蓝藻生长时变系统非线性动力学分析及水华预测方法

为解决现有蓝藻生长动力学模型难以有效描述实际水体中蓝藻生长时变系统的非线性动力学特性,导致水华预测准确性不高的问题,构建蓝藻摄食和营养盐循环模型,并考虑水温、光照等主要影响因素随时间变化对蓝藻生长的影响,进一步建立蓝藻生长时变系统非线性动力学模型,对其常值参数采用遗传算法与数值算法结合的方法进行优化率定,对其时变参数采用多元时序方法进行建模预测,根据分岔理论及时变系统理论分析水华暴发行为的非线性动力学机理,实现对蓝藻生长时变系统的水华预测。通过太湖流域监测实例表明,与现有研究相比,引入时变参数的蓝藻生长动力学模型更能反映蓝藻生长时变系统下水华暴发行为的非线性动力学特性,其水华预测结果更为准确。     

蓝藻生长时变系统非线性动力学分析及水华预测方法

为解决现有蓝藻生长动力学模型难以有效描述实际水体中蓝藻生长时变系统的非线性动力学特性,导致水华预测准确性不高的问题,构建蓝藻摄食和营养盐循环模型,并考虑水温、光照等主要影响因素随时间变化对蓝藻生长的影响,进一步建立蓝藻生长时变系统非线性动力学模型,对其常值参数采用遗传算法与数值算法结合的方法进行优化率定,对其时变参数采用多元时序方法进行建模预测,根据分岔理论及时变系统理论分析水华暴发行为的非线性动力学机理,实现对蓝藻生长时变系统的水华预测。通过太湖流域监测实例表明,与现有研究相比,引入时变参数的蓝藻生长动力学模型更能反映蓝藻生长时变系统下水华暴发行为的非线性动力学特性,其水华预测结果更为准确。     

基于多元时序驱动的ELM全流程故障预测及其应用

多元时序驱动建模方法是复杂系统故障预测和系统状态评估的一种有效途径, 其中人工神经网络作为一种数据驱动的处理非线性问题的有效建模工具, 近年来在处理多元时序建模这个问题上得到了较广泛的关注。从全流程的角度出发, 首先, 运用k-近邻互信息方法对多元时序变量进行降维与相关性计算, 从而选择特征变量;其次, 提出了一种改进的趋势分析方法对系统的状态进行实时监测, 并对系统运行状态进行有效细分;最后, 针对系统潜在故障阶段, 应用极限学习机(extreme learning machine, ELM)神经网络方法对其进行故障预测。通过对青霉素发酵过程(penicillin fermentation process)进行仿真实验, 结果验证了所提方法的有效性。     

基于时序迁移与双流加权的ONLSTM软测量建模

实际化工过程建模具有多变量、非线性和动态性等特点,会导致模型复杂度提高且提取特征时产生冗余信息和时序分布漂移问题,因此提出一种基于时序迁移和双流加权的有序神经元长短时记忆网络(ONLSTM)模型。首先,利用时序迁移对特征分布进行匹配以自适应表征特征分布信息,采用划分特征分布差异最大时间域进行训练,减小时序分布失配,从而解决时序分布漂移问题;其次,在时序迁移框架内嵌入双流加权ONLSTM模型,通过对ONLSTM主遗忘门和主输入门分别加权,更精确控制传递信息;进一步结合双流结构设计双信息流控制相应门控单元,减小参数调节过程中的耦合影响,降低模型复杂度,提高其预测性能;最后,将所提模型应用于硫回收过程以及某火电厂脱硫过程排放烟气SO₂浓度软测量建模,并与其他深度学习网络进行对比,验证了模型有效性。     

基于多元线性回归与滚动窗的NO_x排放量软测量

提出一种基于多元线性回归与滚动窗的NO_x动态软测量建模方法,并研究模型更新周期和不同变量选择方法对软测量模型预测结果的影响。仿真结果表明:基于BIC向后剔除多元回归和滚动窗方法的软测量模型在运行较长时间后,仍然能够较好地预测NO_x的排放量。     

