膜污染模拟器：一种适合用于预测和描述膜污染的工具

本研究开发了一种新的工具-膜污染模拟器（MFS），在一种小且简单的系统中测量膜污染（压降增加），在水处理中使用的膜为螺旋缠绕膜。使用MFS过程中，污染的发展可以通过（1）压力下降；（2）使用窥镜现场且无破坏性的观察：（3）在MFS中从膜薄片所采试样的分析系统的监控。具有螺旋缠绕膜原件的MFS比较研究显示了相同的污染。小的尺寸、低的水量和低的化学品的使用便于进行系统平行研究。通过该模拟器可以描述使用MFS水处理中的膜污染。     

基于PSO-DNN神经网络的煤制甲醇合成过程建模

为了提高模型的预测效果,更好的适应实际过程的动态特性,针对甲醇合成过程的特点,确定了PSO—DNN网络结构。以核主元分析（KPCA）方法为前件,结合改进的Elman神经网络,构成动态神经网络（DNN）模型,并针对此模型的不足,引入粒子群算法（PSO）进行优化。仿真结果表明：基于PSO—DNN神经网络的粗甲醇转化率预测模型不仅具备动态适应能力,而且具有预测精度高、收敛速度快、泛化能力强等特点,能够实现粗甲醇转化率的实时稳定预测。     

基于DNN的活性炭吸附预测及性能评价

传统机器学习在处理有限样本数据时,容易出现过拟合和梯度消失等问题。为解决该类问题,文中以生物质活性炭亚甲基蓝吸附作为研究对象,构建了一种基于深度学习的DNN预测模型。使用Adam算法动态调整学习率、加速网络收敛;采用Dropout函数缓解过拟合;使用ReLU函数作为激活函数解决梯度消失问题。所搭建的DNN模型预测精度和稳健性均显著高于传统的人工神经网络模型,在面对单一来源数据时,预测平均准确率达到99.9%,面对来自不同实验室的多重来源数据时,依然拥有99.8%的平均预测准确率。搭建好的DNN模型以较强的鲁棒性保证了自身的安全性和容错能力,符合数据庞杂且复杂多变的实际应用情况,同时可进行关键影响因子的非线性定量关系预测,从而辅助制备工艺的决策优化。     

化工过程深度神经网络软测量的结构与参数自动调整方法

深度学习在流程工业的软测量领域已经得到了应用。然而,深度神经网络（DNN）的结构和参数需要人工调整,这需要扎实的机器学习知识基础和丰富的参数调整经验,烦琐的调整过程限制了深度学习在化工领域的推广应用。在大量实验的基础上,对DNN的每个关键参数的选取过程进行了系统化的分析,提出了几乎无须人工干预的基于DNN软测量的结构和参数自动调整方法,极大地简化了参数调整过程,能够给工程技术人员学习及应用深度学习提供参考。对原油蒸馏装置及煤气化装置的案例分析验证了所提出方法的有效性和通用性。     

注塑机料筒温度检测及实验研究

本文基于工控机，利用Ｋ型热电偶检测注塑机料筒温度，并经固态继电器（ＳＳＲ）控制加热圈通断。通过对各个加热段加温过程及加热段之间的耦合作用进行实验研究，利用时域法建立了各加热段的数学模型，具有一阶响应特性（带时滞）。根据实验模型仿真计算数值与实验结果非常接近，表明本文采用时域法辨识模型准确，且满足精度要求     

基于百度飞桨平台长短期记忆网络的虚假评论检测研究

虚假评论识别是电子商务领域健康发展的有力支撑，现有多种方法用于虚假评论检测。本文基于百度飞桨深度学习平台构建长短期记忆网络（long short-term memory,LSTM）模型、应用Yelp数据集进行训练和虚假评论检测。首先对Yelp评论文本数据进行了预处理和对评论文本初步分析，详细介绍了模型中的数据计算流程，然后使用编码后的评论文本数据训练LSTM模型。实验表明，与传统机器学习相比，具有更高的识别准确率。     

