入炉煤质在线软测量技术研究与应用进展

当前主流在线煤质检测装置需要进行核射线及其他能束的探测,设备构造复杂,使用和维护成本较高,在我国火电领域普遍未能实现入炉煤质的在线检测。由于煤质波动导致的发电过程控制效率欠佳普遍存在,近十几年来入炉煤质的在线软测量技术开始受到关注和应用。煤质软测量技术以电厂DCS系统联入的分布式测点为依托,从机理分析和数据学习出发驱动煤质的在线辨识,而无需复杂设备的投入,迎合火电生产控制的需求。然而由于燃煤品质参数较多,不同品质参数的软测量技术方法不同,入炉煤质软测量缺乏系统的技术体系论证。论述了入炉煤质参数的软测量技术分类和原理,对煤质在线软测量进行误差分析,最后对未来两类入炉煤质软测量技术的发展应用提出建议。按照技术特点将入炉煤质软测量技术分成基于机理分析的软测量和基于机器学习的软测量两大类。煤质在线软测量技术更易在火电生产中推广应用,针对实际入炉煤质进行实时跟踪,可实现火电生产过程的有效调控。燃煤全品质是多参数体系,基于机理分析的煤质软测量技术,可对制粉、燃烧、传热、做功过程进行分析,建立燃煤品质参数与现场分布式测点间的机理模型,形成不同技术路线;该体系理论依据明确,但分析过程影响因素复杂难以进行精准建模,尤其对于变负荷工况下的入炉煤质辨识难度较大。基于机器学习的煤质软测量技术克服了机理分析过程的困难,其有效应用对于样本的采集处理、智能建模过程有较高要求。     

基于苯乙烯过程生产数据驱动的软测量模型研究

针对苯乙烯生产过程的特点,引入软测量技术在线预测苯乙烯生产过程的一些关键参数,介绍了人工智能BP神经网络和部分最小二乘方法的软测量建模方法,基于企业生产数据研究了乙苯脱氢转化率、第一脱氢反应器脱氢转化率、第二脱氢反应器脱氢转化率和苯乙烯选择性等关键变量的软测量方法,对比了BP神经网络和部分最小二乘方法建模优缺点,应用结果表明,基于BP神经网络所建立的关键参数的软测量模型可真实再现实际苯乙烯生产过程,为安全可靠监控苯乙烯生产过程及未来实施先进及优化控制技术奠定了基础。     

化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

软测量技术在PET熔体黏度测量上的应用

简介PET黏度测量系统和软测量技术。从生产实际角度,阐述了软测量技术在PET装置上的应用,从而实现了在生产过程中毛细管黏度计出现故障时,利用软测量技术实时跟踪黏度变化,及时调整工艺参数,保证了生产的平稳运行。     

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。     

竖炉燃烧过程智能故障预报系统

赤铁矿竖炉燃烧过程机理复杂,运行工况变化频繁,使得故障易发,从而导致生产不稳定。将案例推理和软测量技术相结合,提出一种竖炉燃烧过程的智能故障预报方法。软测量模型对难以在线测量的关键工艺参数进行实时测量,基于案例检索与重用的故障预报模型根据过程数据及关键工艺参数软测量值的变化对燃烧过程的典型故障进行趋势预报,采用概率的形式表达诊断结果,并提供操作指导,可以有效避免故障的发生。将建立的故障预报系统应用于竖炉燃烧过程的生产实际中,故障发生率明显降低,表明了方法的有效性。     

基于软测量的设备异常识别技术研究

针用各类传感器监测系统运行过程中的异常是企业常用方法,但由于技术障碍或成本原因已无法满足工厂在复杂环境下对设备运行稳定性、可靠性更高的要求。设备异常识别技术作为智能制造的重要技术组成部分,已成为设备异常识别的研究热点。本文通过引入软测量的技术,基于企业工艺数据、设备运行机电数据、过程实时数据等,结合数据管理、软测量模型建立和异常结果发布等相关技术,设计了设备异常识别系统模型。在实例分析中,采用GA-BP算法实现了设备状态的实时监测以及异常识别,验证了软测量技术在设备异常识别系统中算法实现的可行性。     

基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法

利用软测量技术实时预测化工过程中的关键参数对生产过程的在线监测、自动控制、实时优化具有十分重要的意义。为此,提出了一种基于隐马尔可夫模型的动态软测量建模方法。首先,针对数据规模大导致模型计算效率低和数据缺失导致数据无法充分利用的问题,提出了一种基于分布式贝叶斯隐马尔可夫回归的预测模型;其次,针对该模型进一步提出了一种能够获得精确后验分布的分布式训练方法。最后,利用蜡油加氢过程对所提方法的有效性进行了验证。     

基于软测量技术的先进控制在DCS上的实现和应用

针对丁二烯生产装置精馏塔塔顶控制回路不能实时测量丁二烯-1,3的问题,提出了基于软测量技术的先进控制方案。利用从集散控制系统采集的大量现场数据,运用基于多元线性回归方法的软测量建模技术,建立了塔顶丁二烯-1,3产品纯度的软测量模型,并基于此对控制回路进行改造,设计了推断控制方案。通过DeltaVDCS系统自带的CL语言编写软仪表程序,并在控制策略组态环境Control Stud io中实现控制回路的改造。现场运行结果表明,控制系统能够有效地解决精馏塔产品质量不能在线实时检测和直接质量闭环控制的问题,实现了丁二烯-1,3产品纯度的闭环控制,显著改善了控制效果。     