采油过程多尺度状态特征生成的有杆泵动态液面预测

动态液面是反映油藏供液能力的重要参数,生产现场多采用回声仪进行检测,其检测效率低,无法连续检测,存在安全隐患。针对现有基于数据驱动的预测方法由于各种原因造成历史数据不足,进而导致建模困难的问题,通过对机理进行分析,找出与动态液面关系密切的多尺度状态特征;采用生成对抗网络生成状态特征,解决历史数据不足的问题;仿真实验表明生成的数据可以用于建立动态液面预测模型,并确定采用支持向量回归作为建模方法;最后在油田生产现场使用本文提出的建模方法,实际预测结果表明本方法的有效性,满足油田工程应用要求。     

基于改进支持向量机的高炉一氧化碳利用率预测方法

高炉冶炼是一个具有非线性、大时滞、大噪声、分布参数等特征的高度复杂生产过程。针对目前高炉现场以焦比为能耗评价指标却无法提供实时指导的问题, 研究以一氧化碳利用率为能耗评价指标, 提出一种基于改进支持向量机的高炉一氧化碳利用率预测方法。首先分析高炉炼铁过程机理, 结合互信息法得出影响一氧化碳利用率的相关操作因素。然后鉴于生产数据含噪高的特点, 采用小波去噪方法去除数据噪声干扰, 并且利用灰色相对关联度分析方法对操作参数进行时序配准, 消除时滞影响, 建立高炉一氧化碳利用率预测模型。在建模过程中, 将自适应粒子群与支持向量机回归方法相结合, 以克服模型参数选择的随机性, 提高了模型预测精度。现场实际数据的预测结果表明所提出方法的有效性, 能够实时精确地预测高炉一氧化碳利用率, 为后续高炉的优化操作和节能减排提供了及时有效的决策支持。     

基于SVR模型预测超薄浮法玻璃气泡数量的研究

针对超薄浮法玻璃生产过程存在反馈滞后大、生产复杂、产品质量难以精确控制的情况以及气泡质量缺陷严重影响产品应用的问题,本文采用SVR模型对超薄浮法玻璃气泡数量进行预测,结合实际生产数据对模型进行验证,并探究熔化时滞时间以及特征属性对模型精度的影响,采用Relief-F算法结合实际建模结果筛选出对气泡产生有影响的重要特征属性.研究结果表明,SVR模型能精确预测玻璃气泡数量,为后续生产提供决策支持;熔窑池底温度与熔窑碹顶温度对超薄浮法玻璃生产中气泡的产生有较大影响.     

带花纹轮胎仿真模型建立及影响因素研究

研究带花纹轮胎仿真模型的建立及其影响因素。采用花纹块周期生成完整花纹的建模方法建立了一种高效、准确的带花纹轮胎仿真方法,并进行了带花纹轮胎的静负荷接地印痕、稳态六分力和动态接地印痕分析。轮胎接地印痕测试结果与仿真结果对比表明,模型的仿真精度较高,满足配套厂家要求。     

基于信息增量矩阵的多阶段间歇过程质量预测

针对间歇过程划分阶段方法很少考虑过程的时序性和动态特性,易将时间上不连续但具有相似特征的样本划分到同一阶段,影响建模精确性的问题,提出一种基于信息增量矩阵-偏最小二乘（information increment matrix-partial least square,ⅡMPLS）的多阶段间歇过程质量预测方法。将历史三维数据沿批次方向展开为二维数据,将其切分成融合质量变量的扩展时间片,依据扩展时间片的信息增量使用滑动窗划分阶段,对各个阶段内数据建立PLS模型进行质量预测。该方法考虑变量之间的相关关系沿采样时刻的变化,利用信息增量捕获系统的动态特性并时序地划分阶段。青霉素仿真平台与大肠杆菌实际生产数据验证了方法的可行性和有效性。     

Maximum solid concentrations of coal water slurries predicted by neural network models

The nonlinear back-propagation (BP) neural network models were developed to predict the maximum solid concentration of coal water slurry (CWS) which is a substitute for oil fuel, based on physicochemical properties of 37 typical Chinese coals. The Levenberg-Marquardt algorithm was used to train five BP neural network models with different input factors. The data pretreatment method, learning rate and hidden neuron number were optimized by training models. It is found that the Hardgrove grindability index (HGI), moisture and coalification degree of parent coal are 3 indispensable factors for the prediction of CWS maximum solid concentration. Each BP neural network model gives a more accurate prediction result than the traditional polynomial regression equation. The BP neural network model with 3 input factors of HGI, moisture and oxygen/carbon ratio gives the smallest mean absolute error of 0.40%, which is much lower than that of 1.15% given by the traditional polynomial regression equation.     

