常压塔二线凝点闭环控制的实现方法

常压塔在石油加工中具有重要的地位,其操作状况好坏直接影响轻油产品收率,从而影响整个炼油厂的经济效益.为了使柴油从油汽中充分分离出来,并保证柴油质量,需要对常压塔侧线凝点进行质量控制.以往对常二线凝点的质量是由操作人员以化验值作为参考进行离线控制.化验采样分析时间间隔很长(1次/4h),其间一旦生产条件发生较大变化,就会出现调节不及时而造成产品质量不合格.为了保证产品质量,操作人员通常采用过分保险的办法,结果使柴油不能充分从油汽中分离出来使收率减少.如要保证收率,往往会影响产品质量.若要达到既保证质量又提高收率的目的,就要实现对凝点进行闭环控制.为了实现质量闭环控制,必须有反馈信号.而在线倾点表有测量滞后时间长、运行不够稳定、维护困难和价格昂贵等缺点,难以达到对反馈信号的要求.本项目采用建立凝点软测量预估数学模型的方法得到实时的凝点,作为闭环控制的反馈信号.然后,基于这个反馈信号以常二线抽出量作为调节手段,实现常二线凝点的闭环控制,进而实现质量的卡边控制.     

基于优化动态PLS的常压塔重整料终馏点软测量研究

针对某炼油厂常压塔重整料终馏点软测量模型估计精度不高的问题,利用网格搜索(grid search)法优化动态软测量建模中最大滞后时间和再采样间隔,建立了一种基于动态PLS的软测量模型。结果表明对动态软测量再采样间隔和最大滞后时间的优化,可以显著降低模型的预测误差和计算量。动态软测量的预测误差明显小于静态软测量模型,能取得较好的预测效果。     

基于近红外光谱的柴油凝点计算机软测量法

柴油是重要的石油化工产品,凝点是确定其品质的主要理化指标,但传统测定方法周期长、费用高,且易受人为的影响。本文提出一种用近红外光谱(NIRS)分析技术的柴油凝点软测量方法。先用多项式卷积为原始的柴油MR光谱数据作光谱平滑、基线校正和标准归一化;然后,利用主元分析(PCA)组合近红外光谱数据集的高维特征并向低维空间投影,降低输入维数,提高各维特征的敏感性;最后,用最小二乘支持向量机(LS-SVM)回归算法建立凝点的软测量模型。用一个含120个样本的401维柴油近红外全光谱数据集建模和检验,通过PCA后,全光谱数据集的特征降到了6维,并保留了99.6%的信息。进一步的实验表明,采用PCA提取特征做软测量建模的性能,要普遍优于直接作用在光谱波长域的方法。与BP、PCA BP及PCA SVM方法相比,所提方法建立的柴油凝点软测量模型测量精度更高,且与标准方法测量的结果更为接近,因此,又为柴油凝点的在线测定提供一种新方法。     

基于PCA-SVM的柴油凝点近红外光谱软测量法

提出一种基于PCA-SVM及近红外光谱(NIRS)分析技术的柴油凝点软测量方法。首先,采用多项式卷积对原始的柴油NIRS数据进行光谱平滑、基线校正和标准归一化;然后,利用主元分析(PCA)对近红外光谱数据集的高维特征进行组合并向低维空间投影;最后,利用SVM回归算法建立凝点的软测量模型。与BP、SVM及PCA-BP方法相比,实验结果表明所提方法具有更高的测量精度,且与标准方法测量的结果更为接近,因此适合柴油凝点的在线测量。     

带误差校正的常压塔汽油干点软测量模型

根据误差反馈原理,设计出带误差校正的神经网络模型,并将其用于常压塔汽油于点软测量,建立带误差校正的软测量模型。它将开环软测量模型的预测误差反传,作为校正输入量送给带误差校正的软测量模型进行误差校正。最后结合常压塔工业实例,对汽油干点进行预测,±1℃的预测误差表明该模型比不带误差校正的软测量模型具有更高的精度。     

基于神经网络的炼油厂常压蒸馏350℃含量预测

常压塔四线350℃馏出含量是炼油厂常压蒸馏生产过程的重要质量指标,它与常压炉出口温度等多个变量之间存在严重的非线性关系,而且无法实时在线用仪表直接测量。论文提出了基于RBF神经网络的常四350℃含量预报模型,并用计算机软测量方式,对中石化广州分公司常压蒸馏装置(一)的实际数据进行模型验证研究。实验结果表明,该方法速度快,对实际生产具有指导意义。     

