LS-SVM模型在线校正的替代法及其软测量应用

软测量技术是现代化工过程控制系统的重要组成部分,化工过程的时变性要求软测量模型及时进行在线校正,以适应新工况,保持模型的预测精度。基于矩阵计算理论,提出了最小二乘支持向量机模型在线校正的替代法,它无需重新训练,校正速度快。通过分析还提出以距离标准选择被替代个体,可提高预测精度。将该法用于某炼油厂常压塔塔顶汽油干点的软测量,效果良好,表明该法可以克服工况变化对模型预测精度的影响。     

MTBE反应器软测量系统与控制

采用是参数的实时数据和分析数据建立了进料异丁烯浓度、醇烯比和反应产物ＩＣ４（＝）转化率的软测量模型,采用了ＭＬＲ、ＰＣＲ、ＰＬＳ等统计方法,比较了三种模型的不同之处,并采用模型分段选择的方法来综合三种模型,以改善软测量模型的精度。对模型的参数进行在线校正,以适应生产工况的变化,软测量模型的鲁棒性。     

一种基于时序误差补偿的动态软测量建模方法

针对目前静态软测量建模方法无法反映工业过程动态信息,造成预测模型精度低、鲁棒性差等问题,提出了一种基于最小二乘支持向量机(LS-SVM)和自回归-滑动平均模型(ARMA)的软测量建模方法。首先,建立了基于LS-SVM的软测量模型,利用ARMA模型对预测误差的动态估计,通过增加动态校正环节,实现了对静态模型的动态校正以改善系统动态响应特性。最后将上述方法用于乙烯精馏过程中乙烷浓度的软测量建模,仿真结果表明:与单一使用LSSVM模型相比,该方法具有跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

软测量技术在乙苯精馏中的应用

介绍苯乙烯装置乙苯精馏单元的工艺流程,描述软测量建模前辅助变量的选择与数据预处理方法,建立基于部分最小二乘法的乙苯精馏单元软测量模型.用时间校正方式对模型进行了校正,并给出了校正流程图.该方法在兰州石化得到成功应用,结果表明该方法建模简单、数据测量准确、具有很强的实时性.最后,针对其不足,提出了改进方法.     

基于软测量技术的C5石油树脂粘度的在线检测

粘度是石油树脂产品的重要指标参数,然而目前国内尚无对其有效的在线检测技术,多是根据实验室化验结果结合经验推测其变化情况,滞后大、精度差。针对这种不足,提出基于软测量技术的在线检测方法,采用机理建模和基于统计分析建模的混合建模方法建立模型,统计分析部分则采用加权最小二乘回归方法,并运用滚动回归的方法对模型参数进行在线校正。结果表明,此方案大幅提高了粘度的检测精度,并具有响应速度快,通用性好等优点。     

误差校正新方法在重整装置芳烃收率在线软测量中的应用

针对软测量建模中含有误差会极大影响模型精度问题,提出一种将数据误差校正、模型参数校正和模型结构校正技术相结合的软测量误差三重校正方法.该方法可以有效地处理测量数据的过失误差和随机误差,从而提高软测量精度,并且该方法直接面向数据,实现方便.应用该方法对某芳烃厂的连续重整装置的芳烃收率软测量进行误差校正,取得了很好的效果.     

移动窗递推PLS软测量建模及其工业应用

讨论了基于递推部分最小二乘(RPLS)算法的软测量建模方法及其应用.针对过程的时变特性,采用移动窗RPLS算法,在线修正样本的均值和方差,实时更新模型参数,兼顾了建模样本的饱和性、样本信息的完整性.然后将软测量模型应用于工业异构化装置,在线估计对二甲苯(PX)的含量.针对大量工业数据,进行仿真计算,得到模型的最大相对误差、相对均方误差和跟踪性能指标分别为2.68%、0.17%和0.9569,说明该软测量模型具有良好的预测能力和跟踪性能.接着讨论了建模样本长度对模型性能的影响,指出其最佳的样本长度为20～50.     

甲苯歧化与C9芳烃烷基转移过程软测量模型的应用

在已建立的芳烃转化过程机理模型及其离线模拟研究的基础上,针时国内工业甲苯歧化与C9芳烃烷基转移装置,进一步研究了过程软测量模型的在线应用.合理地简化了过程模型,采用基于偏差的模型参数提出模型参数在线更新策略解决软测量模型的老化问题.该策略通过计算重要组分浓度偏差,与设定值进行比较.若大于设定值则重新选取新的数据进行预测.然后将软测量模型应用于工业装置,在线预测关键组分的浓度分布.结果表明在操作条件较大的变化范围内,在线预测趋势和预测精度均令人满意.     

