基于核Fisher包络分析的间歇过程故障诊断

随着间歇过程越来越受重视,其过程监控和故障诊断技术也成为研究热点。以核Fisher判别分析为基础,提出了基于核Fisher的正常工况与故障包络面模型,给出了基于该模型的在线故障诊断流程。此方法利用了Fisher判别分析对类别的划分特点,分别针对正常工况数据和各故障类型数据建立包络曲面模型。与多向Fisher判别分析相比,该方法按批次方向将数据展开,能够解决生产周期不一致问题,在线故障诊断时也不需要预报完整的生产轨迹,并且加入核函数来处理复杂的非线性。最后在青霉素发酵过程的仿真平台上对该方法进行测试,与改进多向Fisher判别分析方法进行对比,该方法获得了满意的诊断效果：能够及早诊断出故障的发生,并在有效识别已有故障的同时还具有对新故障的自学习能力。     

连续直接酯化过程质量指标的软测量

以天津石化化纤厂聚酯(PET)装置为研究对象,针对该装置的工艺流程特点,建立了酯化反应过程的数学模型。该模型以实测的工艺操作参数为输入,以酯化率、酸值、皂化值、二甘醇含量等质量指标为输出,为现场操作人员提供了快速及时的生产信息。     

利用组合B样条神经网络实现对间歇反应过程的动态建模

间歇反应过程具有强非线性、非稳态和反应时间固定等特点。利用间歇反应操作时间可预先确定的性质,提出一种新的组合B样条神经网络的建模方法。被控对象输出f（u,t）往往是操纵变量和时间的函数,新方法把这两类函数关系的模拟分别交由两个神经网络承担,以确定变化区域的时间变量作为B样条神经网络的输入,让其分担描述对象随时间变化的动态特性部分,而输出变量与操作变量间的关系则由另一B样条神经网络表示,两个神经网络的组合输出建立间歇反应器的非线性动态模型。它不仅能够简化每个网络的结构,减少权值参数和训练时间,更重要的是可以方便控制策略的求解。本文介绍了建模方法的设计过程,并应用于苯乙烯悬浮聚合间歇反应建模中,仿真实验研究了方法的有效性。还推导了基于该模型的优化控制策略的算法。     

Consequence Identification for Maloperation in Batch Process

Batch processes are important in chemical industry, in which operators usually play a major role and hazards may arise by their inadvertent acts. In this paper, based on hazard and operability study and concept of qualitative simulation, an automatic method for adverse consequence identification for potential maloperation is proposed. The qualitative model for production process is expressed by a novel directed graph. Possible operation deviations from normal operating procedure are identified systematically by using a group of guidewords. The proposed algorithm is used for qualitative simulation of batch processes to identify the effects of maloperations. The method is illustrated with a simple batch process and a batch reaction process. The results show that batch processes can be simulated qualitatively and hazards can be identified for operating procedures including maloperations. After analysis for possible plant maloperations, some measures can be taken to avoid maloperations or reduce losses resulted from maloperations.     

半间歇聚合反应分子量分布周期操作的迭代学习控制

通过对半间歇聚合反应的引发剂进料实施周期操作,研究了这类操作方式对聚合物分子量分布的影响。研究结果显示,周期操作能改善聚合反应过程,对分子量分布有明显的加宽作用。对性能指标进行改进,以引发剂周期进料的占空比为控制变量,采用基于粒子群优化的迭代学习算法,对分子量分布进行了优化控制。仿真分析表明,在实际对象和模型存在不匹配的情况下,运用迭代粒子群算法,控制输入随着批次学习的进行而逐渐趋于最优解,聚合反应的分子量分布则不断逼近希望的分子量分布。实验结果验证了以周期操作方式对半间歇聚合过程分子量分布进行迭代优化控制的可行性。     

利用B样条神经网络实现聚合反应分子量分布的建模与控制

介绍了以B样条函数作为基函数的神经网络的基本结构和特性,提出了利用B样条神经网络建立聚合物分子量分布（MWD）模型的方法和拓扑结构,以及基于模型预估的控制MWD的新方法.根据预估的分子量分布数据和事先确定的性能指标,使用最优化方法,计算出控制序列,使过程输出达到给定的理想分布.以某实验室规模的苯乙烯聚合反应为仿真对象,研究了此方法的建模与控制实现,证明了方法的可行性.     

改进的双模型结构RBF神经网络及其应用

提出了离线结构学习和在线权值校正相结合的双模型结构RBF神经网络,以离线学习和在线校正相结合的方式实现网络的自学习和自校正,满足了软测量仪表现场应用的要求。针对应用过程中出现预测误差过大的现象,通过对网络算法进行分析,研究影响网络预测精度的因素,在此基础上,提出了以K均值聚类法和递推下降算法相结合的RBF神经网络建模改进算法,仿真结果和实际应用证明了改进算法的有效性。     

利用离散正交多项式组合神经网络建立聚合物分子量分布灰箱模型

聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,聚合物分子量分布（MWD）是反映产品性能最重要的指标之一,它是典型的二元建模对象,采用组合神经网络对MWD的空间和时间变量进行分解建模。首先利用离散正交多项式神经网络在链长空间上建立分布与链长的模型,然后将MWD与时间变量的关系转换为网络权向量与输入变量之间的函数,利用递归神经网络建立两者之间的模型,最后组合两个网络达到建模目标。分布函数的模型表达式可写成状态方程形式,为进一步设计控制策略提供了基础。在链长空间上建立模型时,实现了神经网络的权向量与MWD相应阶次矩值之间的等价关系,网络权向量由单纯的拟合数据转变为有意义的物理量,实现了神经网络模型的灰箱化,为精确预测网络隐层节点数问题提供了解决途径。提出的方法应用于实验室规模的苯乙烯聚合过程,证明了建模方法的可行性,同时网络权值与矩值的等价关系也得到验证。     

聚酯工业生产缩聚过程的多目标优化

介绍一种聚酯(PET)生产缩聚过程的多目标优化技术,以最终产品的产量最大和质量最佳为优化目标,以第三和第四缩聚釜为优化对象,运用复合神经网络技术及相关机理知识建立优化模型。借鉴非劣分层方法、精英策略和群智思想,建立混合优化算法,通过该算法及惩罚函数寻优,设定生产过程中操作变量的最优参数,采用实际工业生产数据仿真和验证,建立周期性的两级优化结构来实现优化控制。     

利用结构逼近式混合神经网络实现间歇反应器的建模

提出了一种新的混合神经网络建模方法——结构逼近式混合神经网络。基于此结构建立的混合神经网络可以充分利用已知非线性系统的结构信息,使神经网络“灰盒”化,更好地解释和描述系统各变量间的因果关系,从而提高网络的建模精度和模型的可靠性。本文介绍了这类神经网络的基本特性、拓扑结构和训练方法。报告了一个典型放热液相二级平行间歇反应的建模过程;并针对间歇反应过程测量滞后的情况,与两种不同的混合神经网络模型作了比较,仿真和比较结果证明了方法的有效性。