水泥工厂智能优化控制系统的研究与应用

智能优化控制系统是一种智能计算机软件系统,运用人类专家的经验和知识,将先进的控制理论与人工智能技术深度融合,实现水泥生产核心工艺环节的自动控制和操作,提高水泥生产自动化水平,降低操作人员劳动强度,智能优化控制系统是实现智能水泥工厂“自控制,自执行”的重要产品之一。本文主要内容包括系统简介、系统架构和系统功能,同时结合具体的应用案例重点介绍主要控制模块以及使用效果。     

脑电图检测和智能诊断系统的研究

脑电图已广泛应用于脑部疾病和神经系统疾病诊断中,脑电图的检测和智能诊断在临床上很有意义。通过数据采集、滤波、特征提取获得波形特征参数,送入已训练好的神经网络进行分类,再利用专家系统结合专家的经验根据病情对疾病做出诊断,为医生提供辅助诊断。文中综合了多种智能方法应用于不同阶段,这种研究方法也适用于其它生物电医疗诊断系统。     

矿井通风系统评价的人工神经网络模型

建立了矿井通风系统评价的人工神经网络模型。在１３个金属矿山的实际应用表明，该评价方法简单、实用。     

基于神经网络-遗传算法优化生物柴油制备工艺

根据生物柴油制备的实验数据,用人工神经网络(ANN)的反向传播(BP)算法建立了生物柴油转化率神经网络预测模型,提出了适宜的人工神经网络拓扑结构,讨论了BP算法中学习速率、动量系数及过拟合现象对网络的影响。实验数据检验表明,ANN方法能准确地关联生物柴油制备工艺条件与转化率的关系,转化率预测平均相对误差为1.917%,复相关系数R为0.9996;该神经网络预测模型用遗传算法优化,得到了最佳生物柴油制备条件。     

应用人工神经网络模拟腈纶五效减压蒸发系统

利用Matlab所提供的人工神经网络模拟五效蒸发系统的非线性过程。模拟采用在生产过程中采集的数据,生成模拟五效减压蒸发系统中进料量、各效阀位等参数、各效蒸发器壳程压力关系的人工神经网络。用此网络处理相关操作参数,得到模拟的生产效果。将模拟效果与实际生产过程中的数据对比发现,两者十分接近。     

神经网络在电机绕组温升预测中的应用

针对电动机发热和散热过程复杂、难于准确计算的问题,以大量实验为基础,基于人工神经网络,建立了电动机热过载数学模型,通过采用Matlab计算软件,编制了计算程序列异步电动机温升进行智能预测。实验结果表明,该模型通过使用神经网络,实现了对长期稳定负载时电动机绕组的温升进行准确预测与计算,实现电机长期稳定负载运行条件下过载保护的方法,充分对轮胎生产过程中的电动机起保护作用,其保护效果优于传统继电保护装置,为研制高性能的电动机保护器奠定基础,为电机的智能保护理论提供了较新的研究方向。     

水喷雾灭火系统管网布置优化

通过分析水喷雾灭火系统干管的布置方式对系统的压力和流量的影响,优化了水喷雾灭火系统管网的布置,从而降低了水喷雾灭火系统的流量和压力,避免了对已有消防泵房的改造,达到了减少投资、缩短工期的目的。     

炼化一体智能化工厂计划优化模型设计及应用实践

炼化企业供应链协同优化对实现智能炼厂至关重要,计划优化系统是供应链协同优化实现的核心系统。本文详细介绍了规划总院自主研发的新一代计划优化软件整体框架及主要功能,在该平台基础上结合炼化一体化企业流程数据、原油数据库及产品销售等边界条件进行了炼化一体化模型设计及建设,用于开展各类优化分析,并基于线性规划原理,通过边际效益分析及多方案对比分析,结合原油保本价法、缩减成本法及等量替代法等不同的原油选购方法,开展了原油选购测算及应用分析,并对炼化一体化企业加工原油提出了相关建议,指导企业原油选购。     

