基于高阶偏最小二乘的间歇过程建模

间歇过程的产品与现代人的生活息息相关,而建立可靠的模型是保障间歇过程安全运行的基础。针对间歇过程的数据特点,引入一种新的广义线性回归模型——高阶偏最小二乘(higher order partial least squares,HOPLS)。它与传统的间歇过程建模方法具有本质的不同,三维数据(批次×变量×时间)不需要展开成二维矩阵,而是直接被分解成一组正交的Tucker矩阵之和。通过高阶奇异值分解(high order singular value decomposition,HOSVD),张量变换和高阶正交迭代(higher order orthogonal iteration,HOOI)找到能同时包含自变量和因变量最大信息的潜向量,与此同时得到对应的负载向量。对于新观测值,通过模型就可以实现对因变量的预测。最后利用PenSim2.0,对青霉素发酵过程进行仿真研究,验证了该间歇过程建模方法的有效性。     

基于改进的GSO算法和BP神经网络的氨合成塔出口氨含量软测量模型(英文)

The ammonia synthesis reactor is the core unit in the whole ammonia synthesis production. The ammonia concentration at the ammonia converter outlet is a significant process variable, which reflects directly the production efficiency. However, it is hard to be measured reliably online in real applications. In this paper, a soft sensor based on BP neural network (BPNN) is applied to estimate the ammonia concentration. A modified group search optimization with nearest neighborhood (GSO-NH) is proposed to optimize the weights and thresholds of BPNN. GSO-NH is integrated with BPNN to build a soft sensor model. Finally, the soft sensor model based on BPNN and GSO-NH (GSO-NH-NN) is used to infer the outlet ammonia concentration in a real-world application. Three other modeling methods are applied for comparison with GSO-NH-NN. The results show that the soft sensor based on GSO-NH-NN has a good prediction performance with high accuracy. Moreover, the GSO-NH-NN also provides good generalization ability to other modeling problems in ammonia synthesis production.     

基于加权互信息主元分析算法的质量相关故障检测

质量相关的故障检测已成为近几年研究热点,它的目标是在过程监测中,对质量相关的故障检测率更高,对质量无关的故障少报警或不报警。传统主元分析算法的故障检测会对所有故障均报警,不能达到上述要求。另外,在实际工业生产中,质量变量通常难以实时获得,需要后续分析或延时得到。为此,提出一种融合贝叶斯推断与互信息的加权互信息主元分析算法。首先利用贝叶斯推断的加权方法将度量过程变量和质量变量之间相关关系的互信息进行融合,选出包含质量变量信息量最大的一组过程变量。然后对过程变量利用主元分析(principal component analysis,PCA)进行统计建模,再次根据加权互信息选出包含质量变量信息量最大的主元,建立统计量进行故障检测。最后,通过实验验证该方法的可行性和有效性。     

基于变量概率信息的因子分析监控方法

因子分析（factor analysis,FA）将噪声因素加入到建模过程中,可通过最大期望（expectation maximum,EM）算法建立模型。传统的FA（ST）指标仅利用了变量的期望信息而忽略了更能代表不确定性的方差信息,这可能会导致故障的漏报。通过对过程变量的概率分析,从本质上揭示了FA（ST）的这一缺陷。建模过程中的另一个重要因素是确定因子个数,使得在降维的同时能最大程度地保留对过程有用的信息。针对传统监控指标信息不足的问题,提出的负对数似然概率（negative log likelihood probability,NLLP）指标整合了更全面的概率信息;针对因子个数给定的问题,提出了一种整体-局部因子数确定法,使得因子和变量对于过程的信息解释率都达到收敛。最后通过数值例子和Tennessee Eastman（TE）过程验证了所提方法的有效性和优越性。     

