一种非线性系统在线辨识的选择性递推方法

针对非线性系统的在线辨识, 提出了一种选择性递推岭参数极限学习机方法。首先, 推导了岭参数极限学习机模型节点增加的递推算法, 以有效地更新在线模型。其次, 结合训练模型的相对误差, 提出模型节点递推增加的选择性策略, 以限制模型的复杂度, 获得更简单的递推辨识模型。通过一个典型非线性化工过程的在线辨识, 从多方面比较验证了所提出方法的简单有效, 更适合非线性过程的在线辨识。     

丝网波纹填料塔液泛水力学特征

在炼油、石油化工、精细化厂、食品及医药等部门,塔器均属量大面广的重要单元设备,其投资-般占投资总额的20%左右,有些甚至高达50%,塔器广泛应用于蒸馏、吸收、萃取、洗涤、传热等单元操作中。因此塔器的研究一直受到国内外学者普遍关注。由于规整填料塔具有效率高、压降低、放大效应不明显等优点,使其应用越来越广泛^[1-2]。同时填料塔也是过程工业中能量消耗最大的单元操作之一。在设计填料塔时,一般按液泛气速的60%~70%确定载点气速,按液泛气速的50%~60%确定操作气速。尤其在工业实际应用中,大部分操作都是依据长期积累的操作经验使填料塔工作在所谓的"最优化"操作状态,因此填料塔的操作状态都比较保守,目的都是为了避免塔器在长周期运行过程中发生液泛而停产,给企业带来经济损失。液泛现象一直以来都是制约填料塔设计和提高填料塔能量利用率的瓶颈问题,所以关于预测控制填料塔液泛性能的研究是填料塔优化节能研究的关键^[3-4]。只要能对填料塔的操作状态进行实时监控,根据填料塔工作监控的特征参数,可以实时和及时地调整填料塔的操作性能,从而避免填料塔发生液泛,同时根据工艺和生产的需要实时改变填料塔的操作性能,使得填料塔工作在最优化的状态,也符合节能减排的目的。有关填料塔液泛水力学方面的研究已经有很长一段时间。早期的很多研究者都是从散堆填料的研究推广到规整填料的研究,Sherwood等^[5-6]在测定填料塔水力学压降实验的基础上,讨论了填料塔的载液和液泛现象,并提出了压降通用关联图(GDPC)。Eckert等^[7-9]得到了不同填料类型填料塔水力学压降液泛曲线图。Kuzniewska-Lach^[10]以量纲1方法对填料塔流体物性和填料几何参数进行了分析,提出了基于填料类型的泛点预测。Ondracek等^[11]通过填料塔气体或液体入口速度周期性波动操作,进行了液泛滞后效应的实验研究,对工业塔操作更接近液泛点有一定的指导作用。根据上面的这些研究,分析预测填料塔液泛特征的规律,需要从不同方面进行深入的研究。本文以空气和水为实验介质,研究了规整填料塔在各个操作阶段的水力学特征及区别,得到了填料塔液泛水力学压降离散特征分布规律和压降频率分布规律,为预测控制填料塔液泛现象提供了指导。     

交错型开窗导流填料的流体力学性能

为了提高规整填料通量,对传统开窗导流填料结构进行改善,提出一种新型交错式开窗导流填料。在不同喷淋密度下,采用空气-水系统对3种不同交错高度的开窗导流填料进行冷模实验,研究分析了其流体力学性能,并与传统开窗导流填料进行对比。实验结果表明:新型交错规整填料的压降随着喷淋密度的增加而增大,填料盘的交错式结构有效降低塔压降,提高通量,改善气液分布。与传统开窗导流填料相比,3种新型填料盘的干塔压降、湿塔压降显著降低,液泛气速显著提高。其中180-20型填料的压降降低最为显著,220-20型填料的液泛气速最低。同时,在LEVA模型和Bain-Hougen模型的基础上,获得了实验条件下干塔压降、湿塔压降和液泛气速的关联式,其计算结果与实验数据吻合较好。     

一种新型催化精馏填料的流体力学性能

填料的流体力学性能数据是填料塔设计的基础,通过实验对一种新型催化精馏填料的流体力学性能进行了测量.实验首先观测了不同气速和喷淋密度下的气液流动状况,然后对压降,泛点气速和持液量等基础数据进行了系统的测量.利用实验数据回归了不同喷淋密度下压降与气相F因子的计算关系式,给出了泛点气速的计算表达式.     

