一种改进的SOM神经网络在污水处理故障诊断中的应用

自组织映射（SOM）神经网络初始权值的选取对神经网络的性能有重要的影响。采用改进的帝国竞争算法（ⅡCA）优化局部权重失真指数（LWDI）寻优SOM神经网络的初始权值;利用改进后的SOM神经网络（ⅡCA-SOM）对污水处理过程数据进行聚类和故障诊断。实验结果表明,与传统的SOM算法相比,ⅡCA-SOM算法取得了更好的聚类效果,且故障诊断的误诊率更低。     

一种基于RBF网络的参数自调整REM算法

针对传统的随机指数标记（Random Exponential Marking,REM）算法存在参数难以调整的缺陷,提出了一种改进型主动队列管理算法—基于RBF网络的参数自调整REM算法。利用RBF神经网络动态地对算法参数进行调整,使其能够适应不断变化的网络环境。该算法将REM算法在一定条件下近似为比例积分控制,使REM算法参数调节近似等效于比例积分系数的调节,简化了参数调节,提高了算法的实时性。仿真实验表明：该算法优于传统的REM算法,具有良好的鲁棒性及较快的调节速率。     

裂解炉传感器故障的检测和诊断

研究了综合运用非线性PLS和模糊逻辑的故障检测与诊断方法，并在此基础上，利用大型工业裂解炉现场数据构造了裂解炉传感器集成故障检测系统。应用结果表明，以此方法构成的传感器故障诊断系统可信度较高，且具有良好的实用性和鲁棒性。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

基于集成模式的多参数综合智能故障诊断

基于产生式规则，事例，模糊诊断，神经网络集成模式，提出了多参数综合智能故障诊断方法，分析了多种诊断方法集成的必要性，以及该方法的知识表示，智能推理诊断及知识学习，应用结果表明这一多参数综合智能故障诊断的方法在实际工程中是行之有效的。     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能，从而导致故障诊断正确率下降，提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留，有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

基于改进的遗传算法优化支持向量机的精馏塔故障诊断

针对支持向量机（SVM）参数的选取困难,提出了利用改进的遗传算法（IGA）对其参数进行优化。IGA采用代沟选择和可变交叉概率,确保当前种群中最适应的个体总是被连续传播到下一代,并使进化后期优化的对象比较容易稳定,计算效率提高。将基于改进遗传算法优化的SVM（IGA-SVM）训练算法应用于某醋酸共沸精馏塔的故障诊断,仿真实验结果表明：对比标准GA-SVM算法,IGA-SVM算法对故障数据能够得到较优的分类辨识结果,且该算法训练速度更快,便于工程应用,对精馏塔的故障诊断有显著的指导作用。     

改进的RBF神经网络模式分类方法理论研究

研究了前向两层径基函数（RBF）网络和前向两层线性基本函数（LBF0网络的发类机理及其结构与初始参数优化确定方法，提出了Guassian核函数的中心和宽度应通过学习自动确定，在学习过程中根据错分样本自身的类别和被错分入的类别自动生成新的核函数，并根据新增核函数对测试集的作用自动删除多余核函数的观点，从理论上阐明了采用Sigmoid活化函数的两层LBF网络的分类阈值为0．5，进而提出了由两层RBF网络和两层LBF网络组成的前向RBF神经网络－－IRBF神经网络。     

自适应DNA免疫算法在化工软测量中的应用

将T-S模糊模型与RBF神经网络相结合,构成T-S模糊RBF神经网络,提出了一种自适应DNA免疫算法优化设计T-S模糊RBF神经网络的规则后件参数的方法。该方法采用基于抗体浓度和克隆选择的更新策略调节机制,能有效地保持抗体的多样性,避免早熟收敛。将该方法应用于延迟焦化汽油干点的软测量建模,仿真结果表明了DNA免疫遗传算法在T-S模糊神经网络系统优化设计中的有效性,并可获得较高精度的模型。     

