摘要： 進水水質(zhì)條件是研究和優(yōu)化管理污水處理廠所需的關(guān)鍵要素,及時獲取進水水質(zhì)數(shù)據(jù)至關(guān)重要.針對污水廠關(guān)鍵性水質(zhì)指標BOD5不易直接檢測、滯后強的特點,分別采用BP神經(jīng)網(wǎng)絡(BP-ANN)、網(wǎng)格搜索算法(GS)優(yōu)化支持向量回歸(SVR)、粒子群算法(PSO)優(yōu)化的SVR和遺傳算法(GA)優(yōu)化的SVR 4種方法,通過利用其他進水指標與進水BOD5的數(shù)學關(guān)系建立進水BOD5軟測量模型,實現(xiàn)進水BOD5快速測定.并以黑龍江某污水廠為研究對象,比較4種機器學習模型的性能,找尋適合進水BOD5預測的軟測量方法.結(jié)果表明,基于SVR的軟測量模型預測結(jié)果優(yōu)于基于BP-ANN的軟測量模型,而且采用GA優(yōu)化的SVR模型精度最高.為實現(xiàn)污水廠進水BOD5的實時監(jiān)測和污水廠的便捷管理提供了參考依據(jù).

摘要： 在工業(yè)過程中,存在著輔助變量與主導變量數(shù)據(jù)比例嚴重失衡的問題。協(xié)同訓練算法是其中一種利用無標簽數(shù)據(jù)中的潛在信息以提升學習性能的模型訓練方法。然而目前在協(xié)同訓練軟測量建模過程中,學習器之間存在嚴重的訓練特性交叉重疊的問題,這將導致對主導變量的預測性能衰減。針對這一問題,提出基于二子空間協(xié)同訓練算法的半監(jiān)督軟測量模型two-subspace co-training KNN(TSCO-KNN)。該模型將二子空間分塊算法與協(xié)同訓練算法相結(jié)合,利用輔助變量與主成分子空間PCS和殘差子空間RS兩個特征子空間的相關(guān)性程度,將數(shù)據(jù)變量拆分為兩個具有顯著差異性的學習數(shù)據(jù)集,進而使用KNN回歸器進行協(xié)同訓練,共同用于對主導變量的預測。最后在乙烯精餾塔塔頂乙烷濃度和TE過程產(chǎn)品濃度軟測量中進行仿真研究,驗證本文所提算法的有效性。

摘要： 為了優(yōu)化磨煤機系統(tǒng)參數(shù),提高磨煤機出粉量,結(jié)合磨煤機系統(tǒng)參數(shù)和出粉量建立誤差反向傳播算法(BP)神經(jīng)網(wǎng)絡磨煤機出粉量模型,對參數(shù)進行軟測量。為提高軟測量準確度和對參數(shù)優(yōu)化的效果,提出一種新的基于融合策略改進的粒子群優(yōu)化BP算法,用于磨煤機系統(tǒng)參數(shù)和出粉量數(shù)據(jù)之間的非線性映射,建立估算模型。將估算模型應用于磨煤機出粉量的軟測量中,為驗證基于融合策略改進的粒子群優(yōu)化BP算法的可靠性,將該算法與傳統(tǒng)粒子群優(yōu)化BP算法和傳統(tǒng)BP算法對磨煤機出粉量的計算進行對比。結(jié)果表明:基于融合策略改進的粒子群優(yōu)化BP算法模型對磨煤機出粉量有較好的軟測量能力,預測值與實際值平均相對誤差僅為3.8139%。

