基于神经网络的近红外光谱辛烷值模型的研究及应用

汽油管道调合的在线优化过程中,调合优化与控制系统对近红外光谱模型的依赖很大。光谱模型的精度及适应性直接影响整个在线调合系统。本文就如何建立适用于在线汽油调合的汽油辛烷值近红外光谱模型展开研究,提出一种采用主元分析(PCA)结合人工神经网络(ANN)的方法建立汽油近红外光谱辛烷值模型的方法;并与多元线性回归及偏最小二乘法建立的线性模型做比较。结果表明主元分析结合人工神经网络所建立的模型适应性较高、抗干扰能力强,适合汽油在线调合的现场应用。     

无迹卡尔曼滤波器参数在线更新方法在汽油调合中的应用

实时优化技术(RTO)在汽油调合过程中的应用开始得到推广.实时优化技术要去能够对组分油和成品油的属性进行测量,并以此为基础在线优化和更新配方.为了降低实时优化技术对组分油属性测量的依赖,本文采用了无迹卡尔曼滤波器根据成品油属性测量值对组分油属性进行在线更新,并以此为依据进行在线优化.由于采用了无迹变换.无迹卡尔曼滤波器,能够很好地处理辛烷值与雷德蒸汽压在调合过程中表现出的非线性特征.在文中,无迹卡尔曼滤波器和相应的实时优化技术在1个汽油调合问题上进行了测试.结果表明通过无迹卡尔曼滤波器估计出的组分油属性精度可达到0.004%以内,以此为基础的实时优化算法,可以成功完成汽油调合,从而使得实时优化算法摆脱对组分油属性的硬件测量.     

汽油调合累积过程在线控制与优化

汽油调合具有非连续批次性的特点,并且调合头产品在罐中存在累积过程。已有汽油调合在线配方优化针对的是瞬时调合头产品而非罐中产品,无法解决罐底补偿问题,造成罐产品性质与实际目标性质存在偏差,调合生产经济效益进一步提高受到限制。为解决这一问题,文中采用具有收缩时域的模型预测全局滚动优化方式,兼顾质量过剩最小与经济效益最大化两方面要求,提出累积调合过程在线控制与优化算法。在瞬时产品配方优化层的基础上,通过增加瞬时产品目标值计算层,形成二级递阶结构。应用案例结果:证明该算法能用于累积调合过程,能兼顾罐产品质量和调合经济效益最大化,能够有效地解决罐底补偿问题。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

基于观测器的发动机转矩跟踪模型预测控制

针对如何实现发动机转矩快速精准地跟踪期望转矩的问题,提出一种基于观测器的模型预测控制策略.首先,利用均值模型对汽油发动机的进气歧管压力动态、转矩和转速动态进行建模,考虑到发动机真实转矩不可测的情况,采用Lyapunov稳定性理论和可测转速信号设计观测器对进气歧管压力进行在线估计,进而获得发动机的实时估计转矩;然后,利用基于观测器的模型预测控制算法设计转矩跟踪控制器,通过C/GMRES数值优化算法在线求解滚动时域优化问题,实现转矩的实时跟踪控制;最后,利用汽油发动机实验台进行实验验证以表明所提出算法的有效性.     

汽油管道调合配方优化控制及其应用

配方优化控制是汽油管道调合工艺成套技术的1个重要组成部分,详细论述了开发配方优化控制的过程和算法,并讨论了在某大型石化企业应用的实例.在线配方优化控制集罐底补偿、辛烷值非线性调合规则、非线性配方优化算法于一体,实现调合全过程的优化控制.配方优化是周期运算的过程,通过罐底补偿算法来计算每个优化周期的质量控制要求,与在线校正的调合规则一起构成产品质量约束,利用调合组分和产品的在线分析仪质量反馈信息,根据用户指定的优化目标,在调合设备和调合组分使用等约束条件下,用非线性多目标优化算法在每个优化周期内计算出调合配方,在配方保持过程中得以执行,在确保最终调合产品质量合格的前提下,实现高价值组分的节约和辛烷值过剩最小.以1个批次的调合为例说明罐底补偿控制方式下配方优化的4个阶段,并将组分实际用量与调度设定用量进行比较,MTBE节约了80.4m3,占实际MTBE用量的近20%,RON质量过剩小于0.1个单位,优化效果明显.2008年7月汽油管道调合工艺成套技术通过中国石化股份公司技术鉴定,系统长周期运行稳定,按2007年汽油组分成本计算,因节约高价值调合组分预计可降低生产成本约1 200多万元,经济效益显著.     

