人工神经网络在化工领域中的应用

神经网络能够通过输入和输出数据对过程进行有效地学习,为化工过程的综合发展提供了一种先进的技术手段,已广泛用于化工过程非线性系统建模领域。这些应用包括：故障诊断、化工过程控制、药物释放预测、物性估算等。人工神经网络在化工领域的应用还有赖于不断开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件,向人工智能方向发展,并结合小波变换、统计学方法和分形技术等信息处理方法和理论共同解决化工类问题。     

化工过程故障诊断中的多元统计方法

综述了多元统计方法在化工过程故障诊断领域的理论进展和应用现状,介绍了一些主要的多元统计方法,其中包括主元分析、部分最小二乘、独立成分分析和Fisher判别分析,展望了多元统计方法在化工过程故障诊断领域的发展与应用前景。     

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。     

机器学习在化学工程中应用研究的若干进展

随着计算机算力的提高与数学算法的不断突破,机器学习作为一种科学研究方法逐渐在化学工程中的过程优化、故障诊断等领域得到了应用,了解机器学习在化工中的研究进展对拓展化工领域的科研方法,改变传统的科研范式有较大意义。文章通过综述机器学习在萃取、精馏等单元操作中的应用场景及其使用的算法,归纳出化工数据用于机器学习的优势和劣势,提出采用机器学习模型对复杂多维非线性关系进行预测和对生产过程进行整体优化,是提高生产连续化和自动化水平的重要手段和方向。最后对机器学习应用于化工中其他领域(如计算流体力学、系统工程等)进行了展望。     

人工神经网络在化工过程中的应用进展

人工神经网络作为人工智能的重要组成部分,以其超强的鲁棒性、容错性、可充分逼近任何复杂的非线性关系、并行处理、可学习和自适应等优点在改善化工过程传统生产技术诊断滞后、难以优化控制、物性估算误差较大以及不能处理非线性复杂情况等问题上有着广阔的发展空间。本文概述了人工神经网络的原理和发展历程,综述并分析了人工神经网络在故障诊断、过程控制和优化、质量控制、定量结构-活性/性质相关性分析、物性估算、专家系统以及聚类分析等化工过程中的应用原理以及研究进展和现状。最后指出卷积神经网络等深度学习算法的性能高、速度快,在化工过程中发展和应用深度学习算法将成为其发展方向和研究热点。     

基于统计信号重构的传感器故障诊断

主元分析、偏最小二层等数据驱动的多元统计监控方法由于不依赖于精确的数学模型,在化工过程监控与故障检测方面取得了广泛应用.通过研究基于统计信号重构的传感器故障诊断算法,给出了统计信号重构算法的一般形式,并推导了基于统计信号重构算法进行传感器故障诊断的可检测与可分离性条件,定义了模型空间和余差空间的故障识别指标.通过CSTR仿真对象的应用比较了不同统计信号重构算法间的差异,验证了故障诊断算法的有效性.     

基于核Fisher判别分析方法的非线性统计过程监控与故障诊断

化工过程中大量的生产数据反应了生产过程的内在变化和系统的运行状况,基于数据驱动的统计方法可以有效地对生产过程进行监控。对于复杂的化工和生化过程,其过程变量之间的相关关系往往具有很强的非线性特性,传统的线性统计过程监控方法显得无能为力。本文提出了基于核Fisher判别分析的非线性统计过程监控方法,首先利用非线性核函数将数据从原始空间映射到高维空间,在高维空间中利用线性的Fisher判别分析方法提取数据最优的Fisher特征矢量和判别矢量来实现过程监控与故障诊断,能有效地捕获过程变量之间的非线性关系,通过对流化催化裂化（FCCU）过程的仿真表明该方法的有效性。     

人工免疫系统在间歇化工过程故障诊断中的应用

故障诊断是保证化工过程稳定性和安全性的重要技术。本文结合动态时间规整算法提出了一个基于人工免疫系统的间歇化工过程故障诊断方法,并成功应用于青霉素发酵仿真过程的故障诊断。诊断结果显示,该方法可以满足间歇过程的在线动态故障诊断要求,并且通过自学习可以对未知故障进行诊断。     

低共熔溶剂在化工分离过程中的应用及研究进展

近年来,低共熔溶剂由于具有廉价、原材料易得、蒸汽压低且更加环境友好的合成过程等特点,越来越成为绿色化学领域的研究热点,特别是低共熔溶剂作为萃取剂在化工分离过程中的应用引起广泛关注。本文主要介绍了低共熔溶剂的组成、性质以及在分离过程中的一些应用和研究进展,最后对其未来的研究方向和存在的问题进行了讨论。     

