基于FGCN的针铁矿沉铁过程建模

针铁矿沉铁过程是由多个连续反应器级联,并且包含氧化反应、还原反应以及中和反应等一系列复杂化学反应的复杂过程,具有强非线性、不确定性的特点,难以建立精确的数学模型。提出一种基于模糊灰色认知网络(fuzzy gray cognitive network,FGCN)的针铁矿沉铁过程的建模方法。根据专家经验和历史数据,建立针铁矿沉铁系统的模糊灰色认知网络模型,利用带终端约束的非线性Hebbian学习算法(nonlinear Hebbian learning,NHL)对权值进行学习。在不同程度的不确定性环境下对系统进行分析,结果表明模糊灰色认知网络能够在不确定性高的环境下对复杂工业系统进行有效模拟,收敛到一个灰度为零或者灰度很小的灰数平衡点,利用白化函数得到一个准确的控制输出。     

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FGCN的针铁矿沉铁过程建模

针铁矿沉铁过程是由多个连续反应器级联,并且包含氧化反应、还原反应以及中和反应等一系列复杂化学反应的复杂过程,具有强非线性、不确定性的特点,难以建立精确的数学模型。提出一种基于模糊灰色认知网络（fuzzy gray cognitive network,FGCN）的针铁矿沉铁过程的建模方法。根据专家经验和历史数据,建立针铁矿沉铁系统的模糊灰色认知网络模型,利用带终端约束的非线性Hebbian学习算法（nonlinear Hebbian learning,NHL）对权值进行学习。在不同程度的不确定性环境下对系统进行分析,结果表明模糊灰色认知网络能够在不确定性高的环境下对复杂工业系统进行有效模拟,收敛到一个灰度为零或者灰度很小的灰数平衡点,利用白化函数得到一个准确的控制输出。     

模糊系统的模型化和优化

过程工业中的生产过程变量关系比较复杂，难于获得精确的模型，常使得过程系统的模拟和优化有较大误差。本文提出基于模糊逻辑表述和处理系统变量间的不精确近似关系，使模型方程间的冲突和不协调性趋于最小，模糊目标函数趋于最大。从而实现对模糊系统的模拟和优化。     

基于注意力模块化神经网络的城市固废焚烧过程氮氧化物排放预测

氮氧化物(nitrogen oxides,NO_x)浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_x排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。     

面向工业混杂系统故障检测的扩展数据逻辑分析方法

常规的数据驱动故障检测方法难以处理同时包含连续和离散变量的工业混杂系统,数据逻辑分析（logical analysis of data, LAD）方法通过对历史数据中变量组合的逻辑分析,能够有效地挖掘离散和连续变量数据中存在的隐含规则。然而,常规的LAD在提取连续变量特征时存在对趋势变化信息丢失的问题,并且在处理具有高维度、多变量特征的工业数据时会导致提取的规则存在大量冗余。为此,本文提出一种基于扩展数据逻辑分析（extended logical analysis of data, ELAD）的工业混杂系统故障检测方法,根据与关键变量的关联度选取相关变量,增加变量的趋势信息以进行过程状态变化的表征,生成可解释的故障检测模型。应用于工业煤气化汽包过程,有效地检测了关键混杂变量对汽包液位故障的影响,实验结果验证了所提方法的可行性和有效性。     

锌电解全流程酸锌离子浓度在线预测模型

针对电解液中酸锌离子浓度离线化验存在大滞后,难以实现锌电解过程在线优化控制的问题,研究了锌电解全流程酸锌离子浓度在线预测模型。在分析锌电解过程电化学反应机理的基础上,结合锌电解过程物料平衡,建立了锌电解动态反应模型。基于锌电解工业现场数据,采用FCM算法对锌电解工况进行分类,并辨识了不同工况条件下预测模型的参数,利用多工况模糊匹配实现了全流程酸锌离子的预测。工业数据验证结果表明所建模型能有效地反映酸锌离子浓度的变化趋势,为锌电解过程的优化控制奠定了基础。     

