基于改进的DAEN在TE过程故障诊断中的应用研究

现代化工生产过程中故障情况十分复杂,具有非线性、多种类、少标签问题,传统方法很难建立准确的诊断模型。基于深度自编码网络(DAEN),提出了一种新型智能故障诊断方法,并且添加Softmax分类器,构建了深度自编码网络诊断模型。该模型采取稀疏理论进行了改进,解决故障数据少,与正常数据不平衡问题。并且所提方法采取大量无标签样本作为训练集,进行预训练,优化模型参数,并以少量有标签样本作为测试集,进行微调。通过田纳西-伊斯曼(TE)过程仿真数据实验结果表明,相比较支持向量机(SVM)、K最近邻(KNN)等学习方法,DAEN与Softmax回归结合,得到更高的故障诊断正确率;而相比传统的DAEN诊断方法、以及基于反向传播神经网络(BPNN)的传统机器学习故障诊断方法,本文改进的DAEN诊断方法诊断精度得到明显提高。

基于改进的RBF神经网络的滚动轴承故障诊断

该文阐述了径向基函数(radial basis function,RBF)神经网络的基本原理和算法,并针对RBF神经网络存在的隐含层的隐层单元数目及中心向量、扩展参数难以确定的问题,利用减聚类算法进行RBF网络的改进,建立应用于滚动轴承故障诊断与识别的RBF神经网络智能识别模型,并通过实验与BP(back propagation)神经网络进行比较分析研究。结果表明,减聚类算法能够有效地确定网络参数,改进的RBF神经网络对预设滚动轴承故障能够准确诊断,并且具有训练速度快的特点。

基于DEBP模糊神经网络的醇烯比值控制研究

在炼油厂轻汽油醚化系统中醇烯比值对烯烃转化率的影响较大,由于实际生产中醇烯比值控制过程具有非线性和大滞后特性,因此传统的PID控制方式对于醇烯比值的控制效果不够稳定。该文提出将基于DEBP算法的模糊神经网络用于轻汽油醚化系统醇烯比值的控制当中。对反应釜内的醇烯比值控制过程构建数学模型,建立模糊神经网络控制器,将差分进化算法与BP算法进行组合形成DEBP算法,利用此算法对模糊神经网络参数进行优化,仿真验证了基于DEBP算法的模糊神经网络控制比传统PID控制效果更好。

群智能优化算法优化支持向量机的方法及应用

水质评价过程具有多变量、非线性、不确定等特点,传统的粒子群算法训练神经网络的水质评价模型收敛速度慢、泛化性能差。为了克服传统模型的缺点,提出了利用动态多种群粒子群算法训练支持向量机的模型,并利用多种群粒子群算法优化支持向量机结构参数。该模型结合了粒子群算法的搜索性能以及支持向量机的高效性、强鲁棒性等优点,提高了模型的泛化能力。通过对新疆某流域站点的水文数据进行仿真,结果得出该方法的相对误差为2.74%,远低于传统粒子群算法4.21%的相对误差,由此证明该模型的应用效率及精度得到提高,适用于日常水质评价工作。