乙烯裂解炉机理模型在线预报系统的设计与实现

乙烯裂解炉裂解产物收率的在线预报对于指导乙烯生产具有十分重要的意义.本文基于Kumar分子反应动力学模型,针对某大型乙烯厂SL-Ⅱ型裂解炉建立了该炉辐射段的裂解数学模型;采用C#和MATLAB混合编程技术开发了1套乙烯裂解炉产物收率在线预报软件系统;针对长周期运行的情况加入了模型在线调整功能,以随机搜索方式调整1次反应选择性系数,使模型能够及时与当前原料性质匹配.现场运行效果表明,系统的实时性和准确性满足生产要求,平均预报时间在10秒左右,乙烯等主要产物收率的系统预报值与工厂化验值的误差约2%:同时,系统具有良好的实用性,操作简便且运行稳定.该系统基于规范化的软件系统框架实现了乙烯裂解机理模型的实时运行和在线预报,以间接方式获得主要裂解产物收率的实时数据,为进一步指导生产过程优化、提高经济效益奠定了基础.     

SL-Ⅱ型乙烯裂解炉机理建模及在线应用

乙烯裂解炉产物收率的在线预报对于指导生产操作具有重要意义.针对某大型乙烯厂SL-Ⅱ型裂解炉,本文采用分子反应动力学模型,通过估算石脑油混合物性数据、调整1次反应系数,建立了该型号裂解炉辐射段的稳态工艺数学模型.采集实际操作工况数据对所建模型进行了验证,模型计算结果与装置分析值误筹在2%以内,进而将该模型用于裂解产物收率的在线预报,结果表明与色谱仪分析值的趋势一致.本文将基于分子模型和调整算法的机理建模应用于SL-Ⅱ型裂解炉产物收率的在线预报,并进一步探索长期预报的可行性,对乙烯裂解生产操作具有指导意义.     

基于贝叶斯证据方法的裂解产物收率软测量模型

建立裂解产物收率的软测量模型对于乙烯裂解炉的生产具有重要的作用。采用支持向量回归方法可以建立较准确的乙烯裂解产品收率软测量模型,但是正则化参数等模型结构参数的选择对模型的精度仍然具有较大的影响。本文采用基于贝叶斯证据框架的支持向量回归方法,对正则化参数进行了迭代收敛计算,进而改进了乙烯裂解产品收率的软测量模型。在某工业乙烯裂解炉的生产数据上对产品收率进行了仿真验证,取得了良好的效果。     

钴湿法冶炼萃取过程中的组分含量软测量

提出了一种钴湿法冶炼萃取组分含量混合建模方法.该模型由基于物料衡算关系的动态机理模型与基于萃取平衡实验数据的RBF神经网络模型组成.机理模型作为描述过程动态行为的整体框架,RBF神经网络用来辨识机理模型中的未知函数关系.在上述混合模型的基础上,还提出了一种模型校正策略,进一步提高了模型的精确性.将所建立的混合模型应用于实际湿法冶炼生产过程中,结果表明该方法具有良好的估计性能.     

一种应用PSO优化RBF神经网络的方法

RBF神经网络算法是一种常用的数据训练方法,在该训练过程中,如何选取更合理的个体作为RBF神经网络的神经元,直接关系到该数据训练方法的性能.利用传统的RBF神经网络模型进行数据训练,由于不同的神经元之间的差异性较小,造成建立的RBF神经网络集成模型的精确度过低.为此,提出应用PSO优化RBF神经网络的方法.动态构造PSO优化RBF神经网络结构,针对不同的动态构造方法进行分类,得到网格删除法、网络构造法和综合法等不同的动态构造方法,在动态构造的基础上,建立引用PSO优化RBF神经网络模型,计算RBF神经网络中的粒子变量,获取对应的适应性值,得到RBF神经网络的输出结果,实现应用PSO优化的RBF神经网络建模.实验结果表明,利用改进算法进行RBF神经网络构建,能够降低RBF神经网络的数据训练误差,满足实际需求.     

