期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
一种融合贝叶斯推理与LDRSKM的多模态过程监测算法(英文)
1
作者
Shi-jin REN
Yin LIANG
+1 位作者
Xiang-jun ZHAO
Mao-yun YANG
《Frontiers of Information Technology & Electronic Engineering》
SCIE
EI
CSCD
2015年第8期617-633,共17页
目的:针对复杂多模态工业过程故障监测存在的问题,充分利用过程数据的局部和非局部几何信息,同时实现数据聚类和低维子空间选择,提高非线性、非高斯多模态过程监测性能。创新点:提出融合局部鉴别正则化软k-均值与贝叶斯推理的多模态过...
目的:针对复杂多模态工业过程故障监测存在的问题,充分利用过程数据的局部和非局部几何信息,同时实现数据聚类和低维子空间选择,提高非线性、非高斯多模态过程监测性能。创新点:提出融合局部鉴别正则化软k-均值与贝叶斯推理的多模态过程监测算法。该方法充分利用过程数据的局部和非局部几何信息,较好地发挥了无监督学习和有监督学习的优点,提高了模态数据的分离性和解释性,监测性能良好。方法:该方法分为二个阶段:第一阶段,首先,考虑过程数据的局部和非局部几何信息,提出一种局部保持的正则化软k-均值聚类算法(LPRSKM)。然后,建立有监督学习与无监督学习的统一框架,提出融合LPRSKM与广义线性鉴别分析算法(GELDA)的局部鉴别正则化软k-均值算法(LDRSKM)(图1)。第二阶段,使用核支持向量数据描述(KSVDD)对各局部子空间建立监测统计量及控制限。然后,基于贝叶斯推理方法建立多模态过程全局监测统计量。最后,在TE仿真平台对所提方法进行仿真分析。结论:针对非线性、非高斯的多模态过程监测,提出一种新的数据划分和最优低维子空间选择的迭代算法来提高不同模态数据的分离效果。在此基础上使用KSVDD和贝叶斯推理方法,较好地解决了多个非高斯和非线性的过程模态的监测准确性和可靠性问题。
展开更多
关键词
多模态过程监测
局部鉴别正则化软k-均值
核支持向量数据描述
贝叶斯推理
原文传递
加氢裂化过程软测量建模研究综述
被引量:
3
2
作者
罗林
赵强
《辽宁石油化工大学学报》
CAS
2018年第1期66-73,共8页
加氢裂化是目前石油炼制工业中最为重要的原油再加工过程,也是重油轻质化、商品油生产的核心工艺之一。介绍了重油加氢裂化的监测过程,对加氢裂化过程软测量的背景和产生原因进行了分析。针对重油加氢裂化过程高精度控制和节能优化中存...
加氢裂化是目前石油炼制工业中最为重要的原油再加工过程,也是重油轻质化、商品油生产的核心工艺之一。介绍了重油加氢裂化的监测过程,对加氢裂化过程软测量的背景和产生原因进行了分析。针对重油加氢裂化过程高精度控制和节能优化中存在的三个关键问题进行综述,主要包括:系统多变量、非线性导致的多特征尺度问题;加氢裂化过程具有多个稳定工作点、非概率输出难以指导生产的问题;工艺过程易受缺失样本和离群样本因素的干扰。
展开更多
关键词
加氢裂化
过程
多模态过程监测
概率性软测量
下载PDF
职称材料
题名
一种融合贝叶斯推理与LDRSKM的多模态过程监测算法(英文)
1
作者
Shi-jin REN
Yin LIANG
Xiang-jun ZHAO
Mao-yun YANG
机构
National Laboratory of Industrial Control Technology
School of Computer Science & Technology
出处
《Frontiers of Information Technology & Electronic Engineering》
SCIE
EI
CSCD
2015年第8期617-633,共17页
基金
supported by the National Natural Science Foundation of China(No.61272297)
文摘
目的:针对复杂多模态工业过程故障监测存在的问题,充分利用过程数据的局部和非局部几何信息,同时实现数据聚类和低维子空间选择,提高非线性、非高斯多模态过程监测性能。创新点:提出融合局部鉴别正则化软k-均值与贝叶斯推理的多模态过程监测算法。该方法充分利用过程数据的局部和非局部几何信息,较好地发挥了无监督学习和有监督学习的优点,提高了模态数据的分离性和解释性,监测性能良好。方法:该方法分为二个阶段:第一阶段,首先,考虑过程数据的局部和非局部几何信息,提出一种局部保持的正则化软k-均值聚类算法(LPRSKM)。然后,建立有监督学习与无监督学习的统一框架,提出融合LPRSKM与广义线性鉴别分析算法(GELDA)的局部鉴别正则化软k-均值算法(LDRSKM)(图1)。第二阶段,使用核支持向量数据描述(KSVDD)对各局部子空间建立监测统计量及控制限。然后,基于贝叶斯推理方法建立多模态过程全局监测统计量。最后,在TE仿真平台对所提方法进行仿真分析。结论:针对非线性、非高斯的多模态过程监测,提出一种新的数据划分和最优低维子空间选择的迭代算法来提高不同模态数据的分离效果。在此基础上使用KSVDD和贝叶斯推理方法,较好地解决了多个非高斯和非线性的过程模态的监测准确性和可靠性问题。
关键词
多模态过程监测
局部鉴别正则化软k-均值
核支持向量数据描述
贝叶斯推理
Keywords
Multimode process monitoring, Local discriminant regularized soft k-means clustering, Kernel support vector datadescription, Bayesian inference, Tennessee Eastman process
分类号
TP391.41 [自动化与计算机技术—计算机应用技术]
原文传递
题名
加氢裂化过程软测量建模研究综述
被引量:
3
2
作者
罗林
赵强
机构
辽宁石油化工大学信息与控制工程学院
辽宁石油化工大学石油化工过程控制国家级实验教学示范中心
出处
《辽宁石油化工大学学报》
CAS
2018年第1期66-73,共8页
基金
国家自然科学基金青年科学基金项目(61703191)
国家重点研发计划重点专项"重大危险源的识别评价
监测预警与管控"(2016YFC0800105)
文摘
加氢裂化是目前石油炼制工业中最为重要的原油再加工过程,也是重油轻质化、商品油生产的核心工艺之一。介绍了重油加氢裂化的监测过程,对加氢裂化过程软测量的背景和产生原因进行了分析。针对重油加氢裂化过程高精度控制和节能优化中存在的三个关键问题进行综述,主要包括:系统多变量、非线性导致的多特征尺度问题;加氢裂化过程具有多个稳定工作点、非概率输出难以指导生产的问题;工艺过程易受缺失样本和离群样本因素的干扰。
关键词
加氢裂化
过程
多模态过程监测
概率性软测量
Keywords
Hydrocracking process
Multimode process monitoring
Probatilistic soft sensor
分类号
TE624 [石油与天然气工程—油气加工工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
一种融合贝叶斯推理与LDRSKM的多模态过程监测算法(英文)
Shi-jin REN
Yin LIANG
Xiang-jun ZHAO
Mao-yun YANG
《Frontiers of Information Technology & Electronic Engineering》
SCIE
EI
CSCD
2015
0
原文传递
2
加氢裂化过程软测量建模研究综述
罗林
赵强
《辽宁石油化工大学学报》
CAS
2018
3
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部