基于C的化工基础数据识别算法

提出了化工诺模图类数据计算机识别的一种新算法,利用C语言,通过在气体、液体粘度的实现,说明该算法的可靠性,可望为此类化工经验图的数据库化提供一种途径。     

基于LSNPE算法的化工过程故障检测

复杂化工过程通常具有多个操作模态,而且采集的数据不服从单一的高斯或非高斯分布。针对化工过程的多模态和复杂数据分布问题,将局部标准化（local standardized,LS）策略应用于邻域保持嵌入（neighborhood preserving embedding,NPE）算法,提出了一种新的基于局部标准化邻域保持嵌入（local standardized neighborhood preserving embedding,LSNPE）算法的故障检测方法。首先,使用LSNPE算法提取高维数据的低维子流形,进行维数约减,同时保持邻域结构不变。其次,通过特征空间中样本的局部离群因子（local outlier factor,LOF）构造监控统计量并确定其控制限。相较于监控多模态化工过程的多模型策略,提出的LSNPE方法不需要过程先验知识的支持,只需建立一个全局的监控模型。最后,通过数值仿真及Tennessee Eastman（TE）过程仿真研究验证了本文提出方法的有效性。     

基于TA-ConvBiLSTM的化工过程关键工艺参数预测

化工过程中,掌握关键工艺参数的变化趋势对于消除潜在波动、维持工况稳定作用巨大。然而,传统的浅层静态模型很难对非线性和动态性显著的复杂序列数据进行精准预测。针对上述难题,提出一种深度预测模型TA-ConvBiLSTM,将卷积神经网络(convolutional neural networks, CNN)和双向长短时记忆网络(bi-directional long short term memory, BiLSTM)集成到统一框架内,使其不仅能在每个时间步上自动挖掘高维变量间的隐含关联,更能横跨所有时间步自适应提取有用的深层时序特征。此外,引入时间注意力(temporal attention, TA)机制,为反映目标变化规律的重要信息增加权重,避免其因输入序列过长、深层特征太多而被掩盖。所提出方法的有效性在国内某延迟焦化装置炉管温度预测的案例中得到验证。     

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。     

基于IGES文件的最小独立封闭平面区域识别算法

基于IGES文件,提出一种能够方便嵌入至有限元分析(FEA)前处理平台中的平面图形最小独立封闭区域识别算法。该算法通过读取和整理CAD几何模型数据文件得到原始数据,并经过区域识别计算输出供FEA建模的数据文件。该算法已成功应用于轮胎FEA前处理平台中。     

基于核T-PLS的化工过程故障检测算法

针对全潜结构投影法（T-PLS）在检测非线性过程故障时误报率和漏报率较高的缺点,提出了基于核函数的全潜结构投影法（KT-PLS）。该算法通过核函数将过程数据从低维输入空间非线性地映射到高维特征空间,实现非线性问题的线性化;然后在质量变量的引导下将特征空间分为与质量直接相关、与质量正交、与质量无关和残差四个子空间;最后分别构建D和Q统计量进行故障检测。将该算法应用到Tennessee Eastman process（TEP）,多种故障模式下的仿真结果表明,KT-PLS比T-PLS更适合监控具有强非线性的生产过程。     

基于多操作SMSA算法的化工过程优化

提出一种多操作单纯形．模拟退火混合算(SMSA)，采用附加扰动、随机产生、移位、平滑、边界取值等多种算子作为模拟退火的状态产生函数，增强了算法的全局搜索和局部趋化能力，提高了算法的优化性能。对化工过程的优化控制及Grierwangk函数的优化的数值仿真，以及与单一遗传算法和模拟退火算法的比较研究验证了所提出算法的有效性和优越性。     

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。     

基于数据驱动的化工过程参数报警阈值优化

为了提高化工过程报警系统的性能,需要对过程参数的报警阈值进行优化设置。针对传统阈值方法存在的问题,采用核密度估计方法、基于历史数据对过程报警状态进行估计,从最小化误报警和漏报警概率的角度建立了优化过程报警阈值的目标函数,并采用数值优化的方法进行求解。应用于TE过程的仿真结果表明,此方法能够有效地减少过程误报警的次数,并且对漏报警的次数进行抑制。     

基于大规模化工过程的快速分布式MPC算法研究

针对目前化工过程复杂,在分布式模型预测控制(MPC)的实施中会面临强耦合以及慢速收敛的问题,提出了改进全局性能指标的快速分布式MPC算法。首先在每个采样时刻分别求解子系统自身的局部优化问题,同时考虑关联子系统之间的相互作用,然后在协调过程中对全局最优性能指标进行改进以减少迭代次数。该方法降低了控制问题的复杂度,减少了迭代时间,有效地改善了收敛速度。最后分别对二元精馏塔过程和苯乙烯聚合反应过程进行了仿真,验证了所提算法的有效性。     

