检索结果-南通市图书馆

基于改进 WOA-LSTM 的焦炭质量预测

在线全文

学校读者我要写书评

暂无评论

化工学报 2022年第3期73卷 1291-1299页

作者：刘立邦杨颂王志坚贺欣欣赵文磊刘守军杜文广米杰太原理工大学化学工程与技术学院山西太原030024 太原理工大学省部共建煤基能源清洁高效利用国家重点实验室山西太原030024 山西省民用洁净燃料工程研究中心山西太原030024 中北大学机械工程学院山西太原030051

“双碳”背景下,提升焦炭质量是保证钢铁行业高质量发展的研究重点之一,而炼焦行业存在着在线实时监测难、焦炭质量预测模型泛化能力差等问题。为此,提出一种通过自适应全局搜索算法,即改进鲸鱼优化算法(WOA)与长短期记忆(LSTM)循环神... 详细信息

“双碳”背景下,提升焦炭质量是保证钢铁行业高质量发展的研究重点之一,而炼焦行业存在着在线实时监测难、焦炭质量预测模型泛化能力差等问题。为此,提出一种通过自适应全局搜索算法,即改进鲸鱼优化算法(WOA)与长短期记忆(LSTM)循环神经网络综合建模的方法来解决这一问题。首先选取出配合煤中可反映焦炭质量的可测参数,再运用主成分分析(PCA)去除变异性小的冗余因子后,得到预测因子,将其作为LSTM网络的外部输入;通过加入自适应惯性权重以及最佳扰动更新改进WOA,从而训练LSTM网络的超参数,采用均方根误差(RMSE)和R-squared进行算法检验;最后将改进后的AGWOA-LSTM模型与典型的LSTM、WOA-LSTM模型进行对比,以验证本方法的优越性。结果表明AGWOA-LSTM模型预测焦炭质量具有精度高、运行速度快等特点。研究对焦炭生产具有一定的理论指导意义。

关键词：鲸鱼优化算法焦炭质量预测模型神经网络主元分析

基于集成学习传递熵的化工过程微小故障检测方法

在线全文

学校读者我要写书评

暂无评论

化工学报 2023年第7期74卷 2967-2978页

作者：王光单发顺钱禹丞焦建芳华北电力大学自动化系河北保定071003

传统的多元统计分析方法直接对过程数据的均值和方差进行故障分析,但只要监测统计量保持在控制极限所包围的正态区域内,就不能检测出数据分布的变化。针对这一问题,提出一种基于集成学习传递熵的微小故障检测方法。该方法首先利用传递... 详细信息

传统的多元统计分析方法直接对过程数据的均值和方差进行故障分析,但只要监测统计量保持在控制极限所包围的正态区域内,就不能检测出数据分布的变化。针对这一问题,提出一种基于集成学习传递熵的微小故障检测方法。该方法首先利用传递熵提取变量间的信息传递,通过滑动窗口获取传递熵数据集,并根据此数据集求取监测统计量和控制限。然后,利用秩和比法对构建的评价指标进行排序分档,筛选出分档结果良好的传递熵数据集对应的监测统计量。最后,利用集成学习与贝叶斯推理策略相结合的算法对监测结果进行融合,实时检测过程故障。将该方法用于数值例子和连续搅拌反应釜过程的故障检测,并与核主元分析、核独立元分析、加权统计局部核主元分析和加权统计特征核独立元分析进行对比,验证了所提方法具有良好的微小故障检测性能。

关键词：微小故障主元分析传递熵秩和比法集成学习

基于ML-PCA-BP模型的多环芳烃拉曼光谱定量分析

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2023年第3期43卷 861-866页

作者：尹雄翼石元博王胜君焦仙鹤孔宪明辽宁石油化工大学人工智能与软件学院辽宁抚顺113001 辽宁石油化工大学石油化工学院辽宁抚顺113001

芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中,亲脂性强,对人体有致癌影响。因此,食用油中芘的含量的判定对品质的把控具有深远的意义。采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。将一毫升食... 详细信息

