石油化工集成系统网络数据安全检测方法研究

本文针对当前在石油化工集成系统中,现行网络数据检测方法错误率较高、检测效率较低问题,提出了优化原有网络数据检测方法。基于网络时空性原理,借助多模数据流在网络中的相关性,使用滑动窗口模型与多模态数据融合,进而准确识别异常数据,在此基础上,利用常态化的随机变量对异常源进行身份认证,实现石化一体化信息系统中的网络数据安全性检验。以期本文所研究的内容能够给予相关人士一些参考和借鉴。     

基于特征选取的监控运动目标识别模型研究

根据深度学习网络模型，在YOLOv3框架基础上引进金字塔结构，构建基于金字塔特征选取的YOLOv3目标识别模型。利用深度残差网络提高精度，解决单纯模型加深过程中的退化问题，利用多尺度融合卷积机制实现大范围内小物体的全面检测，规避漏检情况。模型建立完成后进行综合实验，结果证明提出的目标识别模型与传统识别方法相比，在精度和准确性上都有明显提升，对于监控视频中运动目标的识别具有良好效果。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性,导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题,提出了一种基于动态超球结构变化(DHSC)的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类(SCFCM),利用隶属度变化划分多模态间歇过程的模态;针对不同模态,采用支持向量数据描述(SVDD)建立基于训练数据的静态超球体和基于待检数据的动态超球体,选择重要的支持向量作为球体结构,进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明,所提出的方法能够实现多模态间歇过程的模态划分,减少了模态切换对过程测量数据异常检测精度的影响,并能够根据超球体结构变化检测过程测量数据异常,具有较高的检测精度,降低了误检率。     

基于非负矩阵分解的多模态过程故障监测方法

针对传统的多元统计故障监测方法往往需要假设测量数据服从单一高斯分布的不足,提出了一种基于非负矩阵分解(NMF)的多模态故障监测方法。首先使用标准的NMF算法对训练集数据进行聚类,将多模态数据划分到各个模态中;然后使用稀疏性正交非负矩阵分解(SONMF)算法对各模态分别建模,同时构造监控统计量进行故障监测。将提出的基于非负矩阵分解的多模态故障监测方法应用于数值例子和TE过程的仿真结果表明,该方法能够及时有效地检测出多模态过程中的故障。     

基于DHSC的多模态间歇过程测量数据异常检测方法

多模态间歇过程测量数据异常直接影响数据驱动的多元统计分析过程建模的准确性，导致间歇过程的监控性能降低。针对多模态间歇过程测量数据异常问题，提出了一种基于动态超球结构变化（DHSC）的多模态间歇过程测量数据异常检测方法。该方法通过引入时序约束的模糊C均值聚类（SCFCM），利用隶属度变化划分多模态间歇过程的模态；针对不同模态，采用支持向量数据描述（SVDD）建立基于训练数据的静态超球体和基于待检数据的动态超球体，选择重要的支持向量作为球体结构，进而通过识别超球体发生结构变化实现过程测量数据异常检测。青霉素发酵过程仿真实验表明，所提出的方法能够实现多模态间歇过程的模态划分，减少了模态切换对过程测量数据异常检测精度的影响，并能够根据超球体结构变化检测过程测量数据异常，具有较高的检测精度，降低了误检率。     

基于Smith预估与仿人智能的反应釜温度控制设计与仿真

反应釜是一种典型的大惯性、大滞后系统,其温度不易控制。针对这类时滞系统将仿人智能算法与Smith预估算法结合,其中Smith预估算法通过引入预估器可以补偿时滞环节,仿人智能算法可以识别误差的各种特征并做出相应的决策,实现多模态灵活控制。二者结合用于反应釜温度控制,经MATLAB仿真显示,该方法相比传统PID算法其控制效果有显著地提升。     

