踪性能良好。     

基于潜变量自回归算法的化工过程动态监测方法

从建立潜变量自回归(AR)模型的角度出发,提出了一种基于潜变量自回归(LVAR)算法的化工过程动态建模与监测方法,旨在提取动态潜变量的同时给出各潜变量的AR模型。LVAR算法在最小化潜变量的AR模型残差的约束下,通过同时搜寻投影变换向量与AR系数向量,实现了对动态潜变量的特征提取及其AR模型的建立。此外,LVAR算法通过先提取动态潜变量后提取静态成分信息的方式,有效地区分了采样数据中的自相关性与交叉相关性。在对比实验中,通过比较分析LVAR方法与其他三种典型的动态过程监测方法在经典化工过程对象上的故障监测结果,验证了LVAR方法在动态过程监测上的优越性与可靠性。关键词:主成分分析;故障检测;缺失数据;过程系统     

基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

基于快速独立分量分析的苯酚浓度软测量

针对软测量技术中辅助变量间可能存在的复杂的内在联系给辅助变量选择及提高模型精度等方面带来的诸多不利因素,提出了一种基于负熵最大的快速独立分量分析(Fast-ICA)方法,可以有效地消除辅助变量间的信息冗余现象,得到相互独立的分量.再通过互信息分析各个分量和主导变量间的内在联系,选择和主导变量联系较大的分量用于模型训练,并将其应用到苯酚(BF)浓度的软测量中.仿真结果表明:从经过ICA分解的独立分量中提取出样本特征并用于支持向量机模型(SVM)的训练,可以有效地减少冗余信息的干扰,提高软测量模型的估计精度和泛化能力.     

基于PSO-LSSVR的环状流截面含气率软测量方法

由于测量条件高,环状流的截面含气率直接测量往往比较困难。软测量技术的关键在于建立优良的数学模型,在分析了微粒群优化算法(PSO)和最小支持向量回归机(LS-SVR)原理的基础上,利用粒子群算法优化最小二乘支持向量回归机参数的算法,建立了软测量模型,实现了环状流的截面含气率的软测量。实验表明:该模型泛化能力强,测试精度比较高,为环状流截面含气率的测量提供了一种新的测量途径。     

Application of online support vector regression for soft sensors

Soft sensors have been widely used in chemical plants to estimate process variables that are difficult to measure online. One of the crucial difficulties of soft sensors is that predictive accuracy drops due to changes in state of chemical plants. Characteristics of adaptive soft sensor models such as moving window models, just‐in‐time models and time difference models were previously discussed. The predictive accuracy of any traditional models decreases when sudden changes in processes occur. Therefore, a new soft sensor method based on online support vector regression (SVR) and the time variable was developed for constructing soft sensor models adaptive to rapid changes of relationships among process variables. A nonlinear SVR model with the time variable is updated with the most recent data. The proposed method was applied to simulation data and real industrial data, and achieved higher predictive accuracy than traditional ones even when time‐varying changes in process characteristics happen. © 2013 American Institute of Chemical Engineers AIChE J 60: 600–612, 2014     

基于多元线性回归与滚动窗的NO_x排放量软测量

提出一种基于多元线性回归与滚动窗的NO_x动态软测量建模方法,并研究模型更新周期和不同变量选择方法对软测量模型预测结果的影响。仿真结果表明:基于BIC向后剔除多元回归和滚动窗方法的软测量模型在运行较长时间后,仍然能够较好地预测NO_x的排放量。     

基于ART-SVR的过程建模及在干点软测量中的应用

针对石油化工生产过程通常呈高度非线性,且生产过程数据呈非连续、具有一定类别特性等特征,提出基于自适应谐振神经网络（adaptive resonance theory,ART）和支持向量回归（support vector regression, SVR）相结合的建模方法（ART-SVR）。首先,基于建模样本,通过ART将样本模式空间分割成若干模式特性相近的子空间;然后,对各子空间分别采用SVR建立各自模型,实现基于样本模式空间分割的“分段”建模。仿真试验和在石脑油干点软测量建模的实际应用表明：ART-SVR模型的拟合精度和预测精度均优于全局SVR模型。     

