基于混合建模的磨煤机一次风量预测算法研究

针对直接拟合得到的磨煤机一次风量黑箱软测量模型收敛性差、预测准确度较低的问题,在对风量测量进行机理特性分析的基础上,建立了一种以黑箱建模为主的结构逼近式混合软测量模型。黑箱模型部分采用最小二乘支持向量机(LSSVM)算法,并将机理特性融入到LSSVM模型中,经过输入变量类变换层的整合,将辅助变量中的压力信号转换为差压类、压力与温度的比值作为密度类、与一次风管路阻力相关的测点信号转换为风门风阻类,作为LSSVM模型的输入变量。应用电厂实际运行数据对一次风量进行预测,与直接拟合的预测效果相比,所建立的混合软测量模型收敛性好、预测精度高(引用误差波动0.54%),可为电厂生产中控制合理的风煤配比关系提供准确度更高的一次风量预测值。     

水泥熟料质量指标的软测量建模研究

针对水泥熟料质量指标的测量,提出一种基于最小二乘支持向量机的软测量建模方法;对于建模数据,提出了基于模糊聚类的数据预处理方法.实验研究表明,该数据预处理方法明显优于传统的拉依达准则方法,能够有效地去除现场测量数据中存在的异常数据;最小二乘支持向量机建模相比于RBF神经网络也具有明显优势,建立的软测量模型对于整个窑系统优化控制具有重要意义.     

基于彩色图像处理的浮选尾煤灰分软测量研究

浮选尾煤灰分是浮选产品的一个重要指标。针对选煤厂浮选尾煤灰分多采用离线检测而无法实现在线准确测量,以及当前浮选软测量多采用单一的灰度图像从而导致软测量模型精度及适应性较差的问题,提出了一种基于彩色图像处理的浮选尾煤软测量方法,建立了基于最小二乘支持向量机(LSSVM)的浮选尾煤灰分软测量模型。模型以不同颜色空间的彩色特征、灰度均值以及浓度特征为输入变量,以尾煤灰分作为输出变量,采用粒子群优化算法对LSSVM模型参数进行优化。结果表明：所建立的尾煤灰分软测量模型可以较好地实现浮选尾矿灰分的在线预测,引入浮选尾矿图像的彩色特征可以提高尾煤图像分析的精度,预测精度达96.89%。研究成果在柳湾选煤厂现场应用,并取得了较好的尾矿灰分测量效果。     

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。     

灰色模糊LSSVM预测模型在锌净化除钴中的应用

针对锌净化除钴过程生产数据存在噪声和系统参数缓慢变化的问题,提出一种基于灰色模糊LSSVM的钴离子浓度预测模型。对样本数据进行灰色累加,削弱原始数据序列中的噪声,使数据规律性增强,灰色累加后数据作为LSSVM输入,提高模型抗干扰能力和预测能力;由于锌净化除钴工序的系统参数随时间发生变化,提出对不同时期的样本赋予不同的模糊加权值;利用改进PSO的全局优化能力和快速收敛性,优化LSSVM模型的惩罚因子和核函数参数,避免人为选择参数的盲目性。对硫酸锌溶液净化除钴过程生产数据的仿真结果表明,灰色模糊LSSVM预测值能很好地跟踪实际值的变化趋势,满足钴离子浓度预测要求。     

基于SOA-LSSVM的SLS成形工艺参数优化研究

为提高选择性激光烧结(SLS)成形精度,解决工艺参数优化试验成本高等问题,选择激光功率、预热温度、扫描速度、扫描间距以及分层厚度5个工艺参数设计正交试验以获得样本数据并建立统一目标函数。采用人群搜索算法(SOA)优化最小二乘支持向量机(LSSVM),建立基于SOA-LSSVM的SLS成形件精度预测模型;预测不同工艺参数组合下制件的统一性能,并与采用传统BP神经网络和LSSVM模型获得的预测结果进行对比。结果表明：SOA-LSSVM模型针对小样本预测问题具有良好的泛化能力,预测值与实际值的最大相对误差仅为1.11%,可为SLS加工参数组合的选择提供参考。     

On the prediction of solubility of alkane in carbon dioxide using the LSSVM algorithm

The increasing global energy demand and declination of oil reservoir in recent years cause the researchers attention focus on the enhancement of oil recovery approaches. One of the extensive applicable methods for enhancement of oil recovery, which has great efficiency and environmental benefits, is carbon dioxide injection. The CO₂ injection has various effects on the reservoir fluid, which causes enhancement of recovery. One of these effects is extraction of lighter components of crude oil, which straightly depends on solubility of hydrocarbons in carbon dioxide. In order to better understand of this parameter, in this study, Least squares support vector machine (LSSVM) algorithm was developed as a novel predictive tool to estimate solubility of alkane in CO₂ as function of carbon number of alkane, carbon dioxide density, pressure, and temperature. The predicting model outputs were compared with the extracted experimental solubility from literature statistically and graphically. The comparison showed the great ability and high accuracy of developed model in prediction of solubility.     

基于中文自然语言的纹理分类新方法

提出了一种新的基于中文自然语言纹理描述词的纹理分类方法,建立了自然纹理分类体系,并用最小二乘支持向量机对纹理进行分类,实现了纹理的视觉特征到语义描述的转换.实验结果证明,该方法在图像理解和基于内容的图像检索中有助于缩小纹理特征的数学描述和人类理解之间的"语义鸿沟".     

一种短期风电功率集成预测方法

为提高短期风电功率预测精度,缩短模型训练时间,提出了一种短期风电功率集成预测方法。根据风速功率曲线和风速频率特征,将风速划分为高、中、低三段,并对每段的风速功率特征进行统计分析。高、低风速段功率波动较大,使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)方法可取得较高的预测精度。中风速段风速数据点较多,且风速和功率有明显的物理关系,使用高斯(Gaussian)模型预测。并用风速功率等级表对各段预测的结果进行订正,保证了算法的稳定性。用上海某风电场2014年的历史数据,验证了Gaussian模型以及高、中、低风速段对应的预测算法选取的合理性。与LSSVM预测方法相比较,集成预测方法既提高了预测精度又缩短了预测时间,适合风电场短期功率的实时预测。     

Modeling dynamic viscosity of n-alkanes using LSSVM technique

One of the important thermophysical properties is viscosity which expresses the resistance of fluid to flow. The least squares support vector machine (LSSVM) algorithm is proposed as a novel method for prediction of dynamic viscosity of different normal alkanes in a wide range of pressure and temperature. As this study is purely computational, 228 experimental data points were gathered from literature for training and validation of the model. The outcomes of the LSSVM algorithm were compared with the actual data with acceptable average absolute relative deviation and the coefficient of determination (R²) of 1.014 and 0.9968, respectively. The comparisons showed that the predicting model has the potential of prediction of n-alkane dynamic viscosity in terms of pressure, temperature, and carbon number of n-alkane, so this strategy can be used as a simple tool for predicting the behavior of reservoir fluids.