摘要： 為了實現(xiàn)汽油干點的直接在線測量,提出了一種基于T-S模糊神經(jīng)網(wǎng)絡(TS-FNN)的汽油干點預測方法。以某煉油廠常減壓裝置常壓塔塔頂汽油干點為背景,確定影響因素,分析采集的數(shù)據(jù),依據(jù)樣本數(shù)據(jù)建立BP神經(jīng)網(wǎng)絡(BPNN)模型及TS-FNN模型,驗證模型的預測有效性。結(jié)果表明:基于TS-FNN模型預測的汽油干點與觀測值基本一致,平均相對誤差為0.68%,該網(wǎng)絡模型通過調(diào)整參數(shù)來修正隸屬度函數(shù),具有很強的自適應能力。基于T-S模糊模型的改進神經(jīng)網(wǎng)絡軟測量模型跟蹤效果較好,預測結(jié)果具有較高的準確性。

摘要： 近年來,變分自編碼器(Variational auto-encoder,VAE)模型由于在概率數(shù)據(jù)描述和特征提取能力等方面的優(yōu)越性,受到了學術(shù)界和工業(yè)界的廣泛關(guān)注,并被引入到工業(yè)過程監(jiān)測、診斷和軟測量建模等應用中.然而,傳統(tǒng)基于VAE的軟測量方法使用高斯分布作為潛在變量的分布,限制了其對復雜工業(yè)過程數(shù)據(jù),尤其是多模態(tài)數(shù)據(jù)的建模能力.為了解決這一問題,本論文提出了一種混合變分自編碼器回歸模型(Mixture variational autoencoder regression,MVAER),并將其應用于復雜多模態(tài)工業(yè)過程的軟測量建模.具體來說,該方法采用高斯混合模型來描述VAE的潛在變量分布,通過非線性映射將復雜多模態(tài)數(shù)據(jù)映射到潛在空間,學習各模態(tài)下的潛在變量,獲取原始數(shù)據(jù)的有效特征表示.同時,建立潛在特征表示與關(guān)鍵質(zhì)量變量之間的回歸模型,實現(xiàn)軟測量應用.通過一個數(shù)值例子和一個實際工業(yè)案例,對所提模型的性能進行了評估,驗證了該模型的有效性和優(yōu)越性.

摘要： 針對污水處理過程具有復雜非線性特性以及出水BOD難以精確測量的問題,文中提出一種基于變寬度的逆平方根和高斯函數(shù)線性組合的RBF神經(jīng)網(wǎng)絡軟測量方法。神經(jīng)網(wǎng)絡的激活函數(shù)由逆平方根函數(shù)和高斯函數(shù)線性組合,彌補了單一激活函數(shù)在某些區(qū)間飽和的問題,提高了隱層激活函數(shù)的表達能力和自適應能力。由于激活函數(shù)的寬度對模型的泛化性能有較大的影響,因此引入基于核密度的變寬度策略可以有效提高網(wǎng)絡泛化能力。文中采用改進LM算法實現(xiàn)了神經(jīng)網(wǎng)絡參數(shù)的在線學習。基于污水處理過程實際運行數(shù)據(jù)的仿真實驗表明,所提方法對于出水BOD具有較高的預測精度和良好的自適應能力。

摘要： 針對過程控制系統(tǒng)中關(guān)鍵變量的軟測量建模及應用問題,結(jié)合主成分分析法(PCA)和徑向基(RBF)神經(jīng)網(wǎng)絡法(RBFNN),提出了改進的PCA-RBFNN軟測量建模方法。首先利用PCA分析變量篩選法從過程變量集合中找到對系統(tǒng)過程特性具備最佳解釋能力的過程變量子集;然后將該過程變量子集作為輸入、被估計變量作為輸出構(gòu)建PCA-RBFNN模型,并使用K-means聚類和最小均方誤差法初始化RBF神經(jīng)網(wǎng)絡的數(shù)據(jù)中心、擴展系數(shù)和連接權(quán)值;最后采用梯度下降法訓練、校正所建模型。以某紡織原料生產(chǎn)過程為實例,對所建模型進行了驗證和輸出性能對比分析。結(jié)果表明,該模型可以實現(xiàn)過程變量在線預測,比原模型具有更好的泛化能力、預測能力和輸出精度,能夠提高過程控制系統(tǒng)的穩(wěn)定性和可靠性。

