Pensim仿真平台在青霉素发酵过程的应用研究

详细分析了针对青霉素发酵过程而开发的Pensim仿真平台,在阐述了其机理模型和内部结构之后,详细探讨了变量及参数设定值的取值范围,并给出了改进后的参考范围。仿真结果表明,经过修正后的Pensim仿真平台更加合理,仿真输出结果有更为明确的物理意义。

BP神经网络预测在流程企业供应链中的应用研究

本文针对流程制造企业的管理模式和相应的供应链特点,采用多智能体技术建立基于预测的流程供应链模型。在比较预测方法的基础上,采用BP神经网络技术建立客户分销的预测支持系统,并采用某造纸流程企业的周销量件数进行了实例预测仿真。

基于粗糙集的故障诊断方法

利用粗糙集理论对决策表进行约简以自动获取过程工业生产系统中的故障知识,从信息熵的角度分析系统知识不确定性的变化,提出了一种基于粗糙集理论的故障诊断新方法,研究了粗糙集理论在故障诊断中的适用性,在前向推理和反向推理的基础上,给出了针对故障点建立决策表以及利用粗糙集约简所获得的诊断规则进行正、反向故障诊断的步骤,讨论了这种故障诊断方法的诊断性能及其在计算上的复杂度.通过这种方法能够进行故障的寻找和定位,实例分析的结果说明了利用粗糙集进行知识发现及建立智能故障诊断系统的可行性和有效性.

动态加权最小二乘支持向量机

提出一种基于动态加权最小二乘支持向量机(LS-SVM)的时间序列预测方法.动态加权LS-SVM能够跟踪时变非线性系统的动态特性,适合于系统辨识和时间序列预测;同时采用鲁棒方法确定权系数,以减小噪声的影响.将动态加权LS-SVM算法应用于工业PTA氧化过程中的4-CBA浓度预测,结果显示,动态加权LS-SVM预测精度高,能够有效减小噪声的影响.

基于特征样本的KPCA在故障诊断中的应用

核函数主元分析(KPCA)可用于非线性过程监控.建立KPCA模型首先要计算核矩阵K,K的维数等于训练样本的数量,对于大样本集,计算K很困难.对此提出一种基于特征样本的KPCA(SKPCA),其基本思想是,首先利用非线性映射函数将输入空间映射到特征子空间,然后在特征子空间中计算主元.将SKPCA应用于监控T ennesseeE astm an过程,并与基于全体样本的KPCA作比较,仿真结果显示,二者诊断结果基本相同,然而特征样本只是训练样本中的一小部分,因此减少了K的维数,解决了K的计算问题.

基于鲁棒小波网络的非线性系统辨识

分析了传统小波网络的不足,同时考虑到实际中学习样本可能被非高斯白噪声干扰的情况,提出用于辨识非线性系统的鲁棒正交小波网络,并对辨识精度和收敛性进行了分析。理论分析和仿真研究表明,该文提出的方法是有效的。

基于自适应密度估计的系统参数辨识

针对噪声分布未知的ARMAX系统,提出了一种自适应非参数噪声密度估计方法,由估计误差动态调整高斯核函数的全局带宽和局部带宽,实现了未知噪声分布密度的自适应估计;通过极小化似然函数,给出了基于噪声密度估计的参数辨识迭代算法,分析了算法的收敛性并给出了算法收敛的充分条件.仿真结果表明本文提出的算法在系统噪声未知时具有较强的抗噪能力和良好的收敛性.