融合过程先验知识的递归神经网络模型及其应用

大部分化工过程具有非线性特性,一般的线性建模方法难以有效应用。针对非线性化工过程动态建模,提出了一种基于过程先验知识的递归神经网络模型,充分发掘化工过程隐含的先验知识,并将这些先验知识以非线性约束的形式嵌入NARMAX结构的前馈神经网络中,同时基于增广拉格朗日乘子法约束处理机制,用PSO-IPOPT混合优化算法对过程先验知识递归神经网络权值进行优化。该过程先验知识递归神经网络模型对非线性化工过程动态建模,不仅有良好的建模精度和预测外推能力,而且能避免零增益的出现和增益反转,确保网络模型在实际应用中的安全性。文中以环管式丙烯聚合反应过程实际工业数据验证了所提网络模型的有效性。     

基于数据特征提取的AANN-ELM研究及化工应用

针对极限学习机不能有效解决化工过程中高维数据建模的问题,本文将其与自联想神经网络结合,通过自联想神经网络过滤输入数据中存在的冗余信息、提取特征分量,并对所提取的特征分量采用极限学习机进行训练,由此形成了一种基于数据特征提取的AANN-ELM(auto-associative neural network-extreme learning machine)神经网络。同时,以UCI标准数据集进行测试,以精对苯二甲酸(PTA)溶剂系统进行验证,结果表明,AANN-ELM在处理高维数据时具有学习速度快、网络稳定性强、建模精度高的特点,为神经网络在复杂化工生产中的应用提供了新思路。     

化工过程建模中的数据挖掘技术

对数据挖掘技术在化工过程建模中的应用现状进行了综述，介绍了一些主要的数据挖掘技术，其中包括神经网络、遗传算法、主元分析和偏最小二乘法等；展望了数据挖掘技术在化工过程建模中的应用前景。     

多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘（recursive orthogonal least squares,ROLS）算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解（singular value decomposition,SVD）决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于ROLS算法的递归RBF神经网络结构设计

针对递归RBF神经网络结构难以自适应问题,提出一种基于递归正交最小二乘(recursive orthogonal least squares,ROLS)算法的结构设计方法。首先,利用ROLS算法来计算隐含层神经元的独立贡献度和损失函数,以此判断增加或归为不活跃组的神经元,同时调整神经网络的拓扑结构,并且利用奇异值分解(singular value decomposition,SVD)决定最佳的隐含层神经元个数,以此来删除不活跃组中相对不活跃的神经元,有效地解决了递归RBF神经网络结构冗余和难以自适应问题。其次,利用梯度下降算法更新递归RBF神经网络的参数来保证神经网络的精度。最后,通过对Mackey-Glass时间序列预测、非线性系统辨识和污水处理过程中关键水质参数动态建模,证明了该结构设计方法的可行性和有效性。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。     

WBRPLSR方法及其在化工软测量中的应用

及时测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义.基于实时样本数据,采用偏最小二乘方法,以分块递归的方式,为过程变量建立软测量模型.在分析时序数据特性的基础上,引入加权策略,并提出选定相关参数的方法步骤,推导构建了加权分块递归偏最小二乘回归方法（WBRPLSR）.将该法实际应用于某公司PTA装置溶剂脱水塔,为塔釡排出液H₂O含量建立软测量模型,效果良好.与已有方法相比,它提高了建模效率,改进了预测性能.     

基于层次分析的FLANN神经网络研究及应用

针对传统函数链接型神经网络(functional link artificial neural networks,FLANN)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于层次分析(analytic hierarchy process, AHP)的FLANN神经网络(AHP-FLANN)。通过层析分析模型过滤输入数据中的冗余信息,提取特征分量,并把提取的特征分量作为函数链接神经网络的输入进行建模。同时利用化工行业乙烯生产数据进行了验证,并和BP神经网络及FLANN神经网络进行了对比。结果表明,AHP-FLANN神经网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强等特点,同时能够指导乙烯生产,提高能效,具有良好的实用价值。     

模糊神经网络在CO_2汽提塔液位预测中的研究

二氧化碳汽提塔液位系统是一个复杂非线性过程,本文基于一种新型复合型模糊神经网络,对该液位系统的建模和预测进行了研究。仿真实验表明,该网络在复杂非线性过程中具有较好的性能,为实现模糊神经网络在化工生产过程中的应用提供了思路和方法。     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

一种原油储罐界面参数的快速检测方法及其实现

针对原油储罐多液位界面参数测量中数据处理存在的问题,提出了基于递归累积和序列数据拐点检测原理的界面参数分析方法。该方法利用多液位界面参数测量仪采集的序列数据,递归地调用基于累积和的序列拐点检测算法,利用拐点数据的特性作为储罐内部多种介质的分界点,从而判定多液位界面参数的具体信息。     