吸收法捕集二氧化碳过程的离子浓度软测量

针对采用吸收法捕集CO2的过程中存在着成分难以准确在线测量的问题,设计了工业化应用最广泛的乙醇胺(MEA)化学吸收过程的软测量系统。系统使用红外传感器,通过基于改进Powell鲁棒支持向量机(IP-RSVM)的方法对吸收溶液的离子组分分布进行了软测量,其结果与核磁共振(NMR)测量所得的数据符合较好,均方误差为3.1692×10-7,最大绝对误差绝对值为0.0010,最大相对误差为3.54%。研究结果表明,在CO回收的软测量系统中,使用基于IP-RSVM的红外软测量具有良好应用前景。     

组件化软测量软件包的开发与应用

以软测量软件包的研究开发与应用实施为主线,介绍组件化软测量软件包的设计原理、基本框架和特点。进而介绍该软测量软件包在某化纤厂精对苯二甲醛(PTA)生产装置的实施与实际应用效果,放任了软件的有效性和可行性。     

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。     

中红外碲酸盐玻璃及光纤研究进展

近/中红外激光和超连续光源在红外光电对抗、生物医疗、遥测感知和激光探测及测距(LIDAR)等领域具有十分重要的应用价值。近年来,基于软玻璃光纤来产生和传输高亮度近/中红外(特别是2～5μm)激光方面的研究取得了显著进展。在中红外软玻璃基质中,具有相对较低声子能的碲酸盐玻璃对于设计近红外和中红外激光器和放大器、高功率中红外激光传输和传感应用无源光纤具有特别的吸引力。本文重点总结了低损耗碲酸盐玻璃的关键制备技术,并综述了碲酸盐玻璃及光纤在稀土掺杂中红外发光方面的研究进展,最后对碲酸盐玻璃及光纤应用存在的问题和发展趋势进行了总结和展望。     

矩阵类的C#语言实现及其工程应用

通过使用面向对象的C#语言编写矩阵类,实现了矩阵数据类型的基本运算,为工程应用中用高级语言开发其它算法打下了坚实的基础;以某化工公司的软测量建模系统为背景,描述了矩阵类在多元线性回归这一常用的建模方法中的应用;矩阵类大大减少了程序开发的工作量,而且程序结构清晰,简明直观,易于理解。     

铜精炼过程铜液温度软测量模型及应用

为了解决铜精炼过程中高温铜液温度的测量难题,确保铜精炼过程的阳极铜产品质量,基于铜精炼过程中不同阶段的热工机理,分别建立了保温过程、氧化过程以及还原过程的高温铜液温度的机理软测量模型,并采用数据预处理、黄金分割法搜索区间及其函数链神经网络校正等技术对其进行了算法设计以及编程实现.实际应用结果表明,铜精炼过程铜液温度软测量可以反映铜精炼过程铜液温度的真实变化,有助于实现铜精炼过程铜液温度软控制以及提高铜精炼过程的生产效率和生产质量.     

基于PSO-LSSVR的环状流截面含气率软测量方法

由于测量条件高,环状流的截面含气率直接测量往往比较困难。软测量技术的关键在于建立优良的数学模型,在分析了微粒群优化算法(PSO)和最小支持向量回归机(LS-SVR)原理的基础上,利用粒子群算法优化最小二乘支持向量回归机参数的算法,建立了软测量模型,实现了环状流的截面含气率的软测量。实验表明:该模型泛化能力强,测试精度比较高,为环状流截面含气率的测量提供了一种新的测量途径。     

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。     

机器人柔性压力传感皮肤的研究开发现状

机器人柔性压力传感皮肤是集轻柔化、微小化、可穿戴、感应灵敏与集成度高于一体的智能皮肤。综述了几种新型柔性压力传感集成技术与基于纺织结构集成的柔性压力传感技术相关方面的研究与应用,总结了目前机器人柔性压力传感皮肤的传感材料、传感技术原理与实际应用的研究现状,最后对机器人柔性压力传感皮肤的开发与使用领域进行了展望。     

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。     

Soft sensor based on multi-phase stacking ensemble model with self-selected primary learner for batch processes

In batch processes, existing soft sensing methodologies encounter substantial challenges when confronted with nonlinearity and multi-phase issues. In response to these challenges, an innovative soft sensing framework known as the multi-phase stacking ensemble model with self-selected primary learner is proposed. The main innovation of this framework lies in the solution to the primary learner selection issue within the stacking model. To commence, the batch process is divided into multiple phases employing a Gaussian mixture model, thereby establishing local ensemble models for each phase. Subsequently, the iterative self-selection of primary learners strategy is proposed, which iteratively selects suitable primary learners for these models, optimizing their combination of primary learners for each local model. This primary learner selection strategy effectively enhances the accuracy of predictions in the stacking ensemble model. To further enhance the performance, Bayesian optimization is utilized to tune the hyperparameters of each local ensemble model. This step guarantees optimal performance of the model across diverse phases. Extensive simulation experiments are conducted on an industrial penicillin fermentation process to validate the effectiveness of the proposed framework. According to the findings, the model demonstrated superior performance compared to existing single-learner soft sensing methods and commonly utilized ensemble-based soft sensing methods in terms of both R² score (0.97584) and RMSE (0.0513). Overall, this framework offers a novel approach for selecting primary learners in stacking ensemble models and enhancing the predictive performance in batch processes for soft sensing.