-
公开(公告)号：CN118192233B
公开(公告)日：2024-09-24
申请号：CN202410313805.5
申请日：2024-03-18
Applicant: 淮阴工学院
IPC: G05B13/04
Abstract: 本发明公开了一种污水处理过程水质能耗预测及优化控制方法及系统，主要包括以下内容：采集污水数据，使用VMD滤波选择特定的本征模态函数进行滤波处理，去除特定频率范围内的干扰信号；建立Reformer和STGCN模型分别用于预测污水处理过程出水水质和能耗，并使用水循环算法得到最佳参数，提高模型的预测能力。建立多目标水循环算法，以出水水质和能耗为目标进行优化控制。与现有技术相比，本发明中使用Reformer和STGCN模型进行预测，结合两种预测模型的优点，并使用水循环算法优化，使预测结果更加准确。同时以出水水质和能耗为目标，采用多目标水循环算法可以有效地寻找到偏好解，更好的进行优化控制。
-
公开(公告)号：CN116306226B
公开(公告)日：2023-10-20
申请号：CN202310054785.X
申请日：2023-02-03
Applicant: 淮阴工学院
IPC: G06F30/27 , H01M8/04298 , G06N3/006
Abstract: 本发明公开一种燃料电池性能退化预测方法，采集燃料电池电压退化数据，采用SG滤波器对原始数据进行平滑处理，运用灰色关联度分析对数据进行辅助变量的选取，建立基于Bagging集成学习和时间卷积网络性能退化预测模型；采用半数均匀初始化对蝠鲼觅食优化算法的种群进行初始化操作，在链式觅食的位置更新中引入自适应权重和适应度‑距离平衡策略，得到IMRFO；运用Bagging集成学习对多个弱学习器进行融合预测，并利用第一层的预测结果对TCN模型进行训练，同时使用IMRFO对TCN进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到TCN预测模型中得到最终预测结果。与现有技术相比，本发明能够有效地预测燃料电池电压退化趋势，提高性能退化预测模型精度。
-
公开(公告)号：CN115952685B
公开(公告)日：2023-09-29
申请号：CN202310053332.5
申请日：2023-02-02
Applicant: 淮阴工学院
IPC: G06F30/20 , G06N3/08 , G06N3/0442
Abstract: 本发明公开了一种基于集成深度学习的污水处理过程软测量建模方法。首先获取污水数据作为辅助变量；再对采集到的几个变量使用KPCA特征选择之后作为模型的输入；建立污水软测量集成模型，该集成模型有两层，第一层包括BiLSTM、LSSVM和XGBoost三个基学习器，采用5折交叉验证方法进行训练，第二层采用ELM作为元学习器；最后采用极限学习机对初始预测结果进行误差校正。为了提高模型的性能，提出了RSA算法对模型参数进行优化；并根据RSA算法在收敛精度以及易陷入局部最优等方面问题，使用拉丁超立方、非线性因子、黄金正弦和翻筋斗策略对其进行改进。与传统的软测量方法相比，本发明能够集合各模型的优势，整体模型泛化能力更强，预测精度更高。
-
公开(公告)号：CN115952728B
公开(公告)日：2023-07-07
申请号：CN202211513357.0
申请日：2022-11-29
Applicant: 淮阴工学院
Abstract: 本发明公开一种亚硝态氮浓度软测量预测方法，采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取，获得温度、pH、溶解氧、氧化还原电位这4个影响亚硝态氮浓度的辅助变量，同时测定水体中亚硝态氮的浓度，对数据进行预处理，建立基于ELM亚硝态氮的浓度软测量预测模型；采用拉丁超立方抽样对SSA种群进行初始化操作，在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略；在追随者位置更新中，引入引力搜索策略，得到LGSSA；使用LGSSA对ELM极限学习机进行参数优化，获得最佳参数，并将最优参数和测试数据样本输入到ELM预测模型中得到预测结果。与现有技术相比，本发明能够有效地预测水体亚硝态氮浓度，提高软测量预测模型精度。
-
公开(公告)号：CN118094314A
公开(公告)日：2024-05-28
申请号：CN202410141365.X
申请日：2024-01-31
Applicant: 淮阴工学院
IPC: G06F18/241 , G06N3/0442 , G06N3/08 , G06Q50/04
Abstract: 本发明公开了一种基于改进时空模型的化工过程故障诊断方法及系统，所述方法包括获取田纳西‑伊斯曼过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建原始数据集；对原始数据集进行数据增强处理；建立基于改进时空模型GCGRU的化工过程故障诊断模型，并利用贝叶斯优化算法BOA优化基于改进时空模型的化工过程故障诊断模型的关键参数；对基于GCGRU的化工过程故障诊断模型进行训练，求出GCGRU网络的最优参数；利用训练优化后的化工过程故障诊断模型对TE过程数据进行诊断，得到诊断结果，展示故障类型，提醒工厂与工人及时处理。本发明提高对故障信息的利用，有效提高化工过程故障诊断效率。