基于SPM的多变量连续过程在线故障预测方法

研究了一类模型未知带有隐含故障的多变量连续过程故障预测问题。基于统计过程监测(SPM)方法,提出了一种上述故障预测问题的解决方案。该方案首先利用正常状态下的样本数据建立主成分分析(PCA)模型,然后根据该模型构造出预测特征量,最后对该特征量进行时间序列分析和预测,从而预测出系统的剩余有效寿命(RUL)。针对线性时不变系统构造了预测特征量,并分析了在一定的系统结构假设和故障假设下的剩余有效寿命预测误差。基于CSTR的仿真实例说明了该方法的有效性。     

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。     

张金庆水驱特征曲线的推导及应用

张金庆提出一种新的适用于描述水驱油田的不同含水上升规律的水驱特征曲线,该曲线在油田应用较为广泛.本文运用该研究方法将另外两条水驱特征曲线结合起来推导出张金庆水驱特征曲线.并结合现场生产数据,利用试凑法通过改变n值对实际的fw-R*曲线进行拟合,结果表明:利用张金庆水驱曲线描述含水率上升是可行的,并且当n值为8.4时效果更佳.     

Modeling and analysis of the electrical properties of PZT through neural networks

Application of ANN (Artificial neural network) to the electrical properties analysis of PZT is discussed in this paper. The same set of results of PZT samples were analyzed by a back-propagation (BP) network in comparison with a multiple nonlinear regression analysis (MNLR) model. The results revealed that the ANN model is much more accurate than MNLR model. The ANN approach also gave quite encouraging predictions for formulations not included in the train set samples, indicating that the BP network is a very useful and accurate tool for the properties analysis and prediction of multi-component solid solution piezoelectric ceramics.     

多污染因子水配合回用网络分析

综合利用水资源、优化相应网络、降低用水量与废水量排放量是当前我国各行业的迫切需求。在回用水网络设计与分析中,多污染因子水系统的优化向来是其中的关键。在用水污染物传质模型的基础上,提出了适用于单或多污染因子水系统,根据各用水操作进出口极限条件进行水流股配合回用的水网络优化方法,并以此方法对某石化企业炼油事业部含油水系统用排水网络进行优化设计,达到考虑单污染因子节水24.29%~33.30%,多污染因子节水17.76%的效果。该方法大大简化了水网络设计的计算,为石化行业水资源利用的优化提供了重要的依据。     

城市湖库蓝藻水华形成机理

水华防治是水环境污染治理的重点,而对水华形成机理的深入把握是解决这一问题的关键。在对城市湖库蓝藻水华形成过程深入分析的基础上,通过实验室模拟城市湖库蓝藻水华形成的整个过程,结合正交试验方法和粗糙集理论获取影响城市湖库蓝藻水华形成的关键因子--溶解氧、温度、光照、氮、磷,作为蓝藻水华形成机理建模的输入参量,以叶绿素a作为城市湖库蓝藻水华形成的表征指标,根据相互之间的作用机制构建了适合于描述城市湖库蓝藻水华形成过程的机理模型,同时通过改进的粒子群优化算法对机理模型中涉及的参数如蓝藻最大生长率、光半饱和常数、光系数、氨氮半饱和常数、溶解氧半饱和系数、蓝藻最大死亡率以及净损失率等进行非线性优化率定,提高了城市湖库蓝藻水华形成机理模型的适用性及有效性,为深入研究蓝藻水华形成机理提供一条有效途径。     

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。     

基于改进灰色-多元回归组合预测模型的燃煤电厂智慧水务研究

以某燃煤电厂水务系统为研究对象,对机组运行参数和水量历史数据进行筛选和关联性分析,根据前期水平衡测试结果,结合响应面分析验证,发现机组负荷、蒸发损失系数、浓缩倍率和循环水温升这四个因素能够对全厂供水量产生关键性影响。基于灰色理论和多元非线性回归分析,分别建立各因素的灰色预测模型GM(1, 1),再将灰色模型预测值作为自变量输入到多元非线性回归方程中,得到了改进灰色-多元非线性回归组合的供水量预测模型,其模型拟合度R²为0.913且与真实值的平均相对误差为6.9%左右,实现了灰色模型和回归模型优势互补,有效地预测该电厂供水量未来变化;而供水量预测是智慧水务建设的关键所在,是水务管理和智能调度的主要依据,也是实现供水管网漏损和仪表故障报警的重要途径。