面向精细化工产业集群云平台的研究与应用

为提高我国精细化工产业的现代化水平,结合云制造服务型理念,提出了建设面向精细化工产业集群的云服务平台解决方案,建立公共云服务平台体系架构。根据该产业集群的现状,选择基于Saa S模式作为平台的系统架构,为产业集群提供了一个切实可行的信息化解决方案。     

化工过程数据校正方法的探讨

简要地介绍了数据校正中的基本概念；然后从数据协调、显著误差检测、数据校正三个方面较系统地、全面地总结了数据校正方法的研究进展和成就；最后探讨了这一领域中值得进一步研究的问题和可能的发展方向。     

基于数据差异的多变量统计过程控制

研究数据差异（DISSIM）方法在多变量统计过程控制中的应用.为检测过程数据分布变化来监视操作条件变化,并且定量地评价两组数据之间的差异,DISSIM方法定义一种差异指标D.计算D时运用时间窗口,时间窗口对指标D具有平滑作用,与MSPC的统计指标T2或Q相比,D变化平稳.针对多变量自回归过程和TE过程,分别应用MSPC和DISSIM两种方法做仿真试验.仿真结果表明：与MSPC相比,适当选择时间窗口时,DISSIM善于检测过程中小的、缓慢的变化,而且能够检测操作条件的变化,明显改善了监视性能.     

基于模糊规划电弧炉优化配料模型的研究

配料是电弧炉炼钢中关系到钢水质量、冶炼工艺的一个非常重要环节,优化配料是保证钢水质量和节省成本的重要方法。目前大多数配料都是采用清晰型线性规划方法,没有考虑冶炼钢种的技术条件对钢水中各种元素的含量的模糊性,影响了优化模型的可靠性,而模糊配料约束线性规划模型为解决这个问题提供了一条思路,通过对冶炼工艺的模糊需求量和模糊等式的描述,建立了电弧炉配料的模型,该模型充分考虑了电弧炉炼钢的工艺要求,得到了适合生产需要的配料结果。     

电厂化学水处理控制系统中 PLC 控制系统设计与预测控制研究

采用 PLC 与工业控制计算机共同构成控制系统的方法,解决了化学水处理控制系统自动化程度低的问题.实际运行表明,化学水处理过程可通过 PLC 控制系统进行有效的自动监控.针对再生后出水中磷酸盐含量过高问题,本文首先在 Matlab/simulink 环境下,对化学水处理系统进行建模仿真,其次本文采用模型预测控制算法,对出水磷酸盐浓度进行控制,并与传统 PID 算法进行对比,仿真结果证明模型预测控制(Model Predictive Control,MPC)算法控制效果优于传统 PID,使出水磷酸盐达到了工艺出水水质要求.     

面向流程工业的通用远程监控系统的研究与应用

采用将传统C/S模式与Web技术相结合的B/S模式,构建了一个面向流程工业的通用远程监控系统体系结构,并利用该结构,在确保原控制系统正常安全生产的前提下,采用SQL Server,ASP.NET,Ajax等技术,利用IIS服务、C#语言开发了脱硫工艺远程监控系统.经过现场调试及系统运行,该系统具有安全可靠、数据传递实时性好等优点,很大程度地提高了企业的信息化水平.     

Wincc在冶金行业的应用

以大连钢厂改造为背景,运用wincc设计了电弧炉计算机监控系统,分析了wincc的通讯问题。     

基于图像灰度值控制的矿石提纯系统

主要探讨图像处理在工业控制中的一些应用。以图像的灰度值作为检测得目标对象，正确地从图像中提取出目标物体得特征制，是实现许多智能图像系统的基础。基于计算机的图像检验，着眼于检测的图像信息，对洗矿机实行实时控制。     

机器学习在工业网络入侵检测中的研究应用

在工业化和信息化两化深度融合的背景下,工业控制网络面临着高强度、持续性的恶意渗透和网络攻击,对国家安全和工业生产构成了巨大威胁.检测工业控制网络遭受恶意攻击,高效区分正常数据和攻击数据的研究已成为热点问题.以密西西比州立大学SCADA实验室的能源系统攻击数据集作为工业控制网络入侵检测的主要研究对象,对比不同机器学习算法的准确率、漏警率、虚警率等重要指标,得出综合性能最优的XGBoost算法.为进一步提高入侵检测效率,提出了一种针对XGBoost算法的包裹式特征选择方法,在简化数据集的同时突出不同特征在入侵检测中的重要性.研究结果表明,结合包裹式特征选择的XGBoost算法能有效解决入侵检测问题并提高入侵检测效率,验证了此方法的有效性和科学性.     

基于CVAE-CatBoost的工业控制网络异常流量检测研究

为解决工业控制网络异常流量检测中存在的数据分布不均衡、现有模型检测率低的问题，提出一种基于条件变分自编码器（CVAE）和CatBoost算法的异常流量检测模型。CVAE引入标签信息作为约束条件，控制生成样本的类别。CatBoost算法通过引入无偏估计克服梯度偏差，提高预测的准确性，同时采用多种树的生长方式降低过拟合的风险。使用CVAE进行数据增强，扩充稀有攻击样本，构建分布均匀的平衡数据集。将CatBoost算法作为异常流量检测模型，对Dos、Fuzzers等攻击样本进行精确识别并输出分类结果。实验结果表明：在UNSW-NB15数据集上，利用CVAE进行数据增强后，CatBoost算法对少数类样本的F1值平均提升了25.16个百分点，整体精确率、召回率和F1值分别达到87.85%、87.87%和87.86%；在ZYELL＿NCTU NetTraffic＿1.0数据集上，利用CVAE进行数据增强后，CatBoost算法对少数类样本的F1值平均提升了16.32%，整体精确率、召回率和F1值均达到99.85%。该模型能够有效避免数据不均衡问题，相较K近邻、随机森林、卷积神经网络等机器学习和深...