1.遺傳算法

遺傳算法是借鑒生物自然選擇和遺傳機制的隨機搜尋優算法，其之所以能夠增強解決問題的能力，是因為其自然演化過程就是一個學習與優化的過程，其核心思想是生物進化過程，本身是一個自然的，并行發生的、穩健的優化過程。

遺傳算法對于一個復雜的問題，將問題域中的可能解看做是群體的個體或染色體，并將每一個個體編碼成符號串形式，根據預定的目標適應度函數對每個可能解進行評價，來確定搜索方向；借用生物遺傳學的觀點和基本術語：基因、個體、群體、適應度、編碼、解碼等，通過對群體反復進行選擇、交叉、變異等遺傳學操作，不斷得到更優的群體，同時以全局并行搜索方式來搜索優化群體中的個體，得到滿足要求的解。

2.參數辨識

辨識就是在輸入和輸出數據的基礎上，從一組給定的模型中，確定一個與所測系統等價的模型，實質就是從一組模型類中選擇 一個模型，按照某種準則，使之能地擬合所關心的實際過程。以離心壓縮機參數辨識的數據預處理一般包括數據校正、數據集成和數據歸約。

數據校正主要是處理空缺值，平滑噪聲數據，識別，刪除孤立點。其方法有空缺值處理和誤差處理。

數據集成是將眾多數據源中的數據進行合并處理，解決語義模糊性并整合成一致的數據進行存儲，一是模式集成，將小同信息源中實體匹配來進行模式集成；通常借助數據庫的數據進行模式識別；二是冗余數據集成往往導致數據冗余；三是數據量綱的沖突，由于工業工程中出現的工程單位不同或數值上相差幾個數量級的測量數據，需要選擇適當的因子進行標度，可以有效地改善建模的效果。

數據歸約技術可以用來得到數據集的歸約表示，與非歸約數據比較，接近于保持原數據的完整性，其處理數據所需的時間和內存資源更少，并產生相同或者幾乎相同的分析結果。

過程數據的預處理主要分為三個步驟：第一步是將排除壓縮機啟動和停機等非正常數據；第二步是將DCS系統讀數的數據轉換成能夠讀取利用的數據；第三步是選取穩定的工況數據。在這些數據中，有很多信息重復的地方，需要進一步的選取。流量要覆蓋所有工況的測點，尤其極端工況，要特別注意流量選擇時，要取相同數目的流量值，保證流量范圍的平均性，避免參數辨識時產生的數據偏重。