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。     

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。     

异构化机理软测量模型在工业装置中的在线应用

讨论芳烃异构化机理模型的性能及其在线应用。基于已开发的动力学模型,针对大量工业数据,进行离线模拟,结果发现模型的＂老化＂问题。为了兼顾模型的估计精度和计算效率,提出将软测量模型拆分成在线模拟计算模块和离线参数估计模块,实时更新模型参数。然后将模型应用于工业异构化装置,在线估计系统组分的浓度,结果表明,该软测量模型具有良好的性能。     

基于改进Kalman滤波算法的多模型融合建模方法

针对聚合物生产过程重要质量控制指标或状态变量的软测量问题,提出了一种基于改进Kalman滤波算法的多模型融合建模方法。将混合核函数主元分析(K₂PCA)与人工神经网络(ANN)相结合,建立一种基于K₂PCA-ANN的数据驱动模型;利用改进Kalman滤波算法实现K₂PCA-ANN模型与机理模型融合,构建一种并联结构的混合模型;协调二次滤波(线性滑动平滑)和方差更新对混合模型进行优化处理,使混合模型的估计性能尽可能地达到最优,使混合模型的预测稳定性得到有效改善。将该多模型融合建模方法应用于氯乙烯聚合过程聚合速率软测量中,应用研究结果表明:与单一的机理模型或K₂PCA-ANN数据驱动模型的预测性能相比,该建模方法建立的聚合速率模型具有更佳的预测性能。该建模方法的运用为进一步开展聚合物生产过程优化与控制等研究提供基础条件。     

Soft sensor model derived from Wiener model structure: modeling and identification

The processes of building dynamic and static relationships between secondary and primary variables are usually integrated in most of nonlinear dynamic soft sensor models. However, such integration limits the estimation accuracy of soft sensor models. Wiener model effectively describes dynamic and static characteristics of a system with the structure of dynamic and static submodels in cascade. We propose a soft sensor model derived from Wiener model structure, which is an extension of Wiener model. Dynamic and static relationships between secondary and primary variables are built respectively to describe the dynamic and static characteristics of system. The feasibility of this model is verified. Then the expression of discrete model is derived for soft sensor system. Conjugate gradi-ent algorithm is applied to identify the dynamic and static model parameters alternately. Corresponding update method for soft sensor system is also given. Case studies confirm the effectiveness of the proposed model, alternate identification algorithm, and update method.     

一种融合无时滞测量值和含时滞测量值的状态估计方法

在很多工业过程中,常常可获得两种测量数据,无时滞测量值和含时滞测量值,其中,无时滞测量值直接由传感器在线测得,即时却精度较低,含时滞测量值通过人工实验分析离线得到,精度高却有时滞。引入状态增广卡尔曼滤波法对上述两种数据进行融合以估计当前状态值。考虑到无时滞测量值建立的在线软测量模型存在不可避免的模型不匹配问题,引入模型偏差作为待估计状态,通过离线测量值对其进行估计,从而实现对在线软测量模型的校正。最后将所提方法运用到线性化的非线性二元蒸馏塔模型中估计填料压板各成分浓度,取得了良好效果。     

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。     

基于递推PLS核算法的软测量在线学习方法

针对过程的动态时变特性,提出一种基于PLS核算法的软测量在线学习方法。该方法利用PLS核算法,通过递推学习具有代表性的新样本来改善模型的适应能力,较NIPALS算法具有更高的计算效率;并采用一种同时考虑输入和输出信息的相似度准则,有选择地删除一个或多个冗余样本,更有效地构建了训练样本集。工业聚丙烯熔融指数的软测量建模研究表明,本文提出的方法能够快速有效地跟踪牌号切换中熔融指数的变化。     

Database monitoring index for adaptive soft sensors and the application to industrial process

In chemical plants, soft sensors are used to predict difficult‐to‐measure process variables. Soft sensor models must adapt to process changes by using new measured data. However, when a model is reconstructed with data that have low variation, the model cannot predict abrupt changes of process characteristics. The predictive performance of adaptive models depends on databases. We therefore propose an index to monitor database, that is, database monitoring index (DMI), and a database monitoring method using the DMI. The DMI is based on similarity between two data. The more similar two data are the smaller value the DMI has. New data are stored when the minimum DMI‐value of the data exceeds a threshold. Through the analysis of simulation data and real industrial data, we confirmed that databases can be appropriately managed and the predictive accuracy of adaptive soft sensor models increased by using the proposed method. © 2013 American Institute of Chemical Engineers AIChE J, 60: 160–169, 2014     

基于加权模糊聚类方法的多模型建模

针对化工过程软测量模型的多样性,提出基于一种加权模糊聚类方法的多模型建模方法。将输入向量与输出的相关性作为加权系数,构建加权模糊聚类算法,对样本空间的输入数据进行聚类,然后用与输入变量对应的子模型进行输出估计,子模型输出作为系统模型的最终输出。该方法能够实现对输入数据更加合理的划分,提高软测量模型的精度。将该方法应用于双酚A生产过程的质量指标软测量建模,仿真结果表明了该方法的可行性和有效性。