基于非线性鲁棒连续回归的汽油干点软测量

针对RCR算法难以建立高精度的非线性软测量模型的问题,提出了一种径向基函数(radial basis function,RBF)与鲁棒连续回归(robust continuum regression,RCR)相结合的非线性RCR(nonlinear RCR,NLRCR)建模方法。该方法首先应用RBF将非线性样本数据映射到高维特征空间中,然后在高维特征空间中建立RCR线性回归模型。本文通过仿真实验,验证了方法的有效性。并将其应用于延迟焦化汽油干点的软测量建模中,获得了比RCR和RBF-PLS算法更高的预测精度。     

一种新的多种群竞争粒子群优化算法及高密度聚乙烯装置操作优化

利用模糊C均值聚类对种群自适应划分,提出一种基于模糊C均值聚类的多群竞争粒子群优化算法。根据种群规模选择不同的寻优策略,规模大者采用标准粒子群算法寻优,规模小者在最优解邻域随机搜索,增大跳出局部最优概率。在每个聚类内部,个体相互通信,通过竞争学习分别找到各聚类种群的适应值,按照不同聚类的适应值排序,再把适应值小者向其邻近的适应值大者融合,通过种群间的竞争保证种群向最优解搜索。该算法避免陷入局部最优,提高了算法的全局搜索能力,通过标准函数验证了算法的有效性。最后,把提出的优化算法应用到高密度聚乙烯装置（HDPE）乙烯单体总消耗的优化操作,实际应用效果良好。     

不确定条件下石化企业供应链计划优化

针对石化企业供应链计划层的不确定性,提出了一种多周期、多产品的计划优化模型。基于离散时间建模方法,利用模糊可能性方法将不确定性问题转化为确定性问题,建立了混合整数线性规划模型。同时采用模型预测控制思想,利用模型的动态属性为决策者提供了不同满意度下的决策序列。以某炼油企业供应链为实例,证明了本方法的有效性。     

基于全局正交配置的非线性预测控制算法

针对非线性预测控制(NMPC)在线优化计算量大这一关键问题,提出一种基于全局正交配置的非线性预测控制算法。该算法以高阶插值正交多项式为基函数同时配置优化时域内的状态变量和控制变量,将连续动态优化问题转化为非线性规划问题(NLP)求解。全局正交配置可以使用较少的配置点而获得较高的逼近精度,这样即使NMPC使用很长的优化时域,离散化后得到的NLP问题的规模也比较小,能够有效地降低在线优化计算量。最后,以连续聚合反应过程为例验证了算法的有效性。     

侧反应与精馏集成过程的故障动态特性模拟研究

针对甲苯氯化侧反应与精馏集成生产过程,在对实际生产过程合理简化与假设基础上,研制了该生产过程含控制策略的动态模拟系统。在动态模拟系统中合理设置引起反应能力与分离能力不匹配故障因素,如反应器进料配比失调、回流量过低和塔釜加热量不足等过程扰动,进行故障动态仿真研究。分析在故障扰动下整个系统的故障动态特性,获得有效的故障数据,解决了在实际生产装置上无法进行故障实验研究获取系统故障信息的难题。     

热定型过程能耗建模及PSO参数优化

热定型过程是印染工业中的主要耗能单元之一。首先,基于定型机的物理结构及工艺原理,依据换热平衡和牛顿热交换公式,推导出能耗与定型过程关键因素间的相互关联模型,即能耗模型。其次,在Matlab/Simulink软件中,对上述模型进行构建。最后,将能耗模型转化为能耗最小的优化问题,运用粒子群优化算法对其进行求解。现场工业数据的仿真研究表明：能耗模型符合现场工艺,粒子群优化结果已得到现场工程师的初步认可。     

基于拉曼技术的汽油辛烷值测定系统设计

汽油辛烷值的实时检测对生产高品质的汽油及控制调和装置具有重要意义。针对传统辛烷值检测方法的不足,设计了基于拉曼分析技术的汽油调和过程中辛烷值的测定系统。系统由拉曼光谱检测、汽油拉曼光谱数据的预处理、汽油辛烷值预测模型组成。实践证明,该辛烷值测定系统能够准确检测调和过程中汽油辛烷值,并实时显示调和过程中汽油拉曼谱图。     

