水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于...水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于互相关延时分析优化的非线性自回归外部输入(Nonlinear AutoRegressive with eXogenous inputs,NARX)神经网络,并用于立磨出风口温度预测。首先,采用皮尔逊相关性分析从多个参数中确定影响立磨出风口温度的关键参数。同时,利用互相关延时分析进行时滞分析,解决大时滞问题。其次,通过优化的NARX神经网络,实现非线性工况下温度的精准预测。案例验证结果表明,所提出模型的拟合度达到了0.99967,均方误差为0.56483,预测精度达到了98.4%以上。预测模型结果可指导立磨操作人员及时控制立磨振动,提高水泥产量并降低能耗和碳排放。展开更多
提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的H...提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。展开更多
文摘水泥生产立磨出风口温度是判断立磨运行状态是否安全稳定的关键参数,对该参数提前预测可以减少立磨振动,提高运行稳定性,增加产量,降低能耗及相关碳排放。水泥立磨系统具有多参数、大时滞和非线性等复杂特性。针对上述问题,提出了基于互相关延时分析优化的非线性自回归外部输入(Nonlinear AutoRegressive with eXogenous inputs,NARX)神经网络,并用于立磨出风口温度预测。首先,采用皮尔逊相关性分析从多个参数中确定影响立磨出风口温度的关键参数。同时,利用互相关延时分析进行时滞分析,解决大时滞问题。其次,通过优化的NARX神经网络,实现非线性工况下温度的精准预测。案例验证结果表明,所提出模型的拟合度达到了0.99967,均方误差为0.56483,预测精度达到了98.4%以上。预测模型结果可指导立磨操作人员及时控制立磨振动,提高水泥产量并降低能耗和碳排放。
文摘提出了一种软件系统的非线性有源自回归(Nonlinear AutoRegressive models with eXogenous Inputs,NARX)网络模型的老化检测方法。解决了目前软件老化方法未考虑多变量间关联性及历史数据的延迟影响的问题。该方法首先通过对实验采集的HelixServer-VOD服务器性能数据进行主成分分析,确定网络的输入维数,根据AIC准则确定最佳模型阶数,最终选取合理的网络模型结构;使用已知的未老化状态样本对NARX网络进行训练,建立系统的辨识模型;然后运用序贯概率比检验(Sequential Probability Ratio Test,SPRT)对NARX辨识模型的残差进行假设检验,判断系统的老化状态。实验分析表明,基于NARX网络模型的故障检测方法能够有效地应用于软件老化的检测。
文摘极限学习机(Extreme learning machine,ELM)是一种单隐层前馈神经网络(SLFNs),它随机选择网络的隐含层节点及其参数,训练时仅需调节输出层权值,因此ELM以极快的学习速度获得良好的推广性。考虑到ELM的特征映射函数未知时,可以将核矩阵引入到ELM中。针对模型未知的强非线性连续搅拌反应釜(Continuous Stirred Tank Reactor,CSTR),提出一种基于核极限学习机(Extreme Learning Machine with Kernels,KELM)的NARX模型辨识方法。以仿真的CSTR过程实例进行辨识实验,建立基于NARX-KELM的辨识模型。实验结果表明,在相同条件下,与带动量因子的BP神经网络、模糊神经网络(FNN)、GAP-RBF、MGAP-RBF神经网络、回声状态网络(ESN)、ELM等方法相比,KELM能够有效地改进辨识精度,而且性能更好,这表明了所提方法的有效性和应用潜力。
文摘南极Dome A(冰穹A)因其优良的观测条件被誉为地球上最好的天文观测台址之一。Dome A温度常年处于-30^-80℃,相对湿度40%~80%,温度起伏大,望远镜镜面易结霜,影响天文观测的效率和质量。为实现无人值守的智能化镜面除霜、减少除霜对观测时间的占用、降低除霜对镜面视宁度的影响、减少除霜对能源的消耗,提出了智能化除霜方法。首先,分析环境、科学数据、仪器三者的关系,利用外部输入非线性自回归(nonlinear auto regressive models with exogenous input,NARX)时间序列神经网络构建望远镜镜面状态的预测模型;其次,设计南极望远镜智能化除霜仿真系统,实时预测镜面情况,根据预测结果模拟采取相应的应对措施。结果表明该方法能有效实现智能化除霜,减少了人为干预,节约了观测时间,提高了望远镜运行的可靠性。