汽油调合过程的神经内模优化控制

针对某炼油厂的管道汽油自动调合系统,建立了汽油调合过程的神经网络模型,在此基础上,设计出汽油辛烷值的神经内模优化控制器。仿真结果表明了对产品汽油辛烷值的在线闭环实时优化控制方案是可行的。     

基于核岭回归估计器的常压塔航煤干点推断控制

提出了一种基于核岭回归推断估计器的新型推断控制策略，来实现常压塔航煤干点的在线检测和控制.首先，对支持向量机与最小二乘支持向量机回归算法进行了分析，并提出一种直接优化核岭回归算法.其次，通过采集的二次变量数据和化验数据，用核岭回归方法建立了航煤干点的估计器模型．最后进行了仿真，结果表明，在相同样本集下，与支持向量机、RBF网络模型比较，所提建模方法调节参数少，预测精度高．     

新的汽油调合辛烷值模型及其现场应用

为了对汽油调合的配方计算进行优化,本文首先针对汽油的辛烷值属性提出了基于调合效应的模型,并以此为基础提出离线配方优化的策略和现场实施方案.通过对现场数据的建模,以及与乙基模型进行对比,调合效应模型在精度上有约5%的提高.此外,本文还展示了相应的现场实施结果.结果表明优化算法可对每个批次(约5500吨汽油)的汽油调合提供4.25万元的经济效应,为该炼油装置每年提供约1275万元的经济效益.     

氧化铝蒸发浓度的自适应加权LSSVR预测

针对氧化铝蒸发过程的工业现场出口料液浓度在线检测困难、操作参数具有时变性以及传统离线预测所存在的不足等特点,提出了一种多输入多输出系统的自适应加权最小二乘支持向量回归,并用于氧化铝蒸发过程出口料液浓度的在线预测.谊方法根据模型预测效果自适应在线调整建模的训练样本集,利用主元分析提取主元作为分段加权支持向量回归模型的输入,采用网格搜索和交叉验证法对多输入多输出模型参数进行优化.采用工业现场的实测数据进行实验分析,计算结果表明;该方法能够很好地在线预测氧化铝蒸发过程出口料液浓度,相比基于最小二乘支持向量回归以及基于BP神经网络的浓度预测模型,谊方法具有更高的预测精度和更好的泛化性能,满足实际工业生产在线优化控制要求.     

基于BA-WPHM的滚动轴承两阶段剩余寿命预测方法

为了提高滚动轴承剩余寿命预测的准确性,根据滚动轴承运行过程的两阶段性特点,提出了一种基于蝙蝠算法(BA)和威布尔比例风险模型(WPHM)的滚动轴承两阶段剩余寿命预测方法。首先,构建基于WPHM的剩余寿命预测模型;其次,提出了两阶段极大似然估计法,建立新的似然函数,并利用BA算法进行求解,以提高参数估计的准确性;最后,建立BA-WPHM模型对滚动轴承进行剩余寿命预测。案例分析表明,相比于Newton-Raphson算法、自组织分层猴群算法(SHMA)和独特的自适应粒子群算法(UAPSO),提出的方法参数估计的准确性更高,剩余寿命的预测精度优于支持向量回归(SVR)方法,验证了所提方法的有效性,为滚动轴承维修决策的可行性提供了依据。     

基于HI-DD-AdaBoost.RT的锂离子动力电池SOH预测

锂离子电池是一个复杂的电化学动态系统,实时准确的健康状态(SOH)估计对电动汽车动力锂电池的维护至关重要,传统建模方法难以实现SOH的在线估算.基于此,从实时评估电池的SOH出发,在增量学习的基础上,选取与电池健康状态相关的指标建立SOH预测模型.考虑到增量学习中的耗时性问题,提出融合滑动窗口技术的HI-DD算法,该算法可以检测概念漂移是否发生,从而指导和确定模型更新位置;设计出HI-DD与AdaBoost.RT结合的模型更新策略,进而提高模型的在线学习性能和预测精度,最后使用CALCE提供的电池老化实验数据对所提出的方法进行验证.结果表明,基于增量学习的HI-DD-AdaBoost.RT预测算法具有较强的在线更新能力和较高的预测精度,能够满足SOH在线预测的实际需求.     

一种用于软测量建模的增量学习集成算法

针对软测量模型在实际应用中遇到的问题, 结合AdaBoost 集成学习思想, 提出适用于软测量回归的集成学习算法, 以提高传统软测量模型的精度. 为了克服模型更新技术对软测量实际应用的制约, 将增量学习机制加入软测量集成建模中, 使软测量模型具有在线实时更新的增量学习能力. 对浆纱过程使用新方法建立上浆率软测量模型, 并使用实际生产数据对模型进行检验, 检验结果表明, 该模型具有很好的预测精度, 并能够较好地实现在线更新.

