基于极限学习机的在线参数更新方法及工业应用

针对乙烯裂解炉结焦导致裂解炉机理改变,从而引起的模型预测不准确问题,提出一种带有遗忘因子的在线序列简化核极限学习机算法(FOS-RKELM)。该算法基于在线序列的简化核极限学习机,数据可以在线实时添加到网络中,从而提高模型的适应度;通过引入遗忘因子提高最近学习数据对模型的贡献,增强模型在线学习的能力;引入聚类算法优化、简化核极限学习机(RKELM),提高算法的稳定性。结果表明:所提算法在Mackey-Glass时滞混沌序列上取得了较好的预测效果;在乙烯产物收率预测问题上,与在线序列简化核极限学习机(OS-RKELM)、简化核极限学习机(RKELM)、BP神经网络和径向基学习机(RBF)算法相比,该算法平均绝对误差显著减小,证明了该算法的有效性。

大型复杂系统多态可靠性快速评估算法

开展装备系统可靠性评估工作,对于发挥装备固有性能、提升装备使用效能、降低装备管控风险,具有重要工程应用价值。针对大型装备复杂系统,通过构建面向不同耦合结构的极限序列核和极限可靠度逼近函数,探索了一类计算资源要求低,计算便捷,且逼近精度满足工程需要的多状态可靠性建模、分析与快速评估方法。案例研究表明:算法突破了装备复杂系统大维度可靠性解算技术瓶颈,提升了可靠性评估效率,且评估与风险预报效果好;算法丰富了装备复杂系统多状态可靠性建模、分析与评估体系,可为可靠性工程的设计、使用与管理人员,提供前沿理论储备和工程技术借鉴。