基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

自适应软测量方法在动液面预测中的研究与应用

针对传统人工检测方法在测量动液面时存在精度低、实时性差等问题,采用软测量技术来完成对动液面的测量工作.根据对现场数据特性的分析,提出采用经验模态分解和基于黑洞的最小二乘支持向量机预测相结合的算法来实现动液面软测量建模;通过构建模型性能评价模块,动态更新模型,解决在油田生产过程中,静态模型不能完全反映生产工况导致模型失效的问题,提高算法的自适应能力及预测量精度.最后通过对油田生产现场监测数据进行实验验证,结果表明,该方法对油田动液面测量精度高,对生产波动的自适应能力强,满足油田现场测试使用要求,提高油田生产自动化程度.     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

抽油机井动液面计算方法的研究与应用

抽油机井在抽油过程中的工况复杂多变,动液面数据是判断油井生产是否健康的关键参数。在实际应用中,传统的动液面测量方法误差大,连续测量设备成本偏高。为研究油井动液面的连续测量方法,本文在泵功图的基础上,分析抽油机悬点的运动规律,确定悬点加速度为零处的悬点载荷,建立动液面计算模型,并通过现场实测数据,对计算模型进行了验证及误差对比分析。研究结果表明,所用的动液面计算方法与实测动液面深度的相对误差最大为6.52%,最小为0.14%,平均相对误差为2.67%。与其他计算方法相比,所建立的计算模型的精度较高,有效降低了动液面连续测量成本,有利于油田自动化生产管理。     

基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法(JIT)的多模型在线软测量方法(MOSVR)。离线阶段首先采用模糊C均值聚类(FCM)对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略(OSMU)将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

基于JIT-MOSVR的软测量方法及应用

针对传统多模型软测量方法在面对复杂、多变工况时缺少在线更新机制、更新时输出精度降低等问题,提出了一种基于即时学习算法（JIT）的多模型在线软测量方法（MOSVR）。离线阶段首先采用模糊C均值聚类（FCM）对训练数据进行聚类,接着采用SVR建立初始模型集。在线部分以多模型输出作为主要输出,当出现新工况时,通过在线模型更新策略（OSMU）将输出模式切换为JIT,同时多模型集进行在线更新。该方法不仅拥有多模型输出的快速性、精确性,而且在模型更新时通过JIT模式还能保证输出的连续性、稳定性、精确性。最后将该软测量方法进行了数值仿真并运用到乙烷浓度软测量中,验证了该方法的有效性。     

一种基于改进的ANFIS橡胶聚合转化率软测量模型

针对合成橡胶聚合转化率难以进行有效在线测量的问题,提出一种基于自适应神经模糊推理系统ANFIS的转化率软测量预测模型。模型引入了闭环反馈信息,提高了模型的收敛速度和准确度。利用SBR装置的现场数据进行仿真,结果表明,提出的软测量模型能实现转化率的在线预测,可以满足工业现场的生产要求,对于实现装置的优化运行具有重要的意义。     

LS-SVM模型在线校正的替代法及其软测量应用

软测量技术是现代化工过程控制系统的重要组成部分,化工过程的时变性要求软测量模型及时进行在线校正,以适应新工况,保持模型的预测精度。基于矩阵计算理论,提出了最小二乘支持向量机模型在线校正的替代法,它无需重新训练,校正速度快。通过分析还提出以距离标准选择被替代个体,可提高预测精度。将该法用于某炼油厂常压塔塔顶汽油干点的软测量,效果良好,表明该法可以克服工况变化对模型预测精度的影响。     

抽油机井动液面测量方法研究

油井动液面是反映地层供液能力的重要指标,是进行采油工艺合理性评价和优化的重要依据。目前,油田现场动液面测量有多种方法,每种方法各有特点,本文通过对比分析多种动液面测量方法,优选出适合油田现场的动液面测量方法。由分析可知,利用示功图计算动液面深度是一种有效的计算方法,其计算的准确性能够得到保证;地面示功图已实现在线实时采集,则利用地面示功图计算油井动液面,可实现油井动液面的实时测量,能够提高油井生产分析的及时性,顺应油田实现高效开发的新趋势,有利于油田信息化建设。     

