挤出胎面几何尺寸的影响因素及控制措施

分析影响挤出胎面几何尺寸的因素并提出相应的控制措施。通过采取合理设计口型板,调整挤出口型,严禁单一车次胶料热炼,严格控制返回胶料掺用比例,保持牵引速度与挤出速度一致,控制好炼胶机的辊温、辊距、容量以及割刀次数,将动态裁断改为静态裁断等措施,提高了挤出胎面几何尺寸的稳定性。     

基于PLS的原油选择与混合优化研究

为降低原油采购成本和生产符合质量要求的产品,将原油的选择与混合看作一个整体,基于原油属性数据信息,采用偏最小二乘法建立原油选择与混合优化的非线性混合整数规划模型,应用分支定界算法对模型进行求解,并通过具体实例分析证实了模型和算法的有效性。     

影响挤出胎面几何尺寸合格率的因素

分析了影响胎面挤出几何尺寸的因素并提出了相应的解决措施，将热炼，供料系统两台粗炼开炼机改为一台粗炼，一台细炼，提高胶料的均匀性和粘度等，确保螺杆与机筒间隙小于2.2mm，机头温度为35-45℃，挤出速度为50－55r.mm^-1，同时应注意螺杆转向和操作方法的影响。     

激光在线测量连续挤出胎面断面尺寸

介绍激光测量技术的原理及其在胎面挤出生产线上的应用。实际测量了11．00-20，12．00-20等多种规格胎面断面面积和断面尺寸在正常生产条件下的波动情况。测量数据表明，生产线上连续挤出的轮胎胎面断面面积及冠宽、冠厚、肩宽和肩厚等断面尺寸的波动范围均较大。通过对测量数据的分析可查找干扰因素，调整挤出工艺，提高挤出胎面尺寸稳定性。     

基于核PLS方法的非线性过程在线监控

针对过程监控数据的非线性特点,提出了一种基于核偏最小二乘（KPLS）的监控方法。KPLS方法是将原始输入数据通过核函数映射到高维特征空间,然后在高维特征空间再进行偏最小二乘（PLS）运算。与线性PLS相比,KPLS方法能充分利用样本空间信息,建立起输入输出变量之间的非线性关系。与其他非线性PLS方法不同,KPLS方法只需要进行线性运算,从而避免非线性优化问题。在对过程进行监控时,首先采用KPLS方法建立模型,得到得分向量,然后计算出T²和SPE统计量及其相应的控制限。Tennessee Eastman(TE)模型上的仿真研究结果表明,所提方法比线性PLS相似文献   

基于混合函数的KICA-LSSVM故障分类方法及应用

利用核独立成分分析(KICA)进行非线性特征提取,然后用最小二乘支持向量机建立故障分类模型。研究表明,不同核函数对模型的性能有很大影响。利用已有核函数构造混合核函数,提出基于混合核函数的KI-CA-LSSVM故障分类方法,并应用到某石化企业的润滑油生产过程。实验结果表明该方法具有很高的分类和泛化能力。     

胎面胶门尼粘度对胎面挤出尺寸的影响

采用相同配方、不同门尼粘度的4种胎面胶,研究胎面胶门尼粘度对胎面挤出尺寸的影响。结果表明:对于相同配方的胎面胶,门尼粘度较低时,相同挤出宽度下挤出胎面厚度较小;高门尼粘度胶料与低门尼粘度胶料搭配使用,可有效控制挤出胎面尺寸的合格率,减少返回胶;门尼粘度差值小于6个门尼值的胶料挤出胎面的厚度在公差范围以内。     

轮胎胎面形状的确定

采用成型鼓宽度的计算方法，运用计算机软件作图，计算轮胎胎面的合理形状；参考类似规格轮胎胎面挤出的膨胀率，制作并修正口型板，使之最终符合轮胎胎面的设计要求，从而达到降低由于胎面原因引起的轮胎病疵。     

影响挤出胎面几何尺寸合格率的因素及控制措施

胎面几何尺寸合格率直接影响成品轮胎质量和使用性能,是轮胎制造生产过程中质量控制的重要指标。胎面尺寸不合格一般有两种情形：一种是个别尺寸不合格,如过厚、过薄、过宽、过窄等;另一种是胎面增厚、增宽与长度不足,     

固特异公司轿车轮胎胎面和胎侧的最新设计

为特殊的顾客或轿车定做富有个性的轮胎 ,用最新的激光雕刻技术满足喜好标新立异车主的怪念头———这就是固特异阿克隆技术中心设计部的轮胎高级设计人员ＰａｕｌＭａｘｗｅｌｌ和他的同事们的梦想和追求。“我们的目标是设计一种看上去很坚固又能适应市场的轮胎”。Ｍａｘｗｅｌｌ说 ,“我们想成为这方面的领先者 ,因此我们必须积极地进取。在某些情况下 ,我们敦促销售人员在思考问题时能打破常规 ;我们也一直敦促生产部门不必拘泥于原设计 ,不断改进完善原设计 ,推出我们的精品。”1　胎侧设计的目标是一目了然“胎侧设计的目标是一目了…     

基于递推PLS核算法的软测量在线学习方法

针对过程的动态时变特性,提出一种基于PLS核算法的软测量在线学习方法。该方法利用PLS核算法,通过递推学习具有代表性的新样本来改善模型的适应能力,较NIPALS算法具有更高的计算效率;并采用一种同时考虑输入和输出信息的相似度准则,有选择地删除一个或多个冗余样本,更有效地构建了训练样本集。工业聚丙烯熔融指数的软测量建模研究表明,本文提出的方法能够快速有效地跟踪牌号切换中熔融指数的变化。     

