轧钢加热炉钢坯加热质量的检测研究( II)

轧钢加热炉中钢坯温度的检测是一类典型的工业过程质量参数难测量问题。本文首先分析了该问题的产生原因及对生产过程的不良影响，然后运用多元统计投影原理建立了钢坯温度变量和过程变量之间的主元回归软测量模型和偏最小二乘软测量模型，最后基于工业拖偶试验数据对两类模型的参数矩阵进行了求取。根据工业实际生产数据进行的模型校验和误差分析表明，模型预测误差满足工业应用的精度要求，且较作者前期研究的结果更精确。全文分为两部分，这是第二部分。     

基于改进PCR方法的加热炉钢温预报模型

运用多元统计投影原理，结合改进PCR方法，建立了钢坯出口温度变量和过程变量之间的主元回归预测模型，最后基于某钢厂实际生产数据对模型的参数进行了求取．校验和误差分析表明，该模型能提前5～25分钟预测出钢坯的出口温度，且预测误差满足工业应用的精度要求．     

小波神经网络在过程控制中的应用

在工业过程控制中,常常存在一些重要的变量难以测量,为了解决这个问题,出现了软仪表.软仪表的实质是建立被测量参数与影响该参数的其它操作参数之间的数学模型,通过计算得出此类难于测量的变量的数值.小波神经网络就是软测量的一种方法.在传统的小波神经网络的基础上进行了改进,利用小波对工业现场过来的数据进行了降噪,并使用主元分析法去除了数据的相关性.然后对处理过的数据建立小波神经网络模型,最后通过计算机仿真证实了该方法的良好的收敛速度快,不容易陷入极度最小等辨识效果.     

基于软测量的钢坯内部温度场分布研究

由于目前测试技术的限制，在生产过程中对钢坯内部温度的检测比较困难，为了获得钢坯内部的温度，一些研究人员尝试通过数学模型的方法实现钢坯内部温度分布的软测量模型。本文以步进式加热炉中钢坯温度场分布为应用背景，提出了利用机理建模的方法来实现钢坯内部温度场分布的软测量模型，并且对典型工况进行了仿真，结果表明测量精度完全符合工业应用要求。     

基于因子回归模型的软测量方法

在工业过程中,有很多重要变量往往无法在线检测,通常通过软测量方法进行估计,主元回归是其中1种常用方法。相比于主元,因子更具广泛意义,更能反映数据的本质特征。基于此,提出1种基于因子回归模型的软测量方法,先对过程日常运行数据进行因子分析,建立因子生成模型,并提取因子信息,然后建立因子与关键变量间的因子回归模型,在线应用时先将可测变量代入生成模型得到因子变量,然后将因子代入到因子回归模型,软测量出关键变量。将该方法应用到化工吸附分离过程中,比较了因子回归模型与主元回归模型的软测量效果,结果表明前者优于后者。     

基于软测量的钢坏内部温度场分布研究

由于目前测试技术的限制,在生产过程中对钢坯内部温度的检测比较困难,为了获得钢坯内部的温度,一些研究人员尝试通过数学模型的方法实现钢坯内部温度分布的软测量模型.本文以步进式加热炉中钢坯温度场分布为应用背景,提出了利用机理建模的方法来实现钢坯内部温度场分布的软测量模型,并且对典型工况进行了仿真,结果表明测量精度完全符合工业应用要求.     

一种基于支持向量机的软测量建模方法

在生产过程中,在线分析仪表通常被用于对被测介质的组成或物性参数进行自动连续测量,但很多参数无法通过在线分析仪表直接测量获得。在工业现场,通常采用软测量技术来弥补在线分析仪表的不足。软测量技术也称软仪表技术,是基于推断控制理论的一门新兴工业技术。其利用易测过程变量与难以直接测量的待测过程变量之间的数学关系,通过各种计算和估计方法,实现对待测过程变量的测量。为了提高软测量模型的性能,提出一种基于支持向量机的软测量建模方法。该模型结构分为两层:一层用于分析工业数据在时间序列上的相互关系,解决时间序列的相关性问题;一层用于软测量建模和分析,解决非线性回归模型的鲁棒性。仿真结果表明,该软测量建模方法在进行在线预测时具有很好的性能,为软测量技术在工业现场的应用提供了一种方法。     

基于RBF神经网络的钢坯温度预报软测量模型研究

钢坯加热过程是钢铁企业热轧生产中非常重要的工艺环节。钢坯温度预报模型是实现加热炉优化控制的重要基础,用常规仪器很难直接测量出钢坯温度。给出了基于RBF神经网络的软测量模型结构,对钢坯温度进行预报的仿真结果。     

工业流化床乙烯气相聚合中的在线测量与模型分析(II)

工业流化床乙烯气相聚合过程是一类典型的多变量复杂非线性系统。我们首先分析了若干主要过程变量(反应器温度等)对两个质量变量(树脂熔融指数和密度)的影响趋势，给出了两组变量间的非线性函数结构形式，然后运用多元统计投影原理和非线性函数的。Taylor逼近原理建立了流化床乙烯气相聚合过程变量和质量变量之间的主元多项式非线性偏最小二乘软测量(Nonlinear PLS)模型，并对理论结果进行了推证。基于实际工业运行装置的采样数据对Nonlinear PLS模型进行了求取和验证，利用所求模型进行了树脂熔融指数和密度预测并将预测结果和误差分析结果与线性PLS及机理模型进行了比较。最后运用所建立的模型进行流化床乙烯气相聚合过程操作条件的模型预测分析。全文分为两部分，这是第二部分。     

