自增长混合神经网络及其在燃料电池建模中的应用

为了提高非线性辨识的精度, 提出了一种基于混合算子的自增长混合神经网络。该神经网络通过自增长的混合隐含层结构, 包括加算子和乘算子, 形成神经元个数少、结果精确、增长快速的网络。论文在级联神经网络的结构基础上, 提出GQPSOI算法来引导神经网络的结构自增长以及权值更新。通过对燃料电池的建模与比较分析, 证明了方法的有效性和良好的应用前景。     

基于结构逼近式神经网络的间歇反应器优化控制

利用结构逼近式混合神经网络（SAHNN）建立了一类典型放热液相二级平行间歇反应的数学模型。基于主产物浓度和反应温度的递归神经网络（RNN）模型,使用混合PSO-SQP算法求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线。鉴于反应温度实时可测,提出扩展的EISE指标,该指标把实时计算的模型误差引入控制策略,为基于模型的控制增加了反馈通道,增强了控制方法的鲁棒性和抗干扰性能。利用 原理对所提出的一步超前预测控制做了稳定性分析,证明了算法的正确性。研究的结果充分证明了基于SAHNN混合神经网络模型的优化控制策略的有效性。     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

基于混合建模技术的聚氯乙烯粒径分布预测

针对聚氯乙烯粒径分布在线软测量问题,提出了一种基于机理分析和神经网络的混合建模方法,并将该建模方法应用于聚氯乙烯粒径分布建模研究中。混合模型由机理模型和误差补偿模型所组成。通过机理分析建立氯乙烯悬浮聚合过程的单体液滴群体平衡(Population Balance Equation,简称PBE)模型,由于聚氯乙烯成粒过程的复杂性和强非线性,单纯的机理模型预测与实际分析值相比仍存在一定偏差,因此利用人工神经网络建模方法建立了基于BP神经网络的单体液滴群体平衡模型修正模型,对单体液滴群体平衡模型的输出进行修正,由此建立起聚氯乙烯粒径分布混合模型。由于混合模型既能按照液滴分散与聚并机理对聚氯乙烯颗粒的成长过程进行描述,同时又充分利用了生产现场数据对模型误差进行修正,应用到聚氯乙烯生产过程的测试结果表明,与单纯机理模型相比,聚氯乙烯粒径分布混合模型具有更佳的预测效果。     

状态变量部分不可测的间歇反应器的智能建模

提出一种智能化的神经网络建模方法,建立状态变量部分不可测的间歇反应器模型。针对间歇反应是一个非线性、非稳态过程,根据化学反应的非线性分离特性,采用结构逼近式神经网络构建模型的拓扑结构。利用反应的先验知识优化网络结构,赋予网络节点实际的物理意义,并完善网络训练过程,使建模过程灰箱化;通过假想教师-人工免疫训练算法,解决不可测变量影响常规网络训练的问题;通过并行优化假想教师和网络权值,提高建模精度。以实际橡胶硫化促进剂制备的间歇缩合反应过程为实验对象,详细论述了建模和网络训练的过程,证明了方法的有效性。     

神经网络建模方法在维生素C发酵过程中的应用

传统的标准“黑箱”型人工神经网络已较为广泛地应用于生化过程中的状态预估等多个方面,然而结合过程先验知识或部分机理模型的混合神经网络建模方法能给出更令人满意的结果.本文将其应用于2-酮基-l-古龙酸（2-KLG）发酵过程的状态估计,并将其结果与传统神经网络模型进行了比较,混合模型明显优于单一神经网络方法.     

化工过程的智能混合建模方法及应用

随着人工智能技术和配套数据系统的快速发展,化工过程建模技术达到了新的高度,将多个机理模型和数据驱动模型以合理的结构加以组合的智能混合建模方法,可以综合利用化工过程的第一性原理及过程数据,结合人工智能算法以串联、并联或者混联的形式解决化工过程中的模拟、监测、优化和预测等问题,建模目的明确,过程灵活,形成的混合模型有着更好的整体性能,是近年来过程建模技术的重要发展趋势。本文围绕近年来针对化工过程的智能混合建模工作进行了总结,包括应用的机器学习算法、混合结构设计、结构选择等关键问题,重点论述了混合模型在不同任务场景下的应用。指出混合建模的关键在于问题和模型结构的匹配,而提高机理子模型性能,获取高质量宽范围的数据,深化对过程机理的理解,形成更有效率的混合建模范式,这些都是现阶段提高混合建模性能的研究方向。     