第二代天花疫苗通过美国FDA批准

第二代天花疫苗ACAM2000近日通过美国FDA批准。FDA生物制品审评中心（CBER）的专家表示，该疫苗可采用现代细胞技术在保证产品质量一致性的前提下大规模快速生产，有效补充目前天花疫苗的供给。[第一段]     

基于短时平均幅度和HMM的语音识别系统研究

为克服现行语音识别精度不高的缺点,充分利用资源,改进语音识别效率,研究了基于音频波段特征分析的声音检测与分辨方法。方法以不同人对同一字的发音样本中的音频段信号为主要检测组分,研究不同样本的语音特征区别,使用MNP21声音传感器采集音频信号并进行分析。针对不同人的发音样本体系,提出了使用音频波段检测的思路。基于短时平均幅度优化获得音频信号,进而用隐马尔可夫模型进行识别,设计了语音识别系统。实验结果表明：每人采集10组样本训练,针对五人的不同样本进行多次语音区分,准确率达到100%。     

基于加权深度支持向量数据描述的工业过程故障检测

传统支持向量数据描述（SVDD）方法本质上采用浅层学习框架,难以有效监控非线性工业过程的复杂故障。针对此问题,提出一种基于加权深度支持向量数据描述（WDSVDD）的故障检测方法。该方法一方面在深度学习框架下重新定义SVDD优化目标函数,构建基于深度特征的深度SVDD监控模型（DSVDD）,并利用核密度估计法计算监控指标的统计控制限;另一方面,考虑到深度特征的故障敏感度差异特性,在DSVDD监控模型中设计特征加权层,分别从静态和动态信息分析角度给出权重因子的计算方法,利用权重因子突出故障敏感特征的影响以提高故障检测率。应用于一个典型化工过程的测试结果表明,所研究的方法能够比传统SVDD方法更有效地监控过程中复杂故障的发生。     

化工过程深度神经网络软测量的结构与参数自动调整方法

深度学习在流程工业的软测量领域已经得到了应用。然而,深度神经网络(DNN)的结构和参数需要人工调整,这需要扎实的机器学习知识基础和丰富的参数调整经验,烦琐的调整过程限制了深度学习在化工领域的推广应用。在大量实验的基础上,对DNN的每个关键参数的选取过程进行了系统化的分析,提出了几乎无须人工干预的基于DNN软测量的结构和参数自动调整方法,极大地简化了参数调整过程,能够给工程技术人员学习及应用深度学习提供参考。对原油蒸馏装置及煤气化装置的案例分析验证了所提出方法的有效性和通用性。     

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DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机（DBN-ELM）的软测量方法应用到熔融指数的软测量中。与传统深度置信网络（DBN）不同的是,该方法将极限学习机（ELM）算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于人工智能算法的铝电解工艺优化求解

为提高铝电解工艺参数优化能力,基于近端策略优化（PPO）深度强化学习算法,构建铝电解工艺参数优化模型,以实现铝电解工艺优化求解。对铝电解工艺流程进行介绍,确定其工艺中的重要技术参数;然后将深度与强化学习相结合,建立铝电解参数寻优模型。在原始PPO算法基础上加入RMSProp算法和冲量思想得到M-RMSProp-PPO算法,将该算法应用到模型中进行铝电解工艺参数寻优。结果表明：改进后算法可实现快速收敛,累计奖赏高达15%,说明改进后的算法性能更优越;与决策树算法进行搭配后,可以得到铝电解工艺优化最优组合。     

基于LSTM神经网络的干燥含水量预测研究

在PVC干燥中,产品的含水量受到温度、流量等多个参数的影响,鉴于参数数据之间的非线性以及序列间的相关性,传统的时间序列方法和传统的机器学习算法已经不能对未来干燥产品的含水量进行精确的预测。长短期记忆网络（LSTM）作为一种基于深度学习中的循环神经网络（RNN）,它在RNN的基础上增加了输入门、输出门以及遗忘门,可以有效地处理RNN在运行大量数据时可能会带来的数据遗忘等问题,特别适合处理具有时间序列的数据。基于Pytorch深度学习框架构造长短期记忆网络模型,对产品含水量进行预测。结果表明：使用该模型对产品的含水量进行预测,其预测值和真实值的走向非常接近,精准度很高。     