人工神经网络在化工领域中的应用

神经网络能够通过输入和输出数据对过程进行有效地学习,为化工过程的综合发展提供了一种先进的技术手段,已广泛用于化工过程非线性系统建模领域。这些应用包括：故障诊断、化工过程控制、药物释放预测、物性估算等。人工神经网络在化工领域的应用还有赖于不断开展应用研究、完善其技术的可靠性、开发智能性化工优化专家系统软件,向人工智能方向发展,并结合小波变换、统计学方法和分形技术等信息处理方法和理论共同解决化工类问题。     

一种鲁棒半监督建模方法及其在化工过程故障检测中的应用

复杂化工过程的观测样本往往包含着测量噪声与少量的离群点数据,而这些受污染的数据会影响数据驱动的过程建模与故障检测方法的准确性。本文考虑了化工过程测量样本的这一实际情况,提出了一种鲁棒半监督PLVR模型（RSSPLVR）,并利用核方法将其扩展为非线性的形式（K-RSSPLVR）。此类算法利用基于样本相似度的加权系数作为概率模型的先验参数,能有效消除离群点对建模的影响。利用加权后的建模样本,本文通过EM算法训练了RSSPLVR和K-RSSPLVR的模型参数,并提出了相应的故障检测算法。最后,通过TE过程仿真实验验证了所提出方法的有效性。     

一种鲁棒半监督建模方法及其在化工过程故障检测中的应用

复杂化工过程的观测样本往往包含着测量噪声与少量的离群点数据,而这些受污染的数据会影响数据驱动的过程建模与故障检测方法的准确性。本文考虑了化工过程测量样本的这一实际情况,提出了一种鲁棒半监督PLVR模型(RSSPLVR),并利用核方法将其扩展为非线性的形式(K-RSSPLVR)。此类算法利用基于样本相似度的加权系数作为概率模型的先验参数,能有效消除离群点对建模的影响。利用加权后的建模样本,本文通过EM算法训练了RSSPLVR和K-RSSPLVR的模型参数,并提出了相应的故障检测算法。最后,通过TE过程仿真实验验证了所提出方法的有效性。     

灰箱建模在催化反应中的预测

利用灰箱建模方法来对化工生产过程中的催化反应的填装量参数进行预测,实验表明,经过灰箱建模预测可使催化反应在原料成本最小的条件下获得较高的转化率,对催化反应的数据预测结果在精度上明显优于传统化工方法。     

基于正则化的函数连接神经网络研究及其复杂化工过程建模应用

在化工过程的建模中,由于过程数据的高维度和高非线性,导致计算量大幅提升和建模难度加大。为了解决这一问题,提出了一种基于正则化方法的函数连接神经网络模型(regularization based functional link neural network, RFLNN)。所提出的RFLNN方法里,通过使用正则化的方法对函数连接神经网络的权值进行优化,一方面大幅降低网络计算复杂度和计算量,另一方面极大程度上克服网络局部极值和过拟合的问题,以提高函数连接神经网络的学习速度和精度。为了验证所提出方法的有效性,首先采用UCI数据中Real estate valuation数据对其性能进行测试;随后将所提的方法应用于高密度聚乙烯(high density polyethylene,HDPE)复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明,与传统FLNN对比,RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。     

化工过程的智能混合建模方法及应用

随着人工智能技术和配套数据系统的快速发展,化工过程建模技术达到了新的高度,将多个机理模型和数据驱动模型以合理的结构加以组合的智能混合建模方法,可以综合利用化工过程的第一性原理及过程数据,结合人工智能算法以串联、并联或者混联的形式解决化工过程中的模拟、监测、优化和预测等问题,建模目的明确,过程灵活,形成的混合模型有着更好的整体性能,是近年来过程建模技术的重要发展趋势。本文围绕近年来针对化工过程的智能混合建模工作进行了总结,包括应用的机器学习算法、混合结构设计、结构选择等关键问题,重点论述了混合模型在不同任务场景下的应用。指出混合建模的关键在于问题和模型结构的匹配,而提高机理子模型性能,获取高质量宽范围的数据,深化对过程机理的理解,形成更有效率的混合建模范式,这些都是现阶段提高混合建模性能的研究方向。     

BP神经网络的发展及其在化学化工中的应用

人工神经网络（ANN）由于本身具有极强的非线性映射能力、容错性、自学习能力得到广泛的应用。基于反向传播算法（BP）的神经网络作为ANN重要组成部分,在涉及多种非线性因素建模时,相对于传统的反应机理建模显示出巨大的优势。虽然神经网络的发展几经繁荣与冷落,但目前在不同领域已经获得成功的应用。本文概述了BP神经网络的映射原理、缺点以及相应的改进方法,介绍其在催化剂设计、动力学模拟、理化特性估算、过程控制与优化、化学合成与反应性能预测的应用现状,展示了使用不同优化方法的改进模型在实验设计与优化方面取得的成果。最后指出未来BP神经网络的发展要进一步结合数据深度挖掘与机器学习等技术,为今后化学化工领域的研究提供强有力的工具。