填料塔液泛气速,压力降计算方法的讨论

使用部分Ｄｇ５０瓷质填料在水－空气实验系统中测得的填料塔液泛气速和压力降,根据所确定的液泛气速,压力降的计算方法,推算出９３％Ｈ２ＳＯ４－空气９３％Ｈ２ＳＯ４－ＳＯ２烟气,９８％Ｈ２ＳＯ４－ＳＯ３烟气等操作系统中,填料塔采用不同填料的液泛气和压力降。     

填料塔液泛的声发射测量

利用声发射技术采集填料塔在不同操作状态下壁面处的声发射信号,结合标准差分析、频谱分析和小波分析研究填料塔在不同操作状态时的声发射信号特征,提出填料塔液泛气速的声发射测量判据。以空气-水体系为例考察不同液体流量下的液泛气速,发现声发射信号标准差对液泛气速的预测值与压降法的预测值接近。比较不同操作条件下的声发射信号的功率谱,发现填料塔发生液泛时功率密度最大的峰从50 kHz 和60 kHz 转移到在25 kHz附近;进一步将声发射信号在0~300 kHz 频率范围内做7 尺度小波分解,当气速到达液泛气速时特征信号频段G₁(d₄、d₅)的声发射信号能量分率迅速增大。G₁尺度声发射信号能量分率对液泛气速的预测值与压降法的预测值接近。声发射技术作为一种非侵入式的检测手段,能够实现液泛的实时监控,具有良好的应用前景。     

填料因子变化时散堆填料泛点气速数值算法

泛点气速是填料塔设计的重要参数,Eckert关联图为目前工程上运用较为广泛的泛点气速求取方法。文中基于散堆填料的Eckert关联图,在考虑泛点填料因子f随液体泛点喷淋密度Lf变化的条件下,提出了泛点气速uf的数值算法;推导出泛点气速uf的表达式为一个高度非线性化方程,并给出了该方程的2种求解方法。同时举例计算了一个散堆填料的泛点气速,并和著名的塔器流体力学计算软件(WPTR)计算结果做了对比。结果表明:文中的计算结果和WPTR的结果完全吻合;所使用的方程求解方法 Aitken-Steffensen具有快速、稳定的收敛性,可用于散堆填料的泛点气速计算。     

填料塔直径的简易计算法

——本文新推导的方程能直接计算出液泛气速和50％液泛气速时的塔径,为了提高工作率效,还绘出了有关曲线——现在,已推导出一个新的关系式,可用来直接计算气—液接触填料塔的设计参数。以前的各种关系式不能直接确定气体的表面质量速度,也不能确定塔径。为了更易于运用此推导     

吸收塔工艺设计与操作运行

二转二吸制酸装置SO_3吸收率取决于最终吸收塔,SO_3总未吸收率为最终吸收塔未吸收率的1/20。SO_3吸收率达到设计值容易,但控制酸雾较难。控制水分、酸分布均匀性、气体分布是填料塔设计三要素,控制水分最重要,极限是不结露;酸分布均匀性在于分酸器;分酸、填料及填料支撑均影响气体分布,填料支撑对气体分布的影响随气速增大而增大。高温吸收的关键在于出塔硫酸温度高、低液气比,唯有提高气速才能兼顾两者,提高气速还有利于除去酸雾。泛点气速随喷淋密度降低而减小,随硫酸温度升高而增大,最佳操作气速为泛点气速的80%左右。     

