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。     

基于软测量技术的在线浓度检测仪

介绍了 一种基 于软测 量技术的新型仪表,将相对密度、温度以及压力、流量等工艺参数结合 起来,用单 片机建模计算 、智能检测 控制的在线浓 度检测仪 ,适合中国 国情,可广 泛应用于氯碱行业的化工液体物料在线浓度检测分析。     

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。     

基于软测量技术的C5石油树脂粘度的在线检测

粘度是石油树脂产品的重要指标参数,然而目前国内尚无对其有效的在线检测技术,多是根据实验室化验结果结合经验推测其变化情况,滞后大、精度差。针对这种不足,提出基于软测量技术的在线检测方法,采用机理建模和基于统计分析建模的混合建模方法建立模型,统计分析部分则采用加权最小二乘回归方法,并运用滚动回归的方法对模型参数进行在线校正。结果表明,此方案大幅提高了粘度的检测精度,并具有响应速度快,通用性好等优点。     

聚丙烯熔融指数软测量

采用机理和统计两种建模方法，建立聚丙烯生产过程熔融指数软测量模型。根据聚合反应机理和反应动力学，建立丙烯聚合过程的机理模型。统计模型则采用神经网络／部分最小二乘（NNPLS）方法。现场投运结果表明，模型计算速度和精度能满足工业现场在线实时运行的要求。     

基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中,通过在线聚类算法改善vSVR模型参数选择算法的稳定性,并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。     

基于动态多核相关向量机的软测量建模研究

针对污水处理过程中存在的多变量耦合、强非线性以及参数时变等问题，提出基于多核学习相关向量机的软测量建模方法，并采用粒子群算法对多核权重以及核参数进行优化。同时，引入时间差分(time difference)方法改进多核相关向量机的动态特性。为了验证所提模型的有效性，通过一仿真案例与单核相关向量机、多层前馈神经网络和基于遗传算法的支持向量机进行对比研究。结果表明，所提模型具有更好的预测效果。最后，对模型的鲁棒性在数据漂移和异常的场景下进行了讨论。     

基于智能算法的污水处理软测量技术及其展望

在简要介绍软测量基本思想的前提下,综合论述了遗传算法、支持向量机算法、人工神经网络方法和虚拟仪器在污水处理软测量过程中的研究现状与应用特点.比较、分析后,提出了高品质在线实时控制的研究策略.     

基于机理建模的聚醋酸乙烯浓度软测量技术

化工过程的先进控制必须依靠完善的信息系统,而产品质量的在线估计是构建完善信息系统的难题之一。利用软测量技术,通过机理建模,采用常规仪表成功实现了某厂聚醋酸乙烯浓度的在线连续检测。系统具有硬件设备简单、操作维护方便、使用寿命长、价格较低等优点,并易于与工厂原有装置进行系统衔接,检测精度达到0.5%。     

软测量技术及其在污水处理系统中的应用

在简单介绍软测量技术基本概念及其几种常用建模方法基础上，针对污水处理系统中软测量技术的应用，分析了软测量技术在污水处理领域的国内外研究现状和存在的问题及不足，最后提出了软测量技术应用于污水处理系统的研究发展方向。     

基于STA-K均值聚类的电化学废水处理过程离子浓度软测量

针对电化学废水处理过程出口离子浓度无法在线检测的问题,提出了一种基于状态转移的K均值聚类算法的软测量建模方法。在分析内部反应机理的基础上,结合物料平衡和吸附动力学定理建立电化学过程的机理模型;由于单一的软测量模型难以满足实际的精度要求,提出一种基于状态转移的K均值聚类算法将原始数据集进行聚类,应用状态转移算法对K均值算法的初始聚类中心进行优化,同时,引入离群值矩阵动态迭代同时实现数据聚类和异常值检测;最后,对聚类后的不同训练子集分别建立子模型,综合各子模型得到基于多模型切换方法的软测量模型。通过某废水处理厂的现场数据进行实例验证,结果证明了所建立的电化学废水处理过程离子浓度软测量模型合理有效。     

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。     

基于三角区间软约束的模型预测控制算法

针对设定值控制多入多出(MIMO)系统在外界干扰下系统自由度低和鲁棒性差的问题, 提出了兼顾定值控制与鲁棒性的基于三角区间软约束的模型预测控制算法。文中算法在设定值控制的基础上增加了三角区间软约束, 使得控制目标分阶段达成, 以减小干扰对系统的影响, 提高系统自由度及鲁棒性。最后, 对算法的鲁棒性进行了分析, 并采用Shell公司的典型重油分馏塔进行仿真实验, 通过与设定值控制结果的对比, 证明了文中算法有更好的鲁棒性及更优良的控制品质。     

基于动态模型的在线反馈优化

针对化工过程动态波动明显、优化模型存在较多的不确定性等特点,提出了一种考虑过程不确定性、基于过程动态模型的在线反馈优化策略。将过程动态模型按一定周期离散化为差分方程,基于差分方程进行动态优化,优化目标函数为优化时域的终端时刻的经济指标,优化变量为过程的操作变量,采用非线性规划作为优化算法;优化结果在实施后根据可测输出进行在线反馈,在优化模型的差分方程中引入误差修正项,将对应时刻的状态变量和相关变量的实际值代入可求出误差修正项,从而实现在线反馈优化。仿真结果表明,与传统的稳态操作优化相比,基于动态模型的反馈优化同样可将过程运行于最优操作点,同时具有很强的实时性,在外界干扰出现时可以立即作出反应,将过程推向最优操作点。     

基于局部线性嵌入的测地线流式核多工况软测量建模方法

针对复杂工业过程在多工况条件下缺乏标记样本无法进行软测量建模,而原有模型失准问题,研究了一种局部线性嵌入(locally linear embedding, LLE)和测地线流式核(geodesic flow kernel, GFK)相结合的无监督软测量建模方法。该方法首先通过局部线性嵌入提取各个工况间的公共模式信息,然后将已知工况数据和未知工况数据的公共模式信息投影到流形空间,利用测地线流式核框架在流形空间上实现域迁移,以减小不同工况间数据的分布差异。最后用偏最小二乘回归法建立软测量模型,得到主导变量的软测量值。通过对TE过程中不同工况下的成分变量软测量和不同工况下的球磨机负荷参数软测量结果,验证了所提算法的实用性和有效性。     

基于高斯过程和贝叶斯决策的组合模型软测量

为了提高化工生产过程中软测量建模的估计精度,提出了一种基于高斯过程和贝叶斯决策的组合模型建模方法。该方法在对原始数据进行分类的基础上,利用高斯过程对每个子类建立软测量子模型,通过贝叶斯决策方法实现模型的联合估计输出。将该建模方法应用于某双酚A装置的软测量建模中,仿真结果表明,相比于传统的开关切换或加权组合多模型,该组合模型能在实际生产中充分利用样本信息,使得具有更高的估计精度和更强的泛化性能。     

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。     

基于ART-SVR的过程建模及在干点软测量中的应用

针对石油化工生产过程通常呈高度非线性,且生产过程数据呈非连续、具有一定类别特性等特征,提出基于自适应谐振神经网络（adaptive resonance theory,ART）和支持向量回归（support vector regression, SVR）相结合的建模方法（ART-SVR）。首先,基于建模样本,通过ART将样本模式空间分割成若干模式特性相近的子空间;然后,对各子空间分别采用SVR建立各自模型,实现基于样本模式空间分割的“分段”建模。仿真试验和在石脑油干点软测量建模的实际应用表明：ART-SVR模型的拟合精度和预测精度均优于全局SVR模型。