芘作为多环芳烃(PAHs)类物质广泛存在于自然环境中,亲脂性强,对人体有致癌影响。因此,食用油中芘的含量的判定对品质的把控具有深远的意义。采用拉曼光谱与人工智能算法相结合进行多环芳烃的定量分析是当前的一个研究热点。将一毫升食用油与不同固定浓度的芘液体混合制作样本,然后制作薄层色谱板与金粒子,采用薄层色谱和表面增强拉曼散射(SERS)光谱相结合的方法进行实验获得光谱数据,选取自适应迭代加权惩罚最小二乘算法进行预处理,再采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型方法进行定量分析。该模型首先在预处理后的光谱中选取两个特征峰进行分峰拟合获取特征峰的高度、半高宽、面积等参数。将两个特征峰的拉曼数据与通过拟合获取的参数进行归一化再采用主成分分析获取关键参数,将获取的关键参数作为输入层输入基于L2正则化的BP神经网络中,输出预测浓度。实验分别采用不同的算法进行浓度预测,实验结果表明,通过偏最小二乘算法预测的芘浓度,其测试集决定系数R^(2)为0.58,均方根误差(RMSEC)为1.85;采用线性回归拟合特征峰面积与浓度的规律最终预测的芘浓度,其测试集决定系数R^(2)为0.26,均方根误差(RMSEC)为2.28;采用Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测芘浓度,其测试集决定系数R^(2)为0.99,均方根误差(RMSEC)为0.31,Multi parameter-Principal Component Analysis-Back Propagation Neural Network模型预测精准度更高,误差更小。模型是针对光谱数据信息与样本浓度之间非线性、高维度的关系,而建立的预测精度及建模效率均高于同类对比的算法模型。模型拟合特征峰获取关键变量,将关键变量与特征峰的拉曼位移都作为特征向量,因此特征向量较为充分,模型利用PCA提取拉曼光谱非线性特征并且采用基于L2正则化BP神经网络泛化力强的优点,防止过拟合,因此可以更加精准快捷地预测出芘的浓度。

关键词：芘表面增强拉曼散射薄层色谱高斯拟合神经网络主元分析预测

在线全文

学校读者我要写书评

暂无评论

基于多特征融合的电磁换向阀故障模式识别

北京航空航天大学学报 2023年第4期49卷 913-921页

作者：马栋刘志浩高钦和黄通火箭军工程大学兵器发射理论与技术国家重点学科实验室西安710025

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度,开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合;通过设计电磁换向阀驱动端电流信号的采... 详细信息

为提高基于驱动端电流检测的电磁换向阀故障诊断方法的可靠性和识别准确度,开展了电磁换向阀故障模式识别方法研究。提出一种基于多特征融合的方法对电流信号时频分析和时域参数的特征值提取融合;通过设计电磁换向阀驱动端电流信号的采集实验,获取电磁换向阀驱动端电流的时域信号和二阶变化率的多特征曲线,提取时域参数及二阶变化率相应频带能量作为特征值,构建多特征融合的特征向量;采用基于径向基核函数的多分类支持向量机对电磁换向阀进行模式识别。结果表明:基于多特征融合的支持向量机较基于能量特征值的支持向量机可提升8.7%的识别精度和42.11%的验证准确率。

关键词：电磁阀故障诊断电流检测小波包分解主元分析多特征融合 C参数支持向量机

工业数据驱动的加氢裂化装置多工况切换过渡状态检测

在线全文

学校读者我要写书评

暂无评论

化工学报 2023年第9期74卷 3841-3854页

作者：曹跃余冲李智杨明磊华东理工大学能源化工过程智能制造教育部重点实验室上海200237 上海交通大学溥渊未来技术学院上海200240

加氢裂化装置运行工况众多且切换频繁,而不同稳定的工况间切换必然存在过渡状态,可能会引起装置运行状态波动,甚至引发事故。通常,操作员会基于专家经验判断装置当前处于稳定或过渡状态,分别采取相应的监控和调整策略。然而,人工判断具... 详细信息

加氢裂化装置运行工况众多且切换频繁,而不同稳定的工况间切换必然存在过渡状态,可能会引起装置运行状态波动,甚至引发事故。通常,操作员会基于专家经验判断装置当前处于稳定或过渡状态,分别采取相应的监控和调整策略。然而,人工判断具有个体差异、经验积累周期长等不足,可能导致过渡状态判断不够准确,故提出一种加氢裂化装置多工况切换过渡状态检测方法,首先,结合工业大数据和装置过程机理,针对工业采集数据运用了小波降噪和平滑,再利用相关分析法和主元分析(principal component analysis,PCA)进行数据降维,剥离了相关性强的变量所带来的额外计算成本和信息干扰,将滑动窗拆分并计算移动方差,再与Kmeans(K均值)聚类相结合,实现了加氢裂化装置的过渡态检测。最后,与经典K-means聚类和层次聚类方法进行对比验证,证明了所提方法具有更好检测能力。

关键词：加氢裂化装置过渡状态主元分析移动方差集成算法过程控制

基于PCA-FINCH的磨煤机故障诊断方法

在线全文

学校读者我要写书评

暂无评论

热力发电 2023年第9期52卷 147-154页

作者：钱虹张现涛上海电力大学自动化工程学院上海200090 上海市电站自动化技术重点实验室上海200072

针对类似磨煤机故障等小概率发生事件难以提取且用于机器学习分类导致的故障诊断精度低的问题,提出了一种基于小样本的PCA-FINCH高精度故障诊断方法。首先,基于主元分析(PCA)对表征设备运行状态的历史数据进行故障检测,通过T2控制限与Q... 详细信息

