石化工业CIMS总体方案的评估指标体系及其应用

根据石油化工工业的特点,该文提出了建立石油化工企业CIMS总体方案评估指标体系的基本原则,并分别给出了CIMS总体方案的综合效益评估指标体系和实施风险评估指标体系。在此基础上,讨论了应用AHP法进行CIMS总体方案评估的方法与步骤。最后,通过一个大型石油化工企业CIMS总体方案的评估过程说明了这一方法的有效性。     

自校正内模控制器

提出了设计自校正内模控制的新方法。该方法把输出预测误差划分为有规律和无规律误差两部分。通过在线辨识建立有规律误差的预报模型，由此模型对误差值进行自适应预报，达到对内模控制器的在线校正，而对无规律的误差只作闭环反馈修正，最后达到消除系统的稳态余差，本方法比通常自校正内模控制算法的运算量大大减少，而在对象参数在一定范围内漂移时，同样能取到自校正效果。     

基于改进神经网络集成算法的软测量建模

为提高神经网络集成中成员网络的精度、增加成员网络间的差异度,提出一种改进的Bagging神经网络集成算法.通过分析初始样本集中样本间的欧式距离提取各子训练集,子训练集的元素在样本空间具有良好的遍历性和代表性;集成策略采用加权平均法,用粒子群优化算法求解成员网络的集成权重.几个典型回归分析型数据集的测试表明,本算法有效提高了训练样本质量,增强了集成泛化能力.最后将改进算法用于工业乙烯收率神经网络软测量建模,应用结果表明该软测量模型泛化性能好,测量精度高.     

混沌耗散离散粒子群算法及其在故障诊断中的应用

针对大型化工过程生产系统的高维度数据及其噪声严重影响故障诊断的性能,采用基于故障特征选择和支持向量机（SVM）的故障诊断方法.为了确保在线故障诊断的实时性和准确性,提出一种新型的混沌耗散离散粒子群（CDDPSO）算法,用于故障诊断中特征变量的搜索.仿真结果表明,CDDPSO算法能有效地搜索到全局最优解,而基于故障特征选择的故障诊断方法具有良好的故障诊断性能.     

精馏塔产品组分的非线性主元回归估计器

以一个理想二元精馏塔为对象,讨论基于塔板温度的产品组分估计问题。并指出,相对于线性部分最小二乘估计器,基于神经网络的非线性主元回归估计器具有更好的稳态精度和动态性能。     

变邻域宽度的爬山微粒群优化算法及其应用

微粒群优化算法（particle swarm optimization algorithm,PSO）是由Kennedy和Eberhart 1995年提出的进化计算算法．PSO简单且具有许多良好的优化性能,但对一些复杂优化问题存在容易陷入局部极值的缺陷．本文提出一种变邻域宽度的爬山微粒群优化算法（hill-climbing PSO with variable width neighborhood,vwnHCPSO）,并用5种测试函数进行测试和比较,然后将vwnHCPSO用于催化裂化装置（FCCU）主分馏塔轻柴油闪点软测量．     

基于自适应量子蚁群算法的石脑油裂解炉故障诊断

针对实际生产过程中缺乏故障数据,采用适合小样本问题的支持向量机对石脑油裂解炉进行故障诊断。为了消除高维数据及系统噪声对故障诊断的干扰,将量子编码引入蚁群算法,提出一种新的自适应量子蚁群算法进行故障特征选择以进一步提高诊断性能。数值仿真实验结果显示,提出的自适应量子蚁群算法具有更好的全局寻优性能;对石脑油裂解炉传感器故障的诊断结果表明自适应量子蚁群算法能快速、准确地搜索到关键故障特征,有效地提高了支持向量机故障诊断的正确率和鲁棒性。     

改进的微粒群算法及其在风电场建模中的应用

分析了微粒群算法易陷入局部最优和进化后期收敛速度慢且精度较低的缺陷,针对即使在同一迭代时期,不同的微粒的惯性权值所调节的局部搜索能力和全局搜索能力的差异的基础上,提出了一种在同一迭代时期,个体惯性权重随个体的适应值自适应调整的方法。另外,在进化后期,防止种群多样性变差和易陷入局部最优,提出了柯西变异算子,使这些微粒能及时跳出局部极值,通过典型的4种测试函数的测试和比较,表明改进的算法精度更高,收敛速度更快。然后将改进的微粒群算法用于风电场风速概率分布模型的优化,与常规的统计方法相比,表明该方法具有更高的拟合精度。