工业流化床乙烯气相聚合中的在线测量与模型分析(I)

工业流化床乙烯气相聚合过程是一类典型的多变量复杂非线性系统。我们首先分析了若干主要过程变量(反应器温度等)对两个质量变量(树脂熔融指数和密度)的影响趋势，给出了两组变量间的非线性函数结构形式．然后运用多元统计投影原理和非线性函数的Taylor逼近原理建立了流化床乙烯气相聚合过程变量和质量变量之间的主元多项式非线性偏最小二乘软测量(Nonlinear PLS)模型，并对理论结果进行了推证。基于实际工业运行装置的采样数据对Nonlinear PLS模型进行了求取和验证，利用所求模型进行了树脂熔融指数和密度预测并将预测结果和误差分析结果与线性PLS及机理模型进行了比较。最后运用所建立的模型进行流化床乙烯气相聚合过程操作条件的模型预测分析.全文分为两部分，这是第一部分。     

一种间歇过程异常数据剔除的主元分析方法

提出一种用于间歇生产过程中异常数据控制的方法。这种方法将原始的三维间歇生产数据集合展开成一个二维数据矩阵,进行中心化和规格化后再转化成另一个按照时间序列排列的二维数据矩阵。这种方法可以克服Wold方法在对数据进行中心化时引起的原始信息失真问题。通过对聚合反应釜过程数据进行分析,表明该方法能有效地对生产数据剔除异常。     

RBF神经网络在加速冷却控制系统中的应用

针对中厚钢板加速冷却过程,钢板入口温度波动大,钢板终冷温度难以实现闭环控 制等特点,首先将RBP(Radial Basis Functions)神经网络与优化设定技术相结合应用到加速 冷却系统中,提出了加速冷却控制系统中基于RBF神经网络的每幕流量的控冷模型.仿真实 验表明:该控冷模型能够实现对钢板加速冷却过程的有效控制.     

基于产品线N-生命周期模型的集成化软件工程环境研究

为实现软件的工业化生产,我们对日渐成熟的软件产品线体系结构、构件技术和产品线开发方法进行了分析和研究,并借鉴现代工业生产体系和自动化生产方式,提出了基于产品线体系结构的软件工程过程模型--N-生命周期模型。以此模型为基础,提出了基于产品线开发过程模型的集成化软件工程环境模型和构架,并对此环境模型和构架的实实现进行了系统的理论、技术和配置研究。文中的研究思想和成果对于基于产品线的集成化软件工程环境研究具有一定的参考和借鉴作用。     

基于四阶累积分析的工业大肠杆菌制备过程故障诊断

工业大肠杆菌制备过程具有非线性和非高斯性共存的特征,导致难以对故障源进行有效定位,针对这个问题,提出一种基于多向核熵独立元分析(MKEICA)的过程监测方法;同时针对传统低阶监控统计量(T2, I2和SPE)无法得到非高斯信息的不足提出了四阶累积监控统计量的方法;其次通过对四阶累积监控量进行推导,得到故障产生的原因.最后将其应用在实际的工业过程并与多向核独立元分析(MKICA)监测模型进行对比验证该方法的可行性及有效性.     

Consistent dynamic PCA based on errors-in-variables subspace identification

In this paper, we make a comparison between dynamic principal component analysis (PCA) and errors-in-variables (EIV) subspace model identification (SMI) and establish consistency conditions for the two approaches. We first demonstrate the relationship between dynamic PCA and SMI. Then we show that when process variables are corrupted by measurement noise dynamic PCA fails to give a consistent estimate of the process model in general whether or not process noise is present. We then propose an indirect dynamic PCA approach for the consistent estimate of the process model resorting to EIV SMI algorithms. Consistent dynamic PCA models are obtained with and without process disturbances. Additional features of the indirect approach include (i) easy determination of the number of lagged variables in the model; (ii) determination of the number of significant process disturbances; and (iii) consistent estimate of the dynamic PCA models with and without process disturbances. We conduct two simulation examples and an industrial case study to support our theoretical results, where the relationship between dynamic PCA and EIV SMI is numerically verified.     

Kernel Generalization of Multi-Rate Probabilistic Principal Component Analysis for Fault Detection in Nonlinear Process

In practical process industries, a variety of online and offline sensors and measuring instruments have been used for process control and monitoring purposes, which indicates that the measurements coming from different sources are collected at different sampling rates. To build a complete process monitoring strategy, all these multi-rate measurements should be considered for data-based modeling and monitoring. In this paper, a novel kernel multi-rate probabilistic principal component analysis (K-MPPCA) model is proposed to extract the nonlinear correlations among different sampling rates. In the proposed model, the model parameters are calibrated using the kernel trick and the expectation-maximum (EM) algorithm. Also, the corresponding fault detection methods based on the nonlinear features are developed. Finally, a simulated nonlinear case and an actual pre-decarburization unit in the ammonia synthesis process are tested to demonstrate the efficiency of the proposed method.