-
公开(公告)号：CN118070928A
公开(公告)日：2024-05-24
申请号：CN202410182707.2
申请日：2024-02-18
Applicant: 淮阴工学院
IPC: G06N20/20 , G06F18/2411 , G06F18/2413 , G06F18/243 , G06F18/25 , G06F18/213 , G06N3/006 , G06N3/0442 , G06N3/084
Abstract: 本发明公开了一种工业过程关键性指标软测量的建模方法，采集关键性的指标变量；使用t‑SNE提取数据特征；构建多层软测量集成模型，第一层建立基于误差校正的基模型，使用GRU，LightGBM，KNN分别预测，并使用TOCSA算法优化的XGBoost对初步预测结果进行校正。第二层建立基于误差加权的融合模型，将第一层各模型的软测量预测结果进行加权融合，利用LSSVM模型对这一融合结果进行进一步预测，得到了两组预测结果。第三层建立二次误差加权的集成模型，将第二层得到的两组结果再次基于误差加权得到最终结果。使用建立好的模型对工业中难以检测的关键指标进行软测量预测。本发明能够提高建模精度、增强模型的鲁棒性，能够适应复杂工业过程，并提高实时性和响应速度。
-
公开(公告)号：CN116360366B
公开(公告)日：2023-12-01
申请号：CN202310295953.4
申请日：2023-03-24
Applicant: 淮阴工学院
IPC: G05B19/418
Abstract: 本发明公开了一种污水处理过程优化控制方法，包括数据采集、数据预处理、建立预测模型和优化控制设计。数据采集用于采集污水处理过程中各种化学成分的数据；数据预处理对获取的数据进行特征选择，降低数据的计算复杂度；建立预测模型首先要对模型进行训练，建立基于集成深度随机向量函数链接网络的污水处理过程预测模型，得到最佳的参数，然后使用改进的算术优化算法优化预测模型，提高模型的预测能力，最后对获取的污水数据进行预测；优化控制设计通过接收预测模块的预测结果，利用多目标算术优化算法找到最优解集，并将此最优解集作为底层控制器的设定值。本发明提高了模型的预测效果，并有效地提高了污水的处理效率。
-
公开(公告)号：CN118094314B
公开(公告)日：2024-09-27
申请号：CN202410141365.X
申请日：2024-01-31
Applicant: 淮阴工学院
IPC: G06F18/241 , G06N3/0442 , G06N3/08 , G06Q50/04
Abstract: 本发明公开了一种基于改进时空模型的化工过程故障诊断方法及系统，所述方法包括获取田纳西‑伊斯曼过程中的操作变量和过程变量作为历史数据；根据故障种类的不同，添加故障种类标签，构建原始数据集；对原始数据集进行数据增强处理；建立基于改进时空模型GCGRU的化工过程故障诊断模型，并利用贝叶斯优化算法BOA优化基于改进时空模型的化工过程故障诊断模型的关键参数；对基于GCGRU的化工过程故障诊断模型进行训练，求出GCGRU网络的最优参数；利用训练优化后的化工过程故障诊断模型对TE过程数据进行诊断，得到诊断结果，展示故障类型，提醒工厂与工人及时处理。本发明提高对故障信息的利用，有效提高化工过程故障诊断效率。
-
公开(公告)号：CN118192233A
公开(公告)日：2024-06-14
申请号：CN202410313805.5
申请日：2024-03-18
Applicant: 淮阴工学院
IPC: G05B13/04
Abstract: 本发明公开了一种污水处理过程水质能耗预测及优化控制方法及系统，主要包括以下内容：采集污水数据，使用VMD滤波选择特定的本征模态函数进行滤波处理，去除特定频率范围内的干扰信号；建立Reformer和STGCN模型分别用于预测污水处理过程出水水质和能耗，并使用水循环算法得到最佳参数，提高模型的预测能力。建立多目标水循环算法，以出水水质和能耗为目标进行优化控制。与现有技术相比，本发明中使用Reformer和STGCN模型进行预测，结合两种预测模型的优点，并使用水循环算法优化，使预测结果更加准确。同时以出水水质和能耗为目标，采用多目标水循环算法可以有效地寻找到偏好解，更好的进行优化控制。
-
公开(公告)号：CN118112446A
公开(公告)日：2024-05-31
申请号：CN202410022739.6
申请日：2024-01-05
Applicant: 淮阴工学院
IPC: G01R31/392 , G01R31/367 , G01R31/378
Abstract: 本发明公开了一种基于集成学习的氢燃料电池寿命预测方法，包括：获取氢燃料电池工作过程中的多变量历史监测数据，利用极限梯度提升算法对其进行特征选择，确定健康指标和最佳输入变量集，得到最优输入矩阵；构建基于Blending集成的寿命预测模型，基学习层由DBN、GRU和TCN组成，元学习层由GPR构成；利用改进的人工兔优化算法IARO对集成模型的关键超参数进行寻优；结合最优输入矩阵和IARO对构建的集成模型进行训练，得到优化训练后的Blending集成预测模型；结合预处理过的新样本和优化后的Blending集成预测模型，得到剩余寿命的最终预测结果。本发明通过集成单一模型的优点实现高精度的剩余寿命点预测，为研究出适合氢燃料电池系统长期运行的维护策略方面提供参考。
