基于LSTM-RNN模型的铁水硅含量预测

针对高炉炼铁是一个动态过程,具有大延迟,工况复杂的特性。采用LSTM-RNN模型进行硅含量预测,充分发挥了其处理时间序列时挖掘前后关联信息的优势。首先根据时间序列趋势及相关系数选择自变量,并采用复杂工况的实际生产数据进行验证。然后用程序自动求解最优参数进行硅含量预测。最后将LSTM-RNN模型与PLS模型及RNN模型的结果进行对比,验证该方法的优势。研究发现LSTM-RNN模型预测误差稳定,预测精度较高,比传统的统计学及神经网络方法取得了更好的预测精度。     

改进型EMD-Elman神经网络在铁水硅含量预测中的应用

针对高炉炼铁过程的多尺度和动态特征,建立了基于经验模态分解(empirical mode decomposition, EMD)和Elman神经网络的铁水硅含量预测模型。该模型先采用EMD将硅含量序列分解成有限个、相对平稳的本征模函数(intrinsic mode function, IMF)和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;为了进一步提高预测精度,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。将该模型用于某钢厂铁水硅含量的预报,实验结果证实了该方法的有效性。     

基于ARIMA模型的中国塑料制品出口量预测及分析

预测中国塑料制品的出口量,对于企业生产方向的把握及经营战略的制定等具有重要的现实意义。为提高时间序列预测方法的预测精度及增强现实适用性,提出一个基于ARIMA模型的中国塑料制品出口量预测模型。仿真实验表明,所提出的ARIMA模型的预测精度高于回归模型,验证了该方法在塑料制品出口量预测中的优越性。最后,给出2019-2021年的塑料制品出口量预测值及提出相关建议。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

质子交换膜燃料电池冷启动堆栈温度预测模型

为了快速准确地预测出质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)在冷启动过程中的启动时长及启动方法的应用效果,提出了以堆栈温度和温度增量分别作为BP(back propagation)神经网络预测目标的堆栈温度实时预测模型,分别为模型T和模型K,并采用四个不同的预测精度评估标准来评估预测结果的准确性。基于文献中三种冷启动工况实验数据对预测模型进行验证,结果表明,模型K的平均相对误差在三种工况下均低于模型T,分别为0.4553、0.9537和1.0844。模型T在早期预测阶段缺乏训练样本,预测结果的堆栈温度变化趋势为零,因而模型K在早期预测阶段具有更大优势。堆栈温度变化趋势预测方法能够为用户当前的PEMFC冷启动实现效果提供参考。     

基于GA＿BP神经网络的地铁车站深基坑变形预测研究

BP神经网络对复杂和高度非线性序列有良好的适用性而被广泛应用于深基坑变形预测中,针对其算法存在收敛速度慢、容易陷入局部极小值、隐含层神经元不确定等不足,本文运用遗传算法对BP神经模型的初始权值和阈值进行了优化,通过郑州市地铁5号线某车站深基坑变形监测实测数据,验证了GA-BP模型能够提高预测精度,泛化能力更好,在时间序列变形数据预测中有较好的适用性和准确性。     

带复杂花纹的轮胎六分力计算方法

以205/55R16 TH201轮胎为例介绍了一种带复杂花纹的轮胎六分力的计算方法,包括侧偏工况、纵滑工况及复合工况等,并对计算结果精度进行了验证。研究结果表明,该方法计算得到的六分力数据可以直接用于拟合轮胎的动力学模型并用于整车分析。     

基于时间序列ARMA模型的拱桥施工变形预测

为了促进时间序列分析方法在桥梁施工监测中的应用,利用时间序列ARMA模型对某特大桥主桥施工监控过程中主拱肋控制点变形数据进行分析,预测了后续主拱肋施工阶段的变形情况,并与实测数据进行比较。结果表明,时间序列ARMA模型在桥梁施工中预测拱肋变形具有较高的精度和可靠性,为桥梁施工的控制和监测提供了有效的手段。该研究成果说明时间序列分析方法可大大地改善参数的估计精度,提高模型的预测效果。     

近红外光谱法快速测定阳离子瓜尔胶中氮含量

以阳离子瓜尔胶为研究对象,基于近红外光谱技术(NIRS),采用偏最小二乘法(PLS)结合内部交叉验证方法建立氮含量模型。对模型进行优化后,模型的校正均方差RMSEC为0.0300,校正相关系数R_C~2为0.8828,预测均方差RMSEP为0.0325,预测相关系数R_V~2为0.8704。同时,模型的内部验证均方差RMSECV为0.0321,内部验证相关系数R_(CV)~2为0.8641,表明该模型的性能较好。此外,为评价模型的实际预测效果,另加入验证集进行预测,结果表明模型对于氮含量预测的精度较高。     

基于长短时神经网络的城市需水量预测应用

在分析影响居民用水量相关性因素的基础上,采用长短时神经网络结合Encoder-Decoder方法建立城市需水量预测模型。长短时神经网络可以自动从时间序列的历史数据中抽取数据特征,避免了手动设计输入变量特征的繁琐,且可以采用更长时间的历史数据进行训练,充分考虑长期条件下不同天气、节假日的城市居民用水特征。Encoder-Decoder的网络结构模拟大脑对数据处理和做出决策的过程,适合多小时水量预测模型的构建。该模型应用于某地区需水量预测,取得了较高的预测精度,模型的适用性得到了有效验证。     

