具有热泵的苯-甲苯精馏过程的建模与控制

研究了热泵精馏塔的建模与控制问题.针对苯-甲苯精馏过程,采用逐板计算的方法进行动态机理建模;在热泵端,基于能量守恒定律等热力学方程建立了热量传递模型.通过对仿真模型结果的分析,研究了热泵精馏塔系统的特性.为了研究热泵精馏塔的控制问题,通过对动态机理模型的阶跃测试和辨识,获得了控制模型.对热泵精馏塔系统,按照单变量PID控制和多变量DMC控制两种结构,分别设计控制系统,通过仿真研究对比了两种控制方案的性能.     

大型煤化工甲醇精馏过程仿真系统的研究

研究构建大型煤化工甲醇精馏过程仿真平台问题.大型煤化工甲醇精馏过程操作复杂,为了能够更好地分析和预测该过程,本文开发了基于工艺过程机理模型的仿真系统.仿真系统的底层是流程模拟文件,提供过程机理模型和计算平台;顶层是仿真界面,提供人机交互窗口;二者通过Visual Basic接口程序链接.此仿真系统可以为实际的精馏操作提...     

渣油加氢循环氢脱硫塔的动态仿真

循环氢脱硫塔是一种反应精馏塔,如何建立塔的动态机理模型,并对脱硫过程进行仿真,对反应精馏塔的研究起着非常重要的作用.采用拓扑结构模型,应用序贯模块法对其进行仿真,仿真计算结果表明,仿真数据跟生产数据非常吻合.仿真模型对工厂操作工起到了非常好的培训作用,同时,也对今后开发反应精馏类型设备的系统仿真软件提供了很好的科学依据.     

精馏过程动态仿真建模

精馏过程的模型化与仿真在化工操作和工艺设计中具有重要的意义。对精馏塔进行动态数学模型的建立与仿真,不仅可以研究精馏过程在不同工况下的变化情况,而且还可以用于精馏塔的优化控制,进而提高精馏过程的生产效益。本文针对精馏塔操作过程,建立了基于平衡级假设和非平衡级假设的精馏过程动态机理数学模型,并对平衡级假设的模型进行了动态模拟。该模型从机理分析入手,进行合理的简化,模型的计算时间大大的缩短,从而使模型具有比较广泛的实用性。该模型采用的动态数学模型为METSH(质量平衡方程、相平衡方程、塔板效率方程、摩尔分数归一化方程、能量平衡方程)方程,通过计算METSH方程,可以模拟出精馏塔内温度、汽相流量、液相流量、汽相组分以及液相组分的变化趋势。通过仿真结果可以看到,该模型比较准确的预测了精馏塔中各个操作参数的动态趋势,与实际情况基本一致,其稳态结果与实际情况也基本吻合。该模型对于仿真培训及精馏过程的控制分析具有较高的理论研究意义和实际应用价值。     

混合建模法在船舶横摇运动建模中的应用研究

为了反映出船舶横摇运动机理模型没能体现出的船舶横摇运动的非线性特征和机理模型所作的简化处理所遗漏的各种动态、静态信息,文章以复合神经网络作为补偿模型,建立了船舶横摇运动混合模型.仿真结果表明,复合神经网络混合模型输出在120秒后非常接近期望输出,比一般神经网络混合法更接近期望输出,从而证明复合神经网络混合建模法可以得到精确的、强泛化力的船舶横摇运动模型.复合神经网络混合建模法不仅适用于船舶运动建模,也适用于其他复杂系统、不确定系统的建模.     

