基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法(JIT)的多模型在线软测量方法(MOSVR)。离线阶段首先采用模糊C均值聚类(FCM)对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略(OSMU)将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于灰色系统的软测量方法及其应用

针对工业过程中一些难以测量的变量,提出一种基于灰色系统的软测量方法,该方法将灰色模型结合工艺生产过程进行建模分析,选择一组辅助过程变量作为灰色模型的输入,利用灰色模型的输出对复杂工业过程中的变量进行预测。采用基于灰色系统的软测量方法对VOD炉终点钢水温度预测的仿真结果表明:预测值的命中率较高,证实了该方法的有效性。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于模型的模糊推理及其在制浆蒸煮软测量中的应用

提出了一种基于模型的模糊推理方法,并详细介绍了该方法在造纸制浆蒸煮过程中的应用。     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。     

基于泄漏积分型回声状态网络的软测量动态建模方法及应用

提出一种基于泄漏积分型回声状态网络（LiESN）的软测量动态建模方法,给出LiESN的岭回归离线学习算法与递推最小二乘（RLS）在线学习算法。通过引入正则化系数,岭回归离线学习算法可有效地控制输出权值的幅值,改善ESN的预测性能。RLS在线学习算法能适应大数据集的处理,满足过程建模实时性的需求。将基于LiESN的软测量方法分别用于预测脱丁烷塔底部丁烷组分的含量及计算硫回收装置中尾气的组成,实现对精炼厂相关产品质量的实时监控,并采用模型残差的四图分析对建模性能进行评价。在同等条件下,与基本的ESN网络以及支持向量机（SVM）等软测量建模方法进行了比较,结果表明,所提出的LiESN方法取得了很好的预测性能,计算精度满足工业生产的实际要求。     

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。     

软测量在橡胶混炼过程建模中的应用

介绍软测量技术在橡胶混炼过程中的应用。软测量技术的关键是建模，橡胶混炼过程建模主要有基于机理和基于数据驱动两种方法。由于混炼过程的复杂性，基于机理的建模方法在实际应用中受到限制，仅用于估算或定性分析；而基于数据驱动的建模方法对过程知识要求较低且具有自学习功能，因而得到快速发展。混炼过程模型还受辅助变量、数据预处理的影响，且模型建立后还需进行校正，目前对数据预处理和模型校正的研究还较少。     

基于区间二型模糊神经网络的出水氨氮软测量

针对污水处理过程出水氨氮（ammonia nitrogen,NH₄-N）难以实时检测的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的软测量方法,建立了出水NH₄-N的软测量模型,实现了出水NH₄-N的实时检测。首先,采集和预处理相关过程变量的实际运行数据,通过主元分析法筛选出与出水NH₄-N相关性较强的过程变量。其次,利用IT2FNN建立所选变量与出水NH₄-N的软测量模型,通过梯度下降算法对模型相关参数进行修正。最后,将基于IT2FNN的出水NH₄-N软测量模型应用于实际污水处理过程。实验结果表明,提出的出水NH₄-N软测量方法不仅能够实现污水处理过程出水NH₄-N的实时检测,而且具有较高的检测精度。     

基于D-FNN的聚合过程转化速率软测量建模及重构

引言以氯乙烯单体(VCM)为原料,采用悬浮法聚合工艺生产聚氯乙烯(PVC)树脂是一种典型的间歇式化工生产过程。VCM的转化率对PVC树脂产品质量有很大影响,不同转化率时对PVC     

基于向量投影的代谢支持向量机乙烯精馏产品质量软测量建模

针对支持向量机(SVM)增量学习过程中易出现计算速度慢、稳定性差的缺陷,提出了一种基于向量投影的代谢支持向量机建模方法.该方法首先运用向量投影算法对训练样本进行预选取来减少样本数量,提高SVM建模速度.然后将新增样本"代谢"原则引入SVM增量学习过程中,以解决因新增样本不断加入而导致训练样本数量"爆炸"的问题.最后将该方法用于乙烯精馏产品质量软测量建模,实验结果表明,与传统SVM和最小二乘支持向量机(LSSVM)相比,向量投影的代谢SVM具有更好的预测结果.     