基于多尺度核JYMKPLS迁移模型的间歇过程产品质量的在线预测方法

针对过程数据不足,且具有强非线性和多尺度特性的新间歇过程,结合迁移学习方法与多尺度核学习方法的优势,提出了一种基于多尺度核JYMKPLS（Joint-Y multi-scale kernel partial least squares）迁移模型的间歇过程产品质量在线预测方法。该方法首先通过迁移学习利用相似源域的旧过程数据提高新间歇过程建模效率和质量预测的精度。然后,针对间歇过程数据的非线性和多尺度特性问题,引入了多尺度核函数以更好地拟合数据变化的趋势,从而提高模型的预测精度。此外,提出模型在线更新和数据剔除,通过在线持续改善迁移模型对新间歇过程的匹配程度,以消除相似过程间的差异性给迁移学习带来的不利影响,从而不断地提升预测精度。最后,通过仿真验证了所提方法的有效性,结果表明,与传统的数据驱动建模方法相比,本文所提方法能够有效提高建模效率和预测精度。     

双循环流化床混合颗粒流率实验研究与核极限学习机模型预测

两床间颗粒循环流率是保证双循环流化床正常运行的关键。在自行设计的双循环流化床（DCFB）实验系统上进行循环流率（G _s,mix）与各控制参数（气化室风速、提升管风速、初始床层物料量、混合物料中石英砂粒径以及稻壳质量分数）变化关系的研究，并对循环物料中稻壳质量分数（X _r）变化进行分析。此外，根据实验测量数据，建立核极限学习机（KELM）模型并进行G _s,mix和循环物料中X _r的预测，同时与极限学习机（ELM）模型进行比较，发现KELM模型具有更小的预测平均绝对值误差和均方根误差且预测所需时间较短，表明该模型可实现各控制参数下DCFB系统中G _s,mix和X _r的良好预测，为DCFB系统及类似气化系统的数据模型研究提供一种新方法。     

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。     

基于模型性能评估的递推PLS建模及应用

为了降低递推部分最小二乘(RPLS)建模方法的模型校正频率,开发了一种基于模型性能评估的RPLS(MPA-RPLS)模型.首先,根据过程的初始特性,自动生成模型的置信限,以均方根误差(RMSEP)为性能指标,评估模型性能;依据模型性能的评估结果,选择性地启动模型校正和置信限校正.然后,引入滑动平均滤波器消除过程变量中的噪声,探讨噪声对模型性能的影响程度.最后,将MPA-RPLS模型应用于一个化学反应过程--C₈芳烃临氢异构化过程,基于大量工业数据,进行仿真验证.仿真结果表明:本文开发的模型仅以微小的精度损失换取了模型计算效率的大幅提高(即模型校正频率大幅下降);滑动平均滤波器可有效地处理变量的噪声,改善模型的预测精度.     

基于径向基函数神经网络的挤出温度预测模型

简要介绍了软测量方法建立挤出温度预测模型的方法,分析其优缺点后进而提出应用基于RBF神经网络建立渝度预测模型,试验后对比了实测值和预测值,结果表明该方法能达到较好的预测精度,同时具有使用简洁、快速等优点,具有较好的应用推广意义。     

一种基于自适应回归核函数的污水处理能耗模型

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。     

基于动态PLS框架的多回路内模控制器设计(英文)

In this paper, a multi-loop internal model control (IMC) scheme in conjunction with feed-forward strategy based on the dynamic partial least squares (DyPLS) framework is proposed. Unlike the traditional methods to decouple multi-input multi-output (MIMO) systems, the DyPLS framework automatically decomposes the MIMO process into a multi-loop system in the PLS subspace in the modeling stage. The dynamic filters with identical structure are used to build the dynamic PLS model, which retains the or-thogonality among the latent variables. To address the model mismatch problem, an off-line least squares method is applied to obtain a set of optimal filter parameters in each latent space. Without losing the merits of model-based control, a simple and easy-tuned IMC structure is readily carried over to the dynamic PLS control framework. In addition, by projecting the measurable disturbance into the latent subspace, a multi-loop feed-forward control is yielded to achieve better performance for disturbance rejection. Simulation re-sults of a distillation column are used to further demonstrate this new strategy outperforms conventional control schemes in servo behavior and disturbance rejection.     

Folding rate prediction based on neural network model

One of the most important challenges in biology is to understand the relationship between the folded structure of a protein and its primary amino acid sequence. A related and challenging task is to understand the relationship between sequences and folding rates of proteins. Previous studies found that one of contact order (CO), long-range order (LRO), and total contact distance (TCD) has a significant correlation with folding rate of protein. Although the predicted results from TCD can provide better results, the deviation is also large for some proteins. In this paper, we adopt back-propagation neural network to study the relationship between folding rate and protein structure. In our model, the input nodes are CO, LRO, and TCD, and the output node is folding rate. The number of nodes in the hidden layer is seven. Our results show that the relative errors for the predicted results are even lower than other methods in the literature. We also observe a best excellent correlation between the folding rate and contact parameters (including CO, LRO, and TCD), and find that the folding rate depends on CO, LRO and TCD simultaneously. This means that CO, LRO and TCD are similarly important in folding rate of protein. Some comparisons are made with other methods.