基于软测量技术的先进控制在DCS上的实现和应用

针对丁二烯生产装置精馏塔塔顶控制回路不能实时测量丁二烯-1,3的问题,提出了基于软测量技术的先进控制方案。利用从集散控制系统采集的大量现场数据,运用基于多元线性回归方法的软测量建模技术,建立了塔顶丁二烯-1,3产品纯度的软测量模型,并基于此对控制回路进行改造,设计了推断控制方案。通过DeltaVDCS系统自带的CL语言编写软仪表程序,并在控制策略组态环境Control Stud io中实现控制回路的改造。现场运行结果表明,控制系统能够有效地解决精馏塔产品质量不能在线实时检测和直接质量闭环控制的问题,实现了丁二烯-1,3产品纯度的闭环控制,显著改善了控制效果。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

基于非线性核脊回归算法的海洋微生物发酵参数软测量

针对海洋微生物溶菌酶发酵工艺中参数实时测量,采用根据发酵过程中主辅变量关系的相关灵敏度矩阵绝对值最大元素排序选择辅助变量,运用非线性核脊回归(NKRR)算法预测主导参数的软测量方法.相关灵敏度矩阵反映主辅变量联系,根据发酵实际实验得到.改进直接优化的非线性核脊回归算法辨识发酵非线性系统,将空间Rn中主导变量和辅助变量非...     

Application of support vector regression for developing soft sensors for nonlinear processes

The field of soft sensor development has gained significant importance in the recent past with the development of efficient and easily employable computational tools for this purpose. The basic idea is to convert the information contained in the input–output data collected from the process into a mathematical model. Such a mathematical model can be used as a cost efficient substitute for hardware sensors. The Support Vector Regression (SVR) tool is one such computational tool that has recently received much attention in the system identification literature, especially because of its successes in building nonlinear blackbox models. The main feature of the algorithm is the use of a nonlinear kernel transformation to map the input variables into a feature space so that their relationship with the output variable becomes linear in the transformed space. This method has excellent generalisation capabilities to high‐dimensional nonlinear problems due to the use of functions such as the radial basis functions which have good approximation capabilities as kernels. Another attractive feature of the method is its convex optimization formulation which eradicates the problem of local minima while identifying the nonlinear models. In this work, we demonstrate the application of SVR as an efficient and easy‐to‐use tool for developing soft sensors for nonlinear processes. In an industrial case study, we illustrate the development of a steady‐state Melt Index soft sensor for an industrial scale ethylene vinyl acetate (EVA) polymer extrusion process using SVR. The SVR‐based soft sensor, valid over a wide range of melt indices, outperformed the existing nonlinear least‐square‐based soft sensor in terms of lower prediction errors. In the remaining two other case studies, we demonstrate the application of SVR for developing soft sensors in the form of dynamic models for two nonlinear processes: a simulated pH neutralisation process and a laboratory scale twin screw polymer extrusion process. A heuristic procedure is proposed for developing a dynamic nonlinear‐ARX model‐based soft sensor using SVR, in which the optimal delay and orders are automatically arrived at using the input–output data.     

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。     

Calibration of soft sensor by using Just-in-time modeling and AdaBoost learning method

Soft sensor is an efficacious solution to predict the hard-to-measure target variable by using the process variables. In practical application scenarios, however, the feedback cycle of target variable is usually larger than that of the process variables, which causes the deficiency of prediction errors. Consequently soft sensor cannot be calibrated timely and deteriorates. We proposed a soft sensor calibration method by using Just-in-time modeling and AdaBoost learning method. A moving window consisting of a primary part and a secondary part is constructed. The primary part is made of history data from certain number of constant feedback cycles of target variable and the secondary part includes some coarse target values estimated initially by Just-in-time modeling during the latest feedback cycle of target variable. The data set of the whole moving window is processed by AdaBoost learning method to build an auxiliary estimation model and then target variable values of the latest corresponding feedback cycle are reestimated. Finally the soft sensor model is calibrated by using the reestimated target variable values when the target feedback is unavailable; otherwise using the feedback value. The feasibility and effectiveness of the proposed calibration method is tested and verified through a series of comparative experiments on a pH neutralization facility in our laboratory.