An Improved Adaptive Multi-way Principal Component Analysis for Monitoring Streptomycin Fermentation Process

Multi-way principal component analysis (MPCA) had been successfully applied to monitoring the batch and semi-batch process in most chemical industry. An improved MPCA approach, step-by-step adaptive MPCA (SAMPCA), using the process variable trajectories to monitoring the batch process is presented in this paper. It does not need to estimate or fill in the unknown part of the process variable trajectory deviation from the current time until the end. The approach is based on a MPCA method that processes the data in a sequential and adaptive manner. The adaptive rate is easily controlled through a forgetting factor that controls the weight of past data in a summation. This algorithm is used to evaluate the industrial streptomycin fermentation process data and is compared with the traditional MPCA. The results show that the method is more advantageous than MPCA, especially when monitoring multi-stage batch process where the latent vector structure can change at several points during the batch.

Phase Analysis and Identification Method for Multiphase Batch Processes with Partitioning Multi-way Principal Component Analysis (MPCA) Model

Multi-way principal component analysis (MPCA) is the most widely utilized multivariate statistical process control method for batch processes. Previous research on MPCA has commonly agreed that it is not a suitable method for multiphase batch process analysis. In this paper, abundant phase information is revealed by way of partitioning MPCA model, and a new phase identification method based on global dynamic information is proposed. The application to injection molding shows that it is a feasible and effective method for multiphase batch process knowledge understanding, phase division and process monitoring.

Research and Application of a Multi-Field Co-Simulation Data Extraction Method Based on Adaptive Infinitesimal Element

Regarding the spatial profile extraction method of a multi-field co-simulation dataset,different extraction directions,locations,and numbers of profileswill greatly affect the representativeness and integrity of data.In this study,a multi-field co-simulation data extractionmethod based on adaptive infinitesimal elements is proposed.Themultifield co-simulation dataset based on related infinitesimal elements is constructed,and the candidate directions of data profile extraction undergo dimension reduction by principal component analysis to determine the direction of data extraction.Based on the fireworks algorithm,the data profile with optimal representativeness is searched adaptively in different data extraction intervals to realize the adaptive calculation of data extraction micro-step length.The multi-field co-simulation data extraction process based on adaptive microelement is established and applied to the data extraction process of the multi-field co-simulation dataset of the sintering furnace.Compared with traditional data extraction methods for multi-field co-simulation,the approximate model constructed by the data extracted from the proposed method has higher construction efficiency.Meanwhile,the relative maximum absolute error,root mean square error,and coefficient of determination of the approximationmodel are better than those of the approximation model constructed by the data extracted from traditional methods,indicating higher accuracy,it is verified that the proposed method demonstrates sound adaptability and extraction efficiency.

Unsupervised Functional Data Clustering Based on Adaptive Weights

In recent years, functional data has been widely used in finance, medicine, biology and other fields. The current clustering analysis can solve the problems in finite-dimensional space, but it is difficult to be directly used for the clustering of functional data. In this paper, we propose a new unsupervised clustering algorithm based on adaptive weights. In the absence of initialization parameter, we use entropy-type penalty terms and fuzzy partition matrix to find the optimal number of clusters. At the same time, we introduce a measure based on adaptive weights to reflect the difference in information content between different clustering metrics. Simulation experiments show that the proposed algorithm has higher purity than some algorithms.

基于Adaptive-Lasso的本科成绩统计分析

本文主要研究了合肥工业大学数学学院数学专业学生的本科成绩状况,应用多元线性统计方法,探讨了前期所有课程成绩对后期成绩的影响.首先对前期课程进行主成分分析,并采用逐步回归方法建立了后期成绩与主成分之间的回归模型.其次,采用Adaptive-Lasso方法建立后期成绩与前期课程成绩间的Adaptive-Lasso回归模型.最后,对以上模型进行对比分析.研究表明,基于Adaptive-Lasso方法的主成分回归模型能很好地拟合后期成绩,并对后期成绩情况给出合理的解释.