混合RBF网络及其在连续重整装置中的应用

提出一种结合线性回归和RBF神经网络的混合软测量建模方法，既能很好地利用神经网络的非线性特性，又能在一定程度上消除神经网络泛化能力不强的影响。通过对比实验及在某炼油厂连续重整装置中的应用，表明这种混合RBF神经网络比之常规RBF神经网络，其性能指标更好，并且没有带来计算量的大幅度增加，具有更高的实际应用价值。     

基于核偏鲁棒M-回归的间歇反应过程混合模型辨识

提出了一种混合模型两步辨识策略,用以解决间歇反应过程的建模问题,并能够有效融合先验知识及过程数据信息。该策略将混合模型的同步辨识分解成为两个独立的步骤,首先确定混合模型的结构,并利用Tikhonov正则化方法实现间歇反应过程反应速率的精确估计;接下来采用核偏鲁棒M-回归(kernel partial robust M-regression,KPRM)算法建立过程变量与反应速率间的经验模型,从而有效抑制过程数据中离群点的影响。利用半间歇过程仿真实验对所提出的策略进行验证,获得了相比于传统方法更高的估计及预测精度。     

神经网络建模方法在维生素C发酵过程中的应用

传统的标准“黑箱”型人工神经网络已较为广泛地应用于生化过程中的状态预估等多个方面，然而结合过程先验知识或部分机理模型的混合神经网络建模方法能给出更令人满意的结果.本文将其应用于2-酮基-l-古龙酸（2-KLG）发酵过程的状态估计，并将其结果与传统神经网络模型进行了比较，混合模型明显优于单一神经网络方法.     

一种用于动态化工过程建模的反馈神经网络新结构

提出了一种新的用于非线性动态化工过程的状态集成反馈神经网络结构 (SIRNN) ,并将静态BP网络的训练算法引入到该网络的训练中 .状态反馈、时间序列延迟与集成节点的概念结合在SIRNN结构中 ,使得在用SIRNN建模过程中既可以考虑系统过去更多时刻的状态信息又可以相对降低网络的复杂程度 ,使得网络结构更趋于合理 .将SIRNN对一单输入单输出二阶非线性动态系统建模 ,并与其他反馈神经网络建模效果进行了比较 ,同时对该网络结构进行了抗干扰性检验 ,并对其在多输入单输出系统的应用中进行了尝试 ,结果表明SIRNN结构对非线性动态系统建模具有快速、高效和抗干扰的良好性能     

融合过程先验知识的递归神经网络模型及其应用

大部分化工过程具有非线性特性,一般的线性建模方法难以有效应用。针对非线性化工过程动态建模,提出了一种基于过程先验知识的递归神经网络模型,充分发掘化工过程隐含的先验知识,并将这些先验知识以非线性约束的形式嵌入NARMAX结构的前馈神经网络中,同时基于增广拉格朗日乘子法约束处理机制,用PSO-IPOPT混合优化算法对过程先验知识递归神经网络权值进行优化。该过程先验知识递归神经网络模型对非线性化工过程动态建模,不仅有良好的建模精度和预测外推能力,而且能避免零增益的出现和增益反转,确保网络模型在实际应用中的安全性。文中以环管式丙烯聚合反应过程实际工业数据验证了所提网络模型的有效性。     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

基于小波网络的非线性动态过程建模和在环氧氯丙烷生产过程中的应用

A type of wavelet neural network, in which the scale function is adopted only,is proposed in this paper for non-linear dynamic process modelling.Its network size is decreased significantly and the weight coefficients can be estimated by a linear algorithm.The wavelet neural network holds some advantages supeiior to other types of neural networks.First, its network structure is easy to specify based on its theoretical analysis and intuition.Secondly, network training does not rely on stochastic gradient type techniques and avoidd the problem of poor convergence or undesirable local minima.The excellent statistic properties of the weight parameter estimations can be proven here.Both theoretical analysis and simulation study show that the identification method is robust and reliable. Furthermore,a hybrid network structure incorporating first-principle knowledge and wavelet network is developed to solve a commonly existing problem in chemical production processes.Applications of the hybrid network to a practical production process demonstrates that model generalisation capability is significantly improved.     