大型流程工业过程CIPS的工程结构及其工程化开发方法

针对大型流程工业生产过程的特点，本文提出了一种CIPS系统的工程结构，并讨论了流程工业实施CIPS系统的工程化方法。     

I／AS系统与异构系统互联的研究

本文基于ＣＩＭ思想，完成了Ｉ／ＡＳ与个人微机的信息通信工作，为生产过程实现管控一体化作了必要的基础工作，借助于与ＤＣＳ的信息通信，个人微机可以完成对生产过程的监督、操作优化，管理、高度决策的任务。     

模糊神经网络及其在聚酯酯化建模中的应用

提出一种通过改进减法聚类优选模糊规则的模糊神经网络建模方法.该算法仅从已知的输入输出数据中,就能快速确定模糊规则的数目;给出了模糊规则中参数的确定方法,用误差反传法优化参数;最后用该方法对聚酯的酯化率建立软测量模型.仿真结果表明该方法运算速度快,模糊规则较少,同时具有的良好泛化性能,能够满足软测量建模精度的要求.     

基于改进的小世界网络的组搜索算法及其应用

针对合成氨工艺中,合成塔出口氨含量软测量神经网络模型的参数优化问题,提出了一种改进的小世界网络模型,并将其引入到组搜索优化算法中。改进后的小世界网络在计算节点之间相连接的概率时考虑节点间的距离因素,相距较近的节点间比相距较远的节点之间更容易连接。将改进后的小世界网络引入组搜索算法后,种群中的追随者在每次迭代中,根据当前迭代次数及与其它个体间的距离计算自身与其它个体的相连接概率,相连概率随着迭代增加而线性增大,随着个体间距离的增加而指数递减。追随者根据相连概率选择与自身相连接的个体,再用与其相连的个体构建自身的邻域并选取邻域中的最优个体作为局部最优解个体。追随者更新自身位置时不仅参考整个种群中的全局最优个体,还同时参考自身邻域中的局部最优个体。该算法能够提高种群中个体的多样性,具有更好的全局搜索能力和收敛速度。将该算法应用于氨合成塔出口氨含量软测量建模问题中,对神经网络模型的参数进行优化,并与其它3种方法比较。仿真结果表明,基于改进的小世界网络模型的组搜索算法能够获得更好的模型参数,提高软测量模型的精度。     

基于整数编码的分布式估计单元重组算法

分布式估计算法(estimation of distribution algorithms,EDAs)源于遗传算法,是一种对群体采用宏观方法建模和模拟的新型优化算法.本文根据动态重组制造单元的一般原则,针对制造单元重组问题,提出了基于整数编码的分布式估计制造单元重组算法,通过概率图模型取代传统的交叉、变异等遗传算法操作,并创新的采用轮盘赌方法将EDAs的编码由二进制数改进为整数,降低了编码的长度,开拓了其应用范围.该算法根据两个定量指标,将动态逻辑单元重组问题转化成一个简单的多目标组合优化问题模型,并能真实反映单元重组的本质要求.最后给出实例验证.     

基于LPP-GNMF算法的化工过程故障监测方法

提出了基于LPP-GNMF算法的化工过程故障监测方法。非负矩阵分解（NMF）是一种新兴的降维算法,由于它在机理上具有潜变量的正向纯加性的特点,所以在对数据进行压缩时,可以基于数据内部的局部特征有效描述数据信息,相比于传统的多元统计过程监控方法如主元分析（PCA）等有更好的解释能力。然而NMF要求原始数据满足非负性的要求,实际的化工过程有时并不能保证,为放宽对原始数据的非负要求,引入了广义非负矩阵分解（GNMF）算法。其次,GNMF在分解的过程中没有考虑到样本间的局部结构和几何性质,可能存在不能准确处理数据的问题。针对这一问题,提出了将GNMF与LPP（局部投影保留）相结合的算法。将提出的LPP-GNMF算法应用于TE过程来评估其监测性能,并与PCA算法、NMF算法、SNMF算法进行比较,仿真模拟结果表明所提算法的可行性。