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。     

改进CCM算法检测外部扰动下系统变量间的时滞和因果关系

在化工过程中,可以通过分析变量间的相互作用和时滞关系,推理故障的传播路径和网络,指出故障的根原因。这对提高过程安全性,增强经济效益具有重要意义,是研究的热点和难点。常见的互相关函数和传递熵等方法,由于只适用于线性或弱非线性系统,或计算量较大,往往无法准确地获得变量间的时滞信息和作用强度,在实际应用中存在不足。近年来,在生态领域研究中提出的交叉收敛映射(CCM)算法,被认为是一种适用于非线性耦合过程因果分析的方法,可适用于耦合变量间时滞关系的检测。但对于带有外部扰动的化工过程,CCM无法根据随时受到扰动的过程数据构造出稳定的嵌入流形,导致了时滞和因果分析失败。而基于CCM进行改进的扰动过滤交叉映射(DFCM)方法,通过分析外部扰动对系统的影响,预先筛选扰动数据,再将过滤后的数据代入交叉映射的计算中。算例表明,这种处理能有效地避免扰动下嵌入流形不稳定的问题,适用于处于扰动下的化工过程,并得到良好的时滞和因果关系分析效果。     

基于ICA混合模型的多工况过程故障诊断方法

针对工业过程数据的多模态和非高斯特性,提出一种基于独立元混合模型(independent component analysis mixture model,ICAMM)的多工况过程故障诊断方法。该方法将独立元分析与贝叶斯估计结合,同时完成各个工况的数据聚类和模型参数求取,并建立基于贝叶斯框架下的集成监控统计量实时监控过程变化。在检测到故障后,针对传统的变量贡献图方法无法表征变量之间信息传递关系的缺点,提出基于信息传递贡献图的故障识别方法。该方法首先计算各变量对独立元混合模型统计量的贡献度,进一步通过最近邻传递熵描述故障变量之间的传递性,挖掘故障变量之间的因果关系,从而确定故障源变量和故障传播过程。最后对一个数值系统和连续搅拌反应釜(CSTR)过程进行仿真研究,结果验证了本文所提出方法的有效性。     

基于关联变量时滞分析卷积神经网络的生产过程时间序列预测方法

生产过程通常具有大时滞、非线性、多变量耦合等特点,往往难以建立准确的时间序列预测模型。基于生产过程历史数据,提出了一种采用关联变量时滞分析卷积神经网络（CNN）的生产过程时间序列预测方法,首先选取合适的关联变量并对关联变量与输出进行时滞分析,然后利用时滞分析结果确定关联变量时间窗的大小,最后建立合适的CNN模型对时间序列进行预测。某反应精馏过程实验表明,此方法对于大时滞系统的长步长时间序列预测具有较好的准确性。     

针对多变量耦合时滞系统的无模型控制改进算法

工业生产是国家经济发展的命脉,而在工业生产中过程控制起到非常重要的作用。实际的工业过程控制系统难以避免时滞,再者大部分的工业化生产过程都不只有一个被控量且往往互相耦合,种种原因使得整个控制过程难以建立准确的数学模型,因此一般控制方法难以实现令人满意的控制。无模型自适应控制(model free adaptive control,MFAC)方法无须建立被控对象准确模型,可直接进行控制器的设计,考虑针对被控系统的大时滞特性,将基本MFAC算法中的控制律进行变周期差值分析,增大控制输入差值周期,对原有控制算法进行改进,并对MIMO系统实现直接解耦控制。以循环流化床锅炉燃烧过程模型为例,MATLAB计算机模拟仿真实验表明该改进算法具有良好的控制效果。     

基于因果分析的烧结生产状态预测模型

烧结是高炉炼铁系统中的重要生产单元,其生产水平高低直接关系炼铁企业的生产效益。烧结过程具有时滞性和非线性特征,为了实现对烧结生产状态的准确预测,本文综合自相关分析、收敛交叉映射和误差反向传播神经网络等方法,融合因果性机理和黑箱模型,建立了基于因果分析的烧结生产状态预测模型。该模型通过因果分析层选取解释变量集、自相关窗口和因果性窗口,并通过神经网络层实现对6个烧结生产状态关键变量的准确预测。经过工业数据测试,该模型预测平均误差控制在0.5%～3.1%之间,能够有效辅助工厂进行烧结状态调整。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

