生物发酵过程中SSVIP-NNI软测量方法

生物发酵过程中关键生化变量难以直接检测,提出了一种利用基于敏感性与特异性的变量投影重要性(SSVIP)方法优化神经网络逆系统(NNI)的软测量方法。根据逆系统理论建立软测量模型,采用VIP变量优选方法,对软测量模型中的辅助变量进行优化。为了进一步提高VIP方法优选变量的性能,利用模型敏感性与特异性的概念,重新定义了VIP筛选阈值,确定最优的发酵过程软测量模型的变量。构造神经网络近似最优逆系统软测量模型,实现对发酵过程中关键过程变量的估计。通过Pensim仿真平台进行实验研究,结果表明经过辅助变量优选的神经网络逆系统软测量模型具有更高的估计精度和泛化能力。     

基于互信息的软测量变量选择

针对软测量建模中的变量选择问题,提出了一种结合信息论中最大熵和互信息的方法。该方法采用最大熵原理,对软测量中各辅助变量和主导变量的概率分布进行估计,得到主导变量和各辅助变量间的互信息,这些互信息间接地反映了主导变量和各辅助变量间的相关性,包括线性相关和非线性相关。然后产生随机样本并计算和主导变量间的互信息,重复多次该过程就可以得到一个无关变量和主导变量间的互信息样本。用T检验寻找一个阈值作为判断相关性的标准。对于互信息小于阈值的变量作不相关变量处理,并结合测试效果筛选出最佳的软测量辅助变量。仿真结果证明,基于互信息的软测量变量选择方法具有直观、简单实用和可靠性高的优点,并且有效地改善了模型的估计精度。     

生物发酵过程变量的NN-MIV软测量模型

针对生物发酵过程中关键生化参量的在线检测问题,提出一种基于平均影响值的神经网络(NN-MIV)变量选择方法。发酵过程初始软测量模型含有多个辅助变量,MIV方法计算辅助变量对主变量的外部贡献率,NN方法计算辅助变量对主变量的内部贡献率,文中将两种方法综合提出了NN-MIV方法,其计算出的辅助变量对主变量的贡献率稳定性好。利用筛选出最优辅助变量建立软测量模型,对青霉素发酵过程做了数值仿真实验,与传统的变量筛选方法相比,该方法筛选出的辅助变量少,建立的软测量模型估计精度高。     

带自相关约束的NARX动态软测量模型

非线性带外输入自回归模型(NARX)在进行预测估计时依赖于主导变量的实时测量,因此在实际工业过程中存在一定的实施难度.针对该问题,利用神经网络构造一种新型NARX动态软测量模型,当工业过程无法及时提供上时刻主导变量测量值时,能通过多步预测方法来确保主导变量的实时预测,通过设计模型结构来降低预测序列的自相关性,从而抑制由多步估计造成的累积误差,以适当降低单步预测精度为代价,使模型在主导变量检测时间长、采样周期长、测量存在噪声的工业场合下得到更好的预测效果.通过数学分析和脱丁烷塔数据仿真实验验证了所构建模型的有效性.     

基于样条变换偏最小二乘回归应用航油干点的软测量

在偏最小二乘回归和样条变换理论研究的基础上,提出炼油装置常压塔航油干点的软测量.采用偏最小二乘同归方法筛选一种辅助变昔和建立航油干点的软测最模型.仿真结果表明,本方法选择的辅助变量携带信息量大,对主导变量解释能力强.如样本集相同.比RBF网络和支持向量机软测量模型预测精度高,泛化能力强.     

基于注意力机制的Multi-head CNN-LSTM软测量建模

软测量建模通过选取辅助变量,建立辅助变量与关键质量变量关系,能够高效地实现对关键质量变量的预测。然而当辅助变量维数较高,且对关键质量变量的影响程度不一时,网络预测误差将较大。针对这一问题,提出一种基于注意力机制的Multi-head CNNLSTM模型,首先根据辅助变量自身属性和特点将其切分成多组子变量后,使用多组独立并行工作的CNN-LSTM群对其子变量进行单独处理;再提取各组子变量上的特征向量,融合注意力机制,实现子变量特征向量的权重分配。所提算法不需提前根据工艺知识选择辅助变量,而是通过深度学习机制自动选择特征;最后,在乙烯精馏塔塔顶乙烷浓度软测量建模中进行应用,所提模型的预测精度优于LSTM以及CNN-LSTM软测量模型。     

