基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义，为提高间歇过程生产安全性，提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题，采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重，提高了PSO的参数寻优能力。由于间歇过程具有多阶段性，因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分，再利用Pearson相关系数对各阶段实验数据进行相关性分析，以降低系统变量的维数，并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例，建立基于AMWPSO-LSTM 的多阶段故障预测模型，并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较，结果表明，基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

基于AMWPSO-LSTM的多阶段间歇过程故障预测

过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM。针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优。AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了PSO的参数寻优能力。由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T²统计量控制限作为系统是否发生故障的指标。实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM 的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度。     

林分密度对兴安落叶松径向生长-气候关系的影响

【目的】研究不同密度下兴安落叶松径向生长与气候因子动态关系,为全球变暖背景下兴安落叶松林可持续经营中合理的林分密度确定提供依据。【方法】根据林分密度指数(SDI)选取大兴安岭中北部地区低、中和高3种林分密度梯度兴安落叶松(Larix gmelinii)纯林为研究对象,采用Mann-Kendall检验确定研究区气温突变点,基于野外调查和树轮数据,分析气温突变点后各林分密度下兴安落叶松径向生长趋势,并利用皮尔森相关和滑动相关分析其与各气候因子的关系及稳定性。【结果】在气温突变点后,研究区域兴安落叶松生长出现增强和衰退趋势,且随着林分密度增加,树木生长衰退比例增高。高林分密度下兴安落叶松生长受抑制程度最高,1988—1990年平均生长变化率为-25%,处于衰退状态。林分密度改变了兴安落叶松生长对气候的响应关系,高密度下衰退组树木生长与8月标准化降水蒸散指数(SPEI)正相关关系最强(P<0.05),与夏季温度呈稳定的显著负相关关系(P<0.05)。研究区气候呈现明显暖干化趋势,而低林分密度兴安落叶松保持54%的生长增强比例,树木与温度由低密度下的正相关关系向高密度的负相关关系转变...