{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期-部件”：[[2024,8,8]]，“日期-时间”：“2024-08-08T05:14:23Z”，“时间戳”：1723094063708}，“引用-计数”：50，“发布者”：“MDPI AG”，“问题”：“17”，“许可证”：[{“开始”：{-date-parts“：[[2020,9,3]]，”日期-时间“：”2020-09-03T00:00:00Z“，“时间戳”：1599091200000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“DOI”：“10.13039\/501100001809”，“name”：“中国自然科学基金会”，“DOI-asserted-by”：“publisher”，“award”：[“61963009”]，“id”：[}“id”:“10.13029\/501000001808”，“id-type”：“DOI“，”断言者“：”发布者“}]}，{”名称“：“中国铝业公司科技发展基金”，“奖项”：[“2016KJZX02”]}]，“内容域”：{“域”：[]，“交叉标记限制”：false}，“短容器标签”：[”传感器“]，“摘要”：“在现代工业过程的故障诊断和健康安全运行评价过程中，测量由于经济、技术、环境和空间的限制而无法直接检测到的重要状态变量至关重要。因此，本文提出了一种基于改进遗传算法优化的回波状态网络（ESN）的数据驱动软测量方法。首先，利用ESN，建立了次要变量和主要变量之间的数据驱动模型（DDM）。其次，为了提高预测性能，利用IGA优化ESN的参数。然后，引入迁移策略，自适应改变交叉和变异算子，提高算法的收敛速度，解决算法陷入局部最优的问题。最后，建立了由IGA优化的ESN软测量模型（IGA-ESN），并通过铝电解槽氧化铝浓度的估算验证了该方法的优点和性能。实验结果表明，该方法是有效的，与传统算法相比，误差显著降低<\/jats:p>“，”DOI“：”10.3390\/s20175000“，”type“：”journal-article“，”created“：{”date-parts“：[[2020,9,3]]，”date-time“：”2020-09-03T12:40:26Z“，”timestamp“：1599136826000}，”page“：“”卷：“20”，“作者”：[{“给定”：“若余”，“家族”：“黄”，“序列”：“第一”，“隶属关系”：[}“名称”：“贵州大学电气工程学院，贵阳550025，中国”}，{“姓名”：“贵阳铝镁设计研究院有限公司，贵阳55081，中国”{]}affiliation“：[{”name“：”贵州大学电气工程学院，中国贵阳550025“}]}，{”given“：”Bin“，”family“：”Cao“，”sequence“：”additional“，”affiliance“：“中铝智能技术发展有限公司，中国杭州311199”}]}]，“成员”：“1968”，“在线发布”：{“date-parts”：[[2020,9,3]]}、“引用”：[}“key”：“ref_1“，“doi-asserted-by”：“crossref”，“first page”：“8”，“doi”：“10.1016\/j.eswa.2016.06.028”，“article-title”：“使用最优神经网络对生物废水处理厂中的工厂废水浓度进行软测量”，“volume”：”63“，“author”：“Baratti”，“year”：“2016”，“journal-title“：”专家系统。申请。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first page“：“159651”，”doi“：”10.1109\/ACCESS.2019.2950661“，”article-title“：”基于深度学习的知识和数据驱动软传感器，用于预测空气预热器转子的变形“，”volume“：doi-asserted-by“：”crossref“，”unstructured“：”Zhang，Y.，Yang，X.，Shardt，Y.A.W.，Cui，J.R.，and Tong，C.N.（2018）。一种基于KPI的具有最大确定系数策略的概率软测量开发方法。传感器，18.“，”DOI“：”10.3390\/s18093058“}，{“key”：“ref_4”，“DOI-asserted-by”：“crossref”，“first-page”：“24441”，“DOI”：“10.3390\/s14122441”、“article-title”：“软传感器和多速率控制在无线网络控制系统实现中的优势”，“volume”：”14“，”author“：”Mansano“，”“year”：“2014”，“journal-title“：”Sensors“}”，{”key“：“”ref_5”，“doi断言者”：“crossref”，“第一页”：“54”，“doi”：“10.1007\/s40313-018-00426-x”，“文章标题”：“使用神经网络监测多变量非线性过程的软传感器”，“卷”：“30”，“作者”：“Monteiro”，“年份”：“2018”，“期刊标题”：“J.Control。自动。选举人。系统。“}，{”key“：”ref_6“，”doi-asserted-by“：”crossref“，”unstructured“：”Yang，X.，Zhangdoi-asserted-by“：”crossref“，”first page“：”795“，”doi“：”10.1016\/j.compchemeng.2008.12.012“，”article-title“：”过程工业中的数据驱动软传感器“，”volume“：“33”，”author“：”Kadlec“，”year“：”2009“，”journal-title”：“Compute”。