一种新的灰关联分析算法在软测量中的应用

软测量是一种有效的在线测量技术，它在工业生产中受到越来越广泛的重视。作为实施软测量的前提，辅助变量的选择至关重要，它将直接影响软测量的效率. 灰关联分析是一种研究变量间相关性的新方法，它适于求解不确定性系统中小样本数据之间的关联程度. 深入研究了软测量辅助变量选择过程中存在的问题，基于灰关联分析，提出了一致关联度算法，对辅助变量进行选择。并给出了一种实用的冗余变量剔除方法. 同时，结合仿真实例对其有效性进行验证.仿真结果表明该方法是有效可行的，有助于提高软测量的精度.     

基于神经网络的软测量技术及应用

软测量是一门新兴的工业技术，它借助现代估计理论构造模型推断出工程上难以检测的变量。本文提出了基于径向基函数神经网络（RBFNN）的软测量技术，并且结合工艺机理分析和过程数据关联，对其在轻柴油凝固点软测量的应用进行了研究。结果表明，RBFNN的良好的非线性动态建模能力使其在软测量中具有很大的应用潜力。     

支持向量机在中药浓缩浓度软测量中的应用

针对中药浓缩过程中浓缩液浓度估计问题,提出了支持向量机的软测量建模方法。分析了中药浓缩过程及工艺,选择6个过程变量作为辅助变量,用支持向量回归的方法建立软测量模型,并利用过程数据进行参数寻优和校验。利用优化后的模型对中药浓缩过程浓度进行了预测,通过数据验证了模型的学习性能和泛化性能。结果表明建立的软测量模型实现了对中药浓度较为精确的预测,使用支持向量机方法建模用于小样本学习,计算速度快,具有较强的泛化性。     

软测量的工程化应用

软测量在工业生产中的应用必须解决好工程化设计问题。软测量的工程化设计包括机理分析、辅助变量选择、建立软测量模型、数据采集和预处理、对软测量模型校正等步骤。其关键技术在于软测量过程的数据处理、模型的建立和校正。以杭州龙山化工厂碳酸化塔CO2浓度软测量的工程化应用为例，对一些关键环节的处理进行了介绍。     

A decoupled multiple model approach for soft sensors design

This paper presents the application of a multiple model approach for the design of a soft sensor aiming at predicting the quality of the product of a separation unit in oil sands processing. The variable of interest here for the product quality is the percentage of water present in the product stream and the goal of the soft sensor is to provide an alternative mean for obtaining on-line measurements of the water-content value. The most reliable measurement of the water-content is obtained through laboratory analysis that introduces delays and long sampling time in the availability of the water-content data. These constraints generate a multi-rate sampling problem for the soft sensor design. The usage of a decoupled multiple model structure allows handling the multi-rate problem and designing a dynamical prediction model for the water-content. The effectiveness of the designed soft sensor in predicting the quality of the product stream is illustrated by on-line implementation results.     

分布式RBF神经网络及其在软测量方面的应用*

本文首先改进了竞争学习算法，并且在此基础上提出了递阶聚类的思想，然后利用这种思想得到了一种分布式ＲＢＦ（Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）神经网络。文章最后将这种网络应用于建立精馏塔成分估计的软测量模型。利用精馏塔的现场操作数据进行仿真，效果很好。     

A novel calibration approach of soft sensor based on multirate data fusion technology

In multirate chemical processes, soft sensor is commonly used for fast-rate quality estimations. As the kernel of soft sensor, modeling technique has drawn much attention from researchers. But most of the modeling methods have disadvantages of uncertain estimation errors and limited modeling capability. To these issues, soft sensor calibration is considered as an efficient alternative, which however is often ignored by researchers and the current application level is relatively low. A novel soft sensor calibration method is proposed in this paper. Under multirate sampling conditions, data fusion technology based on Kalman filter is introduced into soft sensor maintenance to integrate the soft sensor model estimations with process measurements. The performance of the algorithm is evaluated through simulations and a laboratory scale experiment. The factors that may influence the performance are also discussed in detail. The results demonstrate that the multirate Kalman filter approach is able to improve the accuracy and reliability of soft estimations, when the essential dynamics is included in the Kalman filtering model and the filter parameters are properly tuned.     