二次求解具有控制切换结构的动态优化问题

基于多级表述策略,提出了二次求解具有控制切换结构动态优化问题的数值方法。基于常用的优化方法获得初始控制结构。动态优化问题根据控制结构进行分级,每一级对应一个特定的控制弧段,进而将原问题表述为一个多级动态优化问题。基于控制向量参数化(CVP),多级动态优化问题转化为一个非线性规划(NLP)问题进行求解。控制参数和级长作为优化变量。基于Pontryagin极大值原理,构造多级伴随系统,进而获得NLP求解器所需的梯度信息。仿真实例验证了方法的有效性。     

基于代价敏感主动学习的氧化铝蒸发过程故障检测

针对氧化铝蒸发过程故障检测中标注者不切实际的假设和控制参数难以确定问题,提出改进的代价敏感主动学习方法。给出了代价敏感主动学习形式化描述和放松了标注者不切实际的假设。为了提高分类精度和减少标注代价,该方法结合粒子群优化和代价敏感主动学习。利用连续的粒子群优化代价敏感主动学习的控制参数,该参数用于最大化未标注样本的信息度和最小化标注代价。将所提出的方法应用于氧化铝蒸发过程故障检测,实验结果表明,该方法能正确地选择控制参数,有效地减少了误分类代价和标注代价,提高了故障检测率。     

基于粒子群优化Hopfield网络匹配的稀相颗粒速度测量

提出了一种基于粒子群算法(PSO)和Hopfield神经网络相结合的粒子跟踪测速算法。该方法采用高速摄影系统拍摄气固两相流的稀相颗粒运动图像,经图像处理后,提取形心参数。将粒子匹配问题转化为优化问题,采用粒子群优化算法与Hopfield神经网络相结合的方法进行优化,求出最优解来实现颗粒的正确匹配,然后计算出颗粒的速度矢量,并与互相关法求出的速度进行对比,实验结果表明,该方法能准确地跟踪稀相颗粒,是一种有效的稀相流场速度测量方法。     

基于AP聚类算法的跳汰机床层松散度软测量建模

松散度是跳汰分选过程的重要影响因素,针对其难以用仪器在线检测的问题,提出采用最小二乘支持向量机(LS-SVM)的软测量建模方法。在充分考虑分选过程高度非线性及强耦合性的基础上,为避免单模型建模回归精度差和泛化能力弱的问题,提出采用基于仿射传播(AP)聚类的LS-SVM多模型建模算法进行床层松散度软测量建模。首先采用AP算法对样本数据进行聚类划分,再用LS-SVM的方法对子类样本分别建立子模型,最后通过子模型切换策略得到系统输出。仿真实验表明,基于AP聚类算法的LS-SVM软测量建模算法能够更好地预测跳汰机床层松散度。     

基于类别特征提取的组合支持向量机模型

在建立复杂生产过程软测量模型时,使用单一的支持向量机模型或基于传统聚类方法的组合支持向量机模型有时难以很好地跟踪突变信号或取得满意的泛化效果.为解决这个问题提出了一种改进的线性判别分析算法.该算法结合类边界分析得到类别的特征向量,利用该特征向量将数据变换后分别建立支持向量机子模型,并用各组特征向量中有效特征值之和构建各...     

