一种基于D-S 和ARIMA 的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点, 提出一种基于证据理论(D-S) 合成规则和差分自回归滑动平均(ARIMA) 模型的多模型软测量方法. 首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型; 然后利用D-S 合成规则构造的概率分配函数作为权值因子, 对子模型输出进行融合以得到多模型的输出; 最后结合ARIMA 模型对静态多模型输出进行动态校正. 仿真研究与工业应用的结果表明, 所提出的方法具有良好的预测性能和融合能力.

     

基于混沌序列的自适应粒子群优化算法

提出一种改进粒子群局部搜索能力的自适应优化算法。通过大量仿真试验,考察粒子平均速度和收敛性之间的关系,给出一种新的自适应调整权重策略。以粒子平均速度作为反馈信息,动态调整权重因子,控制粒子速度并使其沿理想速度曲线下降。在搜索过程中引入混沌序列以改进算法的局部搜索能力。对经典函数的测试结果表明,改进的混合算法通过微粒自适应更新机制确保了全局搜索性能和局部搜索性能的动态平衡,在稳定性和精度上均优于普通PSO算法。     

基于MFA-ICA的间歇过程在线监控

针对间歇过程独特的数据特点,提出1种将因子分析(FA)作为独立成分分析(ICA)白化预处理手段的多向因子分析白化独立成分分析(multiway factor analysis-independent component analysis,MFA-ICA)间歇过程监控方法.因子分析充分考虑了模型误差的普遍意义,拥有优秀的噪声建模能力.将其代替上成分分析用于白化,可以更好的提取数据集的本质信息.首先将间歇过程三维数据依次按批次和变量展开得到二维数据矩阵,接着把上述方法用于展开后的数据,利用ICA的,I2统计图实现在线故障检测.该方法用于标准仿真平台Pensim,结果表明上述方法对于提高间歇过程故障检测的快速性,降低漏报率有明显效果.     

具有降阶模型的多模型鲁棒自适应控制

传统鲁棒自适应控制由于考虑了实际系统存在的不确定性,在一定程度上扩大了常规自适应控制的应用范围,但是传统鲁棒自适应控制大多只是从系统全局稳定性的角度出发来设计控制器而忽略系统动态和稳态性能,导致其无法在工况多变的实际被控系统中取得令人满意的效果。针对传统鲁棒自适应控制的不足,本文对由ARMA模型描述并包含未建模动态的系统设计了多模型鲁棒自适应控制器。首先采用正则化技术将系统未建模动态转化为系统有界扰动,并在系统降阶模型的基础上根据系统工况的变化设计了多个固定控制器和2个鲁棒自适应控制器,并根据性能指标函数选择最佳控制器作为当前系统控制器以提高系统性能。仿真实验说明当系统存在未建模动态以及系统工况发生变化时,本文设计的控制器能获得较好的控制效果。     

基于自适应模糊聚类多模型过程监控及应用

对乙烯裂解炉建立实时监控模型具有重要的现实意义,而传统的多元统计过程监控方法都是假设过程处于单一工况下,而随着过程参数(进料负荷、产品组分等)的改变,工况也随之改变,传统方法便不再适用.本文针对工业过程中的多工况问题,提出了一种基于自适应模糊聚类的多模型过程监控方法,该方法可以减少监控方法对过程知识的依赖性,并且能够适应实际工业过程的非高斯性和非线性特征.首先对影响工况的过程变量利用自适应模糊聚类进行工况划分,然后对每种工况的建模数据分别利用最大方差展开(MVU)提取低维信息,再用支持向量数据描述(SVDD)建立多模型过程监控模型,最后再利用相应的统计指标进行过程监控.将上述方法应用在乙烯裂解炉上,并与基于高斯混合模型的多PCA方法(GMM-MPCA)进行了比较.仿真实验中,监控对裂解炉运行影响最大的33个变量,根据聚类有效性指标,将数据划分为5类时可以得到最佳的聚类效果.通过实验,将33维建模数据降到20维时误报率最小.仿真结果表明该方法在对非线性和非高斯性过程的监控上,能达到很好的效果,误报率和检测率均优于GMM-MPCA方法.     

一种基于参数稳定域的PI~λD~μ控制器整定方法

在PI~λD~μ控制器的研究中,对于参数稳定域的研究取得了一定的成果,而对于如何在稳定域内确定满足系统性能要求的最优控制器则未给出具体方法。为此,本文提出了一种在参数稳定域内整定控制器参数的方法。首先根据D分割原理求得满足一定相角裕度要求的控制器K_p,K_i参数稳定区域,然后根据该区域边界确定K_p,K_i参数的上下界,并采用遗传算法,以时间乘以误差绝对值积分(ITAE)为性能指标求出在该区域中K_p,K_i参数的最优值。最后,分别以整数阶滞后系统和分数阶滞后系统为被控对象进行仿真。结果表明,由该方法整定的PI~λD~μ控制器可以实现对整数阶或分数阶滞后系统的有效控制。     

一种基于高斯核化有效性指标的自适应优选聚类数的FKCM

针对传统的模糊核聚类算法(FKCM)需给出聚类个数,且对初始值敏感、易陷入局部最优的缺点,本文提出了一种基于高斯核化有效性指标的自适应优选聚类数的模糊核聚类算法(GKVI-AOCN-FKCM)。利用基于密度和距离的方法选取初始聚类中心,克服了对初始值的敏感,提高了聚类效率。然后用高斯核函数核化后的有效性指标评价聚类效果并自动确定最佳分类数,从而无监督地实现对数据集的模糊划分。对Iris数据集的仿真实验及石脑油属性数据分类的应用验证了算法的可行性和有效性。     

哈锅1000MW超超临界直流锅炉启动系统设计

介绍日本三菱公司1 000 MW超超临界机组带泵启动系统的设计特点及哈锅超超临界机组启动系统的选择,系统的运行方式。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前，基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中，主导变量的采集相对辅助变量要困难得多，由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据，只利用少量的有标签数据建模，从而影响了模型的预测精度。为了解决标签缺失的问题，采用最近邻算法对无标签数据进行伪标记，同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据，提取不同时刻数据中的动态特征，提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测，实验结果表明该模型能有效处理非线性动态系统的标签缺失问题，具有更高的预测精度。     

基于二子空间协同训练算法的半监督软测量建模

在工业过程中,存在着辅助变量与主导变量数据比例严重失衡的问题。协同训练算法是其中一种利用无标签数据中的潜在信息以提升学习性能的模型训练方法。然而目前在协同训练软测量建模过程中,学习器之间存在严重的训练特性交叉重叠的问题,这将导致对主导变量的预测性能衰减。针对这一问题,提出基于二子空间协同训练算法的半监督软测量模型two-subspace co-training KNN(TSCO-KNN)。该模型将二子空间分块算法与协同训练算法相结合,利用辅助变量与主成分子空间PCS和残差子空间RS两个特征子空间的相关性程度,将数据变量拆分为两个具有显著差异性的学习数据集,进而使用KNN回归器进行协同训练,共同用于对主导变量的预测。最后在乙烯精馏塔塔顶乙烷浓度和TE过程产品浓度软测量中进行仿真研究,验证本文所提算法的有效性。