基于自适应EKF算法的输出融合软仪表设计

在化工过程中,作为观测关键质量参数的重要手段,软仪表技术受到了广泛的关注。目前,关于软仪表的研究主要集中在建模技术上。然而,化工过程复杂多样,仅使用软测量模型进行质量变量的估计易出现预估效果不稳定、随机偏差大等现象。为此,文献提出了一系列的改进算法,但仍存在计算复杂、算法抗干扰能力差等问题。本文提出一种基于自适应扩展Kalman滤波(EKF)的输出融合软仪表设计方法,利用Kalman滤波算法对软测量模型预估数据和现场观测进行数据融合,校正软测量模型预估偏差;并在输出融合软仪表背景下,设计了一种含衰减因子的观测噪声统计估计器,将其与滤波算法相结合,构成自适应EKF算法,以提高融合软仪表的输出精度及抗干扰性能。通过仿真实验对所提出的算法进行了全面分析,并将该算法应用于小型实验装置,验证了算法的实用性及有效性。     

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。     

基于混合建模技术的聚氯乙烯粒径分布预测

针对聚氯乙烯粒径分布在线软测量问题,提出了一种基于机理分析和神经网络的混合建模方法,并将该建模方法应用于聚氯乙烯粒径分布建模研究中。混合模型由机理模型和误差补偿模型所组成。通过机理分析建立氯乙烯悬浮聚合过程的单体液滴群体平衡(Population Balance Equation,简称PBE)模型,由于聚氯乙烯成粒过程的复杂性和强非线性,单纯的机理模型预测与实际分析值相比仍存在一定偏差,因此利用人工神经网络建模方法建立了基于BP神经网络的单体液滴群体平衡模型修正模型,对单体液滴群体平衡模型的输出进行修正,由此建立起聚氯乙烯粒径分布混合模型。由于混合模型既能按照液滴分散与聚并机理对聚氯乙烯颗粒的成长过程进行描述,同时又充分利用了生产现场数据对模型误差进行修正,应用到聚氯乙烯生产过程的测试结果表明,与单纯机理模型相比,聚氯乙烯粒径分布混合模型具有更佳的预测效果。     

化工过程的智能混合建模方法及应用

随着人工智能技术和配套数据系统的快速发展,化工过程建模技术达到了新的高度,将多个机理模型和数据驱动模型以合理的结构加以组合的智能混合建模方法,可以综合利用化工过程的第一性原理及过程数据,结合人工智能算法以串联、并联或者混联的形式解决化工过程中的模拟、监测、优化和预测等问题,建模目的明确,过程灵活,形成的混合模型有着更好的整体性能,是近年来过程建模技术的重要发展趋势。本文围绕近年来针对化工过程的智能混合建模工作进行了总结,包括应用的机器学习算法、混合结构设计、结构选择等关键问题,重点论述了混合模型在不同任务场景下的应用。指出混合建模的关键在于问题和模型结构的匹配,而提高机理子模型性能,获取高质量宽范围的数据,深化对过程机理的理解,形成更有效率的混合建模范式,这些都是现阶段提高混合建模性能的研究方向。     

环保型阻垢剂对碳酸钙结晶过程的影响

在一定条件下合成环保型水处理药剂衣康酸/甲基丙烯磺酸钠(IA/SMAS)共聚物。之后采用测定电导率的方法研究该药剂对碳酸钙结晶过程的影响,经作图拟合可以得到结晶速率常数,结果可以看出,随着加药量的增加,生成速率常数K₁和晶体长大速率常数K₂逐渐减小。采用静态阻垢实验法和SEM分析进一步验证了溶液电导率法得到的结果。最终得出结论,聚合物IA/SMAS具有优异的阻垢性能是由于聚合物的螯合作用引起的,且其具有晶格畸变作用。     

过程工业软测量中的多模型融合建模方法

对多模型融合建模方法在过程工业软测量中的研究进展进行了系统总结。根据整体模型中子模型的不同,多模型融合建模方法主要可分成数据驱动融合建模方法和半参数建模方法。详细介绍了数据驱动融合建模方法和半参数建模方法的设计思想和国内外研究现状,分析了各类方法的优缺点,并提出了相应的改进方向。根据过程数据处理方法的不同,将数据驱动融合建模方法分为集成学习和聚类分析。根据模型结构形式的不同,将半参数建模方法分为串联结构和并联结构。最后对多模型融合建模方法的未来研究方向进行了展望,期望今后的研究工作能在改进数据驱动模型融合技术、提高半参数模型外推能力和解决双率数据问题等方面取得突破性进展,并指出采用多模型融合建模方法建立基于多源信息融合的软测量模型是实现过程工业中难测变量在线估计的有效方法。     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。     

