基于CNN-LSTM的工业出水水质预测模型

工业废水含有多种污染物,提前预测工业废水水质从而快速对其进行相应处理具有重要意义。为此,研究提出了一种新的卷积神经网络(convolutional neural network, CNN)和长短期记忆网络(long short-term memory, LSTM)融合的工业废水水质污染物指标预测模型(CNN-LSTM)。为了更好地捕捉工业废水数据的时序性和动态性,模型设置了多个滑动窗口。使用CNN算法将时间序列数据进行高维特征提取,利用LSTM模型学习时间序列数据的时序特征,建立CNN-LSTM工业废水预测模型,并对废水水质中的化学需氧量(COD_Cr)、氨氮、总磷(TP)3项指标进行预测分析。结果表明,与CNN和LSTM两个基准模型相比,CNN-LSTM预测模型的平均绝对值误差率(MAE)和均方误差率(MSE)均较小,预测效果较优。该模型能较好地实现对工业废水出水水质的准确预测,可为工业废水水质的在线监测和精准控制提供有效的、可行的技术支持和决策依据。     

基于L—M算法的氨氮浓度预测模型研究

为克服传统BP网络的不足，采用阻尼最小乘法训练人工神经网络，并利用灰色关联分析方法确定输入层因子，建立了一个适合赣江南昌段水源地氨氮水质浓度的预测模型，利用该模型对赣江南昌段水源地水质进行预测，预测结果表明，该方法预测精度较高，收敛速度较快，为水质预测提供了一种新方法。     

基于改进回声状态网络的游离氧化钙预测控制

在非线性时延水泥烧成系统中,针对传统预测控制方法调节时间长、控制精度不高的问题,提出一种改进的在线型回声状态网络预测控制模型。首先将带有L1范数约束项的递归最小二乘法与回声状态网络相结合构建在线型预测模型,解决传统预测控制模型辨识精度较低、无法进行实时预测的问题;然后基于改进的回声状态网络预测模型,构建预测控制模型结构,并采用具有全局优化能力的粒子群算法进行滚动优化,保证实际输出量快速、准确、平稳地跟随被控量的设定值;最后利用改进的预测控制模型对水泥烧成系统中的游离氧化钙含量进行预测控制仿真实验,结果表明改进的预测控制模型具有良好的性能和应用前景。     

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。     

基于对流扩散方程的水质预测模型研究

为了实现河流水质的细粒度监测,以对流扩散方程为基础,构建细小水段的水质关系模型,在空间维度上对流域水质进行预测。首先,求解一维对流扩散方程的显示差分解、隐式差分解和解析解（也叫精确解）,构建出以一定的时间步长和空间步长为单位的细小水段水质关系模型,并对这些方法的精度进行验证。然后,依据木兰溪的实际水文情况,以某段为例,按照构建的对流扩散水质预测模型,求解该河段中某时刻各个节点的污染物浓度,实现该河段水质的细粒度预测,通过该应用验证隐式差分法具有较高的精度,使用隐式差分法进行空间维度预测具有一定可行性。     

河流水质预警预报模型的进展

水环境预警预报系统的核心是水质模型，本文对国内外现有水质模型研究现状作了较全面的介绍，并展望了今后的研究趋势和发展方向。     

基于数值模拟的嘉兴市区河道水质优化调度方案

针对目前嘉兴市区河道水质调度缺乏科学支撑的问题,利用嘉兴市最新水文、水质和水利工程信息,应用MIKE 11构建了嘉兴市区一维河网水动力水质耦合模型。模型的水位模拟误差平均为3.4 cm;以实测值的30%作为许可误差,河道水质浓度的模拟准确率达到86.7%,模型精度较高。应用所构建的模型,评估现状调度方案的水质改善效果,提出优化调度原则,探索优化调度方案。结果表明,与没有调度相比,现状调度方案可提高水质3.8%;基于文中提出的优化方案,可提高9.8%。研究成果可为嘉兴市区河网的水质改善提供科学支撑。     

基于MIC-CFS-LSTM的SCR出口NOx浓度动态预测

针对燃煤机组选择性催化还原(SCR)系统出口氮氧化物(NO_x)预测模型精度不高的问题,提出一种基于最大信息系数(MIC)和长短期记忆(LSTM)神经网络的预测模型方法。首先采用MIC估计各变量的延迟时间,对数据进行时延重构;然后采用重构后数据的MIC值作为评价各输入变量和输出变量间相关性大小的指标,并结合基于关联性的特征选择算法(CFS)进行输入变量筛选;最后基于时延重构和变量筛选后的数据,采用LSTM神经网络建立了SCR出口氮氧化物浓度动态预测模型。该模型被用于广东某320 MW燃煤机组实际运行数据分析。结果表明,经时延重构和变量筛选后所建立的LSTM预测模型具有较高精度,优于深度神经网络(DNN)模型和径向基函数(RBF)神经网络模型,平均绝对百分比误差达2.58%,均方根误差达2.02,可满足现场运用要求。     