A cognitive approach to develop dynamic models: Application to polymerization systems

An alternative procedure based on cognitive approach is applied to develop dynamic models. The solution copolymerization of methyl methacrylate and vinyl acetate in a continuous stirred tank reactor is analyzed to illustrate the cognitive model development. Factorial planning was used to discriminate the process variables with higher impact on the process performance (effects) and they are used to built‐up a dynamic model based on the functional fuzzy relationship of Takagi–Sugeno type. Gaussian membership functions are considered for the cognitive sets and subtractive clustering method supplied the parameters of the premises of the model. Consequence functions are obtained through an optimization problem solved by a least square based algorithm. The kinetic parameters and reactor operating conditions are obtained from the literature and a mathematical model is considered as plant for identification data generation. Dynamic cognitive models showed satisfactory predictive capabilities and may be an interesting alternative to attack problems of modeling in chemical processes. © 2007 Wiley Periodicals, Inc. J Appl Polym Sci, 2007     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

基于多元时序分析的水华预测及因素分析方法

在水华防治工作中,水华预测一直都是一个难点,为了解决由于水华生成过程中多种特征因素间的交互影响建模困难,现有的水华预测方法预测结果还不够准确,以及不同影响因素与水华发生的相关性程度的判定等问题,采用多元时间序列分析技术,研究多特征因素的水华预测及因素分析方法,通过对水华生成过程中的特征因素时序建模分析,提出多重潜周期多元自回归模型,给出了基于多元周期平稳时序分析的水华预测以及因素分析结果。采用本文方法及传统方法分别对江苏太湖水华特征因素监测数据进行建模预测,结果表明,基于本文方法的水华特征因素预测结果与实测结果更相符、预测平均误差绝对值更小。     

镨/钕萃取过程组分含量多RBF模型预测

针对具有特征颜色的镨/钕(Pr/Nd)萃取过程中元素组分含量难以快速准确检测的问题,提出了一种基于多RBF神经网络模型的组分含量建模及其自适应校正方法。通过选择Pr/Nd溶液图像特征H、S分量一阶矩为模型的输入变量,采用减法聚类对样本数据进行分类并建立相应的子模型;当萃取运行环境或对象特性发生变化导致模型精度不够时,根据模型参数调整策略自动调整各子模型的网络结构和参数,实现元素组分含量的准确预测。针对某Pr/Nd生产过程实际数据实验对比,结果表明本文方法能够满足稀土萃取过程元素组分含量检测的高准确度和快速性要求。     

环氧乙烷反应器泄漏实时监测预警模型构建方法及应用

环氧乙烷是一种易燃易爆有毒致癌物,一旦发生泄漏,将造成严重后果。应用实时连续监测预警系统是防控环氧乙烷泄漏着火爆炸的有效手段。常用的气体泄漏后果模拟软件仅能完成单点离线预测,其模型预测结果很难应用于连续监测预警。多参数耦合关系的辨识及其影响效应的定量计算准确性是泄漏监测预警的难点。本文提出环氧乙烷反应器泄漏实时监测预警模型构建方法,确定化工过程实际生产中参数变化范围,基于UDM模型多参数进行正交试验模拟计算环氧乙烷反应器泄漏后扩散、着火、爆炸等事故后果;基于事故后果信息进行压力、温度、泄漏口径、泄漏高度及环境变化等多因素的关联分析,确定影响事故后果的主要影响因素为泄漏口径与泄漏高度;基于主要影响因素的不同事故后果信息数据回归拟合事故后果的定量预测模型;根据泄漏实际工况的多种工艺参数,利用定量预测模型计算事故后果,利用PHAST软件对连续监测预警模型的结果进行对比验证。结果表明该模型与PHAST计算结果基本一致,误差在允许范围内,可用于定量实时连续预测计算。最后,本文依据该方法和实时监测预警模型构建实时连续监测预警系统,根据实际生产过程实时变化进行多参数渠道采集,实现泄漏风险实时连续监测预警,进而为事故预警和应急救援提供技术依据。