基于多核支持向量机的多模态过程故障检测

针对具有多模态、非线性特征的复杂分布数据的工业过程,提出一种基于局部相对概率密度（LRPD）的多核支持向量机（MKSVM）故障检测方法LRPD-MKSVM。首先,计算训练样本的局部概率密度矩阵并进行标准化处理,来消除数据的多模态特性;其次,运用标准化后的概率密度矩阵训练多核SVM模型,获得判别分类函数;之后,将测试数据的概率密度矩阵作为多核SVM模型的输入,对其进行分类;最后,将该方法应用于TE多模态工业过程,分别与基于单核的高斯核函数SVM(RBFSVM)、多项式核函数SVM(POLYSVM)分类方法 对比分析,结果表明：基于多核SVM方法的分类正确率明显优于单核SVM方法。     

基于改进模糊聚类的网络信息安全风险识别研究

针对当前现有识别方法在对网络信息安全风险识别时，存在识别时间长、识别准确率低的问题，本文引入并改进模糊聚类，开展对网络信息安全风险识别方法的设计研究。并引入决策树理论，对网络信息分类处理；基于改进模糊聚类，建立风险识别模型；最后根据模型输出结果，预测网络信息攻击路径，实现风险识别。通过对比实验证明，该识别方法与现有识别方法相比，识别时间更短、识别正确数据量更多，说明本次的识别方法具备极高的识别速率和准确率，可在网络环境中广泛应用这一识别方法，促进网络信息的安全性提升。     

基于相关积分优化方法的裂解炉优化

裂解炉是石油化工产业中重要设备,优化裂解炉运行状态对提升乙烯装置绩效至关重要。由于裂解反应机理复杂,裂解炉模型难以确定且扰动频繁,运用传统优化方法难以解决裂解炉运行优化问题。提出将相关积分优化方法应用于裂解炉运行优化,以解决裂解炉优化需要裂解炉具体模型、传统优化方法的自适应性与抗干扰性不满足裂解炉优化需求的两大问题。首先,分析影响裂解炉运行的主要操作参数,选取合适的操作变量,并构建优化目标函数;然后,采集操作变量与优化目标函数数据,建立裂解炉历史数据库。最后,基于相关积分优化方法,利用历史数据进行迭代计算以对裂解炉进行优化。仿真结果验证了相关积分优化方法在裂解炉优化中的有效性。     

基于SOM网络的三维人脸表情识别

针对二维人脸表情数据所含信息量有限,在光照、姿态变化的情况下识别性能较差等缺点,提出了基于SOM网络的三维人脸表情识别方法.该方法用均值和方差来描述人脸表面的凸凹情况,以此作为进一步描述人脸表情变化的特征数据.仿真实验结果表明,采用SOM网络的分类效果和识别效果,均优于AdaBoost算法.     

基于多标签随机森林的固体氧化物燃料电池系统并发故障识别

为了快速准确地识别SOFC系统的并发故障,将多标签技术和机器学习算法相结合,实现了复杂非线性系统中并发故障数据稀少情况下的故障快速识别。研究了多标签随机森林故障识别方法,通过集成多个随机森林,系统地提升了并发故障的识别率。针对并发故障识别的多维标签输出的特殊性,采用F1-Measure准则来评价多维标签识别精度,从而实现对并发故障的识别精度评价。实验结果表明:多标签并发故障识别框架能够在并发故障训练数据稀少的情况下,高效地识别故障样本。     

面向幼儿的人性化交互系统的研究与设计

针对儿童的认知能力特点,采用音频与视频输入技术、合成与输出技术、语音图像模式识别与环境理解技术,以及多模态信息融合等技术,实现了适用于网络环境下的幼儿用户群,并具备人性情感化特征的智能网络多模态的人机交互系统。该系统设计以人为中心,人机隔阂较小,为建立一个整合多通道、交互的研究性平台奠定了基础。     

基于局部相对概率密度kNN的多模态过程故障检测

针对多模态过程数据方差差异明显的空间分布特点,提出一种基于局部相对概率密度k近邻(LRPD-kNN)的多模态过程故障检测方法。首先对训练数据进行标准化,计算训练数据的局部相对概率密度估计值,消除多模态数据的方差差异。然后,对预处理后的数据建立kNN模型,计算统计量和控制限。对于测试数据,计算与训练数据局部相对概率密度的欧式距离平方和,通过比较统计量与控制限进行多模态故障检测。将该方法应用到数值例子和半导体生产过程,仿真结果表明,提出的算法效果要优于PCA、kNN和局部离群因子(LOF)方法,说明算法在方差差异较大的多模态过程故障检测方面具有很高的准确性。     

