Resumen

La predicción exacta de la altura de flotación es muy necesaria para el control preciso del proceso del horno de flotación por aire, evitando así el rayado y mejorando la calidad de la producción. En este trabajo se desarrolla un modelo híbrido de predicción de la altura de flotación. En primer lugar, se introduce un modelo de mecanismo simplificado para capturar el comportamiento dinámico principal del proceso. A continuación, para compensar los errores de modelado existentes entre el sistema real y el modelo de mecanismo, se propone un modelo de compensación de errores basado en el método de ensemble selectivo propuesto para aumentar la precisión de la predicción. En el marco del método de ensamblaje selectivo, el aprendizaje de correlación negativa y el algoritmo genético se imponen en el método de ensamblaje para promover la propiedad de cooperación entre los aprendices basados. Como resultado, se puede seleccionar un subconjunto de aprendices base del ensemble de ensacado original para componer un ensemble de ensacado selectivo que puede superar al original en precisión de predicción con un tamaño de ensemble compacto. Los resultados de la simulación indican que el modelo híbrido propuesto tiene un mejor rendimiento de predicción en altura de flotación que el rendimiento de otros algoritmos.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:método de ensemble de embolsado selectivo, altura de flotación, precisión de la predicción, proceso de flotación en horno de aire, modelo híbrido de predicción de la altura de flotación, mejor rendimiento de la predicción, tamaño compacto del ensemble, modelo de compensación de errores, comportamiento dinámico principal, aprendizaje por correlación negativa
• Keywords:selective bagging ensemble method, flotation height, prediction accuracy, air flotation oven process, hybrid flotation height prediction model, better prediction performance, compact ensemble size, error compensation model, main dynamic behavior, negative correlation learning