摘要： 針對污水處理過程具有非線性、時變、大滯后等特點,關(guān)鍵水質(zhì)參數(shù)難以準確實時預測,單一水質(zhì)模型泛化性有限等問題,建立了一種基于AdaBoost.RT的正則隨機配置網(wǎng)絡(stochastic configuration network,SCN)水質(zhì)預報集成模型。該模型將L2-SCN作為基學習器,通過AdaBoost.RT算法不斷更新的權(quán)重來訓練基學習器,然后采用加權(quán)策略將基學習器集成得到一個強學習模型,對5日生物需氧量(five-day biochemical oxygen demand,BOD_(5))質(zhì)量濃度、氨氮(NH_(4)-N)質(zhì)量濃度進行預測。為了驗證該模型的有效性,以某城市污水處理廠的真實數(shù)據(jù)為例進行仿真,并將預報結(jié)果與相同架構(gòu)方式下的LassoSCN、PLSSCN、BP,RVFL預測模型進行比較。實驗結(jié)果表明,所提的模型預報精度更高,具有穩(wěn)定性。

摘要： 燃煤電廠煤粉在燃燒過程中產(chǎn)生的有害氣體會對大氣環(huán)境造成污染,NO_(x)為其中之一。針對燃煤電廠生產(chǎn)過程中NO_(x)排放量測量成本高、過程復雜等問題,考慮到機組運行數(shù)據(jù)具有的時間序列特征,提出一種基于長短期記憶神經(jīng)網(wǎng)絡的軟測量方法對NO_(x)排放量進行預測。在分析NO_(x)產(chǎn)生機理的基礎(chǔ)上,利用來自陜西省榆林市某電廠2019年1月至6月的實際生產(chǎn)數(shù)據(jù),初步選取與NO_(x)排放量緊密相關(guān)的20個輔助變量;將數(shù)據(jù)進行預處理以消除粗大誤差和隨機誤差,并利用灰色關(guān)聯(lián)度分析進一步精選出15個輔助變量;將實際生產(chǎn)數(shù)據(jù)劃分訓練集和測試及對LSTM模型進行訓練和測試,并將LSTM模型與BP神經(jīng)網(wǎng)絡模型和支持向量機模型的軟測量結(jié)果比較。結(jié)果表明:基于LSTM的測量方法均方誤差較基于BP神經(jīng)網(wǎng)絡與SVM的方法均有減小,說明該方法測量準確度較高,泛化能力更強。

摘要： 為解決酒醅水分、酸度和淀粉含量指標只能離線檢測,化學方法檢測工序復雜,工作量大的問題,通過研究發(fā)酵機理,選擇發(fā)酵過程產(chǎn)生的O_(2)、CO_(2)、濕度和溫度為監(jiān)測指標,使用多傳感器監(jiān)測技術(shù)和無線通信網(wǎng)絡構(gòu)建發(fā)酵參數(shù)自動化采集系統(tǒng),同時運用化學方法對采集的酒醅樣品進行水分、酸度和淀粉含量3個指標檢測,運用偏最小二乘回歸以發(fā)酵環(huán)境O_(2)、CO_(2)、濕度和酒醅溫度值為自變量,酒醅水分、酸度和淀粉含量為因變量建立了偏最小二乘軟測量模型,同時建立了多元線性回歸模型作為對比,證實偏最小二乘回歸最優(yōu)。模型的均方根誤差為1.89、0.12、1.93,并由此得出結(jié)論為O_(2)和CO_(2)對于發(fā)酵產(chǎn)物水分、酸度和淀粉的影響是極其重要的,溫度和濕度其次。