精馏塔系的软测量建模与优化策略研究

针对工业精馏系统操作优化的需求,在分析过程机理的基础上,本文基于广义回归神经网络和交叉验证等方法,建立了产品质量的软测量模型。随后,通过改进标准遗传算法的算子和结构,提出一种改进的求解有约束稳态优化问题的遗传算法,解决了常规优化算法在求解有约束优化问题时惩罚系数难以选择、易陷入局部最优、所得优化解可能不满足约束等问题。将其应用于以产品质量为约束的精馏塔能耗优化问题,可以求解得到精馏塔系"卡边"生产对应的最优操作条件。仿真结果表明该建模和优化策略具有优化结果好、计算效率高等优点,可为工业精馏系统的操作优化提供有效支撑。     

小脑模型在精馏塔浓度预测中的应用

小脑模型(cerebellamodelarticulationcontroller简称CMAC)是一种局部学习网络,CMAC算法收敛速度很快,结构简单,并具有一定的泛化能力。精馏塔塔顶、塔底产品浓度含量的预测控制是精馏过程中非常重要的部分。研究表明,在某些情况下双线性系统可以很好地描述精馏塔的动态特性,因此本文通过双线性精馏塔机理模型给出网络学习样本数据,结合小脑模型对精馏塔塔顶、塔底产品浓度含量进行预测。仿真实验表明,该网络可以精确地描述精馏塔实际工程对象,取得良好的预测结果。     

基于神经网络的精馏能耗模拟和优化

精馏是化工工业生产的重要操作单元,具有较强的非线性和时变性.现有的绝大部分文献是对精馏塔进行设计性的研究,而对实际投入运行的精馏塔,尤其在设计的进料负载因实际状况改变的情况下,节能优化方法研究较少.文中针对四塔精馏过程提出一个利用神经网络对其加以分析的方法.将神经网络训练输出的结果和实际的结果相比对,表明该建模方法具有比较满意的拟合效果,最后介绍将此模型应用到精馏塔的节能优化中,达到节能减排的目的.     

甲醇/水二元间歇精馏塔的建模与先进控制

应用动态物料平衡和相平衡等机理建模法,建立了一套甲醇／水二元间歇精馏塔实验装置的数学模型。以Matlab为平台,开发了该模型计算软件。设计了塔顶甲醇浓度比例积分反馈推断控制、多个温度联合加醛反馈控制、塔顶甲醇浓度反馈增益自调整控制等控制策略。并应用基于状态空间模型的模型预测控制算法,推导了间歇精馏塔多个浓度反馈时的模型预测控制策略。对这些先进控制策略进行了仿真试验研究,仿真结果被用于指导间歇精馏控制实验,获得了满意的控制结果。     

乙烯精馏系统-脱丁烷塔智能操作优化

针对乙烯精馏过程,本文提出在线优化结构模型.为了避免复杂精馏过程建模和与大型流程模拟软件接口程序的时间延迟,提高模拟运箅速度,该模型结合神经网络的学习功能,用于精馏过程的模拟计算.采用改进的遗传算法,实现乙烯数字工厂中脱丁烷塔的在线优化系统,算法引入模式搜索技术和加速策略,满足在线优化的时间和精度要求.计算结果表明,该法具有运算时间短、收敛快的优点,能够满足在线优化的要求.同时,为该优化模型拓展到其它工艺过程提供参考.     

基于关系型蒸馏的分步神经网络压缩方法

针对关系型知识蒸馏方法中教师网络与学生网络的层数差距过大导致蒸馏效果下降的问题,提出一种基于关系型蒸馏的分步神经网络压缩方法.该方法的要点在于,在教师网络和学生网络之间增加一个中间网络分步进行关系型蒸馏,同时在每一次蒸馏过程中都增加额外的单体信息来进一步优化和增强学生模型的学习能力,实现神经网络压缩.实验结果表明,本文的方法在CIFAR-10和CIFAR-100图像分类数据集上的分类准确度相较于原始的关系型知识蒸馏方法均有0.2％左右的提升.     

