基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

基于证据合成的高斯过程回归多模型软测量方法

针对生物发酵过程,提出了一种基于证据理论的高斯过程回归多模型软测量方法,其中多模型融合策略同时考虑了数据聚类特性和软测量子模型统计特性。首先,对聚类后的各子类建立高斯过程回归子模型;然后,基于聚类隶属度函数和高斯过程回归子模型后验概率分别设计子模型权值,并利用证据合成规则将两类权值进行证据合成得到融合权值;最后,将该融合权值作为加权因子对子模型进行融合。通过青霉素发酵过程仿真数据和红霉素发酵过程工业数据研究表明, 相比单一模型和传统多模型高斯过程回归软测量方法,本文所提方法具有较高的预测精度和较小的预测不确定度。     

基于K均值聚类与局部离群因子算法的故障检测研究

针对化工生产过程的多工况、数据多模态问题,提出一种基于K均值聚类的局部离群因子故障检测方法。首先利用K均值聚类算法对多模态工业数据进行聚类,将各个模态的数据分离出来,然后运用局部离群因子算法在各个模态下单独建立模型,并且确定各个模态下的局部离群因子控制限。检测时首先判断样本属于哪一类,然后在相应类别下求取局部离群因子值并与此类别下的控制限进行比较,确定是否为故障数据。将此方法运用到TE过程的多模态数据中,并且将此方法与单独应用局部离群因子算法做故障检测对比,结果表明:所提算法可以大幅提高故障的检测率。     

基于改进的快速搜索聚类算法和高斯过程回归的催化重整脱氯前氢气纯度多模型建模方法

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。     

基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法（JIT）的多模型在线软测量方法（MOSVR）。离线阶段首先采用模糊C均值聚类（FCM）对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略（OSMU）将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

基于双层智能结构的多模型软测量方法研究

根据多个模型的混合使用可提高模型的预测精度及鲁棒性的思想,提出一种双层智能结构的非线性多模型软测量建模新方法.该方法先用模糊C均值聚类算法将训练集分成具有不同聚类中心的子集,每一子集用网络或支持向量机进行训练得出子模型,再用模糊聚类后产生的隶属度将各子模型的输出加权求和得到最后结果.此算法通过对一个乙烯精馏塔的塔釜乙烯浓度软测量建模的工业实例仿真,证明该算法比其它的算法具有更好的泛化结果和预报精度,具有良好的应用潜力.     

基于环路能量聚类的多模型软测量建模

在多模型软测量建模中,对于新的数据以及异常样本点,传统的聚类方法没有充分考虑它们的特性,因而所属类别往往不能反映其真实属性,最终导致模型精度不高.为此,提出一种基于最小环路能量聚类的算法,该方法将样本聚类转化为寻找一个最小能量环问题,通过模拟退火算法搜索一条经过所有样本点的最小能量环实现样本集的聚类;对侦破出的异常样本点和新的测试数据根据其能量值确定其所属属性,从而提高聚类和分类精度;然后利用支持向量机为各个子类建立回归子模型,得到软测量组合模型.将该方法应用于双酚A生产过程质量指标的软测量建模中,仿真结果验证了该方法的有效性.     

基于EM算法的青霉素发酵过程多阶段融合建模

青霉素发酵过程具有明显的阶段特征,该特征从一些关键操作变量信息中能够得到反映.本文从反应过程的多个操作变量中,选取关键过程变量--冷水流加速率作为调度变量,并采用模糊C均值聚类算法对其进行分类,各聚类中心作为青霉素发酵过程的主要工况点;基于EM算法围绕不同工况点建立局部子模型,最后根据采样数据阶段特征的后验分布将各子模型融合.基于此方法采用Pensim仿真平台数据,能够辨识数据的阶段特征,并建立青霉素发酵过程的融合模型.仿真结果表明该模型具有较高的拟合精度,能对该发酵过程的主导变量进行比较精确的预测.     

Soft Computing of Biochemical Oxygen Demand Using an Improved T–S Fuzzy Neural Network

It is difficult to measure the online values of biochemical oxygen demand (BOD) due to the characteristics of nonlinear dynamics, large lag and uncertainty in wastewater treatment process. In this paper, based on the knowledge representation ability and learning capability, an improved T–S fuzzy neural network (TSFNN) is introduced to predict BOD values by the soft computing method. In this improved TSFNN, a K-means clustering is used to initialize the structure of TSFNN, including the number of fuzzy rules and parameters of membership function. For training TSFNN, a gradient descent method with the momentum item is used to adjust antecedent parameters and consequent parameters. This improved TSFNN is applied to predict the BOD values in effluent of the wastewater treatment process. The simulation results show that the TSFNN with K-means clustering algorithm can measure the BOD values accurately. The algorithm presents better approximation performance than some other methods.     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变，单一的软测量模型难以满足系统对估计精度的要求，提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离，自适应地确定邻域半径，并引入局部密度用于确定聚类中心，对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取，建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模，仿真结果验证了该方法的有效性。     

