基于图卷积网络的柴油加氢生产软测量建模

精制柴油闪点和石脑油终馏点是柴油加氢生产最重要的质量指标，但目前缺乏测量这两种指标的在线分析仪表，软测量是可行的替代方案。为完成这两种指标的软测量建模，分析柴油加氢生产过程的工艺机理和过程数据特征，完成了辅助变量的重构和筛选，确定了两个软测量对象的辅助变量集，基于图卷积网络建立闪点和终馏点的软测量模型进行仿真研究。仿真研究结果表明：相比于目前应用广泛的软测量模型，所提出的软测量方法具有更高的精度，可以提升柴油加氢生产软测量建模的有效性和准确性。     

ZJNL-1型柴油凝固点、冷滤点在线分析仪在炼油装置中的应用

中国石化股份有限公司沧州分公司将ZJNL-1型柴油凝固点、冷滤点双功能同期在线分析仪应用于常三线柴油、焦化柴油及加氢精制柴油凝固点、冷滤点的在线监测。该在线分析仪表具有技术可靠、重复精度高、再现性好、全程线性好、分析速度快等特点,用于炼油装置中,可提供及时、准确的凝点、冷滤点的实时质量数据,使柴油的卡边操作得以实现,增加了经济效益。     

差分进化在基于非线性规划的多项式PLS中的应用

从应用的角度提出一种基于带约束非线性规划的多项式偏最小二乘算法(QPLS),利用差分进化算法(DE)计算最优输入权值和内部关系式的最优参数.在对常压塔常三线柴油凝点的软测量模型应用结果表明,该算法与基于传统优化算法进行参数优化的多项式QPLS相比,模型拟合精度高,且对初值的依赖性小,并具有良好的预报能力.     

多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。     

DMS中人工神经网络的在线训练法

基于ANN(artificialneuralnetwork)的分馏塔侧线质量指标动态在线检测系统 ,简称DMS (dynamicon -linemonitoringsystem) ,成功地应用于炼油厂粗汽油干点、柴油凝点、Reid蒸汽压、闪点、冰点等的实时、在线、动态检测 ,达到很高的预测精度 ,极大地改善了分馏塔的控制性能 ,实现了分馏塔的操作优化 .本文提出一种新的网络训练方法———在线训练法 ,提高了在线检测系统的预测精度 .实际应用表明 ,这种方法可以有效克服人工神经网络离线训练的不足 ,提高动态在线检测系统的可靠性 ,并且省时省力     

Petro-SIM模拟柴油凝点控制

介绍了中国石化济南炼化公司常减压装置在调整生产0#柴油时柴油凝点卡边控制遇到的困难,运用Petro-SIM软件对生产进行模拟,研究了原油油品性质及常压各操作参数对常三线柴油凝点的影响,结果表明:因受0#柴油95%馏出温度、中段取热量、汽油干点等参数的制约,在现有混输原油性质条件下难以实现常三线0#柴油凝点的卡边操作。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...     

T-1840柴油降凝剂的应用

研究了 T-1 840降凝剂对常三线柴油 ,催化轻柴和加氢柴油的降凝效果 ,发现 T-1 840降凝剂能较好地降低柴油的凝固点 ,但不能降低其冷凝点 ,对催化轻柴的降凝效果最好。用 T-1 840能使三者的调和油达到 0号和 -1 0号柴油的国际标准。     

应用多神经网络建立动态软测量模型

引　言由于神经网络具有强大的逼近非线性函数的能力 ,因此用神经网络来建立软测量模型是目前被广泛采用的一种方法 .应用最多的是多层前向传播网络 (MFNN)和径向基函数网络 (RBF) .这些网络是静态网络 ,建模所需样本是与时间无关的离散数据 ,这样获得的模型称为软测量静态模型     

常压塔产品质量在线估计的非线性主元分析方法

提出一种新的软测量方法,通过建立过程变量非线性主元得分与产品质量参数之间的三层前向神经网络模型,得到产品质量参数的预测值。实际应用表明,该方法比常规的线性主元分析方法和神经网络方法具有更好的预测性能。     

