基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

基于数据驱动技术和工艺机理模型的PTA生产过程软测量建模方法

PTA生产过程物耗指标和质量指标实时准确的监控,是PTA生产企业降低生产成本、提高市场竞争力的重要途径.现存的PTA工艺机理模型无法实时有效地对PTA生产过程进行监控,本文提出了1种基于数据驱动技术和工艺机理模型的软测量建模方法,通过采用主元分析和模糊C均值聚类(PCA-FcM)算法将PTA历史工况进行分类,建立BP神经网络和偏最小二乘(PLS)的组合多工况模型,对PTA生产过程的物耗指标和质量指标进行预测.以某化工厂的投运效果分析,该方案有效地对PTA重要指标作了实时准确的预测,其中质量指标4CBA的相对误差控制在3%左右,有效地帮助现场操作人员将生产装置稳定运行在较优工况点.     

浮选生产过程经济技术指标的软测量建模

依据浮选过程的工艺机理和操作经验,初选了浮选过程经济技术指标神经网络软测量模型的输入变量,运用主元分析法对输入变量进行主元分解,降低输入变量维数且消除了输入变量之间的线性相关性,再通过基于最近邻聚类学习算法的径向基函数神经网络进行建模。仿真结果表明,该模型具有较快的训练速率和较高的预测精度,可以满足浮选过程实时控制的在线软测量要求。     

火灾模拟实验炉温软测量建模的研究

火灾模拟实验炉是对建筑构件进行模拟测试实验的装置,其升温必须按ISO834国际标准执行,炉温的估计是实验的关键,采用了主元分析和RBF神经网络相结合的模型构成火灾模拟实验炉温软测量;主元分析（PCA）实现输入变量的降维,RBF神经网络采用K-均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛;该融合模型使炉温估计精度比常规的最小二乘方法拟合情度提高2倍以上,保证了升温过程温度的精确控制。     

气流干燥过程水份软测量集成建模研究

气流干燥是闪速熔炼的关键工序之一,控制干燥后精矿的含水率在0.1%～0.3%之间是稳定熔炼生产的前提;由于水份含量人工检测的时间间隔较长,很难及时反映生产实际,影响干燥过程的优化控制;采用主元分析的方法,建立了水份含量的主元回归模型,并利用BP神经网络模型进行误差修正,实现对干精矿含水率的软测量;实际应用表明,该集成模型精度高,能满足工业生产要求.     

燃料乙醇发酵过程中生物参量的软测量建模

针对燃料乙醇发酵过程中关键生物参量(基质浓度、菌体浓度、乙醇浓度等)在线检测困难,离线化验滞后大,难以实现实时控制的问题,提出了一种基于核主元分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的软测量建模方法。以关键生物参量中乙醇浓度的预测为例,首先,利用KPCA提取软测量输入数据空间中的非线性主元,然后利用LSSVM算法建立了乙醇浓度的软测量模型。仿真结果表明,与PCA-LSSVM建模方法相比,KPCA-LSSVM软测量模型的测量精度高、跟踪性能好、泛化能力强,能满足发酵过程中乙醇浓度的在线测量要求,是一种有效的软测量建模方法。     

基于PCA-SVM的软测量建模方法与应用

主元分析(PCA)能够有效地提取数据的特征信息，消除变量问的共线性；而将基于统计学习理论的支持向量机(SVM)用于数据建模具有显的优点。本提出了将PCA与SVM相结合的软测量建模方法，并利用该方法建立了工业萘初馏塔酚油含萘量软测量模型，应用结果表明了该方法的有效性和优越性。     

基于PCA-BP的中药提取率的软测量

利用超声波萃取金银花中的绿原酸.依据工艺机理和操作经验,从提取过程中初选了数学模型所需的输入变量.对萃取过程中的提取率,利用主元分析方法PCA对输入变量进行主元分解,消除了输入变量之间的线性相关性,再利用BP神经网络进行数学建模,仿真结果表明:利用PCA法对输人数据进行处理后,与单独使用BP算法的建模结果相比较,该方法具有较快的训练速率和较高预测精度,提高了对中药萃取过程中提取率的在线软测量精度.     

基于KPCA和最小二乘支持向量机的软测量建模

为了解决化工领域数据建模小样本、不适定性、非线性等问题,提出了一种基于核主元分析(KPCA)和最小二乘支持向量机的软测量建模方法,用核主元分析对输入变量进行数据压缩,消除变量之间的相关性,运用PSO算法对核参数进行了寻优,通过交叉验证的方法对支持向量机进行参数选择.将其用于双酚A(BPA)软测量建模的研究结果表明:方法具有学习速度快、泛化能力强等优点,为BPA软测量建模的在线实施提供了方便.     