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。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

基于多模型智能组合算法的锅炉炉膛温度建模

炉膛温度是表征锅炉燃烧状态的重要参数,但是影响炉膛温度的参数多、机理复杂,导致难以建立准确的预测模型。针对这一问题,提出一种多模型智能组合算法(multi-model intelligent combination algorithm, MICA)实现对炉膛温度的建模预测。首先,对实际运行生产数据进行小波降噪,并结合机理分析和分类回归树（classification and regression tree,CART）算法选取预测模型输入参数。然后,通过多种数据驱动方法构建锅炉炉膛温度预测模型。最后,采用决策树C4.5算法建立多模型智能组合预测模型。基于实际生产数据的实验结果表明,所提出算法能够建立准确的炉膛温度预测模型。     

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     

Remaining useful life prediction of lithium-ion battery based on an improved particle filter algorithm

Because lithium-ion batteries are the main power source of industrial electronic equipment, their degradation process modelling and remaining useful life (RUL) prediction problems have attracted wide attention. The particle filter (PF) method has been successfully applied to suppress the model uncertainty and predict the RUL of the lithium-ion battery. In order to further enhance the stability of the PF method and realize a more satisfactory prediction result, a RUL prediction method based on the hybrid algorithm, which combines the PF algorithm and extended unbiased finite impulse response (EFIR) filter, is proposed. Firstly, the state space model of capacity degradation for the lithium-ion battery is established, and the model parameters are estimated by the extended Kalman filter (EKF) algorithm. Secondly, a preliminary battery capacity is predicted by using a regularized particle filter. The preliminary predictions with large deviations are diagnosed and repaired by combining the EFIR filter and diagnostic strategy. Finally, the optimized RUL prediction results of the lithium-ion battery are extrapolated based on the failure threshold. The experiment results demonstrate that the proposed method has good stability and accuracy in predicting the RUL of a lithium-ion battery.     

不敏变换鲁棒Kalman滤波器在发酵过程中的应用(英文)

State estimation is the precondition and foundation of a bioprocess monitoring and optimal control. However, there are many difficulties in dealing with a non-linear system, such as the instability of process, un-modeled dynamics, parameter sensitivity, etc. This paper discusses the principles and characteristics of three different approaches, extended Kalman filters, strong tracking filters and unscented transformation based Kalman filters. By introducing the unscented transformation method and a sub-optimal fading factor to correct the prediction error covariance, an improved Kalman filter, unscented transformation based robust Kalman filter, is proposed. The performance of the algorithm is compared with the strong tracking filter and unscented transformation based Kalman filter and illustrated in a typical case study for glutathione fermentation process. The results show that the proposed algorithm presents better accuracy and stability on the state estimation in numerical calculations.     

用于催化裂化装置产率预测的Filter-Wrapper特征变量选择方法

催化裂化过程是重质油轻质化的重要手段,为了研究操作条件、原料性质等因素对产品分布的影响,通常需要对催化裂化过程建立准确可靠的数学模型。选择合适的输入变量对模型预测效果有着较大的影响,而在现有的催化裂化装置模型中,输入变量的选取主要依赖于对催化裂化机理的理解。本文从数据驱动建模的角度出发,提出一种Filter法与Wrapper法联合使用的特征子集选择方法。该方法在输入变量选取的过程中不依赖于催化裂化的先验知识,是一种数据驱动的自发的特征变量选择过程。以某炼油厂催化裂化装置为研究对象,利用该装置的生产数据分别选择用于干气和焦炭产率预测模型的输入变量,建立了预测精度高、输入变量数目适中的模型。此外,该方法为催化裂化装置建模的变量选取提供了新角度。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

自适应迭代混合建模及在碳二加氢过程的应用

化工过程反应机理复杂,机理模型与实际反应系统之间存在建模误差;同时存在复杂的缓慢时变特征,如催化剂失活、燃料结焦等,难以用确定的机理描述,一般采用简化的关系描述,因此过程模型将与实际过程系统逐渐失配。为了建立能长期精确反映过程动态特性的模型,建立了一种基于过程特性的自适应迭代混合模型（self-adaptive iterative hybrid model,SAIHM）。将机理模型和数据驱动的模型有效融合以提高模型的预测精度;数据驱动的模型采用深度循环神经网络（deep recurrent neural network,DRNN）以充分挖掘相邻工况间的时序关系;基于某工厂碳二加氢绝热反应器的历史运行数据建立的自适应迭代混合模型与现有机理模型的仿真对比结果表明,自适应迭代混合模型能更有效地跟踪实际系统。