化学。Eng.“}，{”key“：”ref_8“，”doi-asserted-by“：”crossref“，”first page“：“282”，”doi“：”10.1002\/apj.1874“，”article-title“：”基于改进过程状态划分的监督集成学习的非线性和时变过程软传感器开发“，”volume“：ref_9”，“doi断言者”：“crossref”，“首页”：“55628”，“doi”：“10.1109\/ACCESS.2018.272752”，“文章标题”：“基于选择性集成学习的多输出工业过程自适应软传感器开发”，“卷”：“6”，“作者”：“Shao”，“年份”：“2018”，“期刊标题”：“IEEE ACCESS”}，{“key”：“ref_10”，“非结构化”：“M.J.Grimble和M.A.Johnson（2007年）。工业应用中的软传感器。工业过程监控软传感器，Springer。“}，{”key“：”ref_11“，”doi-asserted-by“：”crossref“，”first page“：“167”，”doi“：”10.1016\/j.chemolab.2015.08.014“，”article-title“：”基于加权概率主成分分析的软测量建模非线性特征提取“，”volume“：“”crossref“，”first page“：”2077“，”DOI“：”10.1007 \/s11663-018-1254-3“，”article-title“：”使用动态核PCA基于单个阳极电流测量的Hall-H\u00e9roult电解槽故障检测与诊断“，”volume“：“49”，”author“：”Yao“，”year“：”2018“，”journal-title”：“Metall”。马特。事务处理。B“}，{”key“：”ref_13“，”doi-asserted-by“：”crossref“，”first page“：“55”，”doi“：”10.1016\/j.chemolab.2004.05.001“，”article-title“：”基于KPCA的非线性过程的故障检测和识别“，”volume“：crossref“，”非结构化“：”Shao，W.和Tian，X.M.（2012年1月6日\u20138）。一种基于集成PCA的软测量方法。第十届世界智能控制与自动化大会论文集，中国北京。“，”DOI“：”10.1109\/WCICA.2012.6359194“}，{”key“：”ref_15“，”DOI-asserted-by“：”crossref“，”first page“：“1”，“DOI”：“10.1109\/TIM.2017.2658158”，“article-title”：“基于加权概率投影回归的非线性工业过程软测量建模”，“volume”：“66”，“author”：“Yuan”，“year”：“2017”，“journal-title“：”IEEE传输。仪器。测量。“}，{”key“：”ref_16“，”doi-asserted-by“：”crossref“，”first page“：支持向量机：过程工程应用的有用工具”，“volume”：“99”，“author”：“Agrawal”，“year”：“2003”，“journal-title”：“Chem”。工程进度。“}，{”key“：”ref_18“，”doi-asserted-by“：”crossref“，”first page“：“1134”，”doi“：”10.1109\/TIE.2011.2159693“，”article-title“：”使用支持向量机建模高炉炉缸热状态变化“，”volume“：，“首页“：”1“，”DOI“：”10.1155\/2012\/949654“，”article-title“：”改进最小二乘支持向量机的解及其在高炉系统中的应用“，”volume“：”2012“，”author“：”Jian“，”year“：”2012\，”journal-title”：“J.Appl。数学。“}，{”key“：”ref_20“，”doi-asserted-by“：”crossref“，”first-page“：”1489“，”doi“：”10.1016\/j.compchemeng.2003.11.004“，”article-title“：”基于支持向量机和贝叶斯模型选择的软测量建模“，”volume“：交叉参考“，”首页“：”16676“，”DOI“：”10.1021\/acs.iecr.9b00701“，”article-title“：”使用高斯过程回归的动态非线性偏最小二乘建模“，”volume“：”58“，”author“：”Liu“，”year“：”2019“，”journal-title”：“Ind.Eng.Chem。研究“}，{”key“：”ref_22“，”doi-asserted-by“：”crossref“，”first page“：“389”，”doi“：”10.1016\/j.neucom.2015.03.028“，”article-title“：”基于核PLS的预测模型构建与理论案例模拟“，”volume“：首页“：”142”，“DOI”：“10.1016\/j.microrel.2017.06.045”，“article-title”：“航天器锂离子电池数据驱动混合剩余寿命估算方法”，“体积”：“75”，“作者”：“宋”，“年份”：“2017”，“期刊标题”：“微电子”。Reliab公司。“}，{”key“：”ref_24“，”first-pagel“：”1“，”article-title“：”预测锂离子电池未来容量和剩余使用寿命的不确定性量化数据驱动方法“，”volume“：“99”“，”author“：”Liu“，”year“：”2020“，”journal-title”：“IEEE Trans.Ind.Electron.”