基于变量选取的ANFIS技术及在发酵过程中的建模

提出了一种基于主成分分析选取变量的自适应模糊神经网络的建模方法,将该方法与其他三种未经变量选取的苔适应模糊神经网络的方法的建模精度进行了比较,结果表明该方法的建模精度较好。最后采用真实青霉素发酵过程数据进行模型验证．仿真结果表明该方法具有较好的建模精度和实用性。     

KPCA方法过程研究与应用

给出一种基于核函数的主成分分析方法,它主要用来解决大规模非线性数据的特征提取问题。文中给出了简化的协方差矩阵的计算方法与推导过程,还给出了KPCA方法的详细推导过程。最后使用核主成分分析的方法分别对线性与非线性分布的数据进行了分析,取得了比传统主成分分析方法更好的结果。     

优化KPCA特征提取下的FCM算法研究

利用核函数主元分析（KPCA）方法对大样本、高维数据进行特征提取预处理,并结合文化算法（CA）选择最优或接近最优的核函数,将其用于模糊C均值（FCM）聚类中,不但有效地提取了样本的非线性信息,而且使样本维数得到约简。实验表明该方法具有较好的聚类效果和更少的训练时间。     

基于KPCA的HVAC系统传感器故障诊断

传感器状态的好坏很大程度上影响暖通空调(HVAC)系统的运行,对其展开故障诊断十分必要。核主成分分析(KPCA)方法通过集成算子与非线性核函数计算高维特性空间的主元成分,有效捕捉过程变量中的非线性关系,将其用于传感器常见4种故障的诊断,先用Q统计量进行故障监测,再用T2贡献量百分比变化来识别故障。实验结果表明:KPCA方法具有很好的故障监测与诊断能力。     

一种基于核主元分析的话务量特征提取方法*

针对话务量的特点,提出了一种基于核主元分析的非线性的特征提取方法,该方法采用KPCA方法提取的非线性特征反映了原始输入输出数据之间的复杂关系,精简了网络输入数据阵的维数。通过仿真结果比较表明,基于KPCA-RBFNN的话务量预测模型比PCA-RBFNN模型具有较好的非线性数据处理能力,反映了该方法的有效性。     

气体传感器阵列中特征参数的提取与优化

用一组厚膜金属氧化锡气体传感器阵列对气味进行分析和识别 ,其中最重要、最难的因素是传感器特征提取技术和特征参数的优化 ,使所用的传感器阵列能快速准确地识别不同气味。然而 ,目前尚无令人满意的方法。本文中研制了适用于传感器阵列反应的试验装置 ,在获得传感器与食醋挥发气体反应的整个过程的数据的基础上 ,提取了传感器与食醋散发的气体反应的特征值。利用分辨率来提取 ,以确定所提取的特征参数是否最优 ,从而决定该特征值在以后模式识别中是否有用。再对那些分辨率指数大的特征参数进行主成分分析和神经网络分析 ,主成分分析结果表明不同醋之间区分得比较开 ,神经网络的识别正确率达到 10 0 %。显然这一方法也可用于解决其它形式传感器阵列问题。     

基于IGWO-BP的SCR脱硝效率软测量模型

针对电厂SCR脱硝装置运行参数多且相互高度耦合,脱硝效率定量描述困难,以及传统BP网络存在的问题,提出一种基于IGWO-BP的脱硝效率软测量模型;该方法将基于主成分分析后的降维数据作为输入变量,采用改进灰狼算法对BP网络初始权值、阈值进行优化,利用优化后的网络对脱硝效率进行预测;该模型已成功应用于大唐洛河发电厂6号机组脱硝装置,结果表明:实际脱硝效率平均绝对百分比误差为2.31％,较传统BP算法与IGWO-BP算法分别降低48.92％和21.69％,具有更高的预测精度.     

基于核主元分析–主元分析的多阶段间歇过程故障监测与诊断

具有过渡特性的多阶段间歇过程故障监测是一个复杂的问题,既需要考虑稳定阶段下的故障监测,也需要考虑不同阶段间的过渡故障监测.为克服传统硬划分方法导致误警和漏报率高的缺陷,同时也为实现更加精确、有效的故障监测与诊断,提出一套完整的基于核主元分析-主元分析(KPCA-PCA)的多阶段间歇过程故障监测与诊断策略.该方法依据数据相似度实现阶段划分,定义模糊隶属度辨识相邻阶段间的过渡,最后对稳定阶段和过渡过程分别建立具有时变协方差的PCA和KPCA故障监测与诊断模型.通过对青霉素发酵过程的仿真平台及工业应用研究表明,该方法具有更可靠的监控性能,能及时、准确的检测出过程中存在的异常情况.     

基于KPCA的监控系统传感器异常诊断方法

针对监控系统数据异常时,故障检测准确性不高的问题,提出一种基于监控系统传感器异常的核主元分析(KPCA)检测方法.利用平方预报误差(SPE)统计量和均方贡献值法进行故障检测和故障源的定位,改善了主元分析(PCA)应用于非线性系统故障检测准确性低的问题.分别利用基于KPCA和PCA的故障检测模型进行仿真比较.实验结果表明:KPCA提高了非线性监控系统传感器异常诊断的准确性.     

基于KPCA和CIPSO-PNN的煤与瓦斯突出强度辨识模型

为了实现对煤与瓦斯突出强度等级的准确辨识,提出将核主成分分析( KPCA)和改进概率神经网络相结合,建立煤与瓦斯突出的强度辨识模型。根据煤层条件和生产条件,确定影响煤矿瓦斯突出的相关基础参数并对其进行测定,采用KPCA对该参数集进行降维处理,提取出可以表征煤与瓦斯突出的敏感参数作为辨识模型的输入值。利用混沌免疫粒子群算法( CIPSO)优化概率神经网络(PNN)的σ参数,以克服PNN中平滑参数σ单一而导致的分类错误,避免了人为因素的影响,提高辨识模型的精度。实例分析结果表明,相比BP、PNN、PSO￣PNN等方法,该方法对煤与瓦斯突出强度进行辨识,结果更为准确。