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。     

基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。     

油水界面测量过程中自适应阈值聚类优化算法

精确检测原油储罐内油水界面及液位高度是保证净油外输含水率控制精度及联合站盘库系统计量精度的前提条件，是石油化工过程系统工程中的重要环节。鉴于油水界面测量过程中传统分类统计算法和经典K-means聚类算法存在依赖人工选取典型值和初始聚类质心、计算结果不确定性以及精度难于保证等问题，本文提出了一种改进的K-means自适应阈值聚类优化算法。该算法能自动获取最优初始阈值，并改进了油水界面测量传统分类统计算法和经典K-means聚类算法的思想，可实现最优数据分类。首先采用自适应阈值查找算法自动查找油水界面最优初始阈值，其次采用改进K-means聚类优化算法对油水界面数据进行最优划分，最后根据最优化聚类结果计算油水界面及液位高度。实验结果表明：相对于油水界面测量的传统分类统计算法和经典K-means聚类算法, 该算法无需人工选值、能够完全保证计算结果的准确性，且比经典K-means聚类算法和其他改进K-means聚类算法所需的迭代次数更少、运行时间更短。     

基于FCMISVM的自适应软测量建模算法及其在PX吸附分离过程中的应用

To overcome the problem that soft sensor models cannot be updated with the process changes, a soft sensor modeling algorithm based on hybrid fuzzy c-means (FCM) algorithm and incremental support vector machines (ISVM) is proposed. This hybrid algorithm FCMISVM includes three parts: samples clustering based on FCM algorithm, learning algorithm based on ISVM, and heuristic sample displacement method. In the training process, the training samples are first clustered by the FCM algorithm, and then by training each clustering with the SVM algorithm, a sub-model is built to each clustering. In the predicting process, when an incremental sample that represents new operation information is introduced in the model, the fuzzy membership function of the sample to each clustering is first computed by the FCM algorithm. Then, a corresponding SVM sub-model of the clustering with the largest fuzzy membership function is used to predict and perform incremental learning so the model can be updated on-line. An old sample chosen by heuristic sample displacement method is then discarded from the sub-model to control the size of the working set. The proposed method is applied to predict the p-xylene (PX) purity in the adsorption separation process. Simulation results indicate that the proposed method actually increases the model’s adaptive abilities to various operation conditions and improves its generalization capability.     

污水处理过程的非线性预测控制研究

针对多模型预测控制方案中K-means聚类算法存在的不足,提出一种改进的K-means算法。将该算法应用于活性污泥1号模型（ASM1）,对雨天厌氧池末端氨氮和硝氮浓度进行控制,取得了比较满意的效果。     

基于改进DPC的青霉素发酵过程多模型软测量建模

青霉素发酵过程具有较强的非线性、时变性、阶段性和不确定性,基于单一的软测量模型对产物浓度进行在线估计,难以满足系统对模型精度的要求。针对上述问题,提出一种改进密度峰值聚类的多模型软测量建模方法来估计青霉素发酵过程中的产物浓度。首先,引入相似度函数代替欧氏距离计算样本点的k近邻,并且计算样本点与其k近邻之间的共享近邻,进而利用样本点的k近邻及共享近邻重新定义样本点的局部密度。其次,利用样本点之间的k近邻关系来重新定义样本点的分配策略;通过改进的聚类算法得到各聚类子集,分别建立基于最小二乘支持向量机的软测量模型。Pensim仿真平台的验证结果表明,改进的聚类算法能够更加准确地对样本数据进行聚类,从而有效提高青霉素发酵过程软测量模型的估计精度。     

基于改进集合经验模态分解和深度信念网络的出水总磷预测

出水总磷的准确预测对于城市污水处理厂的高效、稳定的运行至关重要。文中针对城市污水处理过程中出水总磷难以预测的问题,提出一种基于改进集合经验模态分解（modified ensemble empirical mode decomposition, MEEMD）和深度信念网络（deep belief network, DBN）的出水总磷预测方法。首先,设计一种MEEMD算法对城市污水处理过程出水总磷数据信号进行分解,获取多个本征模态函数（intrinsic mode function, IMF）组合;然后,建立一种基于模拟退火（simulated annealing, SA）算法的深度信念网络预测模型,通过优化的模型结构对分解后得到的每个IMF分量进行有效预测;最后,通过大气CO₂浓度预测和城市污水处理出水总磷预测验证了所提出方法的有效性。     

一种基于自适应回归核函数的污水处理能耗模型

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。