基于神经网络的过程软测量

提出基于神经网络的软测量技术的一般框架,并针对一个实际的催化裂化装置,采用多层前向网络和推广随机逼近算法对粗汽油干点的软测量进行了研究.理论分析和模拟表明,该模型可以很好地描述实际对象特性.     

基于集成模型的焦炉火道温度软测量技术研究与应用

在分析焦炉火道温度特性的基础上,提出了一种基于线性回归和神经网络模型的火道温度软测量集成模型;分析生产工艺得到典型蓄热室的选取原则,从典型蓄热室获得蓄顶温度,建立一元和二元线性回归模型反映蓄顶温度和火道温度的线性关系;建立神经网络模型拟和蓄顶温度和火道温度的非线性关系;最后利用误差最小法将线性回归模型和神经网络模型集成,提高软测量精度;模型实际运行效果验证了所建模型的有效性。     

基于ELM的硫熏强度软测量模型

硫熏强度是亚法糖厂澄清工段的关键工艺参数之一;硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高;目前由于缺乏合适的硫熏强度在线测量装置,该参数主要采用人工取样和离线化验的检测方式,化验滞后时间较长,难以根据该指标及时指导实际生产的问题;为此文章采用极限学习机(ELLM)方法建立了硫熏强度软测量模型,并与基于支持向量机(SVM)、径向基函数(RBF)神经网络和反向传播(BP)神经网络的硫熏强度软测量模型进行对比分析;结果显示,基于ELM的硫熏强度软测量模型具有训练收敛速度快、模型精度高和泛化性能好等优点,可以满足实际糖厂澄清工段的要求.     

基于BP神经网络的电机转矩软测量研究

本文将在化工领域广泛使用的软测量技术应用来进行异步电机转矩测量。根据感应电动机的数学模型，提出了仅用葶于神经网络的电机定子电流的电磁转矩辨识方法，实现异步电机转矩的软测量。用改进的BP算法对神经网络进行学习和训练，构建了适合电机转矩观测的多层前馈神经网络，仿真研究表明：基于神经网络的电机转矩辨识模型具有良好的性能。     

污水处理过程生化需氧量智能集成软测量模型

针对污水处理过程中生化需氧量(BOD)难以在线检测的问题,提出一种基于满意聚类和改进SVM的BOD智能集成软测量建模方法.采用满意聚类算法对预处理后的数据样本进行聚类分析,利用改进SVM为每个聚类样本建立BOD子预测模型,并采用模糊组合方法获得最终的BOD预测值.仿真试验表明,该方法预测精度高,能够满足污水处理过程对BOD检测的实际要求.     

基于多个软测量模型集成的温度控制

论文提出了多个非线性软测量模型通过集成为一个模型来提高精确性和稳定性的思想。通过分析被控温度的影响因素,选取了影响温度并且容易在线测量的辅助变量,建立相应的模型,然后用回归建模的方法把建立的模型集成为一个模型,这样可以提高整个软测量的精度、稳定性和实时性等性能,通过实例分析和实际运行效果验证了这种方法的可行性和有效性。     

基于GA和BP神经网络的二噁英软测量模型研究

本文详细介绍了基于GA-BP神经网络在垃圾焚烧过程中二噁英排放软测量的应用过程.采用基于GA-BP神经网络理论来建立二噁英排放的软测量模型,通过软测量方法的结果和实际值的分析比较,表明基于GA-BP神经网络的二噁英软测量模型的测量精度较高、容错性好、泛化能力较好,是防止垃圾焚烧过程带来的二次污染有效的方法,为垃圾的焚烧过程控制提供了指导依据.此方法可以有效地应用于其它不能直接测量的工程应用.     

