期刊文献+
共找到7篇文章
< 1 >
每页显示 20 50 100
改进MKPCA方法及其在发酵过程监控中的应用 被引量:13
1
作者 齐咏生 王普 +1 位作者 高学金 公彦杰 《仪器仪表学报》 EI CAS CSCD 北大核心 2009年第12期2530-2538,共9页
针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法。该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口... 针对间歇发酵过程缓慢时变和非线性等特点,提出一种基于滑动窗技术的多向核主元分析(MWMKPCA)方法。该方法结合了核主元分析(KPCA)和滑动窗口技术的优点,其中KPCA能有效解决过程数据的非线性问题,保证数据信息抽取的完整性;而滑动窗口技术能有效避免MKPCA在线应用时预报未来测量值所引入的误差,提高监控性能。对于已判断正常的新批次过程数据,将其加入模型参考数据库进行更新,从而提高间歇过程性能检测的准确性。将该方法应用到工业青霉素发酵过程的监控中,并与MPCA、MKPCA方法的监测性能进行了比较。结果表明:该方法能有效提取过程变量间的非线性关系,降低运行过程的误报率,对缓慢时变的间歇过程具有更可靠的检测性能。 展开更多
关键词 故障监测 多向核主元分析 多向主元分析 模型更新 发酵过程
在线阅读 下载PDF
基于UGRA-MKPCA-FCM-SPC的高炉煤气分布状态预警系统
2
作者 孟丽丽 温金龙 +4 位作者 刘然 李宏扬 刘伟民 支明亮 李宪林 《中国冶金》 2025年第10期187-199,共13页
高炉煤气作为高炉冶炼过程的重要参与者,不仅直接参与矿石的还原反应,还与节能减排密切相关。因此,掌握高炉煤气分布状态并进行监测评估尤为重要。本文基于高炉生产数据,利用数据分析、机器学习及Web技术等搭建了高炉煤气分布状态预警... 高炉煤气作为高炉冶炼过程的重要参与者,不仅直接参与矿石的还原反应,还与节能减排密切相关。因此,掌握高炉煤气分布状态并进行监测评估尤为重要。本文基于高炉生产数据,利用数据分析、机器学习及Web技术等搭建了高炉煤气分布状态预警平台。首先,对采集的生产数据进行预处理,以保证数据的准确性,提高模型精度;然后,根据专家经验和高炉生产特点,初步筛选出12个可能对高炉煤气分布产生影响的生产参数,并通过无监督灰色关联度(UGRA)对参数的冗余信息剔除后得到包含关键信息的5个参数;其次,利用多核主成分分析(MKPCA)对这5个参数进行特征提取得到了煤气状态综合表征指标,并通过模糊C均值(FCM)聚类算法对该指标进行聚类分析,结合实际生产数据对结果进行了校验分析;进而通过构建新的Bayesian-SACNN-LSTM模型,实现了对该指标提前1h预测,预测精度R2达到了92.5%;最后,搭建了基于Web技术的煤气分布状态预警系统,并结合统计过程控制(SPC)监测算法绘制了综合指标的控制图,实现在看板上直观展示预警信息的功能,可以有效辅助高炉操作人员掌握炉内煤气分布情况。 展开更多
关键词 高炉煤气 无监督灰色关联度 多核主成分分析 Fuzzy C-means聚类 SPC
在线阅读 下载PDF
基于核熵投影技术的多阶段间歇过程监测研究 被引量:12
3
作者 常鹏 王普 +1 位作者 高学金 齐咏生 《仪器仪表学报》 EI CAS CSCD 北大核心 2014年第7期1654-1661,共8页
针对间歇生产过程中非线性和多阶段的特性,提出一种基于改进展开的子阶段多向核熵成分分析(ISMKECA)的新方法。该方法首先将三维历史数据按照所提数据展开策略进行数据预处理,解决数据填充引入模型误差的问题;其次通过核映射将数据从低... 针对间歇生产过程中非线性和多阶段的特性,提出一种基于改进展开的子阶段多向核熵成分分析(ISMKECA)的新方法。该方法首先将三维历史数据按照所提数据展开策略进行数据预处理,解决数据填充引入模型误差的问题;其次通过核映射将数据从低维空间映射到高维特征空间,解决数据的非线性特性;然后在高维特征空间依据核熵和角结构信息对数据进行阶段划分,并在划分的阶段里分别建立ECA监控模型,解决数据的多模态问题;最后将提出的算法应用于工业青霉素发酵的在线监测,验证了该方法的有效性。 展开更多
关键词 间歇过程 mkpca ISMKECA 过程监控
在线阅读 下载PDF
基于多向核熵成分分析的微生物发酵间歇过程监测研究 被引量:7
4
作者 常鹏 王普 高学金 《高校化学工程学报》 EI CAS CSCD 北大核心 2015年第2期395-399,共5页