过程信号的前馈—反馈型自适应盲分离算法

利用神经网络的自学习能力实现信号的盲分离已被证明是实现信号分离的一种有效方法,不同的神经网络模型对分离算法的效能将产生极大的影响。针对化工生产过程的复杂性和在线监测控制的要求,在其他学者研究的基础上,基于前馈－反馈型神经网络模型,提出了一种自适应盲分离算法用于过程信号的分离。计算机仿真实验的结果表明了算法的有效性。     

PCA在过程故障检测与诊断中的应用

讨论了基于主无分析（PCA）的过程故障检测与诊断的原理,运用T^2统计、Q统计方法,结合贡献图对一典型过程进行了仿真分析,结果表明PCA方法可对简单传感器故障进行检测与诊断,并指出了该方法中的不足,提出了将PCA方法同基于过程动态模型的故障诊断方法相结合的研究思路。     

基于加权模糊聚类的污水处理过程故障检测

模糊C均值（FCM）聚类是一种常用的聚类方法,在工业应用时,常因数据的强噪声和非线性导致聚类效果不够理想。提出了一种密度加权、核理论和可能性模糊C均值聚类（PFCM）相结合的聚类方法。该方法采用核函数,将数据映射到线性空间进行聚类分析,消除非线性影响;通过引入点密度概念,加快算法迭代,增强可分性,提高聚类准确率。将该聚类算法用于污水处理过程的故障检测,结果表明该方法不仅能解决非线性问题,而且能有效加快收敛速度。     

故障模型及三级分解估计算法

本文给出了通用故障模型、故障检测方法、故障可检测与诊断的充要条件及故障估计的三级分解算法。仿真工作表明本方法是有效和可行的。     

快速查找电力电缆故障浅谈

配电网电缆故障的快速查找对提高电缆故障处理速度、电力系统供电可靠性和稳定性具有决定性作用。本文分析了电缆故障发生的几种原因、故障分类、查找故障的几种实用方法以及故障点查找定位方法。电缆故障的查找和定位有多种方式和手段,本文结合实践经验,根据不同类型的故障及性质给出了较为快速、合理的检测方法和手段。     

改进的粒子群算法及其在软测量建模中的应用

提出了一种改进的粒子群算法,很好地解决了基本粒子群算法中易陷入局部最优的缺点。通过比较和分析几个标准测试函数的计算结果,改进的粒子群算法的优良性得到充分的证明。改进的粒子群算法被用于优化神经网络的结构和参数,结果表明:不但网络的结构得到控制,而且泛化性能有了较大的提高。同时,算法在优化神经网络上的有效性也在4-CBA含量的软测量建模中得到了很好的证实。     

基于灰理论的化工设备诊断预测

首次对连续搅拌式反应釜和丙烷气体压缩机应用灰预测理论进行了故障预测,给出了GM(1,1)的灰建模过程,并以实例进行了检验,结果表明该预测模型计算简便、结果可靠。该方法应用于化工系统设备的运行状态监测、故障诊断预测,可及早判明故障的发展趋势及对设备的危害程度,为故障状态下的设备停车与否提供决策指导。     

径向基人工神经网络在宫颈细胞图像识别中的应用

目的：探讨径向基（RBF）人工神经网络在宫颈细胞图像识别中的应用。方法：提取宫颈细胞和细胞核的15个形态学特征参数及12个色度学特征参数，对700个宫颈细胞按正常、低度鳞状上皮内病变（LSIL）、高度鳞状上皮内病变（HSIL）、宫颈癌进行分类识别。利用软件STATISTICA7．0建立网络模型并训练，用VC＋＋．NET语言调用网络。结果：RBF网络对训练集的拟合度为97．3％，对测试集的分类准确率为95．4％。在测试集中，正常细胞的识别率为96％，LSIL细胞识别率为94％，HSIL细胞识别率为100％，癌细胞识别率为88％。RBF网络输入参数的敏感度排序与细胞病理学特征基本一致。结论：RBF人工神经网络可以很好的对宫颈细胞特别是HSIL细胞进行分类识别。