基于知识改进的文化算法及其在化工动态优化中的应用

针对化工以及生化过程的动态优化问题,提出了一种基于改进知识引导的文化算法。该算法首先对控制搜索域与时间域分别进行了等分和离散化,利用"软约束"思想编码控制序列,采用"种群产生"-"控制域进化"-"种群寻优"迭代过程实现对控制序列的逐步寻优;其次在种群空间采用遗传算法,在信度空间采用差分算法,并将进化过程中的已有种群信息设计为3种知识,通过分析知识、提取知识、管理知识来指导进化过程。由于引入了文化进化理念和机制,大大提高了动态优化问题的搜索效率。通过3种典型化工动态优化问题的仿真实例,表明该算法具有较好的寻优效率以及更好的优化结果,验证了该算法在解决具有非线性动态约束问题的有效性。     

文化差分进化算法及其在化工过程建模中的应用

提出了一种新的文化差分进化算法,该算法将差分进化算法作为文化算法的种群空间,在文化算法的信念空间和影响函数设计中提出了基于多种知识源的设计方法,通过多种知识指导差分进化的变异操作和交叉操作,使知识的表达和指导种群进化的能力得到加强。函数测试结果表明,基于知识机制的引入使得文化差分进化算法在寻优性能上比差分进化算法有了较大的提高,而对参数的敏感性却相对较小。将文化差分进化算法用于训练补偿模糊神经网络,建立乙烯精馏塔产品质量软测量模型。通过训练与泛化能力的比较结果表明,基于文化差分进化算法的补偿模糊神经网络软测量模型在建模精度和泛化性能上均优于常规补偿模糊神经网络、模糊神经网络以及采用遗传算法优化的模型,具有更好的应用前景。     

基于罚因子协进化微分算法优化换热网络

惩罚函数法优化有约束换热网络时,罚因子的取值过大降低计算效率,过小降低优化精度,设置合适的罚因子值却不容易。基于微分进化算法优化连续变量的启发,采用罚因子协同进化机制,同步优化罚因子与解变量,应用于换热网络优化问题。协进化机制优化主要思想如下:建立两类种群,一类为罚因子种群,一类为换热面积种群。优化过程中,每一组换热面积种群用来评价每一个罚因子个体,逐个优化所有解种群,得到所有罚因子个体的评价值,再根据微分进化的思想,对罚因子执行变异、交叉、选择过程,进化罚因子。两类种群如此反复交替优化,直到满足终止条件。算例证明,协进化机制应用于换热网络优化能进一步提高优化效率与精度,也为混合算法选取合适的罚因子优化换热网络提供了一种新思路。     

一种改进的知识进化算法及其在化工动态优化中的应用

智能优化算法在动态优化问题的求解中,一方面可以一定的概率收敛到全局最优,避免局部极值而得到了广泛应用;但另一方面,基于随机机制的仿生智能算法也面临收敛速度慢、寻优效率较低的瓶颈,限制了其工业实时应用的场合。为此,从提高智能优化算法在动态优化问题的求解效率出发,提出了一种改进的基于知识引导的进化算法结构,主要包括候选控制策略-时域与控制域的离散策略、知识库空间的进化、知识引导的种群进化。该算法分别在批式反应器等4个典型化工动态优化问题上进行了仿真验证,计算结果表明,该方法能够以较小的种群规模通过知识的引导,以较少的计算代价找到较好的全局解,有效提高了算法的收敛效率。     

改进的差分进化算法及在聚丙烯牌号切换优化中的应用

针对差分进化算法早熟问题,提出一种改进差分进化算法,采用动态缩放因子解决优化过程中的变量约束问题,在进化过程中自动地调整控制参数取值以保证变量约束条件;引入聚集度作为参数评估种群分布的密集程度,增加一种新的变异算子在进化过程中根据聚集度情况对部分个体进行后续变异操作,适时调整种群分布,提高种群多样性,增强全局搜索能力。建立了聚丙烯牌号切换优化模型并将改进的差分进化算法应用于牌号切换优化模型的求解,仿真实验结果表明改进的差分进化算法在全局搜索能力和搜索效率两个方面有较大提高。     

基于Kriging的差分进化算法及其在苯乙烯流程优化中的应用

自适应差分进化算法基于个体生成策略和控制参数自适应,无须人为设置参数,对问题有较好的适应性,但其收敛速度和精度有待提高。将具有较高预测精度的Kriging模型应用于自适应差分进化算法中,建立跟随种群变化的Kriging模型,通过模型极值点与种群最优个体竞争,对种群产生扰动,影响种群进化过程,改善算法的收敛速度和寻优性能。对10个典型测试函数的测试结果表明,该算法较标准和自适应差分进化算法收敛速度加快,收敛精度提高,且具有更好的稳定性。将基于Kriging的差分进化算法应用于苯乙烯装置的流程优化,操作运行费用显著降低。     