基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。     

工业共沸精馏塔软测量建模方法的研究与应用

针对某一工业共沸精馏塔成分估计问题,利用基于支持向量机技术的软测量建模方法,建立了恰当的工业软测量模型。利用滑动时间窗技术实时更新建模数据集,并根据预估精度决策在线优化和模型更新,提高工业软测量模型的在线估计精度。研究结果表明,基于滑动时间窗的LS SVM软测量建模方法,是一种有效的软测量建模方法。     

基于改进Bagging算法的高斯过程集成软测量建模

为提高对工况复杂的工业过程进行软测量建模的模型精度和泛化能力,提出了一种基于改进Bagging算法的高斯过程集成软测量建模方法。该算法采用高斯过程回归算法建立集成学习模型的基学习器,并在Bagging算法对训练样本重采样生成基学习器训练子集的基础上,采用基于正则化互信息的特征排序指标进行基学习器的输入特征抽取,实现有监督的特征扰动,从而改善学习器的差异度。待测样本进行软测量估计时,根据各高斯过程基学习器输出的方差自适应地选择基学习器进行集成输出。采用工业双酚A生产装置反应器的现场数据建模仿真,结果表明该方法是有效的。     

基于AKPLS方法的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影（VIP）这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于深层神经网络的多输出自适应软测量建模

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影(VIP)这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。     

基于工业色谱仪的精馏脱炔烃塔软测量建模

提出一种基于工业色谱仪的软测量建模方法,并针对碳五馏分分离过程中的精馏脱炔烃塔塔底成分估计问题,建立了合适的工业软测量模型。介绍了工业色谱仪在线质量检测原理和LM-BP神经网络模型的建立,并利用工业色谱仪在线检测的质量数据进行系统的在线和周期性模型更新,提高了软测量模型的在线估计精度。研究结果表明,基于工业色谱仪的LM-BP神经网络模型是一种有效的软测量建模方法。     

聚合物熔体密度在线测量在精密注射成型中的应用

基于超声波传播速度与传播介质物性参数密切关联和快速响应的特性,通过实验和理论分析得到了超声波传播速度与聚合物熔体密度存在单值对应关系的重要结论;根据精密注塑制品成型周期短的特点,在实验的基础上采用改进最小二乘法,即缩小自变量使其在0～1的范围内可以有效降低拟合阶数,提高运算速度的方法,建立了基于超声波速度单值变量的熔体密度在线软测量模型,并将该软测量模型应用于注射成型过程中对聚合物熔体注射重量的控制;即由该软测量模型得到的在线熔体密度与螺杆截面积的乘积对螺杆注射行程进行积分,可以精确计算出聚合物熔体注射重量,以此实现对注射机成型制品重量的精密控制;理论和实验都验证了基于熔体密度在线软测量的注射量重量控制方法优于传统的体积控制方法,是提高注射成型过程制品重量重复精度的有效方法。     

基于集成学习的注塑制品质量软测量方法研究

为解决传统注塑间歇过程的质量反馈存在严重滞后性的问题,利用注塑生产过程的传感器数据和成型机操作数据进行工况识别,对制品质量进行基于集成学习的软测量。采用Mini Batch K-Means算法,将注塑过程时段聚类为合模-注塑-保压-冷却主要阶段,实现工况准确、快速在线识别。利用多阶段演变的Stacking集成学习策略,结合工况识别的四个阶段,建立多阶段集成软测量模型。采用分阶段建模的方法明显削弱了数据的非线性,预测精度相比传统线性回归模型得到提升。采用集成学习的方法也提高了模型的精度,与非线性模型相比预测精度也得到提高,该多阶段集成的软测量方法可以为产品质量控制和改进,提供较精确的质量反馈。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。