基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。     

基于提升核偏最小二乘回归的色彩校正

为进一步提高回归算法的色彩校正精度,提出一个基于核偏最小二乘回归的局部迭代算法.该算法首先将源色彩空间中校正样本的邻域样本经核函数映射到一个高维的线性特征空间,然后在提升的迭代过程中通过偏最小二乘回归消除映射数据的多重共线性,最终达到色彩校正的目的.实验证明算法引入的特征空间提供了额外的校正信息,提升方法增强了核偏最小二乘回归性能,算法在精度和鲁棒性上均优于传统的多重回归和基于分区的回归校正方法.     

基于特征子空间虚假邻点判别的软传感器模型变量选择

辅助变量选择技术是软传感器建模过程中降低信息冗余和提高效率的有效方法.提出一种结合偏最小二乘回归法与虚假最近邻法的变量选择法.采用偏最小二乘回归法有效合理地消除因子之间的多重共线性,在一个新的正交空间里,受混沌相空间虚假最近邻点法的启示,通过计算某变量选择前后在特征子空间里的相关性,判断其对主导变量的解释能力,由此进行变量的选择,利用偏最小二乘法得到软测量模型.该方法通过构造的试验和Jolliff变量选择试验作了验证,结果显示该方法有良好的辅助变量选择能力,为软传感器建模的辅助变量选择方法提供了一种新方法.     

数控机床热误差时间序列模型预测稳健性的提升

针对数控机床热误差建模应用的时间序列算法受严重多重共线性的影响存在预测稳健性不足的问题,提出一种提升时间序列预测稳健性的方法。该方法将时间序列算法与能够抑制多重共线性的建模算法相结合,从而既可通过在模型中加入温度滞后值来提供更全面的温度信息,又可对温度滞后值引入的更为严重的多重共线性进行处理。文中以时间序列算法中的分布滞后(DL)算法、共线性抑制算法中的主成分回归(PCR)算法为例,采用主成分分布滞后(PCDL)算法建立了机床热误差补偿模型,并将其与DL算法的预测精度和稳健性进行了比较。结果显示,PCDL算法因为抑制了多重共线性的影响,其模型预测精度和稳健性远优于DL模型,预测精度提升了约9μm。本文所述方法可为时间序列数据建模在不同领域内的应用提供参考。     

一种改进的偏最小二乘回归方法研究

烟气含氧量是评价电站锅炉经济运行的重要指标,对其精确、可靠地测量是优化燃烧系统的前提与保证。偏最小二乘回归法作为一种适用于含氧量预测的方法,可有效解决自变量多重相关性问题。文章对传统偏最小二乘回归进行简化,并提出基于正交投影修正的偏最小二乘回归算法,以此建立烟气含氧量预测模型,降低成分提取错误率。运用现场数据分析表明,改进后的算法建模有较高预测精度,采样过程更快。     

基于递推最小二乘算法的模糊系统在车削工件直径误差预测中的应用

根据车削过程中工件直径误差的特点,采用基于递推最小二乘算法的模糊系统,预测车削过程中由弹性变形等因素引起的工件直径误差,通过递推最小二乘算法训练Mamdani型模糊系统,以确定合理的系统参数.根据工件直径误差与切削深度、进给量等的关系,设计车削实验,得到训练数据和测试数据,用训练数据训练模糊系统,进而用测试数据测试,误差较小,从而验证在一定的工件结构和工况条件下,用基于递推最小二乘算法的Mamdani型模糊系统进行车削工件直径误差预测的可行性.与回归分析进行比较,结果显示在一定的工件结构和工况条件下,基于递推最小二乘算法的Mandani型模糊系统对于预测车削工件直径误差有比较明显的效果.     

多级制造过程关键质量特性识别方法

针对当前多级制造过程关键质量特性识别研究中的不足,将偏最小二乘回归方法与状态空间模型相结合,提出多级制造过程关键质量特性识别方法.依据串、并联多级制造过程的特点,引入状态空间方法构建混联结构的多级制造过程质量关系模型,利用偏最小二乘回归方法解决质量特性间的多重共线性等问题并进行模型分析,识别关键质量特性.以卷烟生产过程为例介绍了该方法的应用,实例表明该方法不但可以有效识别多级制造过程关键质量特性,而且能够建立混联结构下各级过程的输出质量对最终产品质量的影响及其质量特性之间相互关系的模型,反映多级制造过程的结构特征和各级过程质量特性之间的因果关系,为多级制造过程质量分析与控制提供依据.     

无偏估计拆分算法在数控加工中心主轴热误差建模中的应用

针对多元线性回归无偏估计算法在处理具有多重共线性的机床热误差数据建模中出现的模型参数估计失真问题,提出了一种用于处理共线性数据的无偏估计拆分算法。该算法将建模过程分成多个步骤完成,每步只对一个自变量进行回归,从而达到弱化自变量共线性的目的。以Leaderway-V450型数控加工中心为实验对象,根据在不同季度内测量的多批次空转实验数据,将无偏估计拆分算法与传统多元线性回归的模型精度和稳健性进行了验证。研究结果显示,无偏估计拆分模型的预测精度和稳健性远优于经典多元线性回归模型,尤其对于跨季度数据预测,该算法优势更大。     

偏最小二乘法在鱼雷出管速度预测中的应用

采用偏最小二乘回归方法,经交叉有效性检验建立了鱼雷出管速度的回归方程.通过与实验数据比较,该模型拟合精度较强,说明偏最小二乘回归是估算舰艇鱼雷发射内弹道特征参数的一种有效方法.     