高斯过程及其在软测量建模中的应用

结合工业萘初馏塔关键质量指标估计问题,提出了采用高斯过程（GP）建立复杂工业过程软测量方法。将自动相关确定（ARD）原理与GP模型结合进行软测量模型辅助变量选择,通过建立GP软测量模型,同时得到关键质量指标估计值和相应的预测不确定度,有效解决了现有软测量建模方法不能给出估计值的测量不确定度的问题。研究表明,GP软测量模型不仅能自动选择辅助变量,而且还具有较高的估计精度和较小的测量不确定度,能够更好地满足工业现场对测量可靠性的要求。     

基于机理建模的聚醋酸乙烯浓度软测量技术

化工过程的先进控制必须依靠完善的信息系统,而产品质量的在线估计是构建完善信息系统的难题之一。利用软测量技术,通过机理建模,采用常规仪表成功实现了某厂聚醋酸乙烯浓度的在线连续检测。系统具有硬件设备简单、操作维护方便、使用寿命长、价格较低等优点,并易于与工厂原有装置进行系统衔接,检测精度达到0.5%。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

一种基于混合建模技术的MIMO软测量建模方法

针对复合肥产品中几种养分含量需要同时预报的一类多输入/多输出(MIMO)软测量建模问题,提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型,然后采用简化机理模型实时计算三种养分含量。基于实际工业过程数据的仿真结果表明,所建模型运算速度快、预测精度高,可以满足复合肥养分含量在线预报的要求。     

基于PSO-SVM逆的赖氨酸发酵过程软测量

针对赖氨酸发酵过程非线性、大滞后、多变量动态耦合,关键生化参数难以实时在线测量等问题,提出一种改进的粒子群-支持向量机(PSO-SVM)逆发酵过程软测量建模方法。首先分析逆系统的存在性,并结合赖氨酸发酵过程,引入发酵特征信息和舍弃次要信息构造逆扩展模型;然后利用支持向量机离线辨识初始逆扩展模型,并根据系统输入与模型输出的偏差信号,采用粒子群算法对初始逆扩展模型进行在线校正;最后将校正后的逆扩展模型串联在原发酵过程之后构成复合伪线性系统,实现不直接可测关键生化参数的在线预测。以L-赖氨酸流加发酵过程为例,验证了所提算法能够对发酵过程关键生物量参数进行较准确的在线预测,较普通的SVM逆建模方法具有更高的预测精度。     

基于工厂数据的注意力LSTM网络辨识方法

化工企业控制系统日益复杂,辨识被控对象模型是自动控制和优化设计的首要任务。针对化工过程多数辨识实验需要对过程施加测试信号,可能导致生产中断或引发安全事故的问题,利用长短时记忆(long short-term memory,LSTM)网络对含高维度、强耦合、非线性等特点的工厂时序数据具有的强适应性的特点,提出一种结合注意力机制思想的LSTM非线性动态模型辨识算法。该算法在LSTM模型基础上考虑输入变量对目标变量的重要性,为输入序列中影响输出结果的关键特征分配更多注意力,提高了LSTM模型的泛化能力。基于工厂日常运行数据构建LSTM网络模型可作为被辨识对象的数字化虚拟装置,利用人工测试信号在虚拟装置上离线辨识局部线性模型。在Tennessee-Eastman (TE)过程上的辨识实验验证了本文方法的有效性。     

Attention LSTM network identification method based on factory data

The control system of chemical enterprises is becoming more and more complex, and identifying the controlled object model is the primary task of automatic control and optimization design. In view of the problem that most chemical process identification experiments need to apply test signals to the process, which may lead to production interruption or safety accidents, a long short-term memory(LSTM) nonlinear dynamic model identification algorithm combined with attention mechanism is proposed to adapt to plant time series data with characteristics of high dimension, strong coupling and nonlinearity. Based on LSTM model, the algorithm considers the importance of the input variables to the target variables, pays more attention to the key features that affect the output results in the input sequence, and improves the generalization ability of the LSTM model. The LSTM network model based on the daily operation data of the plant can be used as the digital virtual device of the identified object, and the local linear model can be identified offline on the virtual device by using the designed test data. The identification experiments on Tennessee-Eastman (TE) process verify the effectiveness of this method.