含时滞测量值下间歇过程的双维状态估计

基于粒子滤波研究了间歇过程的状态估计问题。根据间歇过程双维动态特性,针对关键参数在线检测精度低、离线分析时滞大等问题,分别建立一种双维状态转移模型和时滞测量模型,并利用贝叶斯方法及前/后向平滑,提出一种含时滞测量值下的双维状态估计算法。该算法通过融合先前批次和时滞测量值的信息提高估计精度,并且克服了离线采样周期和时滞时间不确定的问题。在数字仿真和啤酒发酵过程中的仿真应用验证了该算法的有效性。     

含时滞测量值下间歇过程的双维状态估计

基于粒子滤波研究了间歇过程的状态估计问题。根据间歇过程双维动态特性,针对关键参数在线检测精度低、离线分析时滞大等问题,分别建立一种双维状态转移模型和时滞测量模型,并利用贝叶斯方法及前/后向平滑,提出一种含时滞测量值下的双维状态估计算法。该算法通过融合先前批次和时滞测量值的信息提高估计精度,并且克服了离线采样周期和时滞时间不确定的问题。在数字仿真和啤酒发酵过程中的仿真应用验证了该算法的有效性。     

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。     

选择性集成LTDGPR模型的自适应软测量建模方法

随着时间的增加,传统时间差（TD）模型会出现性能显著下降的问题。为了提高TD模型的可靠性和预测精度,同时考虑过程的时滞特征,基于一种选择性集成策略,提出一种局部时间差高斯过程回归（LTDGPR）模型的自适应软测量建模方法。首先,提取出数据库中的时滞动态信息,对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于新来的输入样本,选择部分泛化能力强的LTDGPR模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对当前时刻主导变量值进行在线预测。通过脱丁烷塔过程的数据建模仿真研究,验证了所提方法的有效性和精度。     

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。     

选择性集成LTDGPR模型的自适应软测量建模方法

随着时间的增加,传统时间差(TD)模型会出现性能显著下降的问题。为了提高TD模型的可靠性和预测精度,同时考虑过程的时滞特征,基于一种选择性集成策略,提出一种局部时间差高斯过程回归(LTDGPR)模型的自适应软测量建模方法。首先,提取出数据库中的时滞动态信息,对建模数据进行重构;然后,采取局部化策略对差分后的重构样本进行统计划分,得到LTDGPR模型集。对于新来的输入样本,选择部分泛化能力强的LTDGPR模型进行集成,估计出含一定时间差的主导变量动态偏移值;最后,基于TD模型思想对当前时刻主导变量值进行在线预测。通过脱丁烷塔过程的数据建模仿真研究,验证了所提方法的有效性和精度。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

基于工业色谱仪的精馏脱炔烃塔软测量建模

提出一种基于工业色谱仪的软测量建模方法,并针对碳五馏分分离过程中的精馏脱炔烃塔塔底成分估计问题,建立了合适的工业软测量模型。介绍了工业色谱仪在线质量检测原理和LM-BP神经网络模型的建立,并利用工业色谱仪在线检测的质量数据进行系统的在线和周期性模型更新,提高了软测量模型的在线估计精度。研究结果表明,基于工业色谱仪的LM-BP神经网络模型是一种有效的软测量建模方法。     

基于粒子滤波的高浓度染料色泽软测量模型辨识方法

为了解决高浓度混合染料间歇染色过程织物色泽的在线测量问题,即非线性色泽软测量,提出了基于粒子滤波的软测量方法,该方法通过测定间歇染机内染液的吸光度,采用粒子滤波算法来估计该染液中各染料浓度,再根据染料浓度与织物色泽的软测量模型计算出染机内织物色泽。以3种活性染料拼染纯棉为例,对该方法的可行性进行验证。实例证明,基于粒子滤波的软测量方法的色泽估计值与人工离线实测值之间的色差值在1.0 CIELAB之内,模型的估计值能够满足工艺要求。因此,该方法是有效可行的。     

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。     

Distributed state estimation from infrequent and delayed measurements in large-scale processes

Effective control and monitoring of a process usually require frequent and delay-free measurements of important process output variables. However, these measurements are often either not available or available infrequently with significant time delays. This article presents a method that allows for improving the performance of distributed state estimators implemented on large-scale manufacturing processes. The method uses a sample state augmentation approach that permits using delayed measurements in distributed state estimation. The method can be used with any state estimator, including unscented Kalman filters, extended Kalman filters, and moving horizon state estimators. The method optimally handles the tradeoff between computational time and estimation accuracy in distributed state estimation implemented using a computer with parallel processors. Its implementation and performance are shown using a few simulated examples.     

A data-derived soft-sensor method for monitoring effluent total phosphorus

The effluent total phosphorus(ETP)is an important parameter to evaluate the performance of wastewater treatment process(WWTP).In this study,a novel method,using a data-derived soft-sensor method,is proposed to obtain the reliable values of ETP online.First,a partial least square(PLS)method is introduced to select the related secondary variables of ETP based on the experimental data.Second,a radial basis function neural network (RBFNN)is developed to identify the relationship between the related secondary variables and ETP.This RBFNN easily optimizes the model parameters to improve the generalization ability of the soft-sensor. Finally, a monitoring system, based on the above PLS and RBFNN, named PLS-RBFNN-based soft-sensor system, is developed and tested in a real WWTP.Experimental results show that the proposed monitoring system can obtain the values of ETP online and own better predicting performance than some existing methods.     

A soft sensor for flotation plants

A soft-sensor was developed to estimate the solids flow rates in the streams of a flotation circuit. The algorithm uses metal assays and mass flow rate measurements to perform the estimation. The method performs a recursive least squares estimation of the mass flow rates based on the assumption of mass conservation over a specified time window. The soft-sensor is programmed into a Vax computer system interfaced with a DCS and is currently used for process control and instrument tuning.     

A probabilistic self-validating soft-sensor with application to wastewater treatment

In the wastewater treatment plants (WWTPs), soft sensors are viewed as a simple signal estimator for hard-to-measure quantities. However, the presence of unreliable data, coupled with increasing demands for measurement quality assurance, has rendered inadequate such a simplistic view. In this paper, a probabilistic self-validating soft-sensor is proposed with the capability of performing self-diagnostics, self-reconstruction and online uncertainty measurement. In this framework, data collecting for soft-sensor modeling (easy-to-measure data) is validated by a Variational Bayesian Principal Component Analysis (VBPCA) model before performing a soft-sensor model construction. By integrating Relevant Vector Machine (RVM) as a predictive model, not only prediction values are obtained, but also the credibility of information for easy-to-measure and hard-to-measure quantities can be generated. The performance of the proposed soft-sensor is validated through two simulation studies of WWTPs with different process characteristics. The results suggest that the proposed strategy significantly improves the prediction performance.     

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。     

基于区间二型模糊神经网络的出水氨氮软测量

针对污水处理过程出水氨氮（ammonia nitrogen,NH₄-N）难以实时检测的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的软测量方法,建立了出水NH₄-N的软测量模型,实现了出水NH₄-N的实时检测。首先,采集和预处理相关过程变量的实际运行数据,通过主元分析法筛选出与出水NH₄-N相关性较强的过程变量。其次,利用IT2FNN建立所选变量与出水NH₄-N的软测量模型,通过梯度下降算法对模型相关参数进行修正。最后,将基于IT2FNN的出水NH₄-N软测量模型应用于实际污水处理过程。实验结果表明,提出的出水NH₄-N软测量方法不仅能够实现污水处理过程出水NH₄-N的实时检测,而且具有较高的检测精度。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影（VIP）这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。