异丁烯齐聚固定床反应器的模拟

利用高压微反实验装置，在排除了外扩散影响的基础上，利用集总的方法建立了异丁烯齐取反应集总动力学模型，并对该模型进行了求解，获得了该反应集总宏观动力学方程；对φ30mm的固定床反应器建立了一维拟均相模型，结合集总动力学方程对该反应器进行了模拟，实验结果与模拟结果吻合，证明动力学模型与反应器模型是可行的。     

运用人工神经元网络建立氨溶解度计算模型

本文运用RBF－PCR方法建立氨溶液度计算模型，试验结果表明，该模型用于氨溶解度的计算，效果良好。     

改进的多元精馏塔动态分块模型 Ⅰ．模型描述与求解

采用改进的分块方法建立了多元精馏塔简化动态模型，提出了借助于稳态特性进行分块的原则，讨论了旨在提高简化模型精度的一些策略。该模型可用于在线优化与控制的研究。     

露天矿采剥系统的最优评价和预测控制

应用数据包络分析方法，建立了露天矿采剥系统最优评价模型；应用最优滤波理论，建立了采剥系统最优预测控制模型。并用多元统计分析的主成分分析法，提取采剥系统的主要影响因素；应用递推最小二乘法进行模型的参数辨识。具体应用表明，该方法有效，并可推广到其他采矿系统。     

改进的多元精馏塔动态分块模型：I.模型描述与求解

采用改进的分方法建立了多元精馏简化动态模型，提出了借助稳态特进行分块原则，讨论了旨在提高简化模型精度的一些策略。该模型可用于在线优化与控制的研究。     

乙醇汽油辛烷值的快速测定

车用乙醇汽油是由燃料乙醇与基础汽油以一定比例调合而成，调配时测定其辛烷值的频次较高。根据标准方法测定的辛烷值数据建立了乙醇汽油辛烷值预测模型，并对该模型进行了准确性和重现性验证。结果表明，该模型不仅可以代替标准方法，而且能显著节省分析时间和费用。     

矿井通风系统评价的人工神经网络模型

建立了矿井通风系统评价的人工神经网络模型。在１３个金属矿山的实际应用表明，该评价方法简单、实用。     

基于贝叶斯方法的4-CBA含量的软测量研究

利用贝叶斯方法和多项式基函数进行辅助变量及模型结构的选择问题，结合最小二乘法建立精对苯二甲酸(PTA)氧化过程的软测量模型，针对实际对象进行仿真研究，结果表明该模型简单、实用、可操作性强。     

氨合成催化剂内表面利用率一种新的计算模型

运用径向基函数网络结合偏最小二乘回归（RBF－PLSR）的方法建立了氨合成催化剂内表面利用率计算模型，并对模型进行了验证，结果表明，该模型计算精度高，具有一定的实用价值。     

基于BP网络的大型氨厂转化系统操作模拟

针对转化系统的复杂反应机理，利用神经网络技术建立了操作优化模型。该模型是以ＢＰ网络为基础的多层网络，用实际操作数据对该模型进行了训练，获得了较好的过程模拟效果，该模型可用于大型氨厂转化系统操作分析。     

嵌入岭回归的BP算法及其在软测量中的应用

针对三层神经网络(ANN)最佳隐节点个数难以确定和随着隐节点个数增加ANN模型易出现过拟合等缺点,提出了嵌入岭回归(RR)的误差反传算法(BP).BP-RR根据样本规模自适应确定隐节点个数,并通过BP算法充分提取样本数据信息.然后,针对隐含层输出可能存在的复共线性,采用RR以预测性能为指标,通过进化算法确定最佳岭参数,进而重新确定隐含层与输出层之间最佳的权值和阈值,克服ANN过拟合,建立具有良好预测性能的模型.将BP-RR应用于建立石脑油干点软测量,结果显示,BP-RR模型具有良好的预测性能.与ANN相比,BP-RR模型鲁棒性强,预测精度高.     

基于自动谱聚类与多极端学习机模型的油井油液含水率软测量

油井油液的含水率是石油生产中的一个重要参数,及时、准确的测量对提高采油生产效率具有重要的意义。针对传统人工测量所存在的不足,引入软测量技术,建立基于自动谱聚类与多极端学习机（automatic spectral clustering-multiple extreme learning machines, ASC-MELM）的软测量模型。提出一种自动谱聚类（spectral clustering, SC）算法,由改进的萤火虫算法（firefly algorithm, FA）对聚类数目和尺度参数进行优化选取,所提出的改进萤火虫算法（improved firefly algorithm, IFA）采用以一定概率跳出当前解的机制,避免传统FA过早陷入局部最优解的不足;对聚类后的不同训练子集,分别由极端学习机（extreme learning machine, ELM）建立子模型,由IFA对其中的隐含层输入权值、隐含层神经元的偏置和隐含层节点个数进行优化选取;最后,将多个子模型的结果取加权平均值输出。由国内某油田作业区一口生产井进行实例验证,结果表明所提出方法具有较高的预测精度,对于实现油井油液含水率的软测量是合理有效的。     

