基于改进LWPLS的碱性蛋白酶发酵过程软测量建模

针对微生物发酵过程中关键生物参数难以在线检测的问题,提出一种即时学习建模方法。考虑到微生物发酵的多阶段特性,利用模糊C均值(FCM)聚类算法对发酵数据样本进行聚类;采用具有即时学习策略的局部加权偏最小二乘(LWPLS)算法作为局部建模方法;采用粒子群优化(PSO)算法对带宽参数进行优化。最后以碱性蛋白酶发酵过程为例,实验仿真结果表明:所提的FCM-PSO-LWPLS局部软测量建模方法具有较高的预测精度,能适应一般发酵过程中关键生物参数(总糖浓度S)的实时监测。

多工况生产过程下的即时学习能耗预测建模方法

针对全局能耗预测模型只适用于部分预测样本且模型计算量大的问题,引入即时学习思想,采用局部加权偏最小二乘法结合能耗模型建立临时局部能耗预测模型;改进粒子群算法的惯性权重,考虑粒子适应度、迭代次数和种群大小对粒子群算法收敛速度和收敛精度的影响,提出一种非线性变化的自适应惯性权重策略,离线计算阶段使用改进的粒子群算法(adaptive PSO,APSO)对历史样本的带宽参数进行寻优,当预测样本到来时在线更新局部模型。考虑多工况生产场景下不同工况样本之间的能耗差异性所导致的预测误差,增加工况相似性度量过程,提出局部加权偏最小二乘算法与K-means算法相结合的APSO-JITL(just-in-time learning)-CLWPLS(cluster locally weighted partial least squares)能耗预测建模方法,在预测时选取同一工况的历史样本来设计预测样本的带宽参数。通过仿真实验验证了算法有着更高的预测精度且能更好地应对多工况生产场景。

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

基于局部加权偏最小二乘法的冷凝器污垢预测

提出了基于局部加权偏最小二乘回归算法的污垢预测算法,通过在训练集的污垢数据局部模型内对新测得的数据进行偏最小二乘回归分析,并应用自适应算法对模型参数、各模型之间的加权系数进行自动优化调整。算法能很好地解决新旧数据相互影响问题,以适应冷凝器水质及工况参数的动态变化,具有学习速度快、泛化能力强及鲁棒性强的特点。通过与各种工况下的污垢预测值比较,实验结果说明基于局部加权偏最小二乘回归学习算法的污垢模型预测精度比神经网络模型、渐近污垢模型有显著提高。

时序局部加权自适应核PLS软测量建模及其应用

针对工业现场数据的强非线性、时序性特点,提出了一种结合移动窗口的局部加权自适应核偏最小二乘（LW-AKPLS）算法。在建模阶段,通过移动窗口法对数据集进行动态时序划分后,利用自适应核PLS（AKPLS）进行建模;与固定核函数的核PLS（KPLS）不同,AKPLS对于不同子数据集能自适应地选出各自的最优核函数,使模型结构与子数据集充分匹配,有效提高了子模型的预测精度;在预测阶段,利用集成学习进行子模型加权预测,获得的全局模型实用性高、泛化能力强。最后将所提算法在某焦化系统历史数据集上进行了测试应用,预测结果进一步证明了所提算法的有效性。

基于局部加权回归的土壤全氮含量可见-近红外光谱反演

全氮是土壤肥力的重要指标,对作物产量具有决定性作用,采用土壤可见-近红外(Vis-NIR)光谱预测技术及时获取土壤全氮含量信息具有重要意义。采用来自5省的450个土壤样本来验证局部加权回归方法(LWR)结合Vis-NIR光谱技术预测大面积土壤全氮含量的适用性。结果表明,LWR模型的预测效果优于偏最小二乘回归(PLSR)、人工神经网络(ANN)和支持向量机(SVM),选取主成分数为5,相似样本为40时,模型验证的决定系数(RP2)为0.83,均方根误差(RMSEP)为0.25 g kg-1,测定值标准偏差与标准预测误差的比值(RPD)达到2.41。LWR从建模集中选取与验证样本相似的土样作为局部建模样本,降低了差别大的样本对模型的干扰,从而提高了模型的预测能力。因此,LWR建模方法通过大范围、大样本土壤光谱数据进行大尺度区域的全氮等土壤属性预测时能够发挥更好的作用。

基于局部加权偏最小二乘的在线多模型建模

针对田纳西—伊斯曼(Tennessee-Eastman,TE)过程具有的高度非线性、时变及多个操作模式等特征,为在线预测该过程产品流道中各种成分的含量,提出一种基于局部加权偏最小二乘的多模型建模方法。多模型建模方法首先要进行子模型的划分,将TE过程各种操作模式下的训练数据放入不同数据库中,利用贝叶斯分类器对在线测得的数据进行分类;然后采用即时(just-in-time,JIT)建模思想,基于局部加权偏最小二乘建立相应的在线局部模型;最后,将贝叶斯分类器得到的测试数据属于各个数据库的后验概率作为加权系数,对得到的局部模型的预测结果进行融合输出。基于TE化工过程仿真平台,采用该方法来预测产品流道中成分G和H的含量与真值基本一致,证明提出的基于局部加权偏最小二乘的在线多模型建模方法具有良好的预测效果。