摘要： 磨礦過程的優(yōu)化運行控制需要準確檢測球磨機內(nèi)的負荷參數(shù)，其軟測量一直工業(yè)界的難點熱點問題。采用球磨機研磨產(chǎn)生的機械振動/振聲等信號構(gòu)建數(shù)據(jù)驅(qū)動軟測量模型是工業(yè)界常用的磨機負荷參數(shù)間接檢測方法.磨機封閉、連續(xù)旋轉(zhuǎn)的工作特性導致構(gòu)建軟測量模型的完備訓練樣本僅能在實驗設(shè)計階段或磨礦過程停產(chǎn)重新開始運行階段獲得,即需要較高的經(jīng)濟或時間成本.針對這類基于機械信號同時又缺少完備訓練樣本的數(shù)據(jù)驅(qū)動建模問題,本文提出一種基于虛擬樣本生成(VSG)技術(shù)的磨機負荷參數(shù)軟測量方法.針對有限數(shù)量的建模樣本,首先采用集成經(jīng)驗模態(tài)分解技術(shù)(EEMD)獲得非平穩(wěn)磨機筒體振動及振聲信號的多尺度平穩(wěn)子信號;接著將這些平穩(wěn)子信號轉(zhuǎn)換為多尺度頻譜,再利用改進的選擇性集成核偏最小二乘方法構(gòu)建基于可行性的規(guī)劃(FBP)模型;接著再利用先驗知識和FBP模型產(chǎn)生虛擬樣本,將其與真實訓練樣本組合后得到混合建模樣本;然后采用基于互信息(MI)的特征選擇方法進行多尺度譜特征的自適應選擇;最后,采用這些選擇的頻譜特征構(gòu)建軟測量模型.采用實驗球磨機的筒體振動和振聲數(shù)據(jù)驗證了所提算法的合理性和有效性.

摘要： 針對用膜生物反應器(MBR)處理污水中膜透水率難以測量的問題,提出了一種基于遞歸徑向基神經(jīng)網(wǎng)絡(RRBFNN)的軟測量方法.首先,基于污水處理過程中的實際運行數(shù)據(jù),應用偏最小二乘法(PLS)篩選出和透水率相關(guān)的過程變量;其次,基于遞歸RBF神經(jīng)網(wǎng)絡建立透水率的軟測量模型,利用快速梯度下降算法對神經(jīng)網(wǎng)絡模型的參數(shù)進行調(diào)整,保證了模型的精度;最后,將設(shè)計的透水率軟測量模型應用于實際污水處理過程中,使用污水處理廠實測數(shù)據(jù)對模型進行驗證.驗證結(jié)果表明,該軟測量模型能夠?qū)崿F(xiàn)透水率的準確預測,具有較好的預測精度.

摘要： 針對傳統(tǒng)多模型軟測量方法在面對復雜、多變工況時缺少在線更新機制、更新時輸出精度降低等問題,本文提出了一種基于即時學習算法(JIT)的多模型在線支持向量回歸機(MOSVR)軟測量方法.離線階段首先采用模糊C均值聚類(FCM)對訓練數(shù)據(jù)進行聚類,接著采用SVR建立初始模型集.在線部分以多模型輸出作為主要輸出,當出現(xiàn)新工況時,通過在線模型更新策略(OSMU)將輸出模式切換為JIT,同時多模型集進行在線更新.這種算法不僅擁有多模型輸出的快速性、精確性,而且在模型更新時通過JIT模式還能保證輸出的連續(xù)性、穩(wěn)定性、精確性.最后將該軟測量方法進行了數(shù)值仿真并運用到乙烷濃度軟測量的過程中,證明了該方法的有效性.

