化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题,利用基于支持向量机技术的软测量建模方法,建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集,并根据预估精度决策在线优化和模型更新,提高工业软测量模型的在线估计精度。研究结果表明,基于滑动时间窗的LS SVM软测量建模方法,是一种有效的软测量建模方法。     

基于支持向量机的软测量建模方法的应用

利用基于最小二乘支持向量机(LS-SVM)的软测量建模方法,通过工业现场数据来对丁二烯精馏装置建立软测量模型.对于该软测量模型,支持向量机方法比BP神经网络方法具有更好的泛化能力.研究结果表明,基于最小二乘的支持向量机建模方法是一种有效的软测量建模方法.     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

动态软测量建模方法初探

经过十几年的发展,软测量技术无论是在理论研究还是在实际应用中均取得了较大成功,然而至今为止的大部分研究都是针对静态软测量模型.分析了静态软测量模型与动态软测量模型之间的区别和联系,利用冲激响应模型给出了一个基于最小二乘方法的动态软测量建模方法,并在该方法的基础上给出了一种改进.仿真例子验证了该方法及其改进的有效性.     

基于改进BP神经元网络的软测量技术

针对基本ＢＰ神经元网络建立软测量模型所存在的几个问题：例如基本ＢＰ算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进ＢＰ神经网络软测量建模方法，以提高软测量模型的训练速度和外推能力，为软测量技术的在线应用提供更大的方便。实验结果表明：该改进ＢＰ神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

先进控制技术及应用第三讲软测量技术及其应用

采用计算技术,构建合适的模型,用来推断估计不可在线测量的变量,已成为先进控制策略的重要内容。本文介绍软测量建模方法、软测量工程化设计及实施和软测量模型的自校正与维护。     

基于改进BP神经元网络的软测量技术

针对基本BP神经元网络建立软测量模型所存在的几个问题：例如基本BP算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进BP神经网络软测量建模方法,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明：该改进BP神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

混炼粘度的软测量技术

本文提出通过确定胶料混炼过程参数来预测混炼胶粘度质量指标（门尼粘度）的三种软测量的方法，通过主元分析法，确定混炼胶质量指标（门尼粘度）的软测量的辅助变量，并且比较了它们的软测量数据，指出基于神经网络的软测量技术优于其它两种软测量方法。     

误差校正新方法在重整装置芳烃收率在线软测量中的应用

针对软测量建模中含有误差会极大影响模型精度问题,提出一种将数据误差校正、模型参数校正和模型结构校正技术相结合的软测量误差三重校正方法.该方法可以有效地处理测量数据的过失误差和随机误差,从而提高软测量精度,并且该方法直接面向数据,实现方便.应用该方法对某芳烃厂的连续重整装置的芳烃收率软测量进行误差校正,取得了很好的效果.     

软测量技术在化工生产中的应用

介绍了软测量的概念以及软测量技术的主要内容。结合生产运用实例,详细介绍了软测量辅助变量的选择,软测量数学模型的建立以及修正。     

基于工业色谱仪的精馏脱炔烃塔软测量建模

提出一种基于工业色谱仪的软测量建模方法,并针对碳五馏分分离过程中的精馏脱炔烃塔塔底成分估计问题,建立了合适的工业软测量模型。介绍了工业色谱仪在线质量检测原理和LM-BP神经网络模型的建立,并利用工业色谱仪在线检测的质量数据进行系统的在线和周期性模型更新,提高了软测量模型的在线估计精度。研究结果表明,基于工业色谱仪的LM-BP神经网络模型是一种有效的软测量建模方法。     

青霉素发酵过程软测量技术及其在JX-300X DCS上的实施

介绍基于小波神经网络的青霉素发酵过程软测量技术，以及利用OPC技术在SUPCON JX-300X DCS上的实施软测量的具体方案。     

基于模糊规则的多模型固相质量流量软测量

针对静电传感器无法给出颗粒质量流量绝对值以及多相流流动形态和结构变化影响传感器输出等问题，提出了一种基于分解合成的多模型加权平均的固相质量流量非线性软测量模型。在高压密相气力输送系统上，通过静电传感器获得大量试验数据，提取信号特征，利用模糊聚类算法将输入数据进行空间分区, 每一区间上用径向基函数（RBF）神经网络辨识出一个子模型, 再利用模糊推理将各子模型输出加权求和得到颗粒质量流量的估计值。该模型减小了流型对测量结果的影响，提高了测量精度。     

Dynamic soft sensor development based on Gaussian mixture regression for fermentation processes

The dynamic soft sensor based on a single Gaussian process regression (GPR) model has been developed in fermentation processes.However,limitations of single regression models,for multiphase/multimode fermentation processes,may result in large prediction errors and complexity of the soft sensor.Therefore,a dynamic soft sensor based on Gaussian mixture regression (GMR) was proposed to overcome the problems.Two structure parameters,the number of Gaussian components and the order of the model,are crucial to the soft sensor model.To achieve a simple and effective soft sensor,an iterative strategy was proposed to optimize the two structure parameters synchronously.For the aim of comparisons,the proposed dynamic GMR soft sensor and the existing dynamic GPR soft sensor were both investigated to estimate biomass concentration in a Penicillin simulation process and an industrial Erythromycin fermentation process.Results show that the proposed dynamic GMR soft sensor has higher prediction accuracy and is more suitable for dynamic multiphase/multimode fermentation processes.     

基于核慢特征回归与互信息的常压塔软测量建模

针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。     

一种黑液波美度的在线软测量方法及实现

针对黑液波美度直接在线检测仪表价格昂贵的现状,采用软测量技术,通过在线检测差压和温度来间接换算出波美度。详细阐述波美度的软测量模型,给出模型参数的辨识方法和模型修正方法,介绍波美度软测量仪表的西门子PLC实现。     

Semisupervised Bayesian method for soft sensor modeling with unlabeled data samples

Most traditional soft sensors are built upon the labeled dataset that contains equal numbers of input and output data samples. However, the output variables that correspond to quality variables and other important controlled variables are always difficult to obtain in chemical processes. Therefore, we may only obtain the output data for a small portion of the whole dataset and have much more input data samples. In this article, a semisupervised method is proposed for soft sensor modeling, which can successfully incorporate the unlabeled data information. To determine the effective dimensionality of the latent space, the Bayesian regularization method is introduced into the semisupervised model structure. Two industrial application case studies are provided to evaluate the feasibility and efficiency of the newly developed probabilistic soft sensor. © 2010 American Institute of Chemical Engineers AIChE J, 2011     

针对原油性质变化的常减压先进控制研究与应用

针对原油性质变化对常减压装置操作造成的巨大困难,提出了一种稳定原油性质和引入原油性质参数到软测量和控制模型的先进控制综合解决方案。一方面,对待混炼的多种原油进行调度和掺炼比优化,使实际进入常减压装置进行炼制的调合原油性质相对稳定,装置操作参数变化较小,减少工作点大幅变化过程中所产生的波动。另一方面,针对仍然存在的原油性质小幅度变化,在软测量和预测控制建模中引入反映原油性质的馏程参数,克服原油性质变化所引起的扰动。现场实际装置的应用结果说明了此综合方案的有效性。     

发酵过程酵母浓度的软测量

针时发酵过程酵母浓度的测量,提出一种基于支持向量机的软测量建模方法。仿真证明,该方法比典型的RBF神经网络软测量有着明显的优势,时于实现发酵过程自动控制和优化运行有着重大的意义。