基于主元分析和RBF神经网络的火灾模拟实验炉温软测量

软测量也称为软仪表技术,采用主元分析和RBF神经网络相结合的融合模型构成火灾模拟实验炉温软测量。主元分析(PCA)实现输入变量的降维,RBF神经网络采用K-均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛。该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高2倍以上。

火灾模拟实验炉温软测量建模的研究

火灾模拟实验炉是对建筑构件进行模拟测试实验的装置,其升温必须按ISO834国际标准执行,炉温的估计是实验的关键,采用了主元分析和RBF神经网络相结合的模型构成火灾模拟实验炉温软测量;主元分析(PCA)实现输入变量的降维,RBF神经网络采用K-均值聚类算法进行隐层中心和连接权调节的学习,实现快速收敛;该融合模型使炉温估计精度比常规的最小二乘方法拟合精度提高2倍以上,保证了升温过程温度的精确控制。

模压时效炉锻件温度软测量方法

针对模压时效炉锻件温度难以直接测量的问题,建立了基于混合核偏最小二乘(KPLS)算法的模压时效炉锻件温度软测量模型,通过采集较易获得的模压时效炉工作室炉壁温度估计锻件的实际温度.并采用局部加权算法确定训练样本权值,以提高软测量模型的精确度.实验结果表明,所建局部加权混合核偏最小二乘的软测量(LWKPLS)模型具有较好的数据适应性且能够满足实际温度预测的精度要求,解决了模压时效炉锻件温度难以直接测量导致铝合金产品欠温或过烧而带来的质量问题.