一种分段在线支持向量回归算法

针对在线支持向量回归算法在提高时间序列预测执行效率的同时,其预测精度会有所下降的问题,提出一种分段在线支持向量回归的时间序列预测方法,通过缩减在线建模数据长度实现快速训练,并对在线支持向量回归模型进行分段存储,根据预测数据与子分段模型的匹配度,选取最优子分段模型预测输出,从而提高在线算法预测精度。通过对黑龙江移动通信话务量时间序列数据的实验结果表明,该算法既很好地保持了在线预测方法的运行效率,又通过分段使预测精度提高了5%～10%。     

多传感器融合下多工况刀具磨损状态预测的深度森林方法研究

准确监测加工过程刀具磨损状态有助于避免因刀具失效导致的产品质量问题。 建立不同工况的刀具磨损监测模型,往 往需要对每组工况调参以保证精度。 为减少调参并保证预测精度,结合深度森林的超参数少、参数对模型不敏感和训练过程自 适应等优点,利用深度森林建立了多传感器信号及多工况下自主特征选择的刀具磨损状态预测模型。 基于 3 组不同工艺参数 下 TC18 铣削过程的多传感器及磨损数据,以及预测与健康管理(PHM)学会 2010 年高速数控机床刀具健康预测竞赛的开放数 据,深度森林在 3 组工况的预测精度分别为 95. 35% 、96. 63% 和 97. 06% ,在 PHM 数据上为 98. 95% ,验证了深度森林对多工况 下刀具磨损预测的高精度和适用性,为在线监测技术提供了有力的指导。     

自适应正则化迁移学习的不同工况下滚动轴承故障诊断

针对不同工况下存在两域分布差异复杂的问题,提出自适应正则化迁移学习的不同工况下滚动轴承故障诊断方法。首先,训练基分类器为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新伪标签获得最优系数矩阵完成不同工况下滚动轴承故障诊断。在两组滚动轴承数据集上进行实验验证,实验结果显示所提方法识别准确率分别达到了96.38%,94.18%。证明该方法能够有效应对多种工况导致的复杂分布差异,同时具有较好的有效性和可行性。     

基于最近邻均匀设计神经网络逆模型的电磁标准振动台谐波控制方法研究

针对低频电磁标准振动台输出振动受刚度非线性影响而产生严重谐波失真问题,首先基于非线性特性幂级数等效原理,分析了输出振动的加速度失真特性。然后,为克服振动台逆模型辨识样本传统均匀采样法存在的效率低及精度差等问题,提出了最近邻均匀设计输入输出样本提取方法,由均匀设计法在传统采样点中选择小样本数据集,再依据近邻法将不能准确辨识的其他样本点加入数据集,构成最优训练样本集。进一步,辨识得到待控制振动台的神经网络逆模型,将其与原振动台模型串联后构建了谐波失真开环控制系统。最后,仿真及实验分析表明,神经网络控制可将整个工作频段内不同位移幅值振动加速度失真控制在标准要求的2%以内,而提出的最近邻均匀设计样本优化神经网络控制具有更优的谐波失真抑制效果。     

基于正则化 AdaBound 的区间二型模糊 神经网络软测量建模

针对复杂化工过程中存在强非线性、多变量耦合、参数时变及大时滞等因素,导致监测变量软测量精度不高的问题,提 出了一种基于正则化 AdaBound 的区间二型模糊神经网络(RAIT2FNN) 软测量建模方法。 首先为了解决区间二型神经网络 (IT2FNN)结构难以确定的问题,提出了一种采用激励强度和相似度定义增长和删减指标的自组织产生规则的算法。 该算法利 用激励强度的大小决定是否产生规则,并根据相似度进行规则的删减从而确定了区间二型模糊神经网络的结构。 其次,本文提 出正则化和 AdaBound 相结合的算法对 RAIT2FNN 模型相关参数进行修正,使得不同参数具有有界的自适应学习速率。 最后将 RAIT2FNN 作为软测量模型应用于环己烷无催化氧化过程尾氧浓度预测问题中。 实验结果为测试时间为 0. 008 2,训练 RMSE 为 0. 018 2,测试 RMSE 为 0. 009 6,表明 RAIT2FNN 作为软测量模型具有预测及时且预测精度较高的优点。     