摘要： 針對污水處理過程出水氨氮(Ammonia Nitrogen,NH4-N)檢測精度較低,平穩(wěn)性和實時性差的問題,文中提出了一種基于區(qū)間二型模糊神經(jīng)網(wǎng)絡(Interval type-2fuzzy neural networks,IT2FNN)的軟測量方法,建立了出水氨氮的軟測量模型.首先,采集和預處理相關(guān)過程變量的實際運行數(shù)據(jù),通過主元分析法篩選出與出水NH4-N相關(guān)性較強的過程變量.其次,利用IT2FNN建立所選變量與出水NH4-N的軟測量模型,通過梯度下降算法對模型相關(guān)參數(shù)進行修正.最后,利用實際運行數(shù)據(jù)對基于IT2FNN出水氨氮軟測量模型的有效性和優(yōu)越性進行驗證.實驗結(jié)果表明,相對于傳統(tǒng)的出水氨氮軟測量模型,該模型不僅實現(xiàn)了出水氨氮的在線預測,還具有較高的預測精度.

摘要： 在建立復雜化工過程軟測量模型時,使用傳統(tǒng)的隨機梯度Boosting算法(SGB)建模若收縮參數(shù)v選取不當會明顯降低算法收斂速度,且極易陷入過擬合,難以取得令人滿意的泛化效果.為解決這一問題,本文提出了一種基于SGB集成學習的軟測量建模方法,采用高斯過程回歸作為基學習器,并針對SGB算法固有的不足,依據(jù)每一次迭代中弱學習機的反饋,自適應調(diào)整收縮參數(shù)v,改善了SGB算法的過度擬合,從而提高了集成模型的估計精度與學習效率.將該方法應用于某雙酚A裝置的軟測量建模中,仿真結(jié)果表明相比于傳統(tǒng)SGB建模,該方法具有更高的泛化性能和學習效率.

摘要： 結(jié)合有機硅生產(chǎn)工藝要求,分析了流化床床層高度控制的重要性、控制特點和控制方案.具體研究了流化床床層高度檢測方法、儀表及配套設(shè)施選用方案,本文引入了軟測量技術(shù)概念,構(gòu)建了軟測量方法及數(shù)學模型,闡述了現(xiàn)場安裝要點,克服了以往測量方法的缺點,此監(jiān)控方案符合安全、健康、節(jié)能環(huán)保要求.

摘要： 通過浙能熱工監(jiān)督所提供的故障信息,對因熱控系統(tǒng)故障導致機組非正常停機原因展開分析.針對這些局部設(shè)備異常所引起的機組跳閘的特點,研究冗余配置、容錯控制、軟測量技術(shù)、故障診斷、反向建模等現(xiàn)代化手段,為電廠熱工容錯機制提供新的思路.

摘要： 加藥控制是污水自動化技術(shù)研究中最為關(guān)鍵、最難控制的環(huán)節(jié).本文介紹加藥環(huán)節(jié)常用的控制方法及最新的研究成果,并對將來的發(fā)展作了展望.從控制器算法、控制結(jié)構(gòu)、參數(shù)的軟測量三個方面進行了分析,系統(tǒng)介紹了當前加藥技術(shù)的種種難點及解決方案.

摘要： 針對污水處理過程出水總磷軟測量存在的特征選擇問題,提出一種k近鄰互信息估計和前向累加后向交叉策略相結(jié)合的特征選擇方法.該方法首先將數(shù)據(jù)驅(qū)動型k近鄰法擴展用于高維特征之間互信息的估計,然后采用前向累加策略給出全部特征最優(yōu)排序,根據(jù)預設(shè)無關(guān)特征個數(shù),剔除無關(guān)特征,再利用后向交叉策略找出并剔除冗余特征,最終得到最優(yōu)強相關(guān)特征子集.以Friedman數(shù)據(jù)、Housing數(shù)據(jù)和實際污水處理出水總磷預測數(shù)據(jù)為例,采用多層感知器和基于互信息的修剪型多層感知器神經(jīng)網(wǎng)絡預測模型進行仿真實驗,驗證了所提方法的有效性.

