基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿

由于储油罐温度场分布规律复杂,因此采用温度传感器进行储油罐温度数据测量时需要进行误差补偿,提出了一种基于RBF神经网络区域划分-分块补偿方法。根据储油罐温度场分布规律及温度传感器安装布置,将罐内空间划分为若干个区域。利用RBF神经网络对各个区域内的温度传感器分别构建相互独立的补偿模型进行非线性补偿。实验表明,与多种补偿方法相比,该种方法模型结构简单,补偿后的储油罐用温度传感器误差大幅减少。     

基于协同量子粒子算法的透平蒸汽流量软测量

透平蒸汽流量是分析透平运行效率的重要参数,由于现场大量缺乏检测信息,且针对传统测量方法存在可靠性差,非接触式测量成本高、安装困难等问题,提出了一种协同量子粒子算法(CQGAPSO),同时优化神经网络(NN)结构和参数的透平蒸汽流量的软测量建模方法。该方法利用节点间的连接开关,有效消除冗余连接对神经网络逼近能力的影响,引入量子概率幅编码和协同机制来提高神经网络的学习效率、逼近精度和泛化能力。透平蒸汽流量软测量的仿真结果表明:相比全连接神经网络和其他模型,所述方法具有更好的预测精度和鲁棒性。     

聚丙烯熔融指数软测量

采用机理和统计两种建模方法，建立聚丙烯生产过程熔融指数软测量模型。根据聚合反应机理和反应动力学，建立丙烯聚合过程的机理模型。统计模型则采用神经网络／部分最小二乘（NNPLS）方法。现场投运结果表明，模型计算速度和精度能满足工业现场在线实时运行的要求。     

锅炉烟气氧含量测量技术的优化分析研究

目前锅炉厂多数采用氧化锆传感器来测量烟气含氧量，其长时间使用会导致堵塞，使检测精度下降。而采用PSO-LSSVM算法建立软测量模型，通过利用现有锅炉DCS系统，建立烟气含氧量软测量系统，并通过OPC技术完成Win CC和MATLAB数据的实时互换，实现烟气氧含量的在线检测。实践应用表明，实测值和软测量值的绝对误差仅在0.01～0.025范围内波动，有利于及时修整现场氧化锆传感器。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

带网络通信和BP补偿的红外温度监控系统设计

针对传统手持式红外温度测量设备无数据上传功能、测量精度低的问题,提出一种基于MLX90614红外温度传感器的温度监控系统。该系统具备网络通信功能,可将测量数据实时传递至由电脑建立的TCP服务器。因红外传感器测量精度易受环境温度影响,提出基于BP神经网络的补偿校正方案,将环境温度和红外实测温度作为输入,高精度温度传感器实测值作为输出来训练网络。实验表明:该系统能实时上传数据,精度比市面上的同类产品高1倍以上。     

基于多传感信息融合的轮胎气压监测系统

为提高轮胎气压监测系统(TPMS)传感器测量精度,利用多传感器信息融合技术,采用神经网络方法对轮胎的温度和气压数据进行融合。神经网络采用Levenberg-Marquardt算法训练。Matlab仿真试验结果表明,数据融合后的输出稳定性得到了很大提高,可有效减轻传感器工作中的干扰。     

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。     

井下工具中位移传感器温度补偿方法

为了消除高温环境下井下工具中位移传感器温度漂移对测量精度的影响,提出了一种基于BP神经网络的位移传感器温度补偿方法,由LabVIEW编程语言进行算法实现,设计测试电路、通过非等间距温度采样记录位移传感器在不同温度下的漂移量,由BP神经网络模型进行温度补偿。通过仿真试验验证,该方法将高温环境下位移传感器的输出误差最大值由补偿前的4.5%降低到0.6%以下,有效地提高了位移传感器的测量精度,满足了井下工具的应用需求。     

基于混沌RBF神经网络的气化炉温度软测量系统

针对德士古气化炉炉膛温度难以测量这一情况,提出利用软测量技术来解决这一问题.通过建立BP网络模型和RBF网络模型以及基于PCA和CHAOS的神经网络模型,并对其仿真结果进行分析和比较,验证了该方法的可行性.CHAOS-RBF软测量模型在化肥厂的应用效果良好,误差保持在1.5%以内,不但提高了温度测量精度,而且有利于更好的生产控制.     

改进型EMD-Elman神经网络在铁水硅含量预测中的应用

针对高炉炼铁过程的多尺度和动态特征,建立了基于经验模态分解(empirical mode decomposition, EMD)和Elman神经网络的铁水硅含量预测模型。该模型先采用EMD将硅含量序列分解成有限个、相对平稳的本征模函数(intrinsic mode function, IMF)和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;为了进一步提高预测精度,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。将该模型用于某钢厂铁水硅含量的预报,实验结果证实了该方法的有效性。     

建立PNN-HP-ENN-LSSVM模型预测钢铁企业高炉煤气发生量

针对钢铁企业高炉煤气发生量机理模型难以对发生量进行精确预测的问题,通过分析高炉煤气发生量特点,按不同工况利用概率神经网络(PNN)对高炉煤气发生量进行分类,依据分类结果并结合HP滤波、Elman神经网络(ENN)、最小二乘支持向量机(LSSVM)各自的性质,建立了PNN-HP-ENN-LSSVM模型,对高炉煤气的发生量进行分类预测,并用企业实际数据验证. 结果表明,随机抽取多组测试结果中的2组,1#高炉80个点、2#高炉60个点的分类准确率分别为95%和93%,模型预测平均相对误差分别为1.0%和1.1%,适合高炉煤气发生量预测. Wilcoxon符号秩检验也验证了所提建模方法的有效性.     

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.     

基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

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。     

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.     

Adaptive neuro-fuzzy inference system based faulty sensor monitoring of indoor air quality in a subway station

A new faulty sensor monitoring method based on an adaptive neuro-fuzzy inference system (ANFIS) is proposed to improve the monitoring performance of indoor air quality (IAQ) in subway stations. To enhance network performance, a data preprocessing step for detecting outliers and treating missing data is implemented before building the monitoring models. A squared prediction error (SPE) monitoring index based on the ANFIS prediction model is proposed to detect sensor faults, where the confidence limit for the SPE index is determined by using the kernel density estimation method. The proposed monitoring approach is applied to detect four typical kinds of sensor faults that may happen in the indoor space of a subway. The prediction results in the subway system indicate that the prediction accuracy of an ANFIS structure with 15 clusters is superior to that of an appropriate artificial neural network structure. Specifically, when detecting one kind of complete failure fault that happened within the normal range, the detection performance of ANFIS-based SPE outperforms that of a traditional principal component analysis method. The developed sensor monitoring technique could work well for other kinds of sensor faults resulting from a noxious underground environment.     

基于小波神经网络的污水处理污泥体积指数软测量

污水处理过程具有非线性、时变和滞后等特点,因而无法进行准确的数学建模。现有的污水处理技术中最突出的问题是一些关键的水质参数不能在线监测,只能通过人工间接测量再通过计算获得,耗时较长,不能及时地进行信息反馈,会造成一些严重的后果。为了避免这样的问题,提出了基于小波分析的神经网络(BP)软测量技术,通过建立小波神经网络参数软测量模型,对污水处理中难测水质参数SVI(污泥体积指数)进行在线监测。研究表明,此方法能有效规避单一的BP算法收敛速度慢、容易陷入局部最优解等问题,有助于实现对污水处理的智能控制。