基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

基于改进粒子群小波神经网络的瓦斯浓度预测研究

结合小波神经网络基本原理,提出一种粒子群优化小波神经网络的瓦斯浓度预测模型。对小波神经网络基本原理进行分析,然后,利用粒子群对小波神经网络参数进行优化,并构建预测模型;最后,以P₁～P₅监测点的煤矿瓦斯浓度数据为基础,将其输入预测模型中进行训练。结果表明：粒子群优化后的小波神经网络在瓦斯浓度预测方面,数值更接近真实值,同时迭代次数在110次左右即达到稳定。     

基于群智能算法优化LSTM的催化裂化预测研究

针对长短期记忆神经网络(LSTM)预测模型中许多网络参数过分依赖于经验设置,人工参数设置导致模型的精度低、泛化能力弱等问题,采用搜索范围广、收敛速度快的粒子群算法(PSO)和布谷鸟算法(CS)对LSTM的一些超参数进行优化,构建PSO-LSTM模型和CS-LSTM模型,寻找到LSTM的最优参数集,从而更好地提高了模型预测精度。将优化后的模型应用于催化裂化吸收稳定系统主要控制变量解吸塔再沸器返塔温度预测中,验证了模型的有效性。     

基于深度学习的沈阳市春节期间PM2.5浓度预测研究

本文利用2016年—2022年沈阳市春节期间逐时空气质量监测数据和气象因子观测资料,基于贝叶斯参数优化,建立了GRU、LSTM深度学习模型以及LGBM、XGBOOST、RF、GBDT树集成学习模型,并且通过4种错误度量标准,将模型进行对比进而得出预测PM_2.5浓度的最优模型。结果表明：GRU模型的PM_2.5浓度预测准确度最高、训练速度最快、模型最简单,其MSE为32.160,R2为0.973,其次为LSTM模型,GBDT模型的预测效果最差。同时整体来看,深度学习模型要优于常见的树集成学习模型。     

采用神经网络建模对海下有机材料加固的油井产量预测研究

海下油井油产量预测在开发调整和优化中继续发挥着越来越重要的作用;但海下油井的加固会进一步影响油产量预测。研究建立注气效应的长短期记忆（LSTM）神经网络模型,预测已有机材料环氧树脂乳液加固渤海碳酸盐岩储层的生产性能;将该模型的计算结果与传统储层数值模拟（RNS）在相同条件下进行了对比。结果表明,LSTM所需的CPU负载仅为4%,LSTM方法的总CPU时间和综合计算功耗分别仅占RNS的10.43%和36.46%。LSTM方法在计算方面具有显著优势,为人工智能在油气开发中的应用提供了新的方向。     

基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法（MIC）的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小（平均偏差1.193%）,说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统（CPS）中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。     

基于SSA-MIC-SMBO-ESN的水质预测模型

水污染事件威胁人类生产和生活安全,提前预测水质变化对水污染的快速反应具有重要意义。基于水质数据的时序性,引入泄漏积分型回声状态网络(ESN),以莆田市东圳水库水质监测站的10种水质指标数据作为样本,分别构建DO、COD_Mn、TP的水质预测模型。首先,在用邻近点线性趋势法对缺失值进行填充,用Z-score法和邻近点线性趋势法对异常值进行检测修正的基础上,用奇异谱分析(SSA)算法对水质数据进行平滑降噪处理;然后,采用最大互信息系数(MIC)衡量水质指标之间的相关度,选取相关系数较大的水质指标作为待预测水质指标的输入特征;最后,利用ESN构建基于多特征的水质预测模型,其中采用序列模型优化(SMBO)算法对模型的超参数进行优化。试验结果表明,构建的DO、COD_Mn和TP的SSA-MIC-SMBO-ESN水质预测模型都具有较高的预测精度,适合实际应用。     

大型乙烯裂解炉用低NOx燃烧器的结构优选

随着大能力大型化裂解炉的不断发展,国内首台单炉膛20万吨/年产能乙烯裂解炉对燃烧器提出了更高的设计要求,在稳定燃烧的同时还要满足特定的工艺要求和严苛的环保要求。采用CFD技术和热态试验方法优选新型乙烯裂解炉用低NO_x燃烧器,通过数值分析方法研究不同底部与侧壁供热比(底侧比)下裂解炉内的燃烧状态(火焰形状、火焰长度、炉内温度分布及NO_x排放量等),结果表明：在底侧比为70:30时燃烧状态最优,炉膛内温度分布均匀且满足工艺要求和环保要求。在热态试验炉上对最终设计工况(底侧比72:28)进行热态试验,结果显示:炉内燃烧状态良好,温度分布均匀且满足热通量曲线,NO_x排放量也较低。     

基于数据驱动的锂电池剩余使用寿命预测

基于数据驱动的思想,从电池历史数据中提取能反映电池衰退趋势的特征参数,并分析参数与电池寿命的相关性,完成特征参数的选取。其次基于选取的特征参数,对其进行数据预处理,得到最终的特征数据。最后基于时序预测的思想,建立长短期记忆神经网络的锂电池剩余使用寿命预测模型,从而实现电池剩余使用寿命的预测。研究结果表明：与传统的支持向量回归方法相比,基于长短期记忆神经网络的方法有效提高了预测准确性。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。在诺西肽发酵过程非结构模型的基础上,根据隐函数存在定理确定出辅助变量,从而使其选择有严格的理论依据。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本对被预测对象的预估能力,自适应地为各个批次的训练样本分配权重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