摘要： 針對污水處理過程出水氨氮難以在線測量的問題,文中提出了一種基于遞歸RBF神經(jīng)網(wǎng)絡的軟測量方法來預測氨氮.首先,提取與出水氨氮相關(guān)的主元變量,剔除主元變量的異常數(shù)據(jù).其次,利用遞歸RBF神經(jīng)網(wǎng)絡建立主元變量與出水氨氮的蘊含關(guān)系,完成出水氨氮軟測量模型的設(shè)計.最后,將提出的出水氨氮軟測量方法應用于污水處理實際運行過程,結(jié)果表明,基于遞歸RBF神經(jīng)網(wǎng)絡的軟測量方法能夠?qū)崿F(xiàn)出水氨氮的在線預測;同時,與其他方法的比較結(jié)果顯示基于遞歸RBF神經(jīng)網(wǎng)絡的軟測量方法具有較好的預測精度.

摘要： 一種軟巖孔壁形變測量儀及軟巖形變測量方法，屬于巖土測量設(shè)備。該軟巖孔壁形變測量儀包括驅(qū)動桿，驅(qū)動桿上套設(shè)有可沿其軸向移動的導向桿，導向桿的一端和中部分別設(shè)有固定裝置和至少一個定位裝置，驅(qū)動桿遠離固定裝置的一端設(shè)有測量裝置，固定裝置包括沿導向桿周向布置的至少兩個可伸縮的伸縮桿；定位裝置包括沿導向桿周向布置的至少兩個彈簧片，每個彈簧片的一端與導向桿連接；測量裝置包括一端與驅(qū)動桿鉸接的測量桿和支撐桿，支撐桿的兩端分別與導向桿和測量桿的中部鉸接。該軟巖孔壁形變測量儀結(jié)構(gòu)簡單，拆裝、攜帶和使用方便，能夠在軟巖軟化變形且孔壁局部塌孔的情況下準確測量其變形量。本發(fā)明還提供了一種軟巖形變測量方法。

摘要： 本發(fā)明公開了一種軟包電池產(chǎn)氣量測量方法和軟包電池產(chǎn)氣量測量裝置。所述軟包電池產(chǎn)氣量測量方法包括以下步驟：A)將配合在一起的第一物體和未產(chǎn)氣的軟包電池浸沒到液體容器內(nèi)的液體中，測量它們排開的液體的質(zhì)量M1；和B)將配合在一起的第二物體和產(chǎn)氣的軟包電池浸沒到該液體中，測量它們排開的液體的質(zhì)量M2，液體的液面與液體容器的上沿間隔預設(shè)距離以便防止液體溢出液體容器，第一和第二物體排開的液體的質(zhì)量為M3和M4，未產(chǎn)氣的軟包電池的體積V1＝(M1?M3)/ρ，產(chǎn)氣的軟包電池的體積V2＝(M2?M4)/ρ，軟包電池的產(chǎn)氣量V＝V2?V1，ρ為液體的密度。該測量方法具有測量精度高、重復性好、穩(wěn)定性好、操作簡單、測量效率高、無需使用專業(yè)設(shè)備等優(yōu)點。

摘要： 一種軟巖孔壁形變測量儀及軟巖形變測量方法，屬于巖土測量設(shè)備。該軟巖孔壁形變測量儀包括驅(qū)動桿，驅(qū)動桿上套設(shè)有可沿其軸向移動的導向桿，導向桿的一端和中部分別設(shè)有固定裝置和至少一個定位裝置，驅(qū)動桿遠離固定裝置的一端設(shè)有測量裝置，固定裝置包括沿導向桿周向布置的至少兩個可伸縮的伸縮桿；定位裝置包括沿導向桿周向布置的至少兩個彈簧片，每個彈簧片的一端與導向桿連接；測量裝置包括一端與驅(qū)動桿鉸接的測量桿和支撐桿，支撐桿的兩端分別與導向桿和測量桿的中部鉸接。該軟巖孔壁形變測量儀結(jié)構(gòu)簡單，拆裝、攜帶和使用方便，能夠在軟巖軟化變形且孔壁局部塌孔的情況下準確測量其變形量。本發(fā)明還提供了一種軟巖形變測量方法。