基于RBFNN的硫熏强度软测量建模

硫熏强度是亚法糖厂澄清工段非常重要的一个工艺指标,硫熏强度过低会影响澄清效果,过高会造成成品糖二氧化硫残留过高。由于目前尚缺乏合适的硫熏强度在线测试仪,人工化验滞后时间较长,难以根据该指标及时指导生产。为此,提出了一种基于糖厂澄清过程大量离/在线历史数据的硫熏强度软测量方法,分别建立基于径向基函数神经网络(RBFNN)、BP神经网络方法和广义动态模糊神经网络(GDFNN)的硫熏强度软测量模型。通过对模型的性能进行对比分析,说明了基于RBFNN硫熏强度软测量模型的优越性。     

基于神经网络的污水处理软测量模型研究应用

以某大型集成式小区污水处理为背景,为保证回用出水达标,需对排放污水进行检测.以出水总氮为主要检测指标,提出了基于遗传算法联合径向基函数神经网络的软测量模型,利用已知的进水数据来预测出水总氮.通过模型仿真结果表明,预测值和实测值能较好地吻合.     

基于电阻抗谱特性与集成神经网络的天然气水合物饱和度软测量模型

含天然气水合物饱和度的计算是储层优选和资源量评估的关键参数,针对目前数据解释模型计算精度低以及模型输入参数少等问题,提出了一种基于电阻抗特性参数和集成神经网络的软测量模型建立方法。在对电阻抗谱数据进行预处理、特征参数提取以及选择的基础上形成了样本集,针对四对传感器分别设计了BP神经网络,采用平均法作为集成策略将四个BP网络作为子网络进行集成得到集成网络模型。模型测试结果表明：通过集成网络模型计算得到的含水合物饱和度值平均相对误差3.33%、平均绝对误差0.0014、均方根误差为6.56%,三项误差指标均低于各个子网络的计算误差。在宽频范围内对含水合物沉积物进行电阻抗谱测试能够获得沉积物的频率响应特性以及特性描述参数,可为神经网络模型提供大量的输入参数;利用集成神经网络能够综合应用位于不同测量方位的多个传感器的测量数据,通过采用适合的集成策略能够克服水合物空间分布不均匀对饱和度计算准确度的不利影响。     

基于RBF神经网络的发酵过程菌体浓度的软测量

针对微生物发酵过程中菌体细胞浓度难以实时在线检测的问题,从生物细胞代谢角度分析了发酵过程中生物代谢参数的相关性,找出了能够表示生物变量大小的代谢参数,然后将这些参数作为输入变量,建立了菌体细胞浓度软测量的R B F神经网络模型,为复杂系统中生物量参数的检测提供了一条有效途径。仿真结果表明,该软测量方法具有较高的精度,能很好地应用于生物发酵过程。     

Developing a neural network approach for intelligent scheduling in GUESS

The generically used expert scheduling system (GUESS) intelligent scheduling toolkit has been built and applied in various scheduling domains. Previously, GUESS included three major scheduling approaches: a heuristic-based (suggestion tabulator) approach, a hill-climbing algorithm, and a genetic algorithm approach. GUESS has now been expanded to include a neural network scheduling approach. This paper discusses the development, implementation and testing results of the neural network scheduling method within GUESS.     

带误差校正的常压塔汽油干点软测量模型

根据误差反馈原理,设计出带误差校正的神经网络模型,并将其用于常压塔汽油于点软测量,建立带误差校正的软测量模型。它将开环软测量模型的预测误差反传,作为校正输入量送给带误差校正的软测量模型进行误差校正。最后结合常压塔工业实例,对汽油干点进行预测,±1℃的预测误差表明该模型比不带误差校正的软测量模型具有更高的精度。     

神经网络与专家系统结合的DSS模型智能构造

模型智能构造是目前IDSS发展的一个趋势.针对DSS模型构造中存在的问题,提出了一种神经网络与专家系统结合的DSS模型智能构造方案及其系统结构.在对文字描述和数据描述分离的基础上,应用专家系统实现模型类型的选择,应用神经网络实现模型结构的构造.以ARMA模型智能构造为例,说明了方法的可行性和有效性.     