基于最大信息系数的分组支持向量数据描述故障检测

工业过程的众多变量之间往往存在着复杂的相关关系,传统的故障检测模型通常会忽略不同变量间相关性的差异,对不同相关关系的变量采用相同的特征提取方法,从而导致检测效果欠佳。针对以上问题,提出了一种基于最大信息系数的分组支持向量数据描述故障检测模型,首先计算变量间的最大信息系数矩阵,按照相关性的不同对变量进行分组,再通过最大信息系数为模型混合核函数中高斯核与多项式核的权重分配提供理论指导,从而分别为各组建立不同的支持向量数据描述检测模型,完成最大信息系数与支持向量数据描述的紧密结合,最终实现分布式故障检测。通过仿真对比,验证了该模型的可行性与有效性。     

基于PSO优化LSTM的滚动轴承剩余寿命预测

为了提高滚动轴承退化特征关于时间序列的预测精度,使预测模型更加适用于滚动轴承的运行退化数据,采用粒子群算法对长短期记忆网络的参数进行优化,构建PSO-LSTM滚动轴承寿命预测模型,根据模型拟合出轴承的剩余寿命曲线.经过实验发现,PSO-LSTM网络模型可以较好地拟合复杂工况下轴承的寿命退化趋势,且与其他模型相比拟合效果...     

基于循环神经网络的油藏产量预测方法

针对常规油藏工程方法和传统油藏数值模拟方法在油田产量预测方面存在的问题,提出了基于数据驱动的油藏产量预测方法.考虑到传统全连接神经网络和标准循环神经网络在处理时间序列数据方面的缺陷,采用长短期记忆神经网络构建油藏数据驱动模型,以储层物性参数场的分布特征为基础,融合油藏单井动态生产数据,将油井产量与储层物性参数场通过深度...     

基于动态神经网络的非线性过程在线预测

神经网络需满足以下两个条件方能用于非线性过程的在线预测:①神经网络必需以某种递推的方式出现;②神经网络的学习算法应尽可能简洁快速.为此改造泛回归神经网络(GRNN),运用递推更新的样本数据集训练GRNN,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真实验表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目标.     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于GSA-LSTM动态结构特征提取的间歇过程监测方法

间歇过程监测对于保证批次生产过程的稳定运行具有重要意义。传统过程监测方法难以提取间歇过程数据特有的非线性结构和动态时变特征。为此,提出了一种融合图采样聚合网络和长短期记忆网络(GSA-LSTM)的典型相关分析方法用于间歇过程在线监测。首先,利用K近邻方法将批次过程数据转化为图结构形式,利用图采样聚合网络(GraphSAGE)提取数据内部的结构特征,然后利用长短期记忆网络(LSTM)提取数据的非线性动态特征,通过权重系数将结构特征和动态特征融合得到更具有代表性的间歇过程数据特征。进一步地,利用典型相关分析方法对残差建立监测模型。最后将所提方法应用于数值例子和注塑过程监测,结果分析验证了所提方法的有效性。     

基于注意力模块化神经网络的城市固废焚烧过程氮氧化物排放预测

氮氧化物(nitrogen oxides,NO_x)浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_x排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。     

基于卷积神经网络的撞击流反应器浓度场混合特性

基于PLIF测试技术结合卷积神经网络技术提出混合性能预测方法,分析水平对置撞击流反应器浓度场混合特性,能准确预测其内部浓度场的混合均匀度及混合时间。基于卷积神经网络构建了混合性能预测模型,利用水平对置撞击流反应器浓度场实验数据对构建的模型进行有监督地训练并进行预测,预测结果显示对混合均匀度的预测准确率达95%,计算效率提高了99.99%。为更好地理解混合性能预测模型对混合均匀度的预测机理,本文对其卷积层输出进行可视化处理,通过功率谱分析卷积核的响应给出了撞击流反应器浓度场特征提取的物理解释。最后利用预测模型搭建混合均匀度快速获取系统并应用于撞击流混合特性研究。所提出的基于卷积神经网络的预测模型可以有效分析水平对置撞击流反应器的混合特性,预测模型可靠、适用范围广,为深度学习算法应用于撞击流领域提供了方案经验。     

基于时序InSAR监测的VMD-SSA-LSTM矿区地表形变预测模型研究

矿区地表形变引起的滑坡、塌陷等灾害对矿山安全生产造成了极大影响,因此对地表形变进行预测对于矿山安全开采和灾害预警预报具有重要的现实意义。采用时序InSAR技术获取矿区面域式地表形变数据,结合变分模态分解算法(VMD)对其进行分解,通过构建麻雀优化算法(SSA)与长短期记忆神经网络(LSTM)相结合的预测模型,对分解后的形变分量进行综合预测;以云南省玉溪市大红山矿区为例,利用该模型对其地表形变进行了预测,结果表明：VMD算法在一定程度上可以解决矿山地表形变数据时序特征复杂且难以直接分析判别的问题;SSA-LSTM预测模型通过智能搜索算法自动寻找预测网络模型超参数,有效减少了人为因素对模型预测效果的干扰,模型预测结果的决定系数R²均大于0.96;同时,该模型采用“多维输入”的方式训练模型,提高了训练效率;该模型在预测精度、训练效率等方面均取得了较好的效果。采用VMD-SSA-LSTM预测算法对时间序列InSAR监测下的形变数据进行分析能有效预测矿区地表形变,可为矿山安全生产管理提供参考。     

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。