摘要： 一種軟巖孔壁形變測量儀及軟巖形變測量系統(tǒng)，屬于巖土測量設(shè)備。該軟巖孔壁形變測量儀包括驅(qū)動桿，驅(qū)動桿上套設(shè)有可沿其軸向移動的導向桿，導向桿的一端和中部分別設(shè)有固定裝置和至少一個定位裝置，驅(qū)動桿遠離固定裝置的一端設(shè)有測量裝置，固定裝置包括沿導向桿周向布置的至少兩個可伸縮的伸縮桿；定位裝置包括沿導向桿周向布置的至少兩個彈簧片，每個彈簧片的一端與導向桿連接；測量裝置包括一端與驅(qū)動桿鉸接的測量桿和支撐桿，支撐桿的兩端分別與導向桿和測量桿的中部鉸接。該軟巖孔壁形變測量儀結(jié)構(gòu)簡單，拆裝、攜帶和使用方便，能夠在軟巖軟化變形且孔壁局部塌孔的情況下準確測量其變形量。本實用新型還提供了一種軟巖形變測量系統(tǒng)。

摘要： 一種工業(yè)過程控制技術(shù)領(lǐng)域的基于半閉環(huán)的軟測量儀表，包括用于測量輔助變量的智能儀表，存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及上位機，現(xiàn)場智能儀表與工業(yè)生產(chǎn)過程連接，上位機與DCS數(shù)據(jù)庫及軟測量顯示儀連接，所述的上位機為軟測量智能處理器，包括數(shù)據(jù)處理模塊、測量模塊、預估模塊、補償模塊和存儲模塊；其中，數(shù)據(jù)處理模塊對輔助變量和主導變量進行預處理，測量模塊產(chǎn)生主導變量的初始測量值，預估模塊預測下一時刻的輔助變量，而補償模塊利用預估模塊的輸出和實際輔助變量測量值的差對主導變量的初始測量值進行補償。本發(fā)明實現(xiàn)了在線校正，有效地提高軟測量的精度，具有數(shù)確定方便、使用范圍廣、軟測量效果好、精度高的特點。

摘要： 一種基于微環(huán)境信息的旱地農(nóng)田水勢軟測量方法及軟測量網(wǎng)絡，方法是選擇確定農(nóng)田水勢軟測量的輔助變量；按照輔助變量設(shè)置相應的傳感器；對采集的數(shù)據(jù)進行數(shù)據(jù)處理，生成輸入數(shù)據(jù)；構(gòu)建農(nóng)田水勢軟測量模型，采用由試驗獲得的樣本數(shù)據(jù)對該軟測量模型進行訓練和檢驗；將預處理的數(shù)據(jù)送入農(nóng)田水勢軟測量模型，得到農(nóng)田水勢估計值。軟測量網(wǎng)絡包括有多個子網(wǎng)絡和精準灌溉決策中心，精準灌溉決策中心通過GSM/GPRS分別與多個子網(wǎng)絡進行數(shù)據(jù)通信，所述的子網(wǎng)絡是由一個農(nóng)田水勢軟測量站和多個網(wǎng)絡節(jié)點組成的。本發(fā)明可實現(xiàn)農(nóng)田水勢的連續(xù)自動監(jiān)測，能夠及時準確地反映旱地作物生長過程中的水分脅迫狀態(tài)；實現(xiàn)了多種農(nóng)田小氣候參數(shù)的連續(xù)自動監(jiān)測。

摘要： 一種基于仿生智能的工業(yè)軟測量儀表，包括與工業(yè)過程對象連接的現(xiàn)場智能儀表、用于存放歷史數(shù)據(jù)的數(shù)據(jù)存儲裝置及上位機，智能儀表、數(shù)據(jù)存儲裝置及上位機依次相連，所述的上位機為軟測量智能處理器，所述的軟測量智能處理器包括標準化處理模塊、徑向基函數(shù)神經(jīng)網(wǎng)絡建模模塊、基于混沌遺傳算法的模型參數(shù)優(yōu)選模塊、信號采集模塊以及軟測量模塊。以及提出了一種軟測量方法。本發(fā)明提供一種參數(shù)確定方便、適用范圍廣、軟測量效果好、精度高的基于仿生智能的工業(yè)軟測量系統(tǒng)及軟測量方法。