基于多源数据融合的化工园区危险态势感知

化工园区存在危险品储罐、运输车等众多安全威胁,需要实时感知园区的危险态势,及时发现并排除潜在的安全威胁。传统方法是依靠危险品储罐实时监测等单一数据源进行危险识别,难以满足目前化工园区对安全状态评估的需求。从大数据分析的角度出发,整合化工园区内危险品储罐监测传感器、危险品运输车、地理信息等数据,基于危险品泄漏呈高斯扩散的特点,提出了一种多源异构数据融合的危险识别方法,实现园区的危险态势感知,并实时展示整个化工园区内的潜在危险区域。结合某化工园区的实际数据,验证了所提方法的有效性。     

基于多源数据融合的化工园区危险态势感知

化工园区存在危险品储罐、运输车等众多安全威胁，需要实时感知园区的危险态势，及时发现并排除潜在的安全威胁。传统方法是依靠危险品储罐实时监测等单一数据源进行危险识别，难以满足目前化工园区对安全状态评估的需求。从大数据分析的角度出发，整合化工园区内危险品储罐监测传感器、危险品运输车、地理信息等数据，基于危险品泄漏呈高斯扩散的特点，提出了一种多源异构数据融合的危险识别方法，实现园区的危险态势感知，并实时展示整个化工园区内的潜在危险区域。结合某化工园区的实际数据，验证了所提方法的有效性。     

基于改进深度强化学习的乙烯裂解炉操作优化

乙烯裂解炉是乙烯生产的核心,对其生产操作优化的研究在提高乙烯工厂生产水平和经济效益方面具有重要意义。裂解炉中的裂解过程具有高维度、多模态和非线性的特征,传统优化方法难以实现根据工况变化的操作优化。针对上述问题,提出基于改进TD3深度强化学习算法的乙烯裂解炉操作优化,首先结合裂解过程将裂解炉一个运行周期内的操作策略视为顺序决策,利用实际生产过程数据和人工神经网络对裂解炉生产过程建模作为强化学习智能体交互的环境,然后引入多评价网络机制估计动作价值,有效缓解TD3训练缓慢和策略保守的现象,最后应用该算法求解乙烯裂解炉生产操作优化问题得到有效的优化策略,验证了所提算法的有效性。实验结果表明,所提出的操作优化策略显著提高了裂解炉主要产物的收率。     

基于改进MobileNet V2轻量级网络的步态识别研究

为了解决目前深度学习中大型网络计算复杂、难以在嵌入式等移动设备进行部署及应用的问题，在MobileNet V2网络的基础上，提出一种改进型轻量级网络进行步态识别。将CASIA-B数据集进行预处理生成步态能量图，通过调整网络中深度可分离卷积模块，使用H-swish激活函数并引入SE注意力机制(squeeze-and-excitation networks)，对行人步态进行分组实验。实验结果表明，改进后的网络模型能有效进行数据集的分类识别，模型大小为12.55 M，在测试集上的平均识别准确率达到94.27%，比原始网络提高了2.29%。同时，在精度和复杂度上获得了较好的平衡，为步态识别方法在移动端等资源受限的设备上提供思路和参考。     

基于深度神经网络的材料粘接裂缝识别

针对传统裂缝识别方法准确率低的问题，研究基于深度神经网络，设计一个Crack-CNN裂缝识别模型。根据CNN神经网络结构，利用CNN的特征提取和学习能力特性，将CNN应用于材料粘接裂缝识别中，然后将裂缝定位和CNN网络相结合，构建Crack-CNN模型，将裂缝图像输入至该模型中，通过CNN网络提取裂缝特征，并进行卷积、池化操作，再利用激活函数和全连接层进行特征分类，最终输出裂缝分类结果。结果表明，相较于传统裂缝识别模型，模型的训练和测试精度均保持在95%以上，模型的训练时间为3 825 s，远远低于VGG-13和ResNet模型。由此证明该模型性能好，可在材料粘接裂缝中取得较好的识别效果。