基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

MTBE反应器软测量系统与控制

采用是参数的实时数据和分析数据建立了进料异丁烯浓度、醇烯比和反应产物ＩＣ４（＝）转化率的软测量模型,采用了ＭＬＲ、ＰＣＲ、ＰＬＳ等统计方法,比较了三种模型的不同之处,并采用模型分段选择的方法来综合三种模型,以改善软测量模型的精度。对模型的参数进行在线校正,以适应生产工况的变化,软测量模型的鲁棒性。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

误差校正新方法在重整装置芳烃收率在线软测量中的应用

针对软测量建模中含有误差会极大影响模型精度问题,提出一种将数据误差校正、模型参数校正和模型结构校正技术相结合的软测量误差三重校正方法.该方法可以有效地处理测量数据的过失误差和随机误差,从而提高软测量精度,并且该方法直接面向数据,实现方便.应用该方法对某芳烃厂的连续重整装置的芳烃收率软测量进行误差校正,取得了很好的效果.     

基于FUZZY ARTMAP的加氢裂化分馏塔MIMO软测量

研究了一类多输入多输出 (MIMO)系统的软测量问题 ,将FuzzyARTMAP网络应用于加氢裂化分馏塔产品质量估计软测量 ,经实际过程数据验证指出此算法具有较强的分类及非线性多维映射能力 ,结合提出的多变量模糊PID在线校正算法 ,使所建软测量模型在线应用时具有一定的随工况变化不断校正的能力 .     

甲苯歧化与C9芳烃烷基转移过程软测量模型的应用

在已建立的芳烃转化过程机理模型及其离线模拟研究的基础上,针时国内工业甲苯歧化与C9芳烃烷基转移装置,进一步研究了过程软测量模型的在线应用.合理地简化了过程模型,采用基于偏差的模型参数提出模型参数在线更新策略解决软测量模型的老化问题.该策略通过计算重要组分浓度偏差,与设定值进行比较.若大于设定值则重新选取新的数据进行预测.然后将软测量模型应用于工业装置,在线预测关键组分的浓度分布.结果表明在操作条件较大的变化范围内,在线预测趋势和预测精度均令人满意.     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。     

基于改进的快速搜索聚类算法和高斯过程回归的催化重整脱氯前氢气纯度多模型建模方法

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变,单一的软测量模型难以满足系统对估计精度的要求,提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离,自适应地确定邻域半径,并引入局部密度用于确定聚类中心,对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取,建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模,仿真结果验证了该方法的有效性。     

一种基于多模型融合软测量建模方法

针对锌湿法冶炼净化过程中钴离子浓度LS-SVM软测量建模方法精度低的问题,将最小二乘支持向量机（LS-SVM）和自回归滑动平均模型（ARMA）融合建立钴离子浓度融合软测量模型,首先通过离子浓度序列的小波变换获得序列的低频和高频子序列,对各子序列分别进行相空间重构,并在相空间中分别建立最小二乘支持向量机模型,然后将各模型的输出利用小波重构整合得到钴离子基于LS-SVM软测量结果,利用自回归滑动平均模型对基于LS-SVM模型输出误差信息进行建模,通过对两个模型的融合,获得融合模型的软测量估计值。将该方法应用于锌液净化除钴段入口钴离子浓度的软测量,结果表明该方法比单一的LS-SVM方法具有更好的泛化性能和测量精度,显示出良好的应用潜力。     

基于改进的LS-SVM测量油气两相流空隙率

利用ECT电容传感器提供的电容测量值,基于改进的最小二乘支持向量机(LS-SVM),提出了一种油气两相流空隙率测量的新方法.运用该方法测量空隙率时,以ECT电容传感器获取的66个独立电容值作为空隙率模型的输入,计算即可得空隙率.建模阶段,针对LS-SVM使用中存在的问题,首先运用训练数据筛选技巧,对LS-SVM进行稀疏化改进,接着引入实数编码的遗传算法(RC-GA)优化LS-SVM参数,然后运用改进后的LS-SVM和基于RC-GA的参数选取方法建立空隙率测量模型.所提出的空隙率测量方法省去了常用ECT方法测量空隙率时的复杂耗时的图像重建过程,提高了空隙率测量的实时性.实验结果表明,提出的LS-SVM改进和参数优化方法是有效的,提出的空隙率测量方法具有实时性佳的优点,测量精度满足实际应用要求.     