基于最大信息系数和深度残差图卷积的工业过程故障诊断方法

针对工业数据非线性、时变性、时空特征耦合的特点,提出一种基于最大信息系数和残差图卷积网络的工业过程故障诊断算法(MIC-RGCN)。引入最大信息系数(MIC)挖掘变量之间的相关关系,将高维变量之间的相关信息转换为空间距离信息,构建相关性矩阵作为图卷积层的邻接矩阵输入;构建改进的深度残差图卷积网络(GCN)模型对数据的时空特征进行深度融合提取并精准分类。在田纳西-伊斯曼过程和三相流过程数据集上将该算法与4种典型机器学习和深度学习算法进行对比测试。实验结果表明,该算法有效地提升了故障诊断的准确率。     

模拟预测模型在污水处理中的应用：现状与挑战

采用模型模拟预测是一种提高污水处理设施运行效率,保证稳定达标排放的有效方法。介绍了模拟预测模型的两大分类：机理模型和经验模型,并分别简述了其发展史以及研究进展。在此基础之上,总结了现有模型存在的问题并提出了展望。     

基于RLS在线学习算法的DeepESN动态软测量建模方法及应用

提出了一种非线性自回归时间序列模型与深度回声状态网络(DeepESN)相结合的动态软测量建模方法,给出了深度回声状态网络的递推最小二乘(RLS)在线学习算法.将该方法应用于预测脱丁烷塔塔底丁烷含量,实现对相关产品质量的实时在线监控.在同等条件下,与回声状态网络(ESN)、泄漏积分回声状态网络(LiESN)的在线软测量建...     

基于BP人工神经网络的生化处理水水质预测

神经网络具有强大的非线性映射能力和并行处理能力,近年来在水处理领域中被广泛地应用.利用神经网络算法对某污水处理厂的污水处理系统进行了出水水质预测.结果表明,基于BP神经网络的水质预测模型拟合效果较好,模拟出来的化学需氧量(COD)、pH、固体悬浮物(SS)及生物需氧量(BOD)的数值范围均较接近于实际值,其平均相对标准差分别为6.96%、1.31%、12.09%、15.18%.     

基于回声状态网络的柴油性质近红外光谱测量模型

针对柴油性质的近红外光谱测量问题,提出了一种基于回声状态网络(Echo State Network,ESN)的近红外光谱测量模型。该模型采用化学计量学方法,通过ESN对柴油性质的近红外光谱数据进行学习以建立光谱信息与柴油性质间的输入输出关系模型。为克服ESN生成过程产生的随机性对测量精度的干扰,采用集成学习方法对模型进行校正。对柴油的十六烷值和密度的近红外光谱测量表明,该模型在测量精度上优于偏最小二乘、主成分回归及多元线性回归等常规化学计量学方法建立的模型。     

基于改进误差修正方法的灰色动态模型群水质预测

介绍了一种新的水质预测方法一灰色动态模型群法的基本原理和计算过程。将该方法应用于浑河沈阳段某监测断面的水质预测中,预测所得数值经过一种新的误差修正方法后和实际监测水质数据同时进行水质标识指数法评价,以便得出一个简单直观的结果对其精度进行检验。结论得出,应用新的误差修正方法的灰色动态模型群的预测结果与实际监测的水质结果一致,表明该方法能克服由数据序列随机波动性大而引起的GM（1,1）动态模型群预测精度不高的问题,可以作为水质预测中的一种有效的误善修正方法。     

基于PSO算法的ARMA模型长江化工污染水质预测

针对时间序列分析ARMA模型预测的问题,在研究传统预测方法缺点的基础上,提出了用粒子群优化算法(PSO)确定ARMA(r,m)模型的自回归阶数r和滑动平均阶数m的新方法。首先根据ARMA(r,m)模型对预测值与实际值提出相应的粒子群优化算法的适应度函数;然后选取适当的学习因子、惯性权重、种群大小、粒子速度和迭代次数,通过迭代找到最优解;然后找到最优的ARMA(r,m)模型对长江流域水质进行预测。通过MATLAB进行仿真证明了该方法简单可行,很大程度上提高了对长江水质化学污染的预测精度。     

基于泄漏积分型回声状态网络的软测量动态建模方法及应用

提出一种基于泄漏积分型回声状态网络（LiESN）的软测量动态建模方法,给出LiESN的岭回归离线学习算法与递推最小二乘（RLS）在线学习算法。通过引入正则化系数,岭回归离线学习算法可有效地控制输出权值的幅值,改善ESN的预测性能。RLS在线学习算法能适应大数据集的处理,满足过程建模实时性的需求。将基于LiESN的软测量方法分别用于预测脱丁烷塔底部丁烷组分的含量及计算硫回收装置中尾气的组成,实现对精炼厂相关产品质量的实时监控,并采用模型残差的四图分析对建模性能进行评价。在同等条件下,与基本的ESN网络以及支持向量机（SVM）等软测量建模方法进行了比较,结果表明,所提出的LiESN方法取得了很好的预测性能,计算精度满足工业生产的实际要求。     

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。