几种开孔填料的性能研究(二)——传质性能

以工业用尺寸的阶梯环与环矩鞍在直径600mm的塔内进行氨吸收试验,将结果整理成气相传质单元高度及气膜传质系数的关联式,可供设计应用。提出为了发挥此两种填料在高气速下操作稳定、不易液泛、阻力小而传质系数高的优点,采用开孔填料的塔,操作气速以在60～70％液泛气速以上为宜。此时与用名义尺寸相同的拉西环在50％液泛气速下操作相比较,填料层体积可以降至一半以下,而阻力的增加并不显著。     

A novel unified correlation model using ensemble support vector regression for prediction of flooding velocity in randomly packed towers

Traditional empirical correlations and models have found insufficient to predict the flooding velocity accurately mainly because there are many kinds of random packings which exhibit different characteristics. In this work, a novel data-driven modeling method, i.e. ensemble least squares support vector regression (ELSSVR), is proposed to construct a unified correlation for prediction of the flooding velocity for packed towers with random packings. The flooding data are first clustered into several classes by the fuzzy c-means clustering algorithm. Then, several single LSSVR models can be trained using each sub-class of samples to capture the special characteristics. Moreover, a weighted least squares approach is adopted to integrate these single LSSVR models. Consequently, the ELSSVR model can extract the feature information of flooding data effectively and improve the prediction performance. The proposed ELSSVR method is applied to construct a unified correlation for prediction of the flooding velocity in randomly packed towers. The obtained results for several kinds of random packings demonstrate that the ELSSVR-based correlation can obtain better prediction performance, compared with the traditional semi-empirical correlations and artificial neural networks-based models. Finally, a database containing the modeling information of flooding velocity in randomly packed towers of China is provided for academic research.     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

Adaptive local kernel-based learning for soft sensor modeling of nonlinear processes

Soft sensor techniques have been widely used to estimate product quality or other key indices which cannot be measured online by hardware sensors. Unfortunately, their estimation performance would deteriorate under certain circumstances, e.g., the change of the process characteristics, especially for global learning approaches. Meanwhile, local learning methods always only utilize input information to select relevant instances, which may lead to a waste of output information and inaccurate sample selection. To overcome these disadvantages, a new local modeling algorithm, adaptive local kernel-based learning scheme (ALKL) is proposed. First, a new similarity measurement using both input and output information is proposed and utilized in a supervised locality preserving projection technique to select relevant samples. Second, an adaptive weighted least squares support vector regression (AW-LSSVR) is employed to establish a local model and predict output indices for each query data. In AW-LSSVR, instead of using traditional cross-validation methods, the trade-off parameters are adjusted iteratively and the local model is updated recursively, which reduces the computational complexity a lot. The proposed ALKL is applied to an online crude oil endpoint prediction in an industrial fluidized catalytic cracking unit (FCCU) process. The experimental results demonstrate the high precision of our ALKL approach.     

Fast property prediction in an industrial rubber mixing process with local ELM model

Online property prediction in industrial rubber mixing processes is not an easy task. An efficient data‐driven prediction model is developed in this work. The regularized extreme learning machine (RELM) is utilized as the fundamental soft sensor model. To better capture distinguished characteristics in multiple recipes and operating modes, a just‐in‐time RELM modeling method is developed. The number of hidden neurons and the value of regularization parameter of the just‐in‐time RELM model can be efficiently selected using a fast leave‐one‐out strategy. Consequently, without the time‐consuming laboratory analysis process, the Mooney viscosity can be online predicted once a mixing batch has been discharged. The industrial Mooney viscosity prediction results show its better prediction performance in comparison with traditional approaches. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45391.     