基于主成分与Adaptive-Lasso的飞机油耗统计分析

为研究飞机燃油消耗与飞行因素的关系,以某家航空公司数据为例,建立2014-04-08至2015-04-09飞机飞行阶段耗油量与飞行速度、高度、气温、风速、重量、经度等相关因素的回归模型。首先对相关因素进行主成分分析,并采用逐步回归方法建立飞机耗油量与主成分之间的回归模型;其次,采用Adaptive-Lasso方法建立飞机耗油量与相关因素间的Adaptive-Lasso回归模型;最后,对以上模型进行比较分析。研究结果表明,通过Adaptive-Lasso方法建立的回归模型能更好地拟合飞机耗油量。

Adaptive partitioning PCA model for improving fault detection and isolation

In chemical process, a large number of measured and manipulated variables are highly correlated. Principal component analysis(PCA) is widely applied as a dimension reduction technique for capturing strong correlation underlying in the process measurements. However, it is difficult for PCA based fault detection results to be interpreted physically and to provide support for isolation. Some approaches incorporating process knowledge are developed, but the information is always shortage and deficient in practice. Therefore, this work proposes an adaptive partitioning PCA algorithm entirely based on operation data. The process feature space is partitioned into several sub-feature spaces. Constructed sub-block models can not only reflect the local behavior of process change, namely to grasp the intrinsic local information underlying the process changes, but also improve the fault detection and isolation through the combination of local fault detection results and reduction of smearing effect.The method is demonstrated in TE process, and the results show that the new method is much better in fault detection and isolation compared to conventional PCA method.

白条猪价格预测模型构建

【目的】增强农产品价格预测准确度,为农产品价格的有效预测提供参考。【方法】以河南省白条猪每周平均批发价格为研究对象,提出一种基于序列分解、主成分分析和神经网络(CEEMDAN-PCA-CNN-LSTM)的白条猪价格预测方法。首先,使用自适应白噪声完全集合模态分解方法(CEEMDAN)对白条猪价格序列进行分解;其次,选用皮尔逊相关系数筛选影响价格波动的相关因素;再次,利用主成分分析(PCA)对影响因素及分解得到的子序列降维处理并作为原始价格序列的特征值,并行输入到作为编码器的卷积神经网络(CNN)中进行特征提取;最后,引入长短期记忆网络(LSTM)作为解码器输出得到预测结果。将该方法应用于河南省白条猪每周平均价格数据,与LSTM、门控循环单元(GRU)、CNN、基于卷积的长短期记忆网络(ConvLSTM)模型进行比较。【结果】CEEMDAN-PCA-CNN-LSTM组合模型预测方法得到的平均绝对误差分别降低了44.95%、27.30%、28.13%、43.17%。【结论】CEEMDAN-PCA-CNN-LSTM模型对于河南省白条猪市场价格的预测性能更优,有助于相关部门针对河南省白条猪价格波动做出科学决策。

7个杨树品种苗期叶片解剖结构和叶绿素荧光特性研究

本研究旨在筛选具有高抗逆性和强适应性的杨树优良品种。通过系统研究7个杨树品种的苗期表观生长性状、叶片解剖结构和叶绿素荧光生理特征,并采用单因素方差分析方法比较各品种间指标的差异,同时运用主成分分析法对苗期的生态适应性进行综合评价。结果表明显示,(1)各杨树品种苗期生长表现、叶绿素含量和叶绿素荧光参数之间存在显著差异,叶片解剖结构中的下层栅栏厚度、上表皮厚度及上表皮相对厚度有显著差异。其中‘湘林75’和‘巨霸杨’叶绿素含量较高,Y(Ⅱ)、ETR、qP等叶绿素荧光参数也较高,光合能力较强;‘江淮1号杨’叶片较厚,下层栅栏组织发达,抗旱性较强。(2)叶片解剖结构与叶绿素荧光参数间存在相关关系,中脉厚度与ETR、Y(Ⅱ)均显著负相关,栅栏组织、CTR与Fv/Fm显著正相关。叶绿素含量与叶绿素荧光参数间存在相关关系,但未达显著水平。(3)7个杨树品种苗期生态适应性由强到弱为‘湘林75’>‘巨霸杨’>‘湘林90’>‘湘林80’>‘江淮1号杨’>‘2025杨’>‘皖林1号杨’(CK)。

