基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法

针对蒸馏工艺过程中变量多且变量间关系呈强耦合性及高度非线性的特点,提出一种基于PSO-K均值聚类的石脑油干点值多模型软测量建模方法。分析石脑油干点值的影响因素,采集相关辅助变量。用基于PSO改进的K均值聚类算法将现场采集数据进行划分,得到样本子集。再将得到的各个样本子集分别用SVM算法进行训练,建立石脑油干点值的预测子模型。在此模型基础上,通过计算预测样本与各子模型训练样本聚类中心的欧氏距离,采用模型切换的方法选择预测模型。仿真结果表明该方法避免了分类时K均值算法易陷入局部极值的问题,可以有效预测常压塔石脑油干点值,与单个全局模型相比有更好的精度与泛化能力。     

基于多K最近邻回归算法的软测量模型

针对单一模型预测精度较低的问题,提出多K最近邻回归算法(MKNN)的软测量建模方法.该方法采用高斯过程选择软测量模型的辅助变量,通过自适应仿射传播聚类方法将输入样本数据分成多组数据,对每组数据用K最近邻回归(KNN)算法建立子模型,各个子模型的预测输出通过主元回归(PCR)方法连接.用该方法建立粗汽油干点软测量模型,仿真研究表明,该算法的预测精度和泛化能力优于单KNN模型.     

基于自适应多目标模糊聚类的多模型软测量

针对复杂非线性系统单模型软测量存在建模精度低、模型泛化能力差的问题,提出一种采用自适应多目标模糊聚类的多模型高斯过程回归(GPR)软测量建模方法。首先使用自适应多目标聚类方法自动确定聚类个数并得到最优数据子集,避免了聚类个数不易人为给定的问题;然后对各数据子集分别建立GPR子模型,最后采用子模型加权融合方法得到最终的预测结果。使用火电厂历史运行数据建立烟气含氧量软测量模型验证该方法,仿真结果表明,该方法可以提高软测量模型精度,提升模型泛化能力。     

动态选择性集成神经网络软测量建模

集成建模方法能显著提高软测量模型的预测性能,其中选择性集成通过剔除一些性能不佳的子模型,能进一步提高整体软测量模型预测性能。针对目前选择性集成研究中因忽略了数据间的差异性而导致模型预测性能不佳的问题,提出了一种动态选择性集成神经网络软测量建模方法。首先将原始数据集分为训练集和验证集,采用bootstrap算法对训练集进行差异性扰动,建立了多个神经网络子模型;然后对每个待测样本,采用K-最近邻搜索算法从验证集中找到一个最近邻子集,用该子集评估各神经网络子模型的预测性能,为待预测样本筛选合适的神经网络子模型;最后根据各子模型的预测性能合理分配组合权重,从而建立集成模型,并实现待预测样本的预测。将该建模方法应用于聚丙烯熔融指数软测量研究中,研究结果表明:与单一神经网络、常规全集成和静态选择性集成神经网络模型相比,基于动态选择性集成神经网络的熔融指数软测量模型具有更佳的预测精度。     

基于多元逐步回归和反向传播方法的粗汽油干点软测量模型

建立了粗汽油干点软测量模型。模型分别采用多元逐步回归方法和反向传播方法。结果表明：多元逐步回归方法可筛选自变量，但会将一些重要因素剔除；而神经网络可通过预选输入单元确定网络结构。通过对建立好的模型进行预测，可获得较满意的粗汽油干点值。     

基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略.通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力.本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性.该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度.     

基于径基函数-加权偏最小二乘回归的干点软测量

针对影响石油馏分产品干点因素众多且呈高度非线性的特征，提出了一种径基函数(Radial basis function，RBF)和加权偏最小二乘回归(Weighted partial least squares regression，WPLSR) 相结合的建模方法建立干点软测量模型. 该组合方法首先应用RBF 实现样本数据的非线性变换；然后根据非线性变换后样本在结构参数空间中的分布，分析它们对预测对象的预报能力，自适应地为各个样本分配权值，并进而从中提取和选用PLS 成分，实施加权PLSR，以获得预报性能良好的模型. 在实际应用于初顶石脑油干点软测量建模中，RBF-WPLSR 获得比PLSR、WPLSR 及RBF-PLSR 更高精度的模型.     

基于网格聚类LS-SVM 的铝电解生产过程极距软测量

针对铝电解生产过程的复杂性,建立了基于网格共享近邻聚类（GNN）最小二乘支持向量机（LS-SVM）的铝电解生产过程极距软测量模型.该模型采用GNN算法将训练集分成具有不同聚类中心的子集,对各子集分别采用LS-SVM进行训练并建立子模型,同时通过参数转化实现模型对新数据样本的动态学习.仿真结果表明,基于GNN最小二乘方法建立的铝电解极距软测量模型具有精度高、泛化性能好等特点,能够为铝电解生产过程操作优化提供实时准确的信息.     

基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略。通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力。本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性。该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度。