基于人工智能的辊道窑虚拟设计

阐述了将人工智能AI（Artificial Intelligence）和虚拟设计VD（Virtual Design）应用于辊道窑设计中的过程，建立了基于面向对象编程工具VC＋＋的辊道窑总体方案设计专家系统和用三维造型软件设计出整个陶瓷窑的三维参数化模型。通过该系统不但可以明显提高辊道窑的设计质量和效率，而且可以实现辊道窑的自动绘图。     

基于工况识别的XGBoost算法在水泥熟料质量预测中的应用

采用数据驱动方法，基于ResNet50深度学习模型和XGBoost算法，实现对水泥熟料中fCaO含量的预测。利用ResNet50模型对篦冷机落料位置图像进行识别，判断区分回转窑的正常与异常工况。通过训练ResNet50模型，对回转窑的实时图像进行分类，可以及时发现潜在问题和异常情况，提高生产过程的稳定性和安全性。基于XGBoost算法，对正常工况下熟料fCaO含量进行预测，并将回转窑的工况和熟料fCaO含量进行关联，可以实现对熟料生产过程的监测和控制，提高熟料品质和生产效率。研究结果表明，基于深度学习的图像识别和基于XGBoost算法的质量预测方法，可以有效地预测熟料fCaO的含量，并为熟料生产提供指导和优化策略。     

基于共同趋势模型的非平稳过程质量相关故障检测方法

现有质量相关监控方法基于数据平稳的假设，而实际生产中存在大量的非平稳过程。针对上述问题，提出了一种基于共同趋势模型的非平稳过程质量相关故障检测方法。该方法首先识别出系统中的非平稳过程变量和质量变量，再利用Gonzalo-Granger分解求解共同趋势模型，从而分离非平稳数据中的平稳部分和非平稳部分，然后，整合平稳数据，以及非平稳数据的平稳子空间整合，应用慢特征分析（slow feature analysis, SFA）和典型相关分析（canonical correlation analysis, CCA）建立质量相关的监控模型，实现对非平稳质量变量的有效监控。最后通过对比实验，证明所提出方法可以有效发现非平稳过程质量相关故障。     

基于EfficientNet和LSTM的井下设备定位技术

针对矿井设备在基于视觉定位时存在由井下环境复杂而导致的定位可靠性低、参数调整困难等问题，本文提出了一种基于EfficientNet深度学习模型和LSTM时序模型的井下相对定位模型，以提高设备定位算法在井下复杂工作环境中的精确度和鲁棒性。算法训练过程中通过设计光照强度随机和边缘平滑的图像预处理模式，使训练得到的深度学习网络对图像的照度和纹理敏感度降低。实验结果表明：在测试数据集上，该模型能够进行精确的井下定位。该研究将端对端的深度学习应用于井下定位技术，并为矿井视觉定位的发展提供理论参考。     

金属烧结过滤器在PTA母固回收系统的应用

针对目前PTA（精对苯二甲酸）装置中精制段和氧化段母固回收存在的问题,提出母固回收单元工艺改进：采用金属粉末烧结滤芯回收母液中的TA（对苯二甲酸）和其它有机物,不但可以降低系统中PX（对二甲苯）单耗,同时也可以减少废水中的COD含量。此改进工艺能使企业节能减排,增强企业竞争力,提高企业经济效益。     

浅析一种基于深度学习的自动质量控制方法

生产线自动检测是质量控制系统的重要组成部分，它可以提高被监控产品和过程的整体质量。传统的控制系统故障检测仅限于简单的边界检查，更复杂的非线性信号的分析需由操作员依靠经验来监督质量检查和手动故障检测。本文讨论了机器学习技术，提供了一个基于深度学习的数据分析框架，通过BP神经网络模型对上传的数据进行计算分析，形成一种基于深度学习的自动检测方法，提高产品质量。