小样本问题下培训弱教师网络的模型蒸馏模型

针对深度神经网络在图像识别中存在的训练数据不足,以及多模型蒸馏中存在的细节特征丢失和蒸馏计算量大的问题,提出一种小样本问题下培训弱教师网络的模型蒸馏模型。首先通过集成学习算法中的引导聚集（Bagging）算法培训弱教师网络集,在保留图像数据集细节特征的同时进行并行计算以提升网络生成效率;然后融合知识合并算法,并基于弱教师网络特征图形成单个高质量、高复杂度的教师网络,从而获得细节重点更突出的图像特征图;最后在目前先进的模型蒸馏基础上提出了针对组合特征图改进元网络的集成蒸馏模型,该算法在减少了元网络训练计算量的同时实现了小样本数据集对目标网络的训练。实验结果表明,所提模型在准确率上相较于单纯以优质网络为教师网络的蒸馏方案有6.39%的相对改进;比较自适应增强（AdaBoost）算法训练教师网络再加以蒸馏得到的模型和集成蒸馏模型的模型准确率,二者相差在给定误差范围内,而集成蒸馏模型比AdaBoost算法的网络生成速率提升了4.76倍。可见所提模型能有效提高目标模型在小样本问题下的准确率和训练效率。     

Indirect adaptive structure for multivariable neural identification and control of a pilot distillation plant

This paper describes the design and implementation of an indirect adaptive controller that uses neural networks both for identification and control of an experimental pilot distillation column containing a mixture of ethanol and water. The MATLAB platform is applied both for the neural identification and control of the distillation plant using the Levenberg–Marquardt approach, enabling also optimal input/output net configuration. The neural controller performance has been analyzed and illustrated via experimental tests on the pilot distillation column monitored under the LabVIEW platform. Both platforms have been linked together by constituting an integrated process control interface. The obtained experimental results demonstrate the effectiveness of the neural indirect adaptive control scheme as compared to proportional–integrative–derivative, when real-time multivariable control is demanded, even in presence of disturbances.     

基于特征和图结构信息增强的多教师学习图神经网络

近年来,图神经网络对图数据强大的表征能力和建模能力使其在诸多领域广泛应用并取得了重大突破。然而,现有模型往往倾向于对图卷积聚合策略和网络结构进行优化,缺乏了对图数据自身先验知识的探索。针对上述问题,通过知识蒸馏的方法,设计了一种基于特征信息和结构信息增强的多教师学习图神经网络,打破了现有模型对于数据先验知识提取的局限性。针对图数据背后所蕴涵的丰富特征与结构信息,分别设计了节点特征和边的数据增强方式。在此基础上,将原始数据和增强后的数据通过多教师学习模块进行知识嵌入,使得学生模型学习到更多关于数据的先验知识。在Cora、Citeseer和PubMed数据集上,节点分类准确率分别提升了1%、1.3%、1.1%。实验结果表明,提出的信息增强的多教师学习模型能够有效地捕获先验知识。     

知识蒸馏方法研究与应用综述

随着深度学习方法的不断发展,其存储代价和计算代价也不断增长,在资源受限的平台上,这种情况给其应用带来了挑战。为了应对这种挑战,研究者提出了一系列神经网络压缩方法,其中知识蒸馏是一种简单而有效的方法,成为研究热点之一。知识蒸馏的特点在于它采用了“教师—学生”架构,使用一个大型网络指导小型网络进行训练,以提升小型网络在应用场景下的性能,从而间接达到网络压缩的目的。同时,知识蒸馏具有不改变网络结构的特性,从而具有较好的可扩展性。本文首先介绍知识蒸馏的由来以及发展,随后根据方法优化的目标将知识蒸馏的改进方法分为两大类,即面向网络性能的知识蒸馏和面向网络压缩的知识蒸馏,并对经典方法和最新方法进行系统的分析和总结,最后列举知识蒸馏方法的几种典型应用场景,以便加深对各类知识蒸馏方法原理及其应用的理解。知识蒸馏方法发展至今虽然已经取得较好的效果,但是各类知识蒸馏方法仍然有不足之处,本文也对不同知识蒸馏方法的缺陷进行了总结,并根据网络性能和网络压缩两个方面的分析,给出对知识蒸馏研究的总结和展望。     