针对微生物发酵间歇过程监测算法只考虑数据信息最大化未考虑数据簇结构信息的不足,提出了基于多向核熵成分分析(Multi-way Kernel Entropy Component Analysis,MKECA)间歇过程监测的新方法。该方法首先引入AT展开策略对三维历史数据进... 针对微生物发酵间歇过程监测算法只考虑数据信息最大化未考虑数据簇结构信息的不足,提出了基于多向核熵成分分析(Multi-way Kernel Entropy Component Analysis,MKECA)间歇过程监测的新方法。该方法首先引入AT展开策略对三维历史数据进行预处理,然后通过核映射将数据从低维空间映射到高维特征空间,解决数据的非线性特性,并在高维特征空间依据核熵的大小对数据进行降维,使降维后的数据能够最大化地保留原始数据的分布;同时理论证明了所提方法在特定条件下等同于传统方法,也就是说MKECA既能兼顾传统方法的优势,又能弥补传统方法的不足;最后通过青霉素仿真数据进行验证,表明MKECA方法具有更可靠的监控性能,能及时、准确地监测出故障。 展开更多
关键词 MKECA 过程监测 间歇过程 mkpca
在线阅读 下载PDF
基于分块核主元分析的人脸识别方法研究
5
作者 孙志远 王飞飞 吴小俊 《计算机与数字工程》 2012年第8期119-121,共3页
传统的基于数据二阶统计矩的主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始... 传统的基于数据二阶统计矩的主元分析法(PCA)是一种有效的数据特征提取方法,是基于原始特征的一种线性变换。但是,当原始数据中存在非线性属性时,用主元分析法后留下的显著成分就可能不再反映这种非线性属性。而核主元分析则是基于原始数据的高阶统计量,是一种非线性变换,在图像识别中它可以描述多个像素之间的相关性。而KPCA方法只考虑了人脸图像的整体信息,没有考虑到局部特征信息。文章提出了分块核主元分析(MKPCA)的方法进行人脸识别,取得了很好的效果。 展开更多
关键词 核主元分析(KPCA) 分块核主元分析(mkpca) 特征子空间
在线阅读 下载PDF
基于多向核主元分析的青霉素生产过程在线监测 被引量:9
6
作者 刘世成 王海清 李平 《浙江大学学报(工学版)》 EI CAS CSCD 北大核心 2007年第2期202-207,共6页
基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素... 基于传统主元分析(PCA)方法的过程监测算法假定过程是线性的,对于具有强非线性的生产过程,应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析(MKPCA)算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化,采用MKPCA算法建立过程模型并用于过程的在线监测,计算T2、SPE统计量及相应的控制限.仿真结果表明,与传统PCA算法相比,MKPCA算法具有更好的监测性能,不仅大大降低了正常运行过程的误报率,而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性,获取过程变量间的非线性关系. 展开更多
关键词 主元分析 核主元分析 多向核主元分析 在线监测 故障检测
在线阅读 下载PDF
基于自适应动态时间规整(DTW)的GA- FCM多阶段间歇过程故障诊断 被引量:6
7
作者 梁秀霞 陈娇娇 +2 位作者 严婷 周颖 张燕 《北京化工大学学报(自然科学版)》 CAS CSCD 北大核心 2019年第5期87-93,共7页
多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类(FCM)算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法(GA-FCM),用于克服FCM易于陷入... 多时段是间歇过程的固有特征,对间歇过程划分阶段可以提高故障诊断的精度。采用模糊C-均值聚类(FCM)算法划分阶段存在对初始聚类中心敏感、易于陷入局部极优值的问题。提出遗传算法与FCM算法相结合的方法(GA-FCM),用于克服FCM易于陷入局部极优值的问题,以达到全局最优。同时,针对间歇过程数据不等长问题,提出自适应动态时间规整(DTW)算法。随后,用GA-FCM方法完成阶段划分,再建立多向核主元分析(MKPCA)模型完成故障检测。最后将此算法应用于青霉素发酵过程,仿真结果验证了所提方法的可行性和有效性。 展开更多
关键词 模糊C-均值聚类算法 遗传算法 动态时间规整 多向核主元分析 故障检测 间歇过程
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部