摘要： 本發(fā)明公開了一種半監(jiān)督動態(tài)軟測量網(wǎng)絡的軟測量建模方法，具體按照以下步驟實施：對訓練集數(shù)據(jù)基于CEEMD與Isomap方法進行去噪與去冗余處理；對訓練集數(shù)據(jù)進行序列化與歸一化處理；基于訓練集數(shù)據(jù)完成半監(jiān)督動態(tài)軟測量網(wǎng)絡的軟測量模型建立。本發(fā)明建模方法使用CEEMD和Isomap相結(jié)合的方法去除數(shù)據(jù)的噪聲和冗余，CEEMD具有完備性且其結(jié)果無明顯模態(tài)混疊現(xiàn)象，Isomap具有很強的非線性特征變換能力，綜合兩者的優(yōu)點從而對原始數(shù)據(jù)內(nèi)部的噪聲和冗余進行有效去除并最大程度的減少信息損失，且對數(shù)據(jù)進行序列化處理從而引入歷史數(shù)據(jù)進行動態(tài)建模，相比于傳統(tǒng)軟測量方法，使用本發(fā)明模型對變量進行預測會更加準確。

摘要： 一種工業(yè)過程控制技術(shù)領(lǐng)域的基于半閉環(huán)的軟測量儀表，包括用于測量輔助變量的智能儀表，存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及上位機，現(xiàn)場智能儀表與工業(yè)生產(chǎn)過程連接，上位機與DCS數(shù)據(jù)庫及軟測量顯示儀連接，所述的上位機為軟測量智能處理器，包括數(shù)據(jù)處理模塊、測量模塊、預估模塊、補償模塊和存儲模塊；其中，數(shù)據(jù)處理模塊對輔助變量和主導變量進行預處理，測量模塊產(chǎn)生主導變量的初始測量值，預估模塊預測下一時刻的輔助變量，而補償模塊利用預估模塊的輸出和實際輔助變量測量值的差對主導變量的初始測量值進行補償。本發(fā)明實現(xiàn)了在線校正，有效地提高軟測量的精度，具有數(shù)確定方便、使用范圍廣、軟測量效果好、精度高的特點。

摘要： 一種基于微環(huán)境信息的旱地農(nóng)田水勢軟測量方法及軟測量網(wǎng)絡，方法是選擇確定農(nóng)田水勢軟測量的輔助變量；按照輔助變量設(shè)置相應的傳感器；對采集的數(shù)據(jù)進行數(shù)據(jù)處理，生成輸入數(shù)據(jù)；構(gòu)建農(nóng)田水勢軟測量模型，采用由試驗獲得的樣本數(shù)據(jù)對該軟測量模型進行訓練和檢驗；將預處理的數(shù)據(jù)送入農(nóng)田水勢軟測量模型，得到農(nóng)田水勢估計值。軟測量網(wǎng)絡包括有多個子網(wǎng)絡和精準灌溉決策中心，精準灌溉決策中心通過GSM/GPRS分別與多個子網(wǎng)絡進行數(shù)據(jù)通信，所述的子網(wǎng)絡是由一個農(nóng)田水勢軟測量站和多個網(wǎng)絡節(jié)點組成的。本發(fā)明可實現(xiàn)農(nóng)田水勢的連續(xù)自動監(jiān)測，能夠及時準確地反映旱地作物生長過程中的水分脅迫狀態(tài)；實現(xiàn)了多種農(nóng)田小氣候參數(shù)的連續(xù)自動監(jiān)測。