基于IFOA-KELM-MEA模型的游梁式抽油机采油系统井下工况的短期预测

实现对井下工况的预测是及时掌握抽油井生产状态的有效方法,对提高油井生产效率和降低维护成本具有十分重要的意义。采用混沌理论实现抽油井井下工况的短期预测,首先将所提取的示功图的不变曲线矩特征向量作为预测变量,在证明其数据序列具有混沌特性后,由核极限学习机(kernel extreme learning machine,ELM)建立混沌时间序列预测模型,对其中的几个不确定参数采用改进的果蝇优化算法(improved fruit fly optimization algorithm,IFOA)进行优化选取,IFOA采用全局群体多样进化和局部个体随机变异的策略,最后,对模型所预测的结果进行物元分析(matter-element analysis,MEA),诊断其属于哪种故障类型。由某油田作业区的两口生产井进行实例验证,结果表明所提出的IFOA-KELM-MEA预测模型是合理有效的。     

基于IFOA-KELM-MEA模型的游梁式抽油机采油系统井下工况的短期预测

实现对井下工况的预测是及时掌握抽油井生产状态的有效方法,对提高油井生产效率和降低维护成本具有十分重要的意义。采用混沌理论实现抽油井井下工况的短期预测,首先将所提取的示功图的不变曲线矩特征向量作为预测变量,在证明其数据序列具有混沌特性后,由核极限学习机（kernel extreme learning machine,ELM）建立混沌时间序列预测模型,对其中的几个不确定参数采用改进的果蝇优化算法（improved fruit fly optimizationalgorithm,IFOA）进行优化选取,IFOA采用全局群体多样进化和局部个体随机变异的策略,最后,对模型所预测的结果进行物元分析（matter-element analysis,MEA）,诊断其属于哪种故障类型。由某油田作业区的两口生产井进行实例验证,结果表明所提出的IFOA-KELM-MEA预测模型是合理有效的。     

基于R/S分析法的矿井涌水量时间序列分析及定量预测

基于R/S分析法对矿井涌水量时间序列进行了分形刻画,结合灰色预测理论对某矿井涌水量进行了定量预测,结果表明:2011-2017年季度涌水量时间序列的Hurst指数估计值与1极为接近,说明时间序列具有长程相关性,且持续性极强;Hurst指数有效性验证结果显示,研究区原始的矿井涌水量时间序列存在记忆性,为有偏布朗运动,涌水量时间序列的平均循环周期为5个季度;基于2011-2017年季度涌水量数据建立的灰色预测模型、R/S灰色预测模型的建模精度分别为81.35%、97.56%,对2018年季度涌水量时间序列的预测精度分别为81.76%、89.06%;R/S灰色预测模型兼具灰色预测及R/S分析的特点,相比R/S分析能实现定量预测,相比灰色预测能提高预测精度,在水文地质条件不明或研究程度较低的情况下具有较大的应用潜力。     

塑料老化性能及使用寿命预测的新方法

提出了利用人工神经网络方法对塑料自然老化性能时间序列进行预测的方法，并建立了计算模型，在此基础上本方法也可对塑料使用寿命进行预测。实例计算证实了这种方法具有良好的精度。     

基于工况分类的熟料f-CaO含量预测方法研究*

为实现游离氧化钙（f-CaO）含量的持续稳定预测，采用集成学习算法研究软测量实现方法。针对烧成系统中的复杂工况，首先展开工况分类，然后对每一类工况构建集成学习预测模型，同时引入在线建模的方式提高模型的泛化能力和时间有效性，解决了模型短期有效和重复性建模的问题。集成学习算法基于bagging的思想进行对多种弱学习器构建模型，通过检验发现模型效果显著优于单一模型效果。该算法融合了工艺生产特点和多种回归算法，具有较好的稳定性和提前性，实现了水泥质量的实时控制，助力水泥厂高质量稳定生产。     

BP神经网络在城市燃气管道剩余寿命预测优化

针对城市燃气管道布局复杂、影响因素众多的特点,作者提出基于BP神经网络模型的统计模型对城市燃气管道进行剩余寿命预测,用差值模型修正BP神经网络模型预测值。实验结果表明:针对城市燃气管道剩余寿命的预测,BP神经网络模型的统计模型具有很好的预测能力和较佳的推广能力,验证了构建的基于BP神经网络的时间序列预测模型的有效性和普遍适用性。     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。     

灰色-马尔可夫的改进模型及在陶瓷工业产值预测

灰色模型是经济预测方法中最有效的方法之一,但灰色模型对波动性大的序列预测时精度较差.针对这一不足,提出灰色—马尔可夫的改进模型.新模型将原始序列进行对数运算提高数据光滑度,采用距离法降低灰色模型的相对误差,马尔可夫链对预测值进一步修正.将改进模型运用到景德镇陶瓷工业产值预测中,并与传统灰色模型、灰色-马尔可夫模型预测结果进行对比.结果表明改进模型的相对误差远小于灰色模型,预测精度优于灰色-马尔可夫模型,更能反应经济发展趋势.     

基于迁移学习工况划分的裂解炉收率PSO-LS-SVM建模

乙烯裂解炉收率的实时预测对于生产的先进控制及节能降耗具有重要意义。实际生产过程中,不同工况的收率具有较大差别,采用单一工况、单一模型无法满足生产需要。考虑到裂解炉不同运行过程中的相似性,同时为了减小建模过程中典型样本的采集成本,有效利用历史数据,辅以迁移学习算法实现工况的高精度划分。不同工况采用泛化能力强、训练速度高的最小二乘支持向量机建模,并利用粒子群算法对LS-SVM的参数寻优,进一步提高模型精度,从而实现了多工况、多模型的高精度收率预测。基于某乙烯厂现场数据的实验结果表明,多工况、多模型的预测效果更准确合理,PSO优化LS-SVM建立的裂解炉收率模型预测精度更高,趋势跟踪性能良好。