基于多神经网络结构的常压塔侧线产品质量软测量

根据常压塔的原料进料及产品多变，提出采用多神经网络结构建立侧线产品质量软测量模型。利用基于马氏距离的数据分类技术、对输入样本分类。利用产品质量化验分析值，对软测量模型进行校正。实际应用表明多神经网络结构的软测量精度高。     

柴油调合在线优化内模控制

根据某炼油厂加工不同外来原油时的柴油谳合生产实测数据，建立了以柴油组分油流量和倾点为输入参数、柴油倾点为输出参数的柴油调合ＲＢＦ神经元网络模型，该模型能较 品倾点值；提出了闭环优化控制策略。     

软测量技术的应用

以我厂南蒸馏装置常压塔的分子筛料干点为研究对象，基于现场采集数据及机理分析，确定了辅导变量，探讨了用多元线性回归建立的软测量模型，仿真结果表明模型精度达到了工艺要求，并讨论了在线修正。     

基于贝叶斯网络的软测量建模方法

软测量技术对化工生产过程中提高产品质量和保证安全生产具有重要的作用,因此对化工软测量建模方法的研究具有重要意义.本文将贝叶斯网络应用于化工软测量建模,采用高斯混合模型来近似表达贝叶斯网络模型中的联合概率分布,通过Expectation Maximization算法求解出高斯混合模型参数并给出了贝叶斯网络估计公式.应用此法分别对某炼油厂脱丁烷塔塔底丁烷含量和某双酚A生产过程中脱水塔出口组分苯酚含量建立了软测量模型,取得了良好的离线估计结果.仿真结果表明,与支持向量机相比,在估计精度相当的情况下,省去了许多过程参数的估计,是1种有效的软测量建模方法.     

基于同步聚类的污水水质混合在线软测量方法

污水处理过程工况频繁波动,单一模型难以保证软测量精度,提出了基于同步聚类的出水COD混合在线软测量方法。模型由简化机理模型和建模误差补偿模型组成,其中简化机理模型作为主模型,集成模型作为误差补偿模型。机理模型用于表征污水处理过程的基本动态机理特性;误差补偿集成模型中子模型均采用线性模型,用以补偿不同工况下的机理模型建模误差。子模型个数采用在线同步聚类算法进行划分,考虑了输入和输出数据的时间区间,同时考虑了相邻数据间的关联性,提高了计算效率,改善了模型的实时性。采用实际污水处理厂数据进行仿真实验,验证了所提建模方法在多个运行工况下仍具有较好的精度。     

变尺度粒子群算法及其在工业软测量中的应用

粒子群优化算法是一种基于群体智能的随机优化算法,具有收敛速度快、设置参数少、算法简单、容易实现等优点,其缺点是容易陷入局部最优解。变尺度法是一种可靠的局部快速寻优方法。为了解决了基本粒子群优化算法易陷入局部最优的问题,本文提出了一种基于变尺度方法的自适应变异粒子群优化算法。在本文算法中,粒子群每进化一代后,对所有粒子执行变尺度搜索,寻找更优个体,从而使算法具有动态自适应性,能够较容易地跳出局部最优。在延迟焦化生产过程中,汽油干点是衡量汽油的一个关键指标,建立汽油干点的软测量对延迟焦化生产实现卡边控制和提高装置的经济效益是有必要的。在实际生产过程中,无法在线测量延迟焦化汽油干点,只能采用离线实验室分析的方法获得,但离线分析不能满足控制的要求。基于软测量技术而开发的延迟焦化汽油干点软测量模型,使汽油干点的在线测量成为可能。目前,工程上一般采用BP神经网络来训练软测量模型。BP神经网络的学习算法是决定BP神经网络预测质量的关键。鉴于此,本文将所提出的变尺度粒子群优化算法用于BP神经网络学习过程中,并将本文方案的预测结果与文献方案进行了对比实验。实验结果表明,与文献方案相比,本文方案具有较好预测精度和良好的泛化能力,具有较好的应用价值。     

基于神经网络观测器的飞控传感器在线故障诊断

为提高无人机飞行安全可靠性,针对飞行控制系统中常出现的传感器故障以及非线性气动力模型参数难以确定的问题,提出了基于BP神经网络观测器估计的故障诊断方法;引用LM改进算法对网络参数进行调整,构造了神经网络观测器模型逼近非线性系统,并运用于飞行控制系统进行在线数字仿真,对垂直陀螺输出卡死故障、恒偏差故障和恒增益故障分别进行仿真分析;仿真结果表明,所设计神经网络观测器可以有效估计系统输出,在线诊断传感器故障。     