A feedforward control strategy for distillation columns

The prime objective of this work is to demonstrate the potential of neural network modeling for advanced nonlinear control applications. In particular, for the case of a single composition distillation column, a model-based neural controller is developed to regulate the composition of the distillate stream. The neural controller relies on process inversion for the evaluation of the actuator action on the manipulated variable (reflux flowrate) to maintain the controlled variable (distillate composition) at the prescribed value.The performance of the neural controller is assessed and compared with that of a conventional temperature control loop and of a neural inferential control structure. The neural controller by far outperforms the other two in terms of the response speed by which the upsetting loads are compensated.     

语言先验知识对神经网络模型自然语言处理任务的影响

随着互联网的发展及硬件的更新,神经网络模型被广泛应用于自然语言处理、图像识别等领域。目前,结合传统自然语言处理方法和神经网络模型正日益成为研究的热点。引入先验知识代表了传统方法的惯例,然而它们对基于神经网络模型的自然语言处理任务的影响尚不清楚。鉴于此,该文尝试探究语言层先验知识对基于神经网络模型的若干自然语言处理任务的影响。根据不同任务的特点,比较了不同先验知识和不同输入位置对不同神经网络模型的影响。通过大量的对比实验发现: 先验知识并不是对所有任务都适用,在神经网络模型的合适位置加入合适的先验知识方可加快模型的收敛速度,提高相关任务的效果。     

支持增量式更新的大数据特征学习模型

大数据具有高速变化特性,其内容与分布特征均处于动态变化之中,目前的前馈神经网络模型是一种静态学习模型,不支持增量式更新,难以实时学习动态变化的大数据特征。针对这个问题,提出一种支持增量式更新的大数据特征学习模型。通过设计一个优化目标函数对参数进行快速增量式更新,为了在更新过程中保持网络的原始知识,最小化平方误差函数。对于特征变化频繁的数据,通过增加隐藏层神经元数目网络对结构进行更新,使得更新后的网络能够实时学习动态变化大数据的特征。在对网络参数与结构更新之后,通过权重矩阵SVD分解对更新后的网络结构进行优化,删除冗余的网络连接,增强网络模型的泛化能力。实验结果表明提出的模型能够在尽可能保持网络模型原始知识的基础上,通过不断更新神经网络的参数与结构实时学习动态大数据的特征。     

基于知识蒸馏的特定知识学习

在传统知识蒸馏框架中,教师网络将自身的知识全盘传递给学生网络,而传递部分知识或者特定知识的研究几乎没有。考虑到工业现场具有场景单一、分类数目少的特点,需要重点评估神经网络模型在特定类别领域的识别性能。基于注意力特征迁移蒸馏算法,提出了三种特定知识学习算法来提升学生网络在特定类别分类中的分类性能。首先,对训练数据集作特定类筛选以排除其他非特定类别的训练数据;在此基础上,将其他非特定类别视为背景并在蒸馏过程中抑制背景知识,从而进一步减少其他无关类知识对特定类知识的影响;最后,更改网络结构,即仅在网络高层抑制背景类知识,而保留网络底层基础图形特征的学习。实验结果表明,通过特定知识学习算法训练的学生网络在特定类别分类中能够媲美甚至超越参数规模六倍于它的教师网络的分类性能。     

Adaptive neural model-based decentralized predictive control

This paper considers the problem of developing an adaptive neural model-based decentralized predictive controller for general multivariable non-linear processes, where the equations governing the system are unknown. It derives a method for implementing a neural network model for unknown non-linear process dynamics for adaptive control. The performance of this controller is demonstrated and evaluated using a simulated chemical process: multivariable non-linear control of distillation column. The simulation results indicate that the proposed control strategies have good practical potential for adaptive control of multivariable non-linear processes.