}，“{”密钥“：”ref_25“，”doi-asserted-by“：”crossref“，”首页“：”179“DOI“：”10.1002 \/aic.11964“，”article-title“：”控制回路缺失数据诊断的贝叶斯方法“，”volume“：”56“，”author“：”Qi“，”year“：”2010“，”journal-title”：“AIChE J.”}，{“key”：“ref_26”，“first-pages”：“2645”，“article-title”“：”使用样本熵和稀疏贝叶斯预测模型对电动汽车的电池健康预测”，“卷：“63”，“作者”：“胡”，“年份”：“2015”，“新闻标题”：“IEEE Trans”。Ind.Electron公司。“}，{”key“：”ref_27“，”doi-asserted-by“：”crossref“，”first page“：“7171”，”doi“：”10.1109\/TIE.2017.2688970“，”article-title“：”Bayesian Learning for Dynamic Feature Extraction with Applications in Soft Sensing“，”volume“：首页“：”4126”，“DOI”：“10.1002”，“aic.14937”，“article-title”：“从海量过程数据中基于概率慢特征分析的表征学习用于软测量建模”，“volume”：“61”，“author”：“Shang”，“year”：“2015”，“journal-title“：”AIChE J.“}，{“key”：”ref_29“，”DOI-asserted-by“：”crossref“，”first page“：”17406“，”DOI“：”10.1021\/acs.iecr.9b03119“，“”article-title“：“采用慢特征分析的不完全数据工业连续催化重整过程实时半监督预测建模策略”，“卷”：“58”，“作者”：“江”，“年份”：“2019年”，“期刊标题”：“工业工程化学”。研究“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”first page“：非结构化”：“Zhang，S.、Zhang、T.、Yin，Y.和Xiao，W.（2017）。基于内核极限学习机的氧化铝浓度检测。传感器，17.“，”DOI“：”10.3390\/s17092002“}，{“key”：“ref_32”，“DOI-asserted-by”：“crossref”，“首页”：“43”，“DOI”：“10.1016\/j.compchemeng.2008.05.019”，“article-title”：“基于人工神经网络的工业聚合过程实时过程监测和控制软传感器”，“volume”：计算。化学。工程“}，{”key“：”ref_33“，”doi-asserted-by“：”crossref“，”first page“：“379”，”doi“：”10.1016\/0098-1354（92）80055-E“，“article-title”：“使用神经网络的非线性PLS建模”，“volume”：“16”，“author”：“秦”，“year”：“1992”，“journal-title“：”Compute.Chem.Eng.，“首页”：“16092”，“doi”：“10.1021\/ie3005379”，“article-title“：“非线性PLS与基于误差的LSSVM集成及其在NOx建模中的应用”，“卷”：“51”，“作者”：“Lv”，“年份”：“2012”，“期刊标题”：“工业工程化学”。Res.“}，{”key“：”ref_35“，”doi-asserted-by“：”crossref“，”unstructured“：”Liu，X.，Jin，X.Z.，Ding，X.D.，and Zhang，S.K.（2017年1月17日\u201318）。基于数据驱动和SF-KPCA的多分辨率LSSVM NOx排放预测模型。第二届机电、控制和自动化工程国际会议论文集（MCAE 2017）中国深圳。“，”DOI“：”10.12783\/detr\/mcae2017\/15966“｝，｛”key“：”ref_36“，”非结构化“：”Jaeger，H.（2001）。\u2018Echo State\u2019分析和训练递归神经网络的方法，德国国家信息技术研究中心。GMD Report 148.“｝，｛”key“：”ref_37“，”DOI断言“：”crossref“，”首页“：”78“，”DOI“：”10.1126\/science.1091277“，”article-title“：”利用非线性：预测混沌系统并在无线通信中节能“，”volume“：”304“，”author“：”Jaeger“，”year“：”2004“，”journal-title”：“science”}，{“key”：“ref_38”，”doi-asserted-by“：”crossref“，”first page“：“3520”，”doi“：”10.1109\/TWC.2017.2683482“，”article-title“：”Echo State Networks for Proactive Caching in Cloud-Based Radio Access Networks With Mobile Users》，“卷”：“16”，“作者”：“陈”，“年份”：“2017年”，“期刊标题”：“IEEE Trans。Wirel公司。Commun公司。