BP神经网络的发展及其在化学化工中的应用

人工神经网络（ANN）由于本身具有极强的非线性映射能力、容错性、自学习能力得到广泛的应用。基于反向传播算法（BP）的神经网络作为ANN重要组成部分,在涉及多种非线性因素建模时,相对于传统的反应机理建模显示出巨大的优势。虽然神经网络的发展几经繁荣与冷落,但目前在不同领域已经获得成功的应用。本文概述了BP神经网络的映射原理、缺点以及相应的改进方法,介绍其在催化剂设计、动力学模拟、理化特性估算、过程控制与优化、化学合成与反应性能预测的应用现状,展示了使用不同优化方法的改进模型在实验设计与优化方面取得的成果。最后指出未来BP神经网络的发展要进一步结合数据深度挖掘与机器学习等技术,为今后化学化工领域的研究提供强有力的工具。     

人工神经网络在混凝土强度预测中的应用

人工神经网络技术综合考虑了高强度、高性能混凝土强度的各种影响因素,可用于预测混凝土强度。本文选取混凝土配料中7个因素作为输入值,混凝土28d强度作为输出值,建立起混凝土强度预测BP网络模型,进而对混凝土配合比强度实验数据进行分析预测,结果效果良好。表明该方法用于高性能混凝土强度预测方面是可行的。     

电厂锅炉水处理过程中智能控制系统设计

为了提高电厂锅炉水处理的质量及效率,保证锅炉等设备安全、经济运行,采用Modicon TSX Micro系列PLC作为实时控制核心,以Eview MT500系列触摸屏及EasyBuilder 500软件编程实现对控制系统的上位监控,组成整个电厂锅炉补给水处理过程自动控制系统。为了提高系统的鲁棒性和自适应能力．对局部重要环节引入了基于神经网络的智能控制方法。经现场调试,该系统较好的实现了各项控制要求．提高了生产效率,现已投入运行。     

基于动态神经网络的非线性过程在线预测

神经网络需满足以下两个条件方能用于非线性过程的在线预测:①神经网络必需以某种递推的方式出现;②神经网络的学习算法应尽可能简洁快速.为此改造泛回归神经网络(GRNN),运用递推更新的样本数据集训练GRNN,构成动态泛回归神经网络.该动态神经网络训练方便快捷,能够满足在线预测的实时性的要求.仿真实验表明预测值较观测值有一定滞后,但均能尾随观测值而变化,达到了预期的目标.     

神经网络在化工应用中的研究进展

人工神经网络是由大量同时也是很简单的处理单元广泛连接构成的复杂网络系统。它具有自学习、高容错和高度非线性描述能力等优点,使其在化工领域得到了广泛的应用。这些应用主要包括:故障诊断、过程控制、物性估算、专家系统和建筑节能等。但人工神经网络在化工领域的进一步应用还有赖于对化工领域问题的抽提(即符合神经网络的输入输出表达)及网络本身性能优化的进一步研究。     

数据驱动的固定拓扑结构换热网络优化改造方法

获得经济可行的换热网络改造方案目前仍然是一个巨大的难题。传统的改造方法严重依赖拓扑修改,这往往会增加改造时间和投资成本。因此,本文将围绕固定拓扑结构的换热网络改造展开研究,提出了一种基于数据驱动的高效改造方法。该方法通过建立性能模拟模型,模拟计算换热器在不同性能参数时的公用消耗与温度分布,以此获取大量的驱动换热网络改造的数据。然后通过BP神经网络预测模型与遗传算法,求解得到以最大节能量为目标的改造方案。案例研究表明,改造后的换热网络可以通过较小的投资获得较大的节能效益,与文献相比,单位费用节能量提高了51.4%;与同为固定拓扑结构的灵敏度分析相比,可以快速地获得经验规则法无法获得的改造方案,验证了改造方法的经济实用性与高效性。     

基于粗糙集的智能可视化优化方法用于加氢裂化反应操作优化

加氢裂化反应的历史生产数据包含了丰富的操作规律,而目前没有被充分挖掘和利用。针对该问题,本文 提出了基于粗糙集的智能可视化优化方法,并应用该方法对加氢裂化反应的操作变量进行了优化。采用自适应离 散化的方法对加氢裂化反应的生产操作数据进行离散化,得到离散化的数据集。针对数据集属性约简的N-P 难题, 提出了基于列队竞争算法的属性约简计算方法。通过对加氢裂化反应的数据集约简计算,使预设的12 个操作变量 约简到了8 个,除去了4 个冗余变量,有效降低了优化搜索空间。在此基础上,应用智能可视化优化方法将约简 后的加氢裂化反应数据降维映射到平面,并生成航煤收率的等值线,据此,直观地确定出了航煤收率的优化区域 和优化操作点。结果说明,选出的优化工况点与原工况航煤收率33.98%相比,能使航煤收率提高到37.58%.     

