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(yōu)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(yōu)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(fā)生的、穩(wěn)健的優(yōu)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(yōu)的群體，同時以全局并行搜索方式來搜索優(yōu)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(tǒng)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(yè)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(tǒng)讀數的數據轉換成能夠讀取利用的數據；第三步是選取穩(wěn)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。
