数据挖掘技术及其在化工过程中的应用

数据挖掘技术是当今一项新兴技术，它综合运用人工智能、计算智能、模式识别、数理统计等先进技术从大量数据信息中挖掘和发现有价值和隐含的知识。本文介绍了一些主要用于化工过程的数据挖掘技术，如粗集理论、人工神经网络、遗传算法、主元分析和偏最小二乘法等，并对其在化工过程建模、控制、故障诊断和优化中的应用进行了综述。     

基于多目标的模糊神经网络及在pH控制过程中的应用

设计了一种基于多目标的动态模糊递归神经网络（FRNN）建模方法,用于pH中和过程的广义预测控制。所设计的多目标优化算法以提高拟合精度和简化网络结构为原则,同时优化模糊神经网络中的模糊规则数、隶属度函数中心点及其宽度,由此得到的FRNN模型可以高精度拟合pH中和过程。依据该动态模型,在控制过程的每一个控制周期得到其局部线性模型,将广义预测控制中复杂的非线性优化问题转化为简单的二次线性规划问题。仿真对比结果验证了所提方法的有效性。     

神经元网络在化学工程中的应用与发展

综述了神经元网络在化工领域中的应用状况，并指出了今后的发展趋势。     

基于模拟疫苗的人工免疫系统在氯乙烯聚合间歇过程故障诊断中的应用

根据聚氯乙烯工业生产过程的工艺信息、操作规程和历史数据,利用Aspen软件建立了氯乙烯悬浮聚合间歇过程的动态仿真模型,由模拟得到的多个状态的样本数据生成正常模拟疫苗和故障模拟疫苗,结合工业数据建立正常抗体库和故障抗体库,解决了氯乙烯聚合过程故障诊断中故障样本数据缺乏的问题。利用动态时间弯曲算法和人工免疫系统对该聚合反应间歇过程进行故障诊断,具有较好的诊断效果。     

模糊神经网络在CO_2汽提塔液位预测中的研究

二氧化碳汽提塔液位系统是一个复杂非线性过程,本文基于一种新型复合型模糊神经网络,对该液位系统的建模和预测进行了研究。仿真实验表明,该网络在复杂非线性过程中具有较好的性能,为实现模糊神经网络在化工生产过程中的应用提供了思路和方法。     

神经网络遗传算法在氯碱生产过程中的应用

对氯碱产业而言,氯碱电解槽的电解一直是其主要能耗。笔者用BP基于神经网络遗传算法的方法对氯碱电解槽的电解效率进行优化,并在某厂3万t/a烧碱离子膜车间的电解效率进行试验。优化之前,该电解槽电流效率为92.75%;利用神经网络遗传算法优化后,电流效率达到93.36%,带来的经济效益可达200万元/a。     

GA-BP神经网络在钢铁加热炉建模中的应用

基于现场采集的大量的数据,采用BP神经网络建立现场加热炉炉温的非线性模型,并提出利用遗传算法优化BP神经网络的参数与阈值,有效避免了BP神经网络易陷入局部最小值、收敛速度慢的不足。仿真结果表明:在同样的数据集下,GA-BP神经网络的稳定性更好,预测精度更高。     

BP神经网络及其在化工优化中的应用

人工神经网络（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｌ简称ＡＮＮ）作为一种新型的黑箱方法,是近年来迅速发展的研究热点。它是由大量的简单处理单元（或称神经元）广泛连接而形成的复杂网络系统,处理问题时不需要了解输入输出之间的相互关系,其自学习功能能够“记忆”样本所含的信息,网络只是根据训练样本的数据来自动寻找相互关系,给所研究的系统以具体的数学表达,从而使系统的定量、预测及优化成为可能。在研究复杂系统的优化问题上,人工神经网络显示出其独特的优越性,目前已在生物科学、自动控制、化学工程等众领域取得了很大…     

苯乙烯-马来酸酐本体共聚合过程的神经网络建模

人工神经网络(ANN)是一种有效的建模方法，尤其适用于机理复杂的化工过程，故应用ANN技术来研究苯乙烯-马来酸酐半连续本体共聚合过程的建模方法，并用原始实验数据训练BP网络，来预测本体共聚合过程的目标变量——反应转化率是合适的。由于标准BP训练算法的训练速度较慢，提出了一种改进的训练算法(marquardt算法)来提高网络的训练速度。结果表明，改进的训练算法提高收敛速度10倍以上，在不同的初始条件下，如停留时间5小时、聚合温度110-120℃和马来酸酐进料分量7％-10％，能得到满意的收敛点。在3个输入和1个输出(转化率)的情况下，估计结果的最大相对误差为10％-15％，平均相对误差小于5％。转化率的模型预测结果与原始实验数据具有良好的拟合。此方法可以有效地用于此类聚合过程的模型化。     

输入训练神经网络的维数约简算法及其在化工过程建模中的应用

Many applications of principal component analysis （PCA） can be found in dimensionality reduction. But linear PCA method is not well suitable for nonlinear chemical processes. A new PCA method based on improved input training neural network （IT-NN） is proposed for the nonlinear system modelling in this paper. Momentum factor and adaptive learning rate are introduced into learning algorithm to improve the training speed of IT-NN. Contrasting to the auto-associative neural network （ANN）, IT-NN has less hidden layers and higher training speed. The effectiveness is illustrated through a comparison of IT-NN with linear PCA and ANN with experiments. Moreover, the IT-NN is combined with RBF neural network （RBF-NN） to model the yields of ethylene and propylene in the naphtha pyrolysis system. From the illustrative example and practical application, IT-NN combined with RBF-NN is an effective method of nonlinear chemical process modelling.     