改进麻雀搜索算法的RBF神经网络水质预测

针对污水处理过程中化学需氧量(chemical oxygen demand, COD)难以在线测量的问题,提出了一种基于径向基函数(radial basis function, RBF)神经网络的软测量模型.首先,用污水处理厂实测数据挑选出与COD相关的过程变量作为输入变量;其次,基于RBF神经网络建立出水COD软测量模型,利用自适应遗传算法改进的麻雀搜索算法(adaptive genetic algorithm improved sparrow search algorithm, AGAISSA)优化RBF神经网络的中心值、宽度值以及权值,通过改进麻雀位置更新公式以及引入遗传算法中的自适应交叉和变异操作保证了软测量模型的精度;最后,将RBF神经网络的软测量模型应用于污水处理厂实测数据加以验证,结果表明:AGAISSA优化RBF神经网络模型能够对出水COD进行准确的预测,具有较高的预测精度.     

基于生产计划模型制定乙烯原料优化方案

将乙烯原料优化与企业生产计划优化相结合,既能保证乙烯生产企业的原料供给,又有利于提升石化企业的整体经济效益,实现了炼化一体化的目标.本文通过建立裂解产物收率模型预测乙烯裂解过程产物收率,并将其与图形化石化工业模拟系统(GIOPIMS)相集成,替换原有模拟系统中乙烯热裂解收率的固定经验值,建立起了与乙烯原料优化相结合的生产计划模型,并通过求解得到了最佳的排产方案.实例表明,集成后的系统不仅能够准确给出乙烯原料优化方案,优化了原料选择和配置,提高了企业经济效益,同时使生产计划模型更加符合实际情况.得到的优化方案效果更好.     

乙烯裂解炉模拟优化系统(EPSOS)在工业装置上的应用

EPSOS是由兰州化工研究中心、兰州石化公司和清华大学合作开发的乙烯裂解模拟优化系统.该系统采用Kumar分子反应动力学模型,具有界面友好、可视化强和炉型组态灵活等特点,能够对乙烯裂解炉进行伞周期模拟及操作优化.EPsOs已经在兰州石化公司运行1年多,优化戍用结果表明,乙烯总平均产率比优化前提高了0.72%、三烯总收率提高0.55%.利用EPSOS系统能够较好的指导生产,对于提高乙烯生产装置的操作水平及经济效益具有重要意义.     

间歇制浆蒸煮终点预测方法

在分析常用蒸煮模型的基础上,提出了基于神经网络的制浆蒸煮过程建模方法,与BP神经网络相比,RBF神经网络具有最佳逼近能力、收敛速率快和不存在局部极小点等,因而选用了RBF神经网络作为建模工具。在决定RBF神经网络的输入和输出变量时,充分利用了现场可测量的物理量和制浆蒸煮过程知识、其输入变量比常用蒸煮模型增加了硫化度和木片合格率,其输出变量有用实际过程测量所需的终点H因子的对数,这样就减少了RBF神经网络的规模,提高了训练速度。对工厂的实际数据应用表明,该RBF神经网络模型的预测精度高于传统的Hatton模型。     

自组织决策树的联想记忆在线学习模型*

针对多源数据在线学习环境下的联想记忆建模问题,并综合考虑计算高效性、噪声鲁棒性等目标,提出基于自组织决策树的联想记忆在线学习模型.首先根据模式数据内在结构进行类内信息增强和噪声约简,然后基于信息熵增益的决策树算法对约简后数据进行子域划分,最后通过子域关系学习建模多源数据的联想关系.理论分析模型的学习稳定性.实验表明,文中模型在含噪数据在线分类学习和异联想建模问题上具有优良性能.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

基于GMM的多模态过程模态识别与过程监测

多模态复杂过程的多变量、多工序、变量时变性以及模态转换时间不确定等多种原因, 导致面向多模态生产过程的监测问题十分复杂. 对此, 基于高斯混合模型的监测方法, 结合定性知识和定量知识, 解决了多模态过程监测中离线数据模态划分、稳定模态和过渡模态的监测模型建立以及在线数据的模态识别等关键问题, 最终实现了对多模态过程的监测.     