一种基于改进核Fisher的故障诊断方法

针对化工过程故障数据呈非线性分布,数据类别复杂,难以进行故障诊断的问题,提出一种改进核Fisher的故障诊断方法。对于原始样本数据投影后,样本出现因类间距离存在很大差异性而导致部分类别样本存在混叠的现象,以及不同类别的边界数据归类模糊问题,给出了统一的解决办法。该方法首先采用改进类间距的方法来改变样本投影空间的分布,使得样本具有较好的投影效果,然后通过定义阈值参数来筛选出边界数据,对于边界数据,采用改进的K近邻（K-NN）算法来分类,对于非边界数据,采用马氏距离来分类。最后在TE过程中进行了仿真验证,结果表明方法在兼顾了故障诊断时间的同时,有效提高了故障诊断精度。     

基于深度学习的化工过程故障检测与诊断研究综述

化工过程的故障检测与诊断对于现代化工系统的可靠性和安全性具有重要意义.深度学习作为一项新兴的技术,引起了学术界和工业界的广泛关注.从方法的角度出发,将基于深度学习的化工过程故障检测与诊断技术分为:基于自动编码器的方法、基于深度置信网络的方法、基于卷积神经网络的方法和基于循环神经网络的方法,并分别对4种方法的最新研究进展...     

Chemical process fault diagnosis based on a combined deep learning method

The study on fault detection and diagnosis (FDD) of chemical processes has always been the top priority of the chemical process safety. In this paper, a fault diagnosis method combining the deep convolutional with the recurrent neural network (DCRNN) is proposed. In this method, the data from chemical processes are input to the deep convolutional neural network (DCNN) to extract features in spatial domains, and then, the features are fused into the bidirectional recurrent neural network (BRNN). Due to the powerful capabilities of DCNN to extract features in spatial domains and the sensitivity to time series of RNN, the combined method can adaptively learn the dynamic information of the raw data in both spatial and temporal domains and has unique advantages in multivariate chemical processes. The application of the DCRNN model in the Tennessee Eastman (TE) process demonstrates the high accuracy of this proposal in identifying abnormal conditions for the chemical process, compared with the traditional fault identification algorithms of deep learning.     

Fault Prediction Based on Dynamic Model and Grey Time Series Model in Chemical Processes

This paper combines grey model with time series model and then dynamic model for rapid and in-depth fault prediction in chemical processes. Two combination methods are proposed. In one method, historical data is in-troduced into the grey time series model to predict future trend of measurement values in chemical process. These predicted measurements are then used in the dynamic model to retrieve the change of fault parameters by model based diagnosis algorithm. In another method, historical data is introduced directly into the dynamic model to re-trieve historical fault parameters by model based diagnosis algorithm. These parameters are then predicted by the grey time series model. The two methods are applied to a gravity tank example. The case study demonstrates that the first method is more accurate for fault prediction.     

基于极深因子分解机的化工过程故障诊断方法

近年来,随着化学工艺、设备的复杂化和大型化程度不断深入,如何为化工企业及时、准确地诊断故障、排除事故,成为一个极具挑战性的问题。目前,以深度学习为代表的化工过程故障检测与诊断技术成为业界解决问题的主要思路之一,但现有深度方法在构建诊断模型时只关注了变量的非线性高阶特征,不能充分、全面地挖掘多源交互信息,难以有效地融合各类异构数据。基于此,提出一种基于极深因子分解机的化工过程故障诊断方法,通过并行融合三类不同网络模型(分解机模型、深度神经网络模型、压缩交互网络模型),实现对高阶、低阶及线性特征的自动提取和高效整合。为了评估模型性能,从单故障诊断和多故障混合诊断的角度出发,在田纳西-伊斯曼过程(TE)仿真数据集上进行了广泛的对比实验,结果表明,所提方法较以往故障诊断方法在精确率和召回率等指标上具有明显优势。     

ISOMAP-LDA方法用于化工过程故障诊断

针对化工连续生产过程的时序性及非线性等特征,提出一种新的基于数据驱动的化工过程故障诊断方法：ISOMAP-LDA。首先实行流形学习算法ISOMAP,在保持量测数据几何结构特性下完成非线性降维,然后基于提取的嵌入变量张成的低维空间,选用线性判别分析（LDA）构造故障模式类的判别函数,负责各采样个体故障类型的判定。将该方法用于仿真化工Tennessee Eastman 过程的故障诊断,结果表明,ISOMAP-LDA方法不仅拥有较高的故障诊断能力,而且取得采样在低维空间的可视化表示。     

改进的PCA方法在化工过程故障诊断中的应用研究

主元分析(PCA)方法作为一种基于信号处理的数据驱动方法,已广泛应用于工业过程故障诊断中。但由于PCA本身的缺陷,对故障类型的识别方面存在不足。为此,引入人工神经网络(ANN)方法,与PCA方法相结合,增强了故障识别能力。以田纳西伊斯曼过程为例,验证了改进后的PCA方法在化工过程故障识别和诊断中应用的有效性。     

“十四五”我国石化和化工行业高质量发展思路及内涵

详细分析了我国石化和化工行业发展的成就及特色,指出了未来我国石化和化工行业将面临的问题,提出了“十四五”我国石化和化工行业高质量发展各个方面的任务、要求等。