融合背景先验信息及自适应采样的显著性检测

为了提高计算机视觉系统对视觉场景中显著目标的检测精度,提出了融合背景先验信息及自适应采样视觉显著性检测方法.利用超像素分割提取图像边缘获取场景先验信息,将频域高斯差分特征谱图映射到空间域生成灰度密度散点图,使采样窗口根据散点图自适应移动到前景区域,实现自适应采样.该过程模拟了人的眼动追踪检测显著目标,并采用主成分分析法融合背景先验信息和自适应采样得到的特征,综合提取前景信息获得分辨率更高的显著图.实验结果表明,与其他采样机制的对比,自适应采样方法具有高效性,在ECSSD、HUK-IS、MSRA-5K、SOD公开数据集上与其他13种显著性检测算法对比显示,在各个数据集上MAE平均减少0.01~0.04,F-measure平均提高0.01~0.04,IoU平均提高0.02~0.08,验证了所提算法在显著目标检测的准确性方面具有优势.

基于数据驱动的离心泵轴承特征分析及寿命预测

离心泵是工业中能量转换和流体输送的核心设备,其部件滚动轴承的可靠性对整个机组的安全运行尤为关键。为了解决目前滚动轴承寿命预测问题,对滚动轴承剩余寿命的最佳预测方案进行了研究。首先,从数据驱动和试验出发,利用试验台采集所得的离心泵轴承正常及故障状态下的数据,分析了时域、频域、时频域各特征在不同工况中的表现差异,发现了时域特征、频域特征、小波包分解能量特征、完全自适应噪声完备集合经验模态分解(CEEMDAN)能量特征可以捕捉到不同工况下的故障信息;然后,以单调性、趋势性指标加权分数为依据,结合特征的敏感性分析结果,优选出了轴承在全寿命周期中表现突出的12个特征,经核主成分分析(KPCA)-长短期记忆网络(LSTM)降维处理后,构建出了能够表征离心泵轴承退化过程的一维特征量;最后,对比分析了LSTM网络、反向传播(BP)网络和卷积神经(CNN)网络的预测效果。研究结果表明:LSTM网络的均方根误差(RMSE)为0.402,平均绝对百分比误差(MAPE)为0.332,预测精度在三者中最好,模型平均训练时间为12.6 s,可见LSTM网络在预测精度及模型训练时间上更具优势。

基于双层自适应集成残差主成分分析的复杂非线性过程监测

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提出了一种双层自适应集成残差主成分分析(AERPCA)模型,其子模型包含不同的特征,并突出地呈现一个或多个相关故障。首先,根据正常数据计算主成分分析(PCA)特征,利用不同特征构建线性子模型和相应的残差空间。考虑到残差空间的非线性特性及有效特征更为分散,采用核PCA(KPCA)提取不同的特征并组成同一残差空间下不同KPCA子模型。然后,利用贝叶斯方法获取集成KPCA子模型,完成各残差空间的划分和集成。最后,在主空间中获得多个线性子模型以及在残差空间中获得多个集成的非线性子模型后,利用滑动窗口确定当前时刻监控效果最好的模型。采用田纳西-伊士曼过程验证了AERPCA的有效性。

一种变工况下海流发电机叶片附着物检测方法

针对流速变化使得变工况下海流发电机叶片附着物故障特征模糊、鉴别性差的问题,提出一种基于自适应频率正比采样(APFS)的叶片附着物检测方法。首先,采集不同工况下海流发电机电流信号,通过希尔伯特变换提取出定子电流信号的瞬时频率;然后,利用瞬时频率与采样频率比值变步长采样瞬时频率序列,将非稳定瞬时转动频率转变为稳定值;最后,利用排列熵设置采样迭代停止阈值,将重采样后的瞬时频率序列作为故障特征划分为样本矩阵,建立主成分分析检测模型以实现附着物检测。基于0.23 kW海流发电样机的实验平台被搭建用于验证所提方法的有效性,实验结果表明,所提算法在对抗流速变化下引起的海流发电机变工况问题中,误报率低至0.25%,具备较高检测精度和鲁棒性。