陶瓷原料分类的人工神经网络模型

抽取陶瓷原料特征参数,建立3层BP人工神经网络模型,据此对陶瓷原料进行模式识别和分类.研究结果表明:经该模型计算所得的分类结果和实际情况相吻合.该方法有助于在配方过程中遴选陶瓷原料,值得推广.     

基于子系统关联变量轮换的大系统在线协调优化

化工过程复杂大系统的在线优化过程中,存在流程前后的关联导致优化时间过长或得不到优化解的问题,需要按子系统优化并协调的优化方法来解决,而协调优化方法存在关联变量寻优方向不一致的问题。提出了一种基于子系统间关联变量轮换思想的分解协调优化方法,对大系统分解得到的子系统以轮换的方式进行优化,子系统中包含的多个优化问题分别在固定关联变量优化独立变量和固定独立变量优化关联变量的条件下求解,此轮换过程迭代进行,直至满足优化终止条件。将提出的方法应用在催化裂化装置仿真实例中与整体优化方法的结果作比较,证明了方法的有效性。最后,将基于关联变量轮换的协调优化方法应用在化工过程的在线优化中,结果表明本方法在在线优化应用中是可行的。     

Application of artificial neural network optimization for resilient ceramic parts fabricated by direct ink writing

Geometries of ceramic parts for high-temperature sealing have great influence on their compression-resilience behaviors. In this work, an accurate and large-scale artificial neural network (ANN) was established to match the relationship between structural parameters and mechanical properties of ZrO₂ parts fabricated by 3D printing. Four geometry parameters of the designed ZrO₂ parts were imported as input and apparent Young's modulus and maximum deformation simulated by finite element method (FEM) were imported as output. FEM calculation provided 400 groups of data for the training of ANN, which greatly improved the predicted accuracy of the network. The predicted results show the mechanical performance of the parts with a range of modulus from 9.24 × 10⁻³ GPa to 100.35 × 10⁻³ GPa and a range of maximum deformation from 2.32% to 5.80% can be forecasted with error less than 8%. Based on the optimized structural parameters, the designed ZrO₂ parts were fabricated by Direct Ink Writing (DIW) technique. The experimental compression-rebound property is comparable to that of ANN prediction. It demonstrates that the combined method of ANN and FEM is a preferable way to optimize the structure and guide the fabrication of complex ceramic parts by 3D printing method.     

尤里卡沥青软化点人工智能软测量技术探索

人工神经元网络(ANN)应用于软测量是人工智能方法在石化过程中成功应用的热点,ANN不需要系统模型就能映射复杂非线性关系,特别适合炼油生产过程的建模与预测工作,研究了用ANN对尤里卡沥青软化点进行软测量的方法,和现用的吴羽公司kθ法相比,ANN方法测量精度高,具有学习能力和联想记忆能力,健壮性好,它与生产装置的DCS硬件相结合能够达到优化生产控制的目的。     

Empirical strategies for open-loop on-line optimization

Two empirical strategies for open-loop on-line optimization are developed as alternatives to the use of mechanistic process models. These strategies are based on on-line identification of dynamic multi-input single-output (MISO) and multi-input multi-output (MIMO) models. The steady state gain of these models provides information for steady state optimization. Desirability functions, originally developed for multi-objective optimization, are utilized as objective function modifiers for constrained on-line optimization. The integration of dynamic model identification and desirability functions results in an on-line optimizer which combines fast optimizing speed with the ability to predict future encroachments on constraint boundaries. Corrections to the search direction are based on these predictions, reducing the probability of actual constraint violation. The optimization strategies are tested by simulation on nonlinear multivariable interacting systems at two levels of complexity: a CSTR supporting a multiple reaction and a fluid catalytic cracker. Both methods were effective in avoiding violation of constraints but the MIMO strategy required fewer steps to reach an optimum and was less prone to generate a nonfeasible optimization step.