动态光散射颗粒分布软测量

考虑传统动态光散射颗粒粒度分布测量用的反演算法复杂、精度不够、抗噪能力差,本文基于大数据思想,提出了一种动态光散射颗粒分布软测量方法。该方法通过调节颗粒粒度分布形状参数获得大量自相关函数及其对应颗粒分布的数据;使用这些数据对子学习机进行训练。最后,针对训练数据维数较高的特点对传统Bagging算法进行改进,并利用改进的Bagging集成算法集成子学习机以提高软测量模型的精度及泛化能力。通过模拟单峰数据和对300nm标准粒径进行软测量开展了验证实验。结果表明,该方法能够较好地测量出不同动态光散射颗粒分布的峰值及分布宽度,模拟单峰数据测量峰值精度可达1nm,300nm和503nm,标准粒径测量精度分别可达3nm和4nm,优于一般的反演算法。该软测量方法为动态光散射颗粒分布测量开辟了新的途径。

基于地图信息和循环SVR模型的纯电动汽车续驶里程预测

针对未来行驶工况未知导致续驶里程预测精度难以提高的现状,提出了一种基于地图信息和循环支持向量回归(SVR)模型的纯电动汽车续驶里程预测方法。该方法根据地图信息预测未来的行驶工况,并将相应的工况参数作为SVR模型的输入,计算该工况下单位里程下降值和剩余值。将这一过程反复迭代,直至SOC值归零,则SVR运行次数即为剩余续驶里程。最后利用实际行驶数据,在ADVISOR中进行仿真,结果证明该方法具有较高的续驶里程预测精度。

面向OD客流的高速列车开行方案的优化

满足旅客出行需求的列车开行方案能够更好地吸引客流,提高高速铁路的核心竞争力.以最大化经济收益和最小化出行费用为目标函数,以高速铁路开行方案为研究对象,以旅客出行需求等作为约束条件,将列车开行方案与OD客流量结合起来,同时考虑旅客的购票心理和列车购票的时效性,建立了一种基于动态客流的列车开行方案的多目标优化模型,并设计一种基于个体信息和改进变异算子的多目标差分(SG-MOSaDE)算法进行求解.以广州市某线路为例进行实验,结果表明,优化后的开行方案不仅最大化满足了旅客出行需求,而且在提高铁路部门经济收益的同时降低了旅客的出行花费,并且优化后的列车总停站次数较原来有所下降,停站方案更加均衡.

基于LSTM-DAE的化工故障诊断方法研究

现代化工过程愈加精密化、复杂化,使得化工过程数据呈现高度非线性、强耦合等特点,传统的故障诊断模型难以学习此类数据的有效特征表示,且无法挖掘隐含的时间序列信息。针对上述问题,提出了一种长短期记忆(long short-term memory,LSTM)网络与降噪自编码器(denoising auto-encoder,DAE)结合的LSTM-DAE化工故障诊断方法,用基于LSTM的特殊编码方式代替传统DAE模型的全连接网络编码方式,并结合高斯噪声处理和全连接网络解码层,搭建出基于LSTM-DAE的特征提取模型,最后由Softmax分类器输出故障诊断结果。该方法结合了DAE与LSTM的优点,确保了编码特征获取的有效性。使用田纳西-伊斯曼(Tennessee-Eastman,TE)过程数据设计所提方法与其他5类模型的对比实验,实验结果表明:在多故障诊断效果上,基于LSTM-DAE的化工故障诊断方法的训练集正确率达到了96.02%,测试集正确率达到了97.31%,平均误报率仅为0.65%,平均漏检率仅为3.19%,在6类模型中为最优;在单故障诊断效果上,基于LSTM-DAE的化工故障诊断方法能够提高对故障14的分辨能力,并缩短对故障18的检测延迟时间,有效降低了漏检率,表明所提方法能够在实际化工过程中进行有效的故障诊断。

基于改进数据驱动子空间算法的电力负荷预测

在钢铁企业中,电力负荷消耗规模相对较小,未呈现明显的周期性变化特征,而工序变化会导致瞬间电力负荷波动较大,传统负荷预测模型对工业用电预测效果不佳,无法有效预测出用户的突发性扰动。采用数据驱动的子空间方法预测钢铁企业电力负荷,分别建立基于子空间算法的电力日负荷预测、超短期负荷预测2个模型。为提高预测模型准确率,引入反馈因子和遗忘因子来改善标准子空间算法的性能。以实际电力负荷数据的测试验证该方法的实用性,预测结果能够为钢铁企业的电力负荷预测和二次能源智能管理提供有效的决策支持。

一种用于软测量建模的增量学习集成算法

针对软测量模型在实际应用中遇到的问题,结合Ada Boost集成学习思想,提出适用于软测量回归的集成学习算法,以提高传统软测量模型的精度.为了克服模型更新技术对软测量实际应用的制约,将增量学习机制加入软测量集成建模中,使软测量模型具有在线实时更新的增量学习能力.对浆纱过程使用新方法建立上浆率软测量模型,并使用实际生产数据对模型进行检验,检验结果表明,该模型具有很好的预测精度,并能够较好地实现在线更新.

基于AdaBoost.RS算法的LF炉钢水温度预报分析

LF炉钢水温度的精准控制有利于缩短钢的冶炼时间,从而节约其生产成本。而获得准确的LF炉钢水温度预报是钢水温度控制的先决条件。通过分析LF炉冶炼过程对钢水温度的影响因素,提出一种适用于LF炉钢水温度预报同时具有增量学习功能的AdaBoost.RS集成建模算法。该算法引入松弛变量和遗忘因子2个参数,在提高预测精度的同时,可以克服大噪声数据带来的干扰,同时增量学习可以降低早期生产数据对模型的影响。以福建三钢有限责任公司100tLF炉为研究对象,采用5个测试函数验证算法的抗噪性能,分别用静态数据和动态数据对钢水出站的终点温度进行预报。实验结果表明,预测的绝对误差小于10℃的样本数量超过了样本总数的90%,算法精度较高,有利于实际生产应用。

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.

改进快速全局滑模控制方法

针对全局滑模控制的动态滑模面不能在有限时间内演化为线性滑模面的缺点,提出一种改进的全局滑模控制方法,其动态滑模面的衰减函数由3个指数函数项组成一阶可导函数,并能在有限时间内衰减为零.这样,该方法不仅具有了全局滑模控制的全局鲁棒性,而且能够使动态滑模面在有限时间内演化为线性滑模面,从而加快了系统的响应速度.利用该方法实现了二阶电力系统的混沌控制,仿真结果验证了所提出方法的有效性.