人工神经网络在污水处理中的应用

文章对污水处理系统的特点进行了分析,并针对时变性、非线性、复杂性和不确定性的特点,提出应用人工智能技术对其进行智能控制是实现城市污水处理系统自动控制的重要方法。对人工神经网络控制特点进行了介绍,综述了国内外人工神经网络在污水处理不同领域中的应用研究,并结合国内外研究动态,简要分析了人工神经网络污水处理今后的发展方向。     

基于神经网络的化工过程测量数据在线校正技术的研究

研究了人工神经网络在化工过程测量数据校正中的应用，提出了新的样本构造方法和神经网络的在线训练策略。对某乙烯装置裂解气分离系统测量数据，应用自行设计开发的改进算法的神经网络与数据校正系统集成运行，结果表明基于神经网络的数据校正技术能对测量数据中所含的随机误差和过失误差进行同时校正，提高过程数据的精度和校正过程的稳定性，同时满足数据校正的实时性要求。     

浅谈人工神经网络在化工质量控制中的应用

人工神经网络因其具有较强处理不确定性或高度非线性控制对象的能力,被广泛应用于化学领域。文章综述了人工神经网络的原理及分类,并以化工质量控制的三个阶段为基础,对人工神经网络在各阶段的应用进行了探讨。     

人工神经网络在玻璃纤维弹性模量预测中的应用

传统玻璃成分设计方法不仅计算繁琐、工作量大,效率低,而且精度较低,生产者迫切希望能改进玻璃成分设计方法.计算机辅助建模大大缩短了新材料、新工艺和新设计从实验室转移到生产现场所需的时间,为玻璃成分设计提供了强有力的技术支持.人工神经网络是用工程技术手段模拟生物神经网络结构特征的一类人工系统.它具有很强的自学习能力,能够从已有的实验数据中获取有关材料的组分、工艺和性能之间的规律,并达到预测的目的.本文主要研究了人工神经网络在玻璃成分设计中,尤其是在预测玻璃性能方面的应用.     

Moisture Content Prediction in the Switchgrass (Panicum virgatum) Drying Process Using Artificial Neural Networks

This article proposes two artificial neural network (ANN)-based models to characterize the switchgrass drying process: The first one models processes with constant air temperature and relative humidity and the second one models processes with variable air conditions and rainfall. The two ANN-based models proposed estimated the moisture content (MC) as a function of temperature, relative humidity, previous MC, time, and precipitation information. The first ANN-based model describes MC evolution data more accurately than six mathematical empirical equations typically proposed in the literature. The second ANN-based model estimated the MC with a correlation coefficient greater than 98.8%.     

Application of Different Artificial Neural Networks Retention Models for Multi-Criteria Decision-Making Optimization in Gradient Ion Chromatography

In this work, the principles of multi-criteria decision-making were used to develop an efficient optimization strategy in gradient elution ion chromatographic analysis. Two different artificial neural network retention models (multi-layer perceptron and radial basis function), three different separation criterion functions (chromatography response function, separation factor product and normalized retention difference product), and four different robustness criterion functions (CR1-CR4) were examined. The shape of the calculated separation vs the robustness response surface was used as principal criterion. Analysis time and minimum separation of adjacent peaks were additional criteria. The results showed that the radial basis artificial neural network retention model in combination with normalized retention difference product separation criterion function and CR3 robustness criterion function provided the optimal gradient ion chromatographic analysis.     

基于人工神经网络的咖啡因溶解度的建模

利用激光法测定的0-50℃温度范围内咖啡因在水和乙醇中的溶解度数据，经过比较选择了较好的人工神经网络模型—2-2-1向后传播(BP)人工神经网络模型，利用训练后的2-2-1BP人工神经网络模型对非线性的咖啡因溶解度数据进行了再现回归、内插和外推，在水中溶解度数据的回归、内插的误差均在0．07％以内，外推的误差在0．2％以内；在乙醇中的溶解度数据的回归误差在0，07％以内，内插和外推误差均在4％以内，效果十分令人满意。     

用神经网络技术预测库存发射药安全寿命的可行性

在对发射药贮存寿命终点判据和发射药能量示数、贮存环境温度、湿度等影响贮存安定性的因素进行分析的基础上，以BP人工神经网络作为预测手段，对发射药的安全贮存寿命进行了预测。