针对类似磨煤机故障等小概率发生事件难以提取且用于机器学习分类导致的故障诊断精度低的问题,提出了一种基于小样本的PCA-FINCH高精度故障诊断方法。首先,基于主元分析(PCA)对表征设备运行状态的历史数据进行故障检测,通过T2控制限与Q控制限来检测故障的发生并识别故障样本,提取故障样本从而组成小样本故障集;然后,基于FINCH分类器,对获取的小样本故障集进行精确分类,实现对设备的故障诊断;最后,使用包含有磨煤机故障的历史数据集对该方法进行验证。结果表明,提出的PCA-FINCH故障诊断方法能够对小样本故障实现高精度分类,其在精确度上,较决策树CART、随机森林RF、支持向量机SVM分别提高了2.61百分点、1.74百分点、1.85百分点,其在收敛速度上也表现优异。

关键词：磨煤机故障诊断小样本 FINCH聚类主元分析

基于主元分析的温室物联网空气温湿度传感器故障诊断

在线全文

学校读者我要写书评

暂无评论

中国农机化学报 2024年第5期45卷 69-78页

作者：范卫强柳平增朱珂孟宪勇刘力宁山东农业大学信息科学与工程学院山东泰安271018 山东农业大学农业大数据研究中心山东泰安271018 农业农村部黄淮海智慧农业技术重点实验室山东泰安271018 山东农业大学机械与电子工程学院山东泰安271018

针对温室物联网测控系统中空气温湿度传感器受恶劣环境影响易发生故障的问题,研究温室物联网测控系统中空气温湿度传感器的故障诊断,保障温室物联网测控系统整体工作的稳定可靠性,提出一种基于主元分析的空气温湿度传感器故障诊断方法... 详细信息

针对温室物联网测控系统中空气温湿度传感器受恶劣环境影响易发生故障的问题,研究温室物联网测控系统中空气温湿度传感器的故障诊断,保障温室物联网测控系统整体工作的稳定可靠性,提出一种基于主元分析的空气温湿度传感器故障诊断方法。首先对空气温湿度传感器数据进行主元分析,通过监控平方预测误差统计量的变化实现传感器的故障检测;再针对检测出的空气温湿度传感器故障数据,利用加权后的平方预测误差统计量来计算传感器的累积贡献率,并将其作为传感器故障识别的指标,识别出现故障的空气温湿度传感器。利用空气温湿度传感器数据在不同故障条件下进行传感器故障诊断方法验证,验证结果表明:所提方法可用于温室物联网测控系统中空气温湿度传感器偏差故障和漂移故障的检测,偏差故障的检测效果要好于漂移故障,偏差故障综合检测率为100%,漂移故障综合检测率为51.25%;同时所提方法能够正确识别出故障传感器,有效提高温室物联网测控系统中空气温湿度传感器故障诊断结果的准确性。

关键词：温室物联网空气温湿度传感器故障诊断主元分析测控系统

一种基于数据变化率的预处理及主元分析故障诊断方法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

电子学报 2021年第11期49卷 2234-2240页

作者：鲍中新文成林马雪杭州电子科技大学自动化学院浙江杭州310018 广东石油化工学院自动化学院广东茂名525000

基于深度学习的方法解决微小故障已经取得了很大的进展和很好的效果,但是前提要有充足的样本数据,在现有的情况下却难以实现.所以基于传统的数据预处理的故障诊断方法仍然有很好的必要性和现实性.主元分析(Principal Component Analysis... 详细信息

基于深度学习的方法解决微小故障已经取得了很大的进展和很好的效果,但是前提要有充足的样本数据,在现有的情况下却难以实现.所以基于传统的数据预处理的故障诊断方法仍然有很好的必要性和现实性.主元分析(Principal Component Analysis, PCA)被广泛应用在故障诊断中,由于传统的数据预处理方法各有优势和不足,造成特征提取不准确,为此该文提出了一种基于数据变化率(Rate Of Change, ROC)的数据预处理方法以提高PCA在故障诊断中的性能指标.通过变化率变换对原始数据集预处理后,能够有效地检测系统变量中的微小故障.最后,通过仿真验证基于数据变化率的PCA故障诊断方法的可行性和有效性.

关键词：故障诊断数据驱动数据预处理 Gap度量主元分析变化率变换特征提取

在线全文

学校读者我要写书评

暂无评论

化工过程微小故障检测方法研究与应用

化学工程 2023年第7期51卷 83-88,94页

作者：樊梦奇孙四通青岛科技大学自动化与电子工程学院山东青岛266100

在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信... 详细信息

在实际化工过程中缺少对微小故障的检测方法,为解决PCA(主元分析)进行特征提取容易丢失非线性信息的问题,使用互信息矩阵代替协方差矩阵进行特征提取,称作MIPCA(互信息主元分析)。为了弥补SVDD(支持向量数据描述)忽略故障数据中重要信息的缺点,将少量故障数据引入模型训练过程中,以提高模型的精度,称作CSVDD(全面支持向量数据描述)。将2种算法相结合提出一种新的故障检测方法MIPCA-CSVDD,用于化工过程微小故障检测。最后借助TE(田纳西-伊斯曼)仿真数据与河南某化工厂的真实数据,与经典PCA和SVDD方法比较检测结果,验证了所提方法的有效性。

关键词：微小故障检测特征提取主元分析互信息支持向量数据描述