     

基于主曲线的不均衡在线贯序极限学习机研究

针对现有机器学习算法难以有效提高不均衡在线贯序数据中少类样本分类精度的问题,提出了一种基于主曲线的不均衡在线贯序极限学习机。该方法的核心思路是根据在线贯序数据的分布特性,均衡各类别样本,以减少少类样本合成过程中的盲目性,主要包括离线和在线两个阶段。离线阶段采用主曲线分别建立各类别样本的分布模型,利用少类样本合成过采样算法对少类样本过采样,并根据各样本点到对应主曲线的投影距离分别为其设定相应大小的隶属度,最后根据隶属区间削减多类和少类虚拟样本,进而建立初始模型。在线阶段对贯序到达的少类样本过采样,并根据隶属区间均衡贯序样本,进而动态更新网络权值。通过理论分析证明了所提算法在理论上存在损失信息上界。采用UCI标准数据集和实际澳门气象数据进行仿真实验,结果表明,与现有典型算法相比,该算法对少类样本的预测精度更高,数值稳定性更好。     

提高测量可靠性的多传感器数据融合有偏估计方法

为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用. 本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法. 首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度. 其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性. 最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合. 实例应用验证了方法的有效性.     

Data-based adaptive online prediction model for plant-wide production indices

A data-based adaptive online prediction model is proposed for plant-wide production indices based on support vector regression, a general method which we customized specifically to model very large data sets that are generated dynamically and periodically. The proposed model can update its parameters online according to the statistical properties of the training samples. Further, in order to improve the prediction precision, each sample is weighted with a dynamic penalty factor that considers the effect of each sample on the prediction model accuracy. Moreover, a customized procedure is introduced to handle large training sets. After having been convincingly evaluated on benchmark data, effectiveness and performance of our approach for plant-wide production indices is demonstrated using industrial data from an operating ore dressing plant over a range of scale in training data set size. The higher accuracy and shorter computation times than existing methods suggest that it may prove advantageous in actual application to dynamic production processes.     

基于目标出生强度在线估计的多目标跟踪算法

针对多目标跟踪中未知的目标出生强度, 提出了基于Dirichlet分布的目标出生强度在线估计算法, 来改进概率假设密度滤波器在多目标跟踪中的性能. 算法采用有限混合模型来描述未知目标出生强度, 使用仅依赖于混合权重的负指数Dirichlet分布作为混合模型参数的先验分布. 利用拉格朗日乘子法推导了混合权重在极大后验意义下的在线估计公式; 混合权重在线估计过程利用了负指数Dirichlet分布的不稳定性, 驱使与目标出生数据不相关分量的消亡. 以随机近似过程为分量均值和方差的在线估计策略, 推导了基于缺失数据的分量均值与方差的在线估计公式. 在无法获得初始步出生目标先验分布的约束下, 提出了在混合模型上增加均匀分量的初始化方法. 以当前时刻的多目标状态估计值为出发点, 提出了利用概率假设密度滤波器消弱杂波影响的出生目标数据获取方法. 仿真结果表明, 提出的目标出生强度在线估计算法改进了概率假设密度滤波器在多目标跟踪中的性能.     

基于自适应增强算法的支持向量机组合模型

为了提高软测量模型的泛化能力,提出一种基于AdaBoosting算法的组合支持向量机(SVM)模型.该方法在贝叶斯分析的基础上,利用样本概率初始化惩罚系数,依据回归过程中的损失函数更新惩罚系数权重,使得SVM训练模型有强、弱之分,突出一些重要样本的作用,以提高模型的估计精度和泛化能力.仿真结果表明,依据该方法建立的组合模型明显改善了软测量模型的估计能力和泛化能力.     

基于改进极端学习机的网络流量预测

为了提高网络流量的预测精度,针对极端学习机的训练样本选择问题,提出一种改进极端学习机的网络流量预测模型（IELM）。根据最优延迟时间和嵌入维数对网络流量重构,建立网络学习样本,将学习样本输入到改进极端学习机进行训练,随新样本加入而逐步求解网络的权值,以提高学习速度,引入cholesky分解方法提高模型的泛化能力,采用具体网络流量数据进行了仿真测试。结果表明,IELM不仅可以获得较传统网络流量预测模型更高的精度,并且大幅度减少了计算时间,提高了建模效率,可以较好地满足网络流量预测要求。