基于自适应多尺度注意力机制的CNN-GRU矿用电动机健康状态评估

利用多传感器信息融合技术进行电动机健康状态评估时,矿用电动机监测数据中存在异常值和缺失值,而卷积神经网络和循环神经网络等深度学习模型在数据质量下降严重的情况下难以有效提取数据特征和更新网络权重,导致梯度消失或爆炸等问题。针对上述问题,提出了一种基于自适应多尺度注意力机制的CNN-GRU(CNN-GRU-AMSA)模型,用于评估矿用电动机健康状态。首先,对传感器采集的电动机运行数据进行填补、剔除和标准化处理,并以环境温度变化作为依据对矿用电动机运行数据进行工况划分。然后,根据马氏距离计算出电动机电流、电动机三相绕组温度、电动机前端轴承温度和电动机后端轴承温度等健康评估指标的健康指数(HI),采用Savitzky–Golay滤波器对指标HI进行降噪、平滑、归一化处理,并结合主成分分析法计算的不同指标对矿用电动机的贡献度,对指标HI进行加权融合得到矿用电动机HI。最后,将矿用电动机HI输入CNN-GRU-AMSA模型中,该模型通过动态调整注意力权重,实现对不同尺度特征的信息融合,从而准确输出电动机健康状态评估结果。实验结果表明,与其他常见的深度学习模型CNN,CNN-GRU,CNN-LSTM,CNN-LSTM-Attention相比,CNN-GRU-AMSA模型在均方根误差、平均绝对误差、准确率、Macro F1及Micro F1等评价指标上更优,且预测残差的波动范围更小,稳定性更优。

基于MIWOA优化SCN的变压器故障诊断研究

针对变压器故障诊断精确度低的问题,本文提出了一种多策略改进的鲸鱼优化算法(MIWOA)优化随机配置网络(SCN)的变压器故障诊断模型。首先,对变压器冗杂繁多的原始故障数据进行核主成分分析(KPCA)降维处理,降低无效特征的影响;其次,利用Tent混沌映射、动态自适应权重和初级知识获取共享算法对鲸鱼算法(WOA)进行改进,提高其优化能力;然后,在SCN中引入L2范数惩罚项进行正则化处理,并使用改进后的MIWOA算法对SCN惩罚项系数C进行寻优求解,提高SCN分类精度和泛化能力;最后,将降维的数据输入到MIWOA-SCN故障诊断模型中,提高模型收敛速度。结果表明,本文所提出的模型诊断精度为93.1%,与WOA-SCN、GWO-SCN和PSO-SCN诊断模型相比,分别提高了6.89%、9.48%、14.65%,证明MIWOA-SCN诊断模型在变压器故障诊断上具有良好的诊断效果。

基于IKPCA-GA-BP算法的心电情绪识别研究

目的 为了提高使用心电信号特征参数进行情绪识别的准确率与效率,提出一种基于改进核主成分分析的遗传算法:优化遗传算法反向传播(improved kernel principal component analysis-genetic algorithm-back propagation, IKPCA-GA-BP)神经网络。方法 首先,以心电传感器记录的数据为试验样本,利用自适应选取γ值的改进核主成分分析算法,对二进样条小波变换提取的多组特征进行数据降维和数据重构,得到综合变量;其次,建立反向传播神经网络模型,并利用遗传算法优化网络的初始权值和偏置值;最后,通过改变模型训练样本与测试样本比例,对比分析IKPCA-GA-BP算法与传统识别算法的情绪分类效果。结果 该算法在保证准确率达到96%的前提下,可在1 s左右识别相关情绪。另外,对于悲伤情绪的识别,大多数模型表现得并不理想,而IKPCA-GA-BP算法可实现接近100%的准确率。结论 心电信号中,P波、QRS波群和T波包含许多有助于情绪识别的信息(例如R-R间期、P波振幅等),但这些信息并不能直接用于试验分析,需要通过有效的组合与处理才能发挥最大作用。此外,在高兴、轻松、悲伤和恐惧这四种情绪中,多数识别算法通常较难准确辨别悲伤情绪。

基于KPCA融合AdaBoost-IBOA-ELM模型的TE过程故障诊断

为了保障化工系统的安全运行和高质量生产,准确判别化工过程的故障就显得尤为重要。针对田纳西-伊斯曼(Tennessee Eastman,TE)过程故障难以区分以及神经网络等方法在故障诊断中分类准确率较低、分类不稳定等问题,提出一种优化改进极限学习机(extreme learning machine,ELM)的TE过程故障诊断模型。首先利用核主成分分析(kernel principal components analysis,KPCA)方法对TE过程数据进行降维和特征提取,然后采用改进蝴蝶算法(improved butterfly optimization algorithm,IBOA)优化ELM的权值和阈值,最后利用自适应提升(adaptive boosting,AdaBoost)算法对分类器进行集成,完成故障分类。仿真结果表明,IBOA比其他优化算法具有更好的寻优能力,改进效果显著,AdaBoost-IBOA-ELM模型能够对测试集中的不同故障进行准确分类,最后的分类准确率高达98.5%,通过和其他网络对比,进一步验证了模型的合理性和优越性。