基于人工神经网络的供水管网压力管理探索

供水管网的压力管理对实现按需供水、减少漏损和降低能耗具有重要的意义,实现压力管理的重要手段是对供水管网进行数学建模和数值仿真。但是,供水管网是非常复杂的大型非线性系统,按照传统的微观建模方法建立的供水管网模型往往精度不够,其数值求解效率也低,不适合基于这样的模型进行压力管理。该文提出了一种基于人工神经网络的供水管网压力管理的方法,即利用人工神经网络在供水管网的压力和流量之间建立非线性模型,并利用该非线性模型进行供水管网压力管理,而供水管网的压力管理则通过最优化问题的数值求解来实现。试验表明在不降低流量的情况下,供水的水压可降低1％。这对于减少供水管网的漏损、降低产销差率以及减少能耗具有重要的意义。     

Dynamic On‐Line Reoptimization Control of a Batch MMA Polymerization Reactor Using Hybrid Neural Network Models

A hybrid neural network model based on‐line reoptimization control strategy is developed for a batch polymerization reactor. To address the difficulties in batch polymerization reactor modeling, the hybrid neural network model contains a simplified mechanistic model covering material balance assuming perfect temperature control, and recurrent neural networks modeling the residuals of the simplified mechanistic model due to imperfect temperature control. This hybrid neural network model is used to calculate the optimal control policy. A difficulty in the optimal control of batch polymerization reactors is that the optimization effort can be seriously hampered by unknown disturbances such as reactive impurities and reactor fouling. With the presence of an unknown amount of reactive impurities, the off‐line calculated optimal control profile will be no longer optimal. To address this issue, a strategy combining on‐line reactive impurity estimation and on‐line reoptimization is proposed in this paper. The amount of reactive impurities is estimated on‐line during the early stage of a batch by using a neural network based inverse model. Based on the estimated amount of reactive impurities, on‐line reoptimization is then applied to calculate the optimal reactor temperature profile for the remaining time period of the batch reactor operation. This approach is illustrated on the optimization control of a simulated batch methyl methacrylate polymerization process.     

Nonlinear dimension reduction based neural modeling for distributed parameter processes

Many chemical processes are nonlinear distributed parameter systems with unknown uncertainties. For this class of infinite-dimensional systems, the low-order model identification from process data is very important in practice. The dimension reduction with a principal component analysis (PCA) is only a linear approximation for nonlinear problem. In this study, a nonlinear dimension reduction based low-order neural model identification approach is proposed for nonlinear distributed parameter processes. First, a nonlinear principal component analysis (NL-PCA) network is designed for the nonlinear dimension reduction, which can transform the high-dimensional spatio-temporal data into a low-dimensional time domain. Then, a neural system can be easily identified to model this low-dimensional temporal data. Finally, the spatio-temporal dynamics can be reproduced using the nonlinear time/space reconstruction. The simulations on a typical nonlinear transport-reaction process show that the proposed approach can achieve a better performance than the linear PCA based modeling approach.     

自适应迭代混合建模及在碳二加氢过程的应用

化工过程反应机理复杂,机理模型与实际反应系统之间存在建模误差;同时存在复杂的缓慢时变特征,如催化剂失活、燃料结焦等,难以用确定的机理描述,一般采用简化的关系描述,因此过程模型将与实际过程系统逐渐失配。为了建立能长期精确反映过程动态特性的模型,建立了一种基于过程特性的自适应迭代混合模型（self-adaptive iterative hybrid model,SAIHM）。将机理模型和数据驱动的模型有效融合以提高模型的预测精度;数据驱动的模型采用深度循环神经网络（deep recurrent neural network,DRNN）以充分挖掘相邻工况间的时序关系;基于某工厂碳二加氢绝热反应器的历史运行数据建立的自适应迭代混合模型与现有机理模型的仿真对比结果表明,自适应迭代混合模型能更有效地跟踪实际系统。