一种基于时序误差补偿的动态软测量建模方法

针对目前静态软测量建模方法无法反映工业过程动态信息,造成预测模型精度低、鲁棒性差等问题,提出了一种基于最小二乘支持向量机(LS-SVM)和自回归-滑动平均模型(ARMA)的软测量建模方法。首先,建立了基于LS-SVM的软测量模型,利用ARMA模型对预测误差的动态估计,通过增加动态校正环节,实现了对静态模型的动态校正以改善系统动态响应特性。最后将上述方法用于乙烯精馏过程中乙烷浓度的软测量建模,仿真结果表明:与单一使用LSSVM模型相比,该方法具有跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。     

基于ERT传感器和数据挖掘技术的空气水两相流空隙率测量(英文)

Based on an electrical resistance tomography(ERT) sensor and the data mining technology,a new voidage measurement method is proposed for air-water two-phase flow.The data mining technology used in this work is a least squares support vector machine(LS-SVM) algorithm together with the feature extraction method,and three feature extraction methods are tested:principal component analysis(PCA),partial least squares(PLS) and independent component analysis(ICA).In the practical voidage measurement process,the flow pattern is firstly identified directly from the conductance values obtained by the ERT sensor.Then,the appropriate voidage measurement model is selected according to the flow pattern identification result.Finally,the voidage is calculated.Experimental results show that the proposed method can measure the voidage effectively,and the measurement accuracy and speed are satisfactory.Compared with the conventional voidage measurement methods based on ERT,the proposed method doesn’t need any image reconstruction process,so it has the advantage of good real-time performance.Due to the introduction of flow pattern identification,the influence of flow pattern on the voidage measurement is overcome.Besides,it is demonstrated that the LS-SVM method with PLS feature extraction presents the best measurement performance among the tested methods.     

钢铁企业蒸汽产生量预测模型研究

提出一种基于小波变换-最小二乘支持向量机的钢铁企业蒸汽产生量预测方法。先对数据进行小波变换以提取数据的特征;然后建立LS-SVM模型,对各分量进行预测以提高预测精度。实验结果表明:小波变换-最小二乘支持向量机预测方法预测精度高、性能好,具有良好的实用性,为蒸汽生产优化调度提供了科学的依据。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于核极限学习机的快速主动学习方法及其软测量应用

为提高主动学习方法的运行效率和降低人工标记成本,提出一种基于核极限学习机的快速主动学习方法,并将其应用于软测量建模中。首先,采用核极限学习机对无标记样本进行信息评估,将无标记样本的置信度作为样本选择评价准则,选择对改善模型性能最有价值的无标记样本进行标记;其次,充分考虑每次迭代过程的运算信息,引入矩阵反演公式优化样本选择策略,提升迭代过程样本评估的运行效率;最后,应用矩阵相似度理论对迭代过程的已标记样本数据进行信息度量,并将其作为迭代终止依据,以最小的标记代价提升模型性能。将所提方法应用于硫回收过程H₂S和SO₂浓度软测量研究中,仿真结果表明：所提方法不仅标记代价小,而且提高了迭代的快速性,比较全面地提升了主动学习算法的性能。通过开展本研究工作,为少标记样本情况下的软测量技术应用提供了一种新方法。     

基于ICA和ES-SVM的油气两相流空隙率测量

基于12电极电容层析成像系统(ECT),提出了一种油气两相流空隙率测量的新方法.实际测量时,以ECT电容传感器获得的66个电容测量值作为输入,利用空隙率测量模型计算空隙率.建模过程中,首先采用独立分量分析(ICA),对66个电容测量值进行特征提取.然后以特征参数作为输入,空隙率作为输出,用最小二乘支持向量机(LS-SVM)建立回归函数,并运用进化策略(ES)寻找最优LS-SVM参数.实验结果验证了本文方法的有效性,测量精度和实时性满足工业应用的要求.     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

基于最小二乘支持向量机的复合肥装置养分含量的软测量建模

针对复合肥装置养分含量无法用常规的传感器在线测量的问题,提出了基于最小二乘支持向量机(LS-SVM)的软测量方法来在线估计养分含量.LS-SVM用等式约束代替传统的标准支持向量机中的不等式约束,求解过程从解二次规划问题变成解线性方程组,求解速度相对加快.工业实例表明LS-SVM所建模型的预测精度较高,能满足实际工业应用的需求.