基于定性知识和线性PLS的间歇蒸煮过程Kappa值软测量方法

间歇制浆蒸煮过程是一个复杂的物理化学过程,蒸煮过程的各变量之间的关系是本质非线性的。文章应用蒸煮过程各变量的定性知识对过程数据进行变换,经过变换后的数据之间的关系的非线性程度得到降低,因而线性PLS建模方法也能较好地应用,避免了因采用非线性PLS算法而引起的复杂计算和稳定性分析。PLS方法不仅能见到主导变量和辅助变量之间的外部关系,还能看到因子之间的内部关系。对实际蒸煮过程数据的应用表明,该软测量方法是有效的。     

自适应神经元非模型多变量优化补偿控制*

根据解耦补偿和优化控制的思想，本文提出了一种完全不依赖于对象模型的自适应神经元多变量优化补偿器模型，命同了神经元权系统的在线学习方法，分析了其工作机理，进一步给出在某多侧线精馏塔和连续搅拌釜式反应器（ＣＳＴＲ）上的仿真结果。     

基于神经网络的非线性预测控制的进一步研究

介绍了适于具有纯滞后对象的基于人工神经网络的非线性多步预测控制，提出了具有自补偿功能的非线性预测反馈校正方法。仿真实验证明此方法大大增强了非线性预测控制的鲁棒性，改善了控制系统的动态和静态性能。     

基于一种继承模型的多变量非线性预测控制

提出了一种由人工神经网络与线性ＡＲＸ模型相结合的集成模型,给出了其辨识训练方法。以此模型为基础,提出了一种多变量非线性预测控制算法。它利用线性预测控制的成果,得到一解析式的非线性优化控制输入,避免了通常非线性模型（包括普通人工神经网络模型）预测控制所需的在线数值寻优计算,节约了在线计算时间。提高了算法的可靠性和稳定性。进一步给出了在ＣＳＴＲ反应器上的仿真实验结果。     

裂殖酵母1686的酿酒特性研究

微生物学通报,１９９９（３）：１９８～２００在对２０余种裂殖酵母进行初步筛选的基础上,对所选的优良菌种１６８６＃酿酒特性及其降酸效果进行了研究。结果表明,１６８６＃能耐１３％的酒度和１５０ｍｇ／Ｌ的总ＳＯ２,１８～２０℃是其发酵的最适温度,ｐＨ值从２．５变化到２．９,裂殖酵母对苹果酸的分解量迅速增加,利用１６８６＃发酵的白葡萄酒,总酸约下降２．０ｇ／Ｌ,挥发酸含量略有降低,绝大多数酒的感官质量优于对照酒样。（馨友）裂殖酵母1686的酿酒特性研究@李记明@李华@黄道平     

特征压缩中K-L变换与Fisher线性判别关系的研究

本文先简单地介绍了K—L变换和Fisher线性判别,然后通过5个结论的证明说明了通过选取特定的生成矩阵。能从K—L变换中得到Fisher线性判别的结果。从而指明了在此情况下二者的内在联系。最后,再通过3个结论的证明,进一步对该结论进行推广。     

蒸馏装置实时监测与智能事故预报系统的开发研究

以INTEMOR软件为平台,针对炼油厂蒸馏装置开发了实时监测与智能事故预报系统,实现了数据通讯、数据仿真、基于专家私有知识的事故预报、实时监测多媒体显示,以及基于人工神经网络的质量预估软测量等功能。这一系统的建立,对实现安全生产,优化设备管理,提高生产效益具有重大意义本文对该系统的整体框架结构进行了阐述,着重介绍了基于私有知识的专家系统和基于人工神经网络的软测量两个重要组成部分,并提出了未来工作中研究重点和方向。     

炼油厂蒸馏过程智能监测系统的数据通讯

为实现炼油厂过程数据库PHD到INTEMOR智能事故预报系统的数据通讯,计论了系统的几种实时数据传输方式,介绍基于TCP／IP协议,通过API函数以动态连接库的方式来实现的数据采集方案,并利用VB编程开发了具有良好人机界面的接口软件,达到现场数据与系统之间可靠传送的效果。     

基于C++与MATLAB的橡胶门尼粘度混合智能软测量系统

门尼粘度是合成橡胶生产的主要质量指标,如何在线监测门尼粘度,并实现质量的自动监控是橡胶生产工业亟待解决的问题;针对强非线性、时变和间歇的合成橡胶复杂系统,结合工艺机理分析,建立了门尼粘度的基于机理、小波神经网络和最小二乘支持向量机等多种建模方法的混合智能软测量模型,解决了门尼粘度的实时在线测量问题,并开发出基于Borland C++与MATLAB的门尼粘度软测量应用软件。乙烯厂试用结果:混合智能软测量模型预测精度高,泛化能力强,运行速度快;应用软件结构明晰,功能扩充灵活,操作界面友好,操作维护方便;该系统能稳定生产、指导操作、提高产品的优级品率,为合成橡胶生产装置的优化控制创造了条件。     

基于PCA和LS-SVM的丁苯橡胶的门尼粘度预测

门尼粘度足合成橡胶生产的主要质量指标,如何在线监测门尼粘度,并实现质量的自动监控是橡胶生产工业亟待解决的问题.本文应用主元分析和最小二乘支持向量机法建立生产过程门尼粘度预测模型.结合工艺机理分析,找出影响橡胶门尼粘度的主要参数并做主元分析,确定最少辅助变量,简化支持向最机结构,建立基于PCA LS-SVM的门尼粘度预测模型.仿真结果,门尼粘度预测值与实际值最大相对误差为5.78%,预测模型精度高,泛化能力强,运行速度快,可以指导生产.