A hybrid FAM‐CART model for online data classification

In this paper, an online soft computing model based on an integration between the fuzzy ARTMAP (FAM) neural network and the classification and regression tree (CART) for undertaking data classification problems is presented. Online FAM network is useful for conducting incremental learning with data samples, whereas the CART model prevails in depicting the knowledge learned explicitly in a tree structure. Capitalizing on their respective advantages, the hybrid FAM‐CART model is capable of learning incrementally while explaining its predictions with knowledge elicited from data samples. To evaluate the usefulness of FAM‐CART, 2 sets of benchmark experiments with a total of 12 problems are used in both offline and online learning modes. The results are examined and compared with those published in the literature. The experimental outcome positively indicates that the online FAM‐CART model is useful for tackling data classification tasks. In addition, a decision tree is produced to allow users in understanding the predictions, which is an important property of the hybrid FAM‐CART model in supporting decision‐making tasks.     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

一种基于滑动库的多模型在线建模方法

针对未知边界的复杂非线性系统,提出一种基于滑动库的多模型在线建模方法．该方法首先结合滑动库思想,利用系统输入输出数据在线确定输入空间的边界,使其不需要准确知道系统输入空间的边界,减小了对先验信息的依赖性;然后,基于模糊划分的方法对输入数据在线聚类;最后,基于最小二乘法建立局部模型,并根据数据对局部模型的参数进行更新．仿真结果表明了该方法处理未知边界非线性系统在线建模问题的有效性．     

基于SVR的桥梁健康监测系统缺失数据在线填补研究

针对桥梁健康监测系统所采集的实时数据具有不完备性,严重影响桥梁的安全评估,提出基于支持向量回归SVR(Support Vector Regression)算法的桥梁健康监测系统缺失数据实时在线预测方法.首先,分析实测数据具有时序、非线性和周期性等特点,利用变量的自相关和变量间的相关性重新构造支持向量回归模型的输入样本维数;在此基础上,根据样本在线更新的特点,采用序列最小优化算法对支持向量回归模型中的拉格朗日乘子进行实时更新,解决高精度在线填补的需求;最后,从实际问题出发,实现了支持向量回归模型的在线和离线自适应预测模式.通过对桥梁实测数据进行在线模式和离线模式预测对比,结果表明在线模式以样本更新的方式能够获得对将来值更高的预测精度.     

Online correction MPC strategy for spatially-distributed system based on PCA method

In this paper, the online correction model predictive control (MPC) strategy is presented for partial dif- ferential equation (PDE) unknown spatially-distributed systems (SDSs). The low-dimensional MIMO models are obtained using principal component analysis (PCA) method from the high-dimensional spatio-temporal data. Though the linear low- dimensional model is easy for control design, it is a linear approximation for nonlinear SDSs. Thus, the MPC strategy is proposed based on the online correction low-dimensional models, where the state at a previous time is used to correct the output of low-dimensional models and the spatial output is correct by the average deviation of the historical data. The simulations demonstrated show the accuracy and efficiency of the proposed methodologies.     

Evaluation using online support-vector-machines and fuzzy reasoning. Application to condition monitoring of speeds rolling process

A method for process condition monitoring and evaluation, which combines the online support vector machine (SVM) regression and the fuzzy sets methods, is proposed. To account for the time dependence, the proposed approach is based on moving windows in order to take into account the past and new data for the model’s adaptation. The fuzzy analysis is then applied to the generated residual data to give an evaluation of the condition monitoring. The proposed approach is applied to hot rolling for constructing a complementary condition monitoring system, which permits an online quality evaluation in the rolling process. Simulation results based on residual data show that the new approach is easily implementable.