基于即时学习的不完整高维数据非线性过程软测量

由于现代工业过程中数据存在高维性、强非线性、时变性和不完整性等特性,限制了局部加权偏最小二乘算法(LW-PLS)的预测精度。因此,本工作在即时学习建模算法的基础上,将偏最小二乘算法(PLS)应用于相似性样本的选择中,并研究比较了基于主成分分析法(PCA)无监督降维的即时学习算法和基于PLS有监督降维的即时学习算法。概率主成分分析法(PPCA)可以有效的解决数据不完整性的问题;基于PCA和PLS算法的处理,有效的解决了数据高维性问题。基于即时学习的局部加权建模,可以有效解决数据的时变性和非线性问题。所研究算法的有效性在一个数值例子和脱丁烷塔实例中得到了验证。

基于移动窗口和粒子群寻优的集成偏最小二乘改进算法

为了克服传统偏最小二乘算法对时序非线性数据拟合效果差的问题,提出了结合移动窗口技术和粒子群算法的集成偏最小二乘算法(EMWPLS_PSO)。该算法通过移动窗口判定时序数据状态突变时刻以对原始数据集进行数据划分,添加冗余检查步骤,简化模型结构,同时引入粒子群算法对关键参数寻优,提高了模型性能。采用工业数据集Debutanizer_data验证算法,结果表明:该算法在处理时序、非线性数据时具有更高的精准度和更好的稳定性。这表明基于EMWPLS_PSO的软测量建模算法在工业领域的实用性和可操作性。

一种基于局部最优的权系数组合预测模型

针对最优权系数组合模型在组合不同单项预测模型时,由于模型的拟合精度不同而出现过度偏权问题,文中提出了一种基于局部最优的权系数组合预测模型,即以t\-0~N时刻各个预测模型的残差平方和为目标函数,通过最小二乘准则确定模型的局部最优权,并将该权作为组合预测模型的权值。通过实测水位监测数据验证了该方法的有效性,与最优权系数组合预测模型和实测数据进行对比分析,结果表明:该方法能很好地解决过度偏权问题,提高组合模型的预测精度。

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R2)分别为0.7855、0.9719,预测误差均方根(RMSEP)分别为0.1266、0.0438,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R2分别为0.8864、0.9649,RMSEP分别为0.1148、0.0771,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。

局部惩罚加权核偏最小二乘算法及其应用

为改善软测量模型精度,提出了一种局部惩罚加权核偏最小二乘算法。该方法通过核映射将原始输入映射到高维特征空间实现对非线性问题的线性化处理,并通过偏最小二乘算法进行主成分提取,降低数据维数;对由主成分构成的新数据集,依据局部学习思想构建局部惩罚加权最小二乘回归模型,降低模型对异常数据的敏感度、优化模型参数。鉴于多模型可以改善模型估计精度,提高泛化性,采用C-NN近邻扩张搜索聚类算法对样本集进行聚类,对得到的聚类子簇依据上述算法建立回归子模型,得到多模型软测量系统。将其应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了方法的有效性。

基于EM算法的半监督局部加权PLS在线建模方法

针对化工过程采样分析获得的有标签样本数量较少的问题,提出一种基于半监督学习的局部加权偏最小二乘在线软测量建模方法。将过程收集到的有标签及无标签训练样本放入同一数据库中;对于在线测得的新数据点,计算其与数据库中各样本点之间的相似度,将其作为各数据点的权重;建立半监督局部加权偏最小二乘在线软测量模型,并采用EM(Expectation Maximization)算法估计模型的参数,得到模型的在线预测输出。通过对脱丁烷塔过程的仿真研究,验证了所提方法具有良好的预测精度和泛化性能。

局部加权混合核偏最小二乘算法及其在软测量中的应用

为提高基于核函数的偏最小二乘算法非线性处理能力,削弱软测量模型对异常数据的敏感度,提高模型泛化能力,提出一种用于软测量在线建模的局部加权混合核偏最小二乘算法.该算法以多个具有不同特性的单一核函数构成混合核函数,将原始输入映射到高维特征空间,再采用局部加权学习算法在高维特征空间中计算样本权值,并对核变换后的样本数据进行加权处理,然后采用核函数偏最小二乘算法建立在线局部软测量模型.通过数值仿真和采用来自工业双酚A生产装置的现场数据进行在线软测量建模仿真,结果证明该算法是有效的.

基于多样性加权相似度的集成局部加权偏最小二乘软测量建模

针对传统即时学习软测量方法仅考虑单一的相似度函数,难以有效处理复杂工业过程中的非线性特性,从而导致模型预测性能受限的问题,提出了一种基于多样性加权相似度(DWS)的集成局部加权偏最小二乘(LWPLS)软测量建模方法.首先采用随机子空间法和高斯混合聚类,构建一组多样性的训练样本子集;然后通过偏最小二乘回归分析确定输入特征权值,从而定义一组多样性加权相似度函数.在线实施阶段,对于任意的查询样本,基于多样性的相似度指标,可建立一组多样性的LWPLS软测量模型,随后引入集成学习策略实现难测变量的融合预测.在数值例子和脱丁烷塔过程中的应用结果表明了该方法的有效性.

基于多模态扰动的集成即时学习软测量建模

近年来,即时学习软测量方法已被广泛用于过程工业中难测参数的在线估计.然而,常规的即时学习软测量方法仅依靠单一的学习配置,忽略了即时学习性能的多样性,导致预测性能不佳.为此,提出了一种基于多模态扰动的集成即时学习软测量建模方法,称为DSS-ELWPLS(Diverse Subspaces and Similarity measures based Ensemble Locally Weighted Partial Least Squares).该方法以局部加权偏最小二乘算法(LWPLS)为基学习器,通过输入特征扰动和相似度扰动以激发即时学习的多样性,然后基于进化多目标优化构建满足多样性和准确性的即时学习基模型.随后采用Stacking集成学习策略,实现即时学习基模型的融合.通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了DSS-ELWPLS方法的有效性和优越性.