SMB色谱分离过程组分纯度软测量技术

针对SMB色谱分离过程中组分纯度的实时测量存在困难的现状,建立了两组分(葡萄糖、果糖)纯度的在线软测量模型。软测量模型采用NNARMAX模型作为模型辨识类;采用BP神经网络对模型进行逼近,为加快网络收敛速度,采用Levenberg—Marquardt算法对网络进行训练。在Matlab工作平台上进行了大量的仿真,对该模型进行验证,仿真结果证明了该方法的有效性。     

基于RBF网络的模拟移动床PH传感器故障诊断

为了提高模拟移动床控制系统PH传感器的可靠性,提出了一种基于两级RBF神经网络的故障诊断方法。该方法首先利用径向基(RBF)神经网络对传感器的输出序列建立预测模型,通过计算预测输出和实际输出的残差来检测故障的发生,然后对包含故障的残差信号利用小波变换进行特征提取,最后利用RBF诊断网络实现故障诊断。通过把这种方法应用到实际诊断测试中,可达到较准确的诊断结果。     

热电偶式风速传感器的非线性动态调校

介绍了以热电偶为检测器件的风速传感器的测量原理,在分析其输出特性的基础上,阐述了一种人工神经网络模型———Adaline模型的网络学习,逼近非线性函数的方法,利用神经网络对风速传感器的非线性进行校正,大大提高了风速的检测精度。     

飞控系统传感器故障诊断研究

研究故障检测和诊断技术对提高系统可靠性具有重要意义,针对飞控系统中常见的传感器故障,提出了基于神经网络预测器的故障诊断方法。利用传感器输出时间序列构造神经网络预测器模型,网络结构使用多层感知器结构,根据网络输出和实际输出之差与某·阈值的大小比较关系判断故障。最后针对某型飞机建立仿真模型,并对单一及多个传感器故障诊断进行研究,给出了仿真实现结果,并加以分析。仿真结果表明,所提出的基于神经网络预测器的故障诊断方法是行之有效的,能够及时准确地确定故障的发生。     

基于改进KH-ANFIS 的海洋溶菌酶发酵过程软测量

针对海洋溶菌酶（Marine Lysozyme,ML）发酵过程菌体浓度在线检测难以实现,离线测量不能反映发酵过程当前变化等问题,提出了一种基于改进磷虾群—自适应模糊神经网络软测量（HLKH-ANFIS）建模方法。首先利用自适应莱维飞行策略对传统KH进行改进,从而提升算法的全局搜索能力;同时利用跳变技术（HOT）对KH算法位置更新公式进行改进,提高算法的局部寻优能力,然后利用改进的KH算法对自适应模糊神经网络反馈进行优化,改善其过度修正和计算量大的问题;最后建立基于HLKH-ANFIS的海洋溶菌酶发酵过程菌体浓度软测量预测模型,仿真分析表明：相较于KH-ANFIS预测模型,HLKH-ANFIS模型的误差较小,具有更好的预测能力,能够满足ML发酵关键参量的在线预测需要。     

基于改进RBF的变压器油色谱在线监测装置配置策略研究

变压器油色谱在线监测是变压器故障诊断的重要举措,也是电网变电检修的重要手段。考虑到110千伏(66千伏)电压等级油浸式变压器在线监测装置的选配对其诊断效果具有较大影响,并且其影响因素较多且复杂,提出一种基于K-means聚类和遗传算法相结合的RBF神经网络在线监测装置配置策略。从变压器内部本体特征和外部所处环境两个方面对装置选配影响因子进行筛选和分析得到最终的影响因子;对RBF模型的适用性进行分析和阐述;建立以影响因子为输入向量,以监测装置配置评分作为输出向量的基于改进RBF在线监测装置配置模型。实验结果表明,该模型能够对在线检测装置进行准确评分,提高了选配准确度,证明了该模型的有效性。与神经网络(BP)模型相比,该模型加快了网络收敛速度,能够更加有效地解决在线监测装置配置问题,为电网提供切实可行的方案。     

基于改进模糊神经网络的软测量建模方法

提出了一种改进的模糊神经网络软测量建模方法，采用规则化的平均输出隶属度函数作为模糊基函数进行反模糊化运算；在训练网络时,部分参数采用Levenberg-Marquardt算法来训练，另一部分采用一阶梯度下降法．最后用该建模方法建立了聚合反应中熔融指数的软测量模型，并与一般的模糊神经网络软测量模型进行比较．结果表明改进的模糊神经网络对初始值的选择不敏感,具有很好的收敛性，同时还能达到指定的预测精度，很适合工程应用．