ASOS-ELM建模方法及在汽轮机热耗率预测中的应用

针对极限学习机（ELM）不能准确地预测汽轮机热耗率的问题,结合群智能优化算法,提出一种改进的共生生物搜索算法和极限学习机（ASOS-ELM）综合建模的方法。该方法利用改进的共生生物搜索（ASOS）算法优化ELM隐层激活函数的参数,求得最优的ELM模型。再将ASOS-ELM模型应用到热耗率建模中,首先用ELM初始化热耗率预测模型,以输出热耗率的均方根误差（RMSE）作为算法的适应度值,然后通过ASOS算法找到合适的ELM参数,从而得到准确的热耗率预测模型。并将热耗率预测的结果与传统的ELM模型、ASOS算法优化支持向量回归（SVR）模型、改进的粒子群算法（PSO）和基本的共生生物搜索算法（SOS）优化的ELM作对比。结果表明,ASOS-ELM模型在处理复杂的数据模型中,具有精确的预测能力与快速的收敛速度,为汽轮机热耗率建模提供了新思路。     

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时，由于新工况下的样本一般很少，且批次间存在着不确定性（由于原材料波动或过程动态特性波动等），基于全局学习的建模方法（如最小二乘支持向量机回归，LSSVR）建立的模型泛化性能不强。将局部学习融入LSSVR中，提出一种局部LSSVR（local LSSVR, LLSSVR）的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数，针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例，验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型，较LSSVR有着更好的推广能力、适应性和鲁棒性。     

Ensemble Correntropy‐Based Mooney Viscosity Prediction Model for an Industrial Rubber Mixing Process

The development of accurate soft sensors for online prediction of Mooney viscosities in industrial rubber mixing processes is a difficult task because the modeling dataset often contains various outliers. A correntropy kernel learning (CKL) method for robust soft sensor modeling of nonlinear industrial processes with outlier samples is proposed. Simultaneously, the candidate outliers can be identified once the CKL‐based soft sensor model is built. An index for describing the uncertainty of the CKL model is designed. Furthermore, to obtain more robust and accurate predictions, an ensemble CKL (ECKL) method is formulated by introducing the simple bagging strategy. Consequently, by detecting the outliers in a sequential manner, the database becomes more reliable for long‐term use. The application results for the industrial rubber mixing process demonstrate the superiority of ECKL in terms of better prediction performance.     

基于FEEMD-AE与反馈极限学习机组合模型预测研究与应用

针对现有工业过程非平稳时间序列中的特征提取及预测问题,提出了基于快速集合经验模态分解（fast ensemble empirical mode decomposition,FEEMD）、近似熵（approximate entropy,AE）和反馈极限学习机（feedback extreme learning machine,FELM）的组合模型。首先,针对复杂非平稳时序数据,采用FEEMD方法将其分解为从高频到低频的相对平稳的本征模态函数分量和余项;其次,为解决经过FEEMD分解出来的分量复杂度问题,运用近似熵（AE）计算分量复杂度并进行特征重构,以降低分量复杂性;然后,基于传统ELM结构,通过引入反馈机制,在输出层与隐含层之间增加反馈层用来记忆隐含层输出数据,并计算数据趋势变化率动态更新反馈层输出,形成反馈极限学习机（FELM）,对非线性动态系统的下一时刻输出进行预测;最后,将所提出的组合预测模型通过UCI标准数据集与精对苯二甲酸（PTA）溶剂系统进行建模仿真,仿真结果表明,提出的组合模型预测方法能够得到较高的预测精度,为实际生产操作优化提供了一定的指导。     

Industrial polyethylene melt index prediction using ensemble manifold learning–based local model

For online melt index prediction in multiple‐grade polyethylene polymerization processes, using only a fixed model is insufficient. Additionally, without enough process knowledge, it is difficult to select suitable input variables to accurately construct prediction models. A novel manifold learning based local probabilistic modeling method named ensemble just‐in‐time Gaussian process regression (EJGPR) is developed. By utilizing output variables, an optimization framework is proposed to preserve the local structure of both input and output variables. Then the output information is integrated into construction of a JGPR‐based local model. Additionally, some new extracted variables in the projection space can be obtained. Moreover, using the probabilistic prediction information, the uncertainty of each JGPR‐based local candidate model can be simply described. Consequently, using an efficient ensemble strategy, a more accurate EJGPR prediction model can be constructed online. The melt index prediction results in an industrial polyethylene process show it has better performance than conventional methods. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45094.