基于多种群协同进化的改进粒子群算法在轮胎硫化车间调度中的应用

针对轮胎硫化工序的特点,提出了一套基于改进粒子群算法的调度方案,引入了一种全新的多种群协同进化策略,通过划分不同的功能性种群和种群间的协同进化关系,极大地提升了算法的收敛速度和搜索精度。通过与其它优化算法在调度实例中的比较,验证了该算法的有效性和可行性。     

采用结构保护策略的强制进化随机游走算法优化换热网络

鉴于强制进化随机游走算法（random walk algorithm with compulsive evolution, RWCE）在优化换热网络时可能出现有潜力结构被差解代替,提出了一种结构保护策略,增加一个与原种群平行进化的新种群,新种群执行结构保护,个体与原种群一一对应并接收其当前最优解,同时采用一种降维邻域搜索的进化方式,设置个体各维变量更新概率确定搜索维数,充分挖掘个体结构进化潜力,提升了算法的局部搜索能力;原种群则沿用RWCE的主要操作,保留了较强的全局搜索能力。将采用结构保护策略的RWCE算法用于有分流换热网络优化,取得了优于现有文献的结果。     

基于群体信息挖掘的协同差分进化算法及其应用

为了提高差分进化算法的寻优速度和寻优效能,提出了一种基于群体信息挖掘的协同差分进化算法。该算法首先利用协同进化的思想,将种群分解成不同的子种群,每个子种群采用不同的差分策略进行独立的差分和交叉操作,再将各个子种群合并成一个种群,并根据每个个体的适应度值挑选出最优个体;为了提高差分进化算法的局部搜索能力,引入了多元回归分析和模式搜索算法,对于整个种群,利用最小二乘法求得种群的寻优方向信息,并以此来指导种群中的每一个个体进行模式搜索。仿真试验和在精对苯二甲酸生产过程对羧基苯甲醛含量软测量模型参数估计中的实际应用表明：该算法的性能比传统的差分进化算法有较大的提高,取得了较好的效果。     

采用结构保护策略的强制进化随机游走算法优化换热网络

鉴于强制进化随机游走算法(random walk algorithm with compulsive evolution,RWCE)在优化换热网络时可能出现有潜力结构被差解代替,提出了一种结构保护策略,增加一个与原种群平行进化的新种群,新种群执行结构保护,个体与原种群一一对应并接收其当前最优解,同时采用一种降维邻域搜索的进化方式,设置个体各维变量更新概率确定搜索维数,充分挖掘个体结构进化潜力,提升了算法的局部搜索能力;原种群则沿用RWCE的主要操作,保留了较强的全局搜索能力。将采用结构保护策略的RWCE算法用于有分流换热网络优化,取得了优于现有文献的结果。     

基于自适应量子蚁群算法的石脑油裂解炉故障诊断

针对实际生产过程中缺乏故障数据,采用适合小样本问题的支持向量机对石脑油裂解炉进行故障诊断。为了消除高维数据及系统噪声对故障诊断的干扰,将量子编码引入蚁群算法,提出一种新的自适应量子蚁群算法进行故障特征选择以进一步提高诊断性能。数值仿真实验结果显示,提出的自适应量子蚁群算法具有更好的全局寻优性能;对石脑油裂解炉传感器故障的诊断结果表明自适应量子蚁群算法能快速、准确地搜索到关键故障特征,有效地提高了支持向量机故障诊断的正确率和鲁棒性。     

基于模糊核聚类的多类支持向量机

传统的支持向量机是基于两类问题提出的,如何将其有效地推广至多类问题仍是一个值得研究的问题。本文在比较常用的几种多类支持向量机分类算法基础上,提出了一种基于模糊核聚类的多类支持向量机分类方法。支持向量机的分类精度和分类速度取决于树结构,新方法利用模糊核聚类生成模糊类,并结合基于二叉树的多类支持向量机分类算法实现多类分类。实验结果表明,该方法是一种效率更高、分类更准确的多类支持向量机分类算法。     

基于PSO-SVM的催化裂化装置故障诊断研究

提出基于粒子群优化算法和支持向量机的催化裂化装置反应再生子系统故障诊断方法。利用粒子群优化算法的全局搜索特性,实现支持向量机的参数优化算法。根据支持向量机算法构建了催化裂化装置反应再生子系统故障诊断模型。结果显示,该诊断方法准确率高,具有较高的使用价值。     