Uncertainty-aware soft sensor using Bayesian recurrent neural networks

Data-driven soft sensors have been widely used to measure key variables for industrial processes. Soft sensors using deep learning models have attracted considerable attention and shown superior predictive performance. However, if a soft sensor encounters an unexpected situation in inferring data or if noisy input data is used, the estimated value derived by a standard soft sensor using deep learning may at best be untrustworthy. This problem can be mitigated by expressing a degree of uncertainty about the trustworthiness of the estimated value produced by the soft sensor. To address this issue of uncertainty, we propose using an uncertainty-aware soft sensor that uses Bayesian recurrent neural networks (RNNs). The proposed soft sensor uses a RNN model as a backbone and is then trained using Bayesian techniques. The experimental results demonstrated that such an uncertainty-aware soft sensor increases the reliability of predictive uncertainty. In comparisons with a standard soft sensor, it shows a capability to use uncertainties for interval prediction without compromising predictive performance.     

基于BP网络的火电厂煤仓煤位高度的软测量

针对某火电厂的煤仓煤位高度的检测问题，提出了一种基于BP神经网络的软测量方法，并且进行了建模仿真验证，现场实测数据的仿真验证结果表明软测量方法的有效性。     

丙烯腈反应器控制技术研究

本文根据丙烯腈反应器的工艺特点,提出了反应器在DCS系统基础之上的专家控制、GPC控制技术,以及相应的控制策略;论述了装置主要质量参数反应气中的尾氧、丙烯醛含量软测量预测技术;阐述了专家控制、GPC控制、软测量原理。专家控制、GPC、软测量技术在丙烯腈反应器结合应用,取得良好效果,解决了丙烯腈装置生产瓶颈,提高了装置运行平稳率,降低了操作人员的劳动强度,提高了丙烯腈产品收率,收到了良好的经济效益和社会效益。     

一种用于软测量建模的增量学习集成算法

针对软测量模型在实际应用中遇到的问题, 结合AdaBoost 集成学习思想, 提出适用于软测量回归的集成学习算法, 以提高传统软测量模型的精度. 为了克服模型更新技术对软测量实际应用的制约, 将增量学习机制加入软测量集成建模中, 使软测量模型具有在线实时更新的增量学习能力. 对浆纱过程使用新方法建立上浆率软测量模型, 并使用实际生产数据对模型进行检验, 检验结果表明, 该模型具有很好的预测精度, 并能够较好地实现在线更新.

     

新型霍尔式智能阀门定位器原理与设计

目前,智能阀门定位器的位置反馈机构,多采用机械结构,存在磨损大、精度低、寿命短等缺点。基于霍尔传感器技术和新型压电阀控制技术,研制了一款国产新型霍尔式智能阀门定位器,实现了无接触精确测量。同时,该产品具有无机械磨损、滞后小、结构简单可靠、运行寿命长、精度高等诸多优点。设计中,研制了线性位移霍尔传感器,硬件电路中应用了超低功耗技术,控制算法中应用了模糊控制等智能控制技术。产品定位精度等性能得到了显著提升,其中,线性霍尔传感器设计及其低功耗应用技术,属于国内首创,产品整体水平具有行业领先优势。     

基于统计回归的质量推断方法

统计回归是软测量建模的一个重要手段.本文在回顾了典型统计回归方法的基础上,采用部分最小二乘(PLS)建立高定量造纸过程的水分软测量模型.鉴于软测量模型的扰动拟合本质,提出了基于扰动估计的软测量建模策略.水分软测量模型的建立,验证了该建模策略的有效性.     

基于神经网络的火电厂烟气含氧量软测量

介绍了测量仪表及过程控制中的软测量技术. 讨论了软测量技术的有关问题和开发策略.提出了基于一种复合型神经网络的火电厂烟气含 氧量软测量模型,并且用它对火电厂烟气含氧量的软测量进行了建模仿真验证,现场不同负荷 下的实测数据仿真验证结果表明了软测量方法的有效性.最后给出了应用前景展望.