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。     

Modeling and identification for soft sensor systems based on the separation of multi-dynamic and static characteristics

Data-driven soft sensor is an effective solution to provide rapid and reliable estimations for key quality variables online.The secondary variables affect the primary variable in considerably different speed,and soft sensor systems exhibit multi-dynamic characteristics.Thus,the first contribution is improving the model in the previous study with multi-time-constant.The characteristics-separation-based model will be identified in substep way,and the stochastic Newton recursive (SNR) algorithm is adopted.Considering the dual-rate characteristics of soft sensor systems,the proposed model cannot be identified directly.Thus,two auxiliary models are first proposed to offer the intersample estimations at each update period,based on which the improved algorithm (DAM-SNR) is derived.These two auxiliary models function in switching mechanism which has been illustrated in detail.This algorithm serves for the identification of the proposed model together with the SNR algorithm,and the identification procedure is then presented.Finally,the laboratorial case confirms the effectiveness of the proposed soft sensor model and the algorithms.     

Soft sensor model derived from Wiener model structure: modeling and identification

The processes of building dynamic and static relationships between secondary and primary variables are usually integrated in most of nonlinear dynamic soft sensor models. However, such integration limits the estimation accuracy of soft sensor models. Wiener model effectively describes dynamic and static characteristics of a system with the structure of dynamic and static submodels in cascade. We propose a soft sensor model derived from Wiener model structure, which is an extension of Wiener model. Dynamic and static relationships between secondary and primary variables are built respectively to describe the dynamic and static characteristics of system. The feasibility of this model is verified. Then the expression of discrete model is derived for soft sensor system. Conjugate gradi-ent algorithm is applied to identify the dynamic and static model parameters alternately. Corresponding update method for soft sensor system is also given. Case studies confirm the effectiveness of the proposed model, alternate identification algorithm, and update method.     

基于自适应EKF算法的输出融合软仪表设计

在化工过程中,作为观测关键质量参数的重要手段,软仪表技术受到了广泛的关注。目前,关于软仪表的研究主要集中在建模技术上。然而,化工过程复杂多样,仅使用软测量模型进行质量变量的估计易出现预估效果不稳定、随机偏差大等现象。为此,文献提出了一系列的改进算法,但仍存在计算复杂、算法抗干扰能力差等问题。本文提出一种基于自适应扩展Kalman滤波(EKF)的输出融合软仪表设计方法,利用Kalman滤波算法对软测量模型预估数据和现场观测进行数据融合,校正软测量模型预估偏差;并在输出融合软仪表背景下,设计了一种含衰减因子的观测噪声统计估计器,将其与滤波算法相结合,构成自适应EKF算法,以提高融合软仪表的输出精度及抗干扰性能。通过仿真实验对所提出的算法进行了全面分析,并将该算法应用于小型实验装置,验证了算法的实用性及有效性。     

基于SOM-RBF神经网络的COD软测量方法

污水处理是一个复杂的非线性过程,化学需氧量（chemical oxygen demand,COD）是评价污水处理效果的关键指标之一。COD的传统测量方法耗时长、成本高,基于传统神经网络的软测量方法提高了COD参数的测量速度但精度较差。针对这些问题,设计一种结合自组织特征映射 (self-organizing map, SOM)和径向基函数(radial basis function, RBF)神经网络的COD参数软测量方法。该方法利用SOM网络聚类数据样本,根据所得聚类结果确定RBF网络的隐层节点数及节点的数据中心,综合提高RBF网络的收敛速度和拟合精度。利用污水处理厂部分水样数据建立COD软测量模型,模型仿真和硬件在线测试结果表明,相对于传统的BP、RBF等网络,基于SOM-RBF神经网络的COD软测量方法测量时间短、预测精度较高,具有较为广阔的应用前景。     

基于局部重构融合流形聚类的多模型软测量建模

针对单模型描述复杂非线性对象时估计精度低、泛化能力差的问题,提出了一种基于局部重构融合流形聚类的多模型软测量建模方法。该方法将样本集拆分为多个互不相交的样本子簇,克服异常样本点对聚类结果的影响;以各样本子簇重构线性流形面,将属于同一流形面且相距较近的样本子簇进行融合;采用支持向量机为各个子类建立回归子模型,得到一个基于多个子模型的软测量组合模型。在双酚A生产过程质量指标的软测量建模仿真中验证了该方法的有效性。     

基于改进的快速搜索聚类算法和高斯过程回归的催化重整脱氯前氢气纯度多模型建模方法

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。     

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。