小麦粉品质特性对油条加工适应性的研究

该研究以20种不同的系统粉为原料,测定各项理化指标及流变学指标,并对炸制的油条进行含油含水量、质构测定以及感官评价。相关性分析表明,破损淀粉与油条含油量显著正相关(r=0.301)。水分、灰分、破损淀粉、沉降值、谷蛋白溶胀指数、湿面筋含量、吸水率、稳定时间、拉伸曲线面积、延伸度和最大拉伸阻力与油条比容和感官评分均显著或极显著相关,而形成时间和粉质质量指数仅与油条比容显著相关;粗淀粉和拉伸阻力则与油条感官评分极显著相关。系统粉理化性质与流变学性质均与油条品质显著或极显著相关。进一步通过主成分分析,将小麦粉按照制作油条的加工适宜性划分等级,4Bc与D3适合制作品质较为优异的油条,3B适合制作品质一般的油条,D1~D3以及1B粉需要搭配使用以提高油条的加工适应性,而心磨、渣磨尾磨和打麸粉不推荐用于油条的生产。

自适应时空正则化的相关滤波目标跟踪

针对正则化滤波器预先定义正则化项,但无法实时抑制非目标区域学习的缺点,提出了一种自适应时空正则化的新方法,从而提高算法在目标跟踪过程中适应外观变化的鲁棒性。首先在目标函数中引入空间局部响应变化量,使滤波器专注于学习对象中值得信任的部分,从而得到响应模型;其次根据全局响应变化决定滤波器的更新率;最后引入卷积神经网络进行深度特征提取,为减少高维数据存储过大,采用主成分分析算法进行降维处理,既保留主要特征又加快计算速度。在数据集OTB2013和OTB2015上的平均精确率和平均成功率相较于时空正则化相关滤波器算法分别提高了4.7%和12.7%。大量实验证明,该算法在复杂背景、物体遮挡、快速运动等多种场景下基本满足实时性需求。

湖南引种5种油用玫瑰光合特性的比较

【目的】探究5种油用玫瑰在同一试验地光合生理特性的差异,为湖南地区开展优良油用玫瑰种质筛选和苗木繁育提供理论参考。【方法】以引种至湖南地区3年的5种油用玫瑰为试验材料,进行盆栽试验,测定其叶片特性、光合色素含量、光合日变化和光响应曲线等相关指标,通过主成分分析法对油用玫瑰各光合指标进行综合分析。【结果】不同油用玫瑰品种在叶面积(LA)、比叶面积(SLA)、叶干物质含量(LDMC)和含水率(LWC)上差异显著(P<0.05)。不同油用玫瑰品种的叶绿素含量差异不显著(P<0.05),其中苦水玫瑰光合色素含量最高,紫枝玫瑰(白花)和大马士革玫瑰含量较低,分别低于苦水玫瑰22.49%、15.19%。5种油用玫瑰光合日变化曲线有单峰和双峰两种。光合相关指标在不同油用玫瑰品种间差异显著(P<0.05)。保加利亚白玫瑰的净光合速率(Pn)、气孔导度(Gs)和胞间CO_(2)浓度(Ci)均大于其他4个油用玫瑰品种。5种油用玫瑰品种光响应曲线变化较一致,其中保加利亚白玫瑰的最大净光合速率(Pnmax)、光补偿点(LCP)均显著大于其他油用玫瑰品种(P<0.05),但光响应曲线结果显示保加利亚白玫瑰随着光强的增加其净光合速率下降,表现出光抑制现象。大马士革玫瑰的量子表现效率(AQY)和暗呼吸速率(Rd)显著大于其他油用玫瑰品种(P<0.05)。【结论】试验得出5种油用玫瑰在湖南地区的光合能力排序:大马士革玫瑰>保加利亚白玫瑰>紫枝玫瑰(粉花)>紫枝玫瑰(白花)>苦水玫瑰。不同油用玫瑰品种光合特性有显著差异,初步得出保加利亚白玫瑰和大马士革玫瑰在湖南地区光合能力较强,具有较好的培育前景。