基于NNPLS的丁苯橡胶门尼粘度预测

门尼粘度是合成橡胶生产的主要质量指标,如何在线监测门尼粘度,并实现质量的自动监控是橡胶生产工业亟待解决的问题.本文应用NNPLS方法建立生产过程门尼粘度预测模型.结合工艺机理分析,找出影响橡胶门尼粘度的主要参数,确定辅助变量,建立基于NNPLS的门尼粘度预测模型.仿真结果,门尼粘度预测值与实际值最大误差为3.6,预测模型精度高.泛化能力强,运行速度快,可以指导生产.     

丁苯橡胶门尼粘度软测量

研究了合成橡胶生产中门尼粘度软测量问题.首先结合工艺机理分析,找出了影响橡胶门尼粘度的主要参数,同时对各参数进行主元分析.然后确定辅助变量,最后建立了基于PCA-BP神经网络的门尼粘度软测量模型.仿真结果表明,门尼粘度预测值与生产实际化验分析结果较为吻合,可以用来指导生产.     

基于C++与MATLAB的橡胶门尼粘度混合智能软测量系统

门尼粘度是合成橡胶生产的主要质量指标,如何在线监测门尼粘度,并实现质量的自动监控是橡胶生产工业亟待解决的问题;针对强非线性、时变和间歇的合成橡胶复杂系统,结合工艺机理分析,建立了门尼粘度的基于机理、小波神经网络和最小二乘支持向量机等多种建模方法的混合智能软测量模型,解决了门尼粘度的实时在线测量问题,并开发出基于Borland C++与MATLAB的门尼粘度软测量应用软件。乙烯厂试用结果:混合智能软测量模型预测精度高,泛化能力强,运行速度快;应用软件结构明晰,功能扩充灵活,操作界面友好,操作维护方便;该系统能稳定生产、指导操作、提高产品的优级品率,为合成橡胶生产装置的优化控制创造了条件。     

自适应递推核学习及在橡胶混炼过程在线质量预报的工业应用

实时测取混炼胶门尼粘度是橡胶和轮胎厂十分关心和亟待解决的问题. 采用两阶段递推核学习建模方法, 按配方快速建立橡胶混炼过程门尼粘度的预报模型, 并对模型进行递推更新以适应过程的快速变化. 结合混炼过程的特点, 提出一种适合门尼粘度的性能指标, 并推导了采用快速留一交叉验证法对核学习模型参数进行自适应选择, 避免人为选取参数的片面性. 所研发的先进密炼信息集成与控制系统已在国内多家大型橡胶和轮胎厂上线应用. 门尼粘度实时预报的工业应用结果表明了其实用和有效性, 对橡胶混炼过程具有重要的现实和经济意义.     

KICR在转炉炼钢终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于核独立元回归(KICR)方法的终点温度的预测模型.将核独立元分析(KICA)与回归分析相结合,利用KICA方法提取输入数据矩阵的独立元(KIC)矩阵;分别以KIC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业现场生产数据仿真结果表明:与PCR,PLSR和ICR等预测模型相比,基于KICR的转炉终点温度预测模型,预测精度高、跟踪性能较好,可为实际生产中的终点控制提供参考,提高生产效益.     

炼焦生产过程综合生产指标的改进神经网络预测方法

针对炼焦生产过程综合生产指标 (焦炭质量、产量和焦炉能耗)检测的严重滞后问题,提出一种改进BP神经网络预测方法.首先基于相关过程参数的主元分析和灰色关联分析,确定出预测模型的输入输出变量;然后采用基于改进差分进化算法的BP神经网络建立预测模型,并与基本BP神经网络预测模型进行比较;最后,对改进BP神经网络预测模型进行了验证.实验结果表明,改进BP神经网络预测模型具有较快的收敛速度和较高的预测精度,模型的预测效果可以满足生产工艺要求.     

独立元回归在转炉终点温度预测中的应用

转炉终点温度是决定钢质量的关键因素,在炼钢的恶劣环境中难以检测.建立了基于ICR方法的终点温度的预测模型.该方法将独立元分析(ICA)与回归分析相结合,先利用ICA方法提取输入数据矩阵的独立元矩阵(IC);然后再分别以IC、实值矩阵为自变量和因变量进行训练,求取最小二乘回归(LSR)系数建立预测模型.工业生产数据仿真结果表明,与主元回归(PCR)和偏最小二乘回归(PLSR)方法相比,基于ICR的终点温度预测模型预测精度高,跟踪性能好.该方法可为实际生产中的终点控制提供参考,提高生产效益.     

基于遗传算法-支持向量机的铁路货运量预测

铁路货运量预测是铁路运输部门一项重要工作.针对建立精确预测模型的困难,结合支持向量机与遗传算法(GA-SVM),提出一种铁路货运量预测新方法.利用遗传算法确定支持向量机中的训练参数,以得到优化的支持向量机预测模型,并利用支持向量机在小样本、非线性中优越的预测性能对铁路货运量进行预测.昆明市1991～2005年铁路货运量数据作为实验数据,并采用RBF神经网络与GA-SVM进行对比分析,实验结果表明,GA-SVM预测精确更高,误差更小,可以更有效地对铁路货运量进行预测.     

基于LS-SVM的涡轮增压发动机性能预测

针对神经网络方法在涡轮增压发动机性能预测方面存在的缺陷,提出了一种新的基于最小二乘支持向量机的涡轮增压发动机性能智能预测方法.介绍了最小二乘支持向量机的基本算法,分析了涡轮增压发动机的性能指标,选择发动机转速、压缩比、容积效率、平均指示压力和平均制动压力作为预测模型的输入参数,输出功率、输出扭矩和有效燃油消耗率作为预测模型的输出量,进一步建立了基于最小二乘支持向量机的涡轮增压发动机性能预测模型.仿真实例的预测结果表明,所建立的智能涡轮增压发动机性能预测模型是合理有效的.     

基于PSO优化SVM的船舶流量预测算法

通过对上海洋山深水港口的船舶流量的调研以及对船舶交通流量影响因素的分析,建立支持向量机预测模型。同时为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法进行参数优化,建立较优的PSO-SVM预测模型。通过MATLAB仿真实验计算,将PSO-SVM模型与单纯的SVM预测模型和灰色神经网络预测模型结果进行对比分析,证明了该模型的可行性和优越性。