谱质心迁移在变工况轴承故障诊断的应用

轴承故障诊断普遍存在需建立不同模型以适应变工况的问题,故提出一种谱质心迁移学习模型,通过将源工况领域迁移至目标工况领域减少后者的建模代价,并增强模型通用性。首先计算两工况领域间频谱相似度(FSSM)并排序选择近距离源工况领域为初始训练集。其次在迭代过程中剔除与训练集谱质心均值距离较远的样本,并加入同数量目标工况领域无标签样本,直至两者谱质心均值距离一致,模型故障类别取决于支持向量机(SVM)和逻辑回归(LR)基分类器的输出。Spectra Quest齿轮传动系统试验结果表明,转速负载发生变化时,该模型诊断性能优于非迁移模型,且能够根据替换样本数、精度、频谱相似度、耗时等指标评估源工况领域质量,因此具有解决变工况轴承故障诊断问题的潜在价值。     

基于时空局部学习的集成自适应软测量方法

集成软测量方法已被广泛应用于流程工业关键质量参数实时估计。但是,常规集成建模方法在基模型构建过程中往往局限于挖掘样本之间的空间关系,忽略了样本间的时序关系,从而导致过程局部状态挖掘不充分、基模型间多样性不足等问题。其次,传统软测量方法由于缺乏自适应机制而无法有效处理过程时变特征,从而导致模型性能发生退化。为此,提出一种基于时空局部学习(STLL)的集成自适应软测量方法。该方法首先通过移动窗口、即时学习技术分别挖掘样本间的时序关系和空间关系,并采用统计假设检验实现冗余状态剔除,进而构建多样性的时空局部高斯混合回归(GMR)模型。然后,基于在线选择性集成策略实现局部预测结果的自适应融合。此外,引入双重自适应机制以缓解模型性能退化问题。实验结果显示,相较于非自适应全局GMR模型、时间局部学习集成GMR模型、空间局部学习集成GMR模型,所提方法在金霉素发酵过程中的预测精度分别提升了70.3%,14.9%,27.8%;在脱丁烷塔过程中,分别提升了31.9%,21.2%,19.3%。     

保证数据隐私的装备协同智能故障诊断联邦迁移学习方法

大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的实际应用仍存在巨大困难。在工业界,多个用户往往拥有相似的机械装备与各自收集的监测数据,因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而,数据隐私性至关重要,不同用户往往不愿将私有数据与其他用户共享,给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法 FedTL,各用户私有数据不出本地完成模型训练,多用户间传输共享数据高级表征;提出软标签信息传输方法,通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递;考虑多用户装备工况不同等场景,提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证,结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。     

基于 Lasso 回归及模型修正的双重回归缺失值插补方法研究

针对各传感网络中传感数据因工作环境变化、传感设备异常等因素而引起的测量值缺失的问题,提出了一种基于 Lasso 回归及模型修正的双重回归缺失值插补方法。该方法采用原始数据滑动窗口法生成数据集并随机删除部分数据,以 Lasso 回归模型为基准,使用岭回归与皮尔逊相关性分析联合分析且生成集成岭回归与相关性的数据集,并将其作为 Lasso 回归模型的特征(双列),以双重回归方式进行模型修正,最终实现对缺失值的插补。以西储大学轴承数据为例,对所提方法及另外 2 种缺失值插补方法( KNN的数据插补和 Lasso 回归的缺失值插补)在缺失率为 4% 、10% 和 20% 下进行比较,并采用均方根误差、模型训练时间及决定系数作为评估指标。结果表明,基于 Lasso 回归及模型修正的双重回归缺失值插补方法具有较好的表现,为后续的故障诊断提供可靠的基础数据。     

Consistent regularization of nonlinear model updating for damage identification

Even though many innovative methods have been proposed more recently, traditional sensitivity-based methods are still widely used for model updating and damage identification. Most publications, however, seem to lack rigorous mathematical treatment of some important details. A first observation is that few authors recognize the issue as an inverse problem that needs regularization. Without regularization, inherent measurement errors can lead to completely unrealistic results. Most authors who do use regularization apply it intuitively but inconsistently. In this paper, the two best-known regularization schemes—Tikhonov regularization and truncated singular value decomposition—are applied consistently to the nonlinear updating problem. Line search and stopping criteria known from numerical optimization are adapted to the regularized problem. The optimal regularization parameter is determined by generalized cross-validation. Numerical simulations are used to demonstrate the effects of some commonly encountered inconsistencies and to prove the superior behavior of the proposed algorithm. This algorithm is then successfully applied to a laboratory model with experimental data. Good agreement with actual crack patterns is observed.     

Ultrasonic tomography based temperature distribution measurement method

The temperature distribution information plays an important role in industrial applications. Owing to the advantages such as non-intrusive sensing and low cost, the ultrasonic tomography (UT) is considered to be a promising method for temperature field visualization. The ultrasonic time-of-flight (TOF) measurement and the reconstruction algorithm are crucial for practical applications of the UT measurement. In this paper, a dual-threshold measurement method is proposed to ensure a high-quality TOF measurement. In view of the inaccurate nature of the reconstruction model and TOF data, a new reconstruction method that integrates the advantages of the Tikhonov regularization method and the least squares support vector machine (LSSVM) is proposed to improve the reconstruction quality. The experimental results were compared against thermocouple measurements and the results show that the temperature distribution can be reconstructed with the error of 1.3%, which validates the feasibility and effectiveness of the proposed Tikhonov-LSSVM reconstruction algorithm.