“}，{”key“：”ref_39“，”doi-asserted-by“：”crossref“，”first-page“：”138364“，”doi“：”10.1109\/ACCESS.2019.2943026“，”article-title“：”使用变模分解和多水库回声状态网络的网络流量预测“，”volume“：“7”，”author“：”Han“，“year”：“2019”，”journal-title”：“IEEE ACCESS”}，”{“key”：“ref_40”，“doi-assert-by”：“crossref”，“首页”：“478”，“DOI”：“10.1016\/j.neucom.2015.08.004”，“文章标题”：“基于回声状态网络的办公楼能耗预测”，“卷”：“216”，“作者”：“史”，“年份”：“2016”，“期刊标题”：“神经计算”}，{“键”：“ref_41”，“DOI断言”：“crossref”，“非结构化”：“Tian，Z.和Shi，T.（2015年1月11日）基于改进遗传算法优化回波状态网络的时延预测方法。2015年中国智能系统大会论文集，中国扬州。“，”DOI“：”10.1007\/978-3662-48365-7_22“}，{“key”：”ref_42“，”DOI-asserted-by“：”crossref“，”first page“：”33“，“DOI”：”10.1016\/j.neunet.2018.08.002“，”article-title“：”deep echo state nets“设计”，“volume”：“108”，“author”：“Claudio”，“year”：“2018”，“journal-title”：“Neural Netw.”}，“{”key“：“ref_43”，“DOI-asserted-by”：“crossref”，“first page”：“879”，“DOI”：“10.1016\/j.renene.2018.07.060“，“article-title”：“利用具有非线性函数的回波状态网络进行风速和风向预测”，“volume”：“131”，“author”：“Amin”，“year”：“2019”，“journal-title“：“Renew”。Energy“}，{”key“：”ref_44“，”doi-asserted-by“：”crossref“，”first page“：“319”，”doi“：”10.1016\/j.neucom.2018.12.033“，”article-title“：”基于回声状态网络的办公楼房间分类方法“，”volume“：页面“：”81“，”DOI“：”10.1016\/j.ast.2016.02.024“，”article-title“：”基于神经网络和遗传算法的多级压缩机定子叶片设置的数值优化“，”volume“：”52“，”author“：”Li“，”year“：”2016“，”journal-title”：“Aerosp。科学。Technol公司。“}，{”key“：”ref_46“，”doi-asserted-by“：”crossref“，”first-page“：”395“，”doi“：”10.4236\/am.2017.83032“，”article-title“：”通过遗传算法在多目标优化中生成Epsilon高效解“，”volume“：“首页”：“805”，“DOI“：”10.1016\/j.appletheraleng.2014.08.040“，”article-title“：”采用双相粒子数平衡模型对氧化铝在铝电解槽中溶解过程的CFD模拟“，”volume“：”73“，”author“：”Zhan“，”year“：”2014“，”journal-title”：“Appl。热量。Eng.“}，{“key”：“ref_48”，“doi asserted by”：“crossref”，“首页”：“2457”，“doi”：“10.1016\/j.com.pchemeng.2011.03.001”，“文章标题”：“铝冶炼过程的多元统计监测”，“卷”：“35”，“作者”：“Majid”，“年份”：“2011”，“期刊标题”：“Comput.Chem.Eng.”}，{“key”：“ref_49”，“首页”：“112”，“文章标题”：“基于C2分段有理三次样条插值的EMD改进包络算法用于EMI信号分解”，“体积”：“335”，“作者”：“李”，“年份”：“2018”，“期刊标题”：“应用。数学。计算。“}，{”key“：”ref_50“，”doi-asserted-by“：”crossref“，”first-pages“：”2806“，”doi“：”10.1002\/aic.15656“，”article-title“：”使用多级状态观测器估计铝还原槽中的空间氧化铝浓度“，”volume“：“63”，”author“：”Yao“，”year“：”2017“，”journal-titlelanguage“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com//1424-8220\/20\/17\/5000\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,7,2]，”date-time“：“2024-07-02T22:44:41Z”，“timestamp”：1719960281000}，“score”：1，“resource”：{“primary”：{”URL“：”https:\/\/www.mdpi.com\/1424-8220\/20\/17\/5000“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[[2020,9,3]]}，“引用计数”：50，“日志发布”：{“发布”：“17”，“发布在线”：{“日期部分”：[2020,9]}}、“替代id”：[“s2017500”]，“URL”：“http://\/d x.doi.org \/10.3390 \/s20175000“，”关系“：{}，”ISSN“：[”1424-8220“]，”ISSN-type“：[{”value“：“1424-8220”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[[2020,9,3]]}}