基于多元时序驱动的ELM全流程故障预测及其应用

多元时序驱动建模方法是复杂系统故障预测和系统状态评估的一种有效途径, 其中人工神经网络作为一种数据驱动的处理非线性问题的有效建模工具, 近年来在处理多元时序建模这个问题上得到了较广泛的关注。从全流程的角度出发, 首先, 运用k-近邻互信息方法对多元时序变量进行降维与相关性计算, 从而选择特征变量;其次, 提出了一种改进的趋势分析方法对系统的状态进行实时监测, 并对系统运行状态进行有效细分;最后, 针对系统潜在故障阶段, 应用极限学习机(extreme learning machine, ELM)神经网络方法对其进行故障预测。通过对青霉素发酵过程(penicillin fermentation process)进行仿真实验, 结果验证了所提方法的有效性。     

基于自联想神经网络的数据滤波与应用

石油化工过程系统及其现场数据复杂,基于数据驱动的任何研究、设计、运行工作首先都需要进行数据滤波.本文研究了用自联想神经网络对化工过程数据进行滤波的方法.自联想神经网络通过使输入节点的信息压缩在隐层节点上,从网络输入的高维参数空间中提取反映系统结构的最具代表性的低维子空间,同时有效地滤去了测量数据中的噪声和测量误差,再通过输出层实现数据的解压缩,将前面压缩的信息还原到各个参数值,从而实现各测量数据的重构.通过对测试函数的应用和误差比较验证了该方法可以达到比较理想的滤波效果,并采用该方法对某企业精对苯二甲酸(PTA)工业数据进行滤波后BP建模,该模型的预测效果要大大好于没有进行数据滤波建立的模型,从而进一步说明了用自联想神经网络对工业数据滤波不但是可行且有效的,同时也提高了模型预测的准确性.