基于FCMISVM的自适应软测量建模算法及其在PX吸附分离过程中的应用

To overcome the problem that soft sensor models cannot be updated with the process changes, a soft sensor modeling algorithm based on hybrid fuzzy c-means (FCM) algorithm and incremental support vector machines (ISVM) is proposed. This hybrid algorithm FCMISVM includes three parts: samples clustering based on FCM algorithm, learning algorithm based on ISVM, and heuristic sample displacement method. In the training process, the training samples are first clustered by the FCM algorithm, and then by training each clustering with the SVM algorithm, a sub-model is built to each clustering. In the predicting process, when an incremental sample that represents new operation information is introduced in the model, the fuzzy membership function of the sample to each clustering is first computed by the FCM algorithm. Then, a corresponding SVM sub-model of the clustering with the largest fuzzy membership function is used to predict and perform incremental learning so the model can be updated on-line. An old sample chosen by heuristic sample displacement method is then discarded from the sub-model to control the size of the working set. The proposed method is applied to predict the p-xylene (PX) purity in the adsorption separation process. Simulation results indicate that the proposed method actually increases the model’s adaptive abilities to various operation conditions and improves its generalization capability.     

基于负荷划分数据和支持向量机的火电厂燃烧过程建模

为建立燃烧过程稳态模型,首先利用稳态检测算法提取稳态样本;针对稳态数据中的不均衡性,提出了一种基于负荷划分数据的方法,即根据负荷工况将样本划分成训练子集与测试子集,以提高模型的泛化性能。利用单因素图形分析方法确定3个模型参数的搜索范围,将网格搜索与交叉验证相结合选择最优的模型参数,在此基础上建立了一个300 MW燃煤火电厂机组锅炉燃烧过程的支持向量机模型,包括锅炉效率、NO_x排放量、排烟温度和飞灰含碳量4个过程输出。结果表明,经过参数优化的4个输出模型均具有很好的泛化性能。     

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。     

基于改进扩张搜索聚类算法的多流形软测量建模

针对化工生产过程工况复杂多变，单一的软测量模型难以满足系统对估计精度的要求，提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离，自适应地确定邻域半径，并引入局部密度用于确定聚类中心，对聚类后得到的各个子流形分别采用流形学习中的核等距映射法进行特征提取，建立基于高斯过程回归的子模型。将该方法应用于某双酚A生产装置的软测量建模，仿真结果验证了该方法的有效性。     

与机理杂交的支持向量机为发酵过程建模

针对生物发酵过程机理复杂、高度非线性的特点,采用基于结构风险最小的支持向量机为发酵过程建模,其算法规范,建模复杂度低于神经网络方法,所建模型的预测效果更好.还将生化过程的动力学机理与支持向量机相结合,采用串联和串并联结构,提出与机理杂交的支持向量机建模方法,并为间歇式酒精发酵过程中酵母菌体浓度变化建立了预测模型.原理分析与试验结果表明与机理杂交的支持向量机建模方法,相比于单一近似的动力学模型、单一的支持向量机模型,以及机理杂交的神经网络模型,它的预测精度高,泛化能力强,性能更为优越.     

芳烃异构化过程的多模型建模

针对芳烃异构化过程的非线性、复杂性,提出利用仿射传播聚类和最小二乘支持向量机对芳烃异构化过程进行多模型建模,以此来弥补单一模型建模的不足。首先仿射传播聚类对异构化数据聚类,利用最小二乘支持向量机对聚类之后的各个类分别建立子模型,通过计算欧氏距离来判断测试样本的所属类,将测试样本送入所属类的模型进行预测,以此来实现异构化过程的多模型预测。实验证明,与单模型以及基于k均值聚类的神经网络模型相比,本文提出的基于仿射传播聚类的最小二乘支持向量机模型更能准确地预测输出。     

基于变异CPSO算法的LSSVM蒸发过程软测量

在分析混沌粒子群优化算法(CPSO)和最小二乘支持向量机(SVM)理论基础上,以某氧化铝厂蒸发过程为对象,采用带有末位淘汰机制的混沌粒子群优化算法优化支持向量机的参数,建立了基于变异CPSO算法的LS-SVM的氧化铝蒸发过程软测量模型,并与PSO-LSSVM、LSSVM模型比较,研究表明,ICPSO-LSSVM模型预测准确,泛化性能好,且该模型预测结果中相对误差小于5%的样本达到92.5%,最大相对误差仅为8.1%,均方差MSE为0.05153,模型具有较高的精度,其现场实施结果表明基本可以实现出口浓度的实时在线预估。