基于模糊建模的冷凝器污脏软测量

提出了一种基于模糊建模的冷凝器污脏软测量方法.该方法选取传热端差作为研究对象,应用模糊建模技术分离出冷凝器污脏对端差的影响.在模糊建模中,采用T-S模型描述变工况传热端差,研究了一种相似度判别法则以确定最优模型结构,并采用实数编码的遗传算法同时优化模型前、后件参数,从而获得了规则简化、精度较高的模糊模型.根据此方法,设计了试验系统,并进行了现场试验.试验结果表明:该方法能有效地在线监测冷凝器污脏,并在冷凝器出现堵管或空气漏入量较大时,取得比热阻法、传热系数法更可靠的测量结果.     

基于RNN的化工过程软测量模型研究

研究了基于回归神经网络(RNN)为化工颜料锌钡白建立质量指标软测量模型的问题。利用SPSS统计软件对过程历史数据进行预分析处理,进而利用这些数据训练回归神经网络,建立质量指标消色力的软测量模型。针对回归神经网络训练效率低,泛化能力差等问题,尝试引入一种初始权值优化方法加以改进。仿真结果表明,利用回归神经网络可以为此类化工过程建立具有一定预测能力的软测量模型,引入的初始权值优化方法有助于提高回归神经网络初始训效率,但模型的泛化能力还有待进一步改进。     

基于PNN和IGS的铅锌烧结块成分智能集成预测模型

针对复杂的烧结块成分预测问题, 提出一种基于过程神经网络和改进灰色系统的铅锌烧结块成分智能集成预测模型. 首先利用过程神经网络可充分表达时间序列中时间累积效应、灰色系统可弱化数据序列波动性的特点, 分别对烧结块成分进行预测, 然后从信息论的观点出发, 提出一种确定各预测模型加权系数的熵值递推算法, 通过对两个预测模型的预测结果进行加权集成, 获得更加准确的铅锌烧结块成分预测结果. 结果表明, 智能集成模型 的预测精度高于单一预测模型, 能有效地对烧结块成分进行预测, 满足了配料计算对预测精度和数据完备性的     

RBF神经网络在菌体细胞浓度软测量中的应用

针对微生物发酵过程中菌体细胞浓度难以实时在线检测的问题，提出了一种基于径向基函数（RBF）神经网络的软测量模型，采用了可调基函数宽度的计算方法，提高了RBF网络的自适应性及泛化能力，为复杂系统中生物量参数的检测提供了一条有效途径。仿真结果表明了该方法的可行性和有效性。     

An intelligent information infrastructure to support the streamlining of integrated logistics workflow

Abstract: In today's competitive environment, rapid advances in economic globalization and information technology have forced many organizations to anticipate and respond to increasing volatility and competitive pressures. Numerous researches have focused on developing techniques on the analysis, design and management of whole logistics chains in particular in the domain of data mining, data analysis and data classification. While the data mining techniques and computational intelligence techniques are good independently for solving specific tasks, they can be synergized through the formation of an integrated and unified model, which can take advantage of the goods and offset the flaws of the two techniques. In this paper, an intelligent information infrastructure, which is characterized by its ability to encompass a rich collection of knowledge representation formalisms for dealing with a logistics information flow problem, is presented. Such intelligent information infrastructure includes a two‐step strategy that embraces the combination of online analytical processing and neural networks to support knowledge discovery. In addition, extensible markup language is used to support the overall infrastructure, in order to facilitate the seamless data interchange within an enterprise.     

基于神经网络滑模的智能车辆横向控制

以智能车辆为研究对象,针对车辆模型存在高度非线性动态特性、参数不确定性以及行驶时受外部干扰较多导致控制精度不高、鲁棒性差等问题,提出了采用径向基函数(RBF)神经网络滑模控制方法.建立2自由度线性车辆模型和自由度非线性整车模型,在传统2自由度车辆控制模型状态方程的基础上推导出新的状态方程并以此设计了相应控制器.利用李雅普诺夫(Lyapunov)稳定性理论推导出神经网络的权,并证明控制系统的稳定性.仿真结果表明:与传统的滑模控制方法相比,该方法控制精度高,有较强的鲁棒性.