基于改进的时滞分析算法的化工过程故障定位

在现代化工过程中,故障在局部出现后往往会通过物流连接、控制系统的作用下传递到整个流程。识别故障的传播机理,诊断出故障的根本原因对于生产的经济性或安全性都具有重大的意义。时滞分析是一种基于数据的算法,具有不依赖机理模型,获得的结果易于解读等特性,被认为是一种很实用的故障识别算法。将小波降噪技术、全流程节点划分等方法与时滞分析算法相结合,可以较好地克服化工过程在线数据的强噪声特点以及模型中冗余时滞的干扰,改进的算法具有更好的鲁棒性,具有化工全流程诊断的能力。通过对TE模型的故障定位研究,结果显示该方法可对异常工况进行故障隔离,并能给出扰动传播路径,有助于故障机理的研究。     

基于特征工程和KELM的化工过程故障检测与识别

针对化工过程工艺复杂、数据非高斯性和耦合性强的问题,提出了一种基于特征工程与核极限学习机(kernel extreme learning machine, KELM)相结合的化工过程故障检测与识别方法。首先用独立分量分析(independent component analysis,ICA)将原始数据分离在相互独立的方向上,通过计算样本的统计量判断是否有故障产生。然后,对两个样本用互信息(mutual information, MI)进行相关性对比,通过贡献度与相关性进行变量选取,以提高分类的准确度。最后,将获取的特征输入到KELM中进行故障分类。为了提高网络的诊断精度,采用遗传算法对参数进行优化。应用于田纳西-伊斯曼(Tennessee Eastman,TE)过程与某工业脱丙烷过程的结果表明,该方法可有效地检测出故障并且准确识别故障种类。     

基于社团结构的化工过程风险演化路径深度挖掘

在化工生产过程中,由于物料的危险性和流程的复杂性,导致恶性事故频发。为了保证化工过程的安全平稳运行,需对其风险演化机制进行深入解析,以抑制次衍生灾害事故的传播、扩散及演变。然而,传统方法过于依赖专家经验或先验信息,风险评估结果不精准;以复杂网络为基础的社团结构虽可视为风险演化路径的高度抽象,但已有算法难以兼顾划分结果的合理性和准确率。为此,提出一种基于DSAE-Louvain社团结构的化工过程风险演化路径深度挖掘方法。首先对多源过程数据进行处理,构建风险演化网络模型,同时利用Dijkstra算法、跳数法等手段,获取相似度矩阵;进而引入深度稀疏自编码器（DSAE）与Louvain算法,经稀疏处理开展社团结构划分;最后,根据节点重要度排序追踪整个化工过程的风险薄弱节点和关键演化路径。以Tennessee Eastman (TE)过程为例,对比GN算法、Louvain算法和DSAE-GN方法,结果表明DSAE-Louvain方法能够提升社团结构划分的精细化、高效化程度,且所挖掘的风险演化路径更为符合实际生产工艺流程。     

基于DMFA与深度学习的化工过程多工况异常识别

为了解决动态变化过程数据随设备参数变化而服从不同分布的问题,提出了一种基于深层化工机理和自适应方法的多工况深层机理特征自适应(deep mechanism feature adaptation, DMFA)与深度学习的异常识别方法。首先,建立了工艺的物料衡算和热量衡算方程。其次,卷积操作抽取了工艺的机理特征表示。然后,自适应了源域(训练数据)和目标域(测试数据)的深层机理特征分布。最后,基于深度学习实现了无监督目标域的异常识别。由于DMFA在学习工艺机理时,使模型得到了紧致的机理特征表示,适配了工艺过程的设备参数变化,所以DMFA可以有效解决欠拟合、过拟合以及欠适配问题。脱丙烷精馏过程的应用表明,该方法能够有效识别精馏过程多工况,其异常识别的平均F1分数达到了99.87%。     

固井过程中的重要参数

固井是打井过程中的一个重要环节,本文从深度、井眼形状参数、井下环境以及温度资料等三个方面综述了固井过程中的重要参数,希望对以后的工作提供帮助。     

固井过程中的重要参数

固井是打井过程中的一个重要环节,本文从深度、井眼形状参数、井下环境以及温度资料等三个方面综述了固井过程中的重要参数,希望对以后的工作提供帮助。     

面向化工生产的过程参数监控系统

利用虚拟仪器技术设计了一种过程参数监控系统,介绍了系统的硬件组成,PC机接口电路及系统的软件模块组成,并简要说明如何生成动态链接库DLL,以便在VB应用程序中调用。     

综合可靠性优化的化工过程参数优化

首先针对化工过程进行参数优化过程,考虑系统可靠性问题,提出了一种综合可靠性优化的参数优化模型,利用系统可用性对过程产品产量进行修正,从而将系统可用性加入到过程模型当中。其次在优化过程中。为了避免因过程模型太复杂而导致计算量大的问题,提出了结合Unisim模拟软件的优化实现方法,利用Unisim计算每次迭代过程中的过程模型和目标函数值,直至优化过程收敛。最后将以上方法应用在某天然气处理过程中。结果表明：综合可靠性优化的参数优化模型,提高了化工过程的经济效益;基于Unisim的优化过程,不需要简化过程模型,能简单、快速、有效地得到优化结果。