Soft sensor modeling method based on hybrid model of nearest neighbor and neural network

Soft-sensing modeling can effectively solve the problems of large measurement lag, high price, and complex maintenance of online analytical instruments in the production process. At present, neural network based on data-driven is one of the main tools of soft sensor. In the process of modeling data collection, the collection of dominant variables is much more difficult than that of auxiliary variables, resulting in a large amount of unlabeled data. However, traditional soft sensor modeling methods ignore these unlabeled data and only use a small amount of labeled data for modeling, which has negative effect on the prediction accuracy of the model. To solve the problem of label missing, the nearest neighbor algorithm is used to pseudo label the unlabeled data. At the same time, a network structure is designed by combining convolution operation and gated recurrent unit neural network (GRU) to further utilize the unlabeled data, extract the dynamic feature from data at different time, and improve the prediction accuracy of the neural network. Finally, the method is applied to the prediction of propane concentration on the top of propylene distillation column. The results show that the model can solve the problem of label missing in the nonlinear dynamic system and has higher prediction accuracy.     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

人工神经网络软测量仪表延迟时间处理及动态特性研究

采用BP和RBF网络,开发了人工神经网络软测量仪表软件,实现了不可测变量的在线观测。讨论并解决了延迟时间的确定与处理、动态特性的拟合等主要难点问题。利用三层BP网络辨识出非线性对象的延迟时间;采用将输出量引入到多层静态神经网络的入口和对输入数据进行衰减加权的方法,完成对系统动态特性的表征,使所开发的神经网络软测量仪表更真实地反映了系统的静态和动态性能,准确性高且有更好的适应性。     

一种基于时序误差补偿的动态软测量建模方法

针对目前静态软测量建模方法无法反映工业过程动态信息,造成预测模型精度低、鲁棒性差等问题,提出了一种基于最小二乘支持向量机(LS-SVM)和自回归-滑动平均模型(ARMA)的软测量建模方法。首先,建立了基于LS-SVM的软测量模型,利用ARMA模型对预测误差的动态估计,通过增加动态校正环节,实现了对静态模型的动态校正以改善系统动态响应特性。最后将上述方法用于乙烯精馏过程中乙烷浓度的软测量建模,仿真结果表明:与单一使用LSSVM模型相比,该方法具有跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。     

LS-SVM模型在线校正的替代法及其软测量应用

软测量技术是现代化工过程控制系统的重要组成部分,化工过程的时变性要求软测量模型及时进行在线校正,以适应新工况,保持模型的预测精度。基于矩阵计算理论,提出了最小二乘支持向量机模型在线校正的替代法,它无需重新训练,校正速度快。通过分析还提出以距离标准选择被替代个体,可提高预测精度。将该法用于某炼油厂常压塔塔顶汽油干点的软测量,效果良好,表明该法可以克服工况变化对模型预测精度的影响。     

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。     

基于改进的GSO算法和BP神经网络的氨合成塔出口氨含量软测量模型(英文)

The ammonia synthesis reactor is the core unit in the whole ammonia synthesis production. The ammonia concentration at the ammonia converter outlet is a significant process variable, which reflects directly the production efficiency. However, it is hard to be measured reliably online in real applications. In this paper, a soft sensor based on BP neural network (BPNN) is applied to estimate the ammonia concentration. A modified group search optimization with nearest neighborhood (GSO-NH) is proposed to optimize the weights and thresholds of BPNN. GSO-NH is integrated with BPNN to build a soft sensor model. Finally, the soft sensor model based on BPNN and GSO-NH (GSO-NH-NN) is used to infer the outlet ammonia concentration in a real-world application. Three other modeling methods are applied for comparison with GSO-NH-NN. The results show that the soft sensor based on GSO-NH-NN has a good prediction performance with high accuracy. Moreover, the GSO-NH-NN also provides good generalization ability to other modeling problems in ammonia synthesis production.