基于极限学习机的汽轮机故障诊断

针对汽轮机故障诊断中出现的多故障识别问题,为有效提高汽轮机多故障诊断的准确率,提出了基于极限学习机的汽轮机故障诊断方法.极限学习机算法在训练时只需设置隐含层神经元个数,从而解决了如神经网络及支持向量机等多参数选取困难的问题,有效地提高了学习机的训练速度.在确定了最优参数的基础上,将极限学习机应用于汽轮机故障诊断模型中,并将极限学习机的故障诊断结果与支持向量机的诊断结果进行对比.结果表明：基于极限学习机的多故障诊断速度及准确率均明显优于支持向量机的诊断结果,对汽轮机故障诊断的实践有非常显著的指导作用.     

基于EMD奇异值熵和GASVM的转子系统故障诊断方法

提出一种基于经验模态分解(EMD)和奇异值熵的转子系统故障特征提取方法,克服了奇异值分解相空间重构参数难以选择的问题。然后将奇异值和奇异值熵作为故障特征输入到支持向量机(SVM)中,利用遗传算法(GA)对支持向量机进行参数优化,实现了故障的精确诊断。最后通过对转子不平衡、碰摩和不平衡-碰摩耦合3种故障的正确诊断,证明该方法的有效性。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

免疫PSO_WLSSVM最优聚丙烯熔融指数预报

熔融指数（MI）是聚丙烯生产的重要指标,建立可靠的熔融指数预报模型非常重要。针对标准粒子群算法(PSO)在迭代过程中易出现粒子过早收敛而陷入局部最优的缺陷,通过引入免疫系统的抗体选择机制,构造了一种基于免疫机制的免疫粒子群优化算法(ICPSO),来保持更新粒子的多样性,从而克服标准粒子群算法过早收敛的缺陷;然后利用ICPSO方法对鲁棒最小二乘支持向量机预报模型(WLSSVM)进行参数寻优,得到最优的ICPSO_WLSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的ICPSO_WLSSVM模型的有效性和良好的预报精度。     

A support vector clustering‐based probabilistic method for unsupervised fault detection and classification of complex chemical processes using unlabeled data

A new support vector clustering (SVC)‐based probabilistic approach is developed for unsupervised chemical process monitoring and fault classification in this article. The spherical centers and radii of different clusters corresponding to normal and various kinds of faulty operations are estimated in the kernel feature space. Then the geometric distance of the monitored samples to different cluster centers and boundary support vectors are computed so that the distance–ratio–based probabilistic‐like index can be further defined. Thus, the most probable clusters can be assigned to the monitored samples for fault detection and classification. The proposed SVC monitoring approach is applied to two test scenarios in the Tennessee Eastman Chemical process and its results are compared to those of the conventional K‐nearest neighbor Fisher discriminant analysis (KNN‐FDA) and K‐nearest neighbor support vector machine (KNN‐SVM) methods. The result comparison demonstrates the superiority of the SVC‐based probabilistic approach over the traditional KNN‐FDA and KNN‐SVM methods in terms of fault detection and classification accuracies. © 2012 American Institute of Chemical Engineers AIChE J, 59: 407–419, 2013     

故障分离——一种基于FDA-SVDD的模式分类算法

为了克服多变量统计过程控制在故障分离上的缺陷, 提出了一种新的故障分离方法。 新方法由基于Fisher判别分析（FDA）的特征提取、Fisher线性分类和基于支持向量数据描述（SVDD）的非线性核空间模式分类等算法组成。构造了基于FDA-SVDD的串级和混联融合方式, 并设计了基于SVDD的加权归一化半径模式判别准则。非等温连续搅拌槽 （CSTR）过程仿真验证了混联融合比单纯的FDA分类算法和串级融合具有更优良的故障分离效果。     

基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断

为减轻双循环流化床结块与堵塞故障对生物质气化反应的负面影响,提出基于多尺度特征能量-核极限学习机(kernel extreme learning machine, KELM)的故障诊断模型。首先对故障状态下压力信号采用小波分解获得多尺度信号,然后提取各尺度特征能量作为特征向量,最后将其输入经遗传算法优化的核极限学习智能诊断模型,实现双循环流化床气流堵塞故障的智能诊断。通过对公开的轴承故障数据集和双循环流化床冷态实验系统数据的分类识别分析,并与基于变分模态分解和样本熵特征提取的KELM诊断模型进行比较,结果表明：本模型具有较高的故障诊断精度(82.5%),能够有效提取故障特征,用于双循环流化床气流堵塞的高效分类识别。