基于辅助变量KNN分析的软测量建模方法

提出一种基于辅助变量最近邻（KNN）分析的软测量建模方法,该方法将KNN算法应用于辅助变量分类,根据分类结果,应用核主成分分析（KPCA）和支持向量回归机（SVR）相结合进行软测量建模。KNN分析独立于后继回归模型,却又直接影响模型结构,KPCA作为中间层,在KNN分类结果指导下提取不同类别包含辅助变量高阶信息的特征主元,然后使用SVR建立特征主元和主导变量之间的回归模型。用该方法建立粗汽油干点软测量模型,结果表明KNN-KPCA-SVR（KKS）模型的预测精度和泛化能力优于线性PLS、RBF核函数SVR和KPCA-SVM模型。     

基于多尺度核主元分析的非线性过程监控方法研究

针对化工过程数据的多尺度性和非线性特性,提出了一种多尺度核主元分析方法(MSKPCA)监控过程的运行状态。使用小波变换在不同尺度下分解测量信号．然后借助于核函数对分解后的数据进行非线性变换,在变换后的线性空间中用主元分析(PCA)提取过程数据的主要特征,构造监控统计量T2和Q来检测故障。在此基础上,提出了一种贡献图方法．计算过程变量对故障的贡献量,用于故障变量的分离。在TE过程上的监控结果表明,MSKPCA可以比PCA和动态PCA更迅速地检测到过程故障,贡献图方法能够正确地分离故障变量。     

基于子空间辨识的模型预测控制器经济性能评估方法

目前模型预测控制器(MPC)的经济性能评估(EPA)方法多依赖于过程解析的稳态模型,为了更方便有效的对MPC经济性能进行评估,本文提出一种基于子空间辨识的模型预测控制器经济性能评估方法,仅利用过程操作数据即可实现对控制器的经济性能评估,避免了对过程解析稳态模型的依赖性.利用已知过程操作数据,通过子空间辨识求取子空间矩阵...     

基于Kalman-OLS的聚丙烯熔融指数软测量

针对聚丙烯装置熔融指数软测量中的非线性和多工况切换操作问题,提出1种基于卡尔曼滤波-正交最小二乘(Kalman-OLS)的非线性自适应软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用正交最小二乘方法(OLS)来拟和辅助变量和熔融指数之间的非线性关系。OLS方法的优化目标函数中同时考虑基于留一法均方误差(LOO MSE)和模型参数的局部正则化(LR),以提高模型的稀疏性和泛化能力。为适应装置多工况操作的现状,进一步提出使用Kalman滤波器对OLS模型参数进行自适应更新。工业数据应用结果表明,提出的Kal-man-OLS方法能够比偏最小二乘(PLS)、OLS方法更准确的预报聚丙烯熔融指数的变化。     

基于协方差指标预测的MPC实时性能监控

为利用过程数据实时监控模型预测控制(Model predictive control, MPC)的性能, 提出一种基于协方差预测残差的性能监控方法.首先在分析模型预测控制器优 化函数和控制结构的基础上, 构造包含预测误差、控制量和过程输出的监控变量集, 然后利用滑动时间窗口建立基于协方差的实时性能评价 指标.针对协方差指标缺少控制限的问题, 建立实时协方差指标的时间序列模型, 根据协方差指标的预测残差检测模型预测控制性能下降.进 一步利用基于数据集相似度的性能诊断方法确定性能恶化源.最后通过Wood-Berry二元精馏塔上的仿真研究验证了所提方法的有效性.     

基于动态单类随机森林的非线性过程监控方法

针对高维化工过程中存在的非线性和动态特性，提出了一种基于动态单类随机森林（dynamic one-class random forest，DOCRF（的过程监控方法。对正常运行状态下的过程数据进行稀疏性分析，根据其反分布产生离群点数据。利用典型变量分析对正常数据进行相关性分析，分别将正常数据和离群点数据投影到典型变量空间，利用典型变量空间数据训练单类随机森林。基于单类随机森林模型根据待检测样本与正常数据的相似度构造监控统计量进行故障检测。在Tennessee Eastman过程的仿真结果表明，所提DOCRF方法总体优于单类支持向量机方法。     

面向产品分布协调的两段提升管催化裂解多目标优化

根据两段提升管重油催化裂解过程工艺特点和经济运行要求，基于过程机理模型，考虑多种约束条件，构造了同时最大化丙烯、汽油产量以及最小化干气产量的多目标操作优化问题，并采用标准化法向约束方法求解获得了完整、均匀分布的Pareto最优解。仿真结果表明，多目标优化结果可以定量地描述出丙烯、汽油和干气收率间的最优折中，以及操作变量、约束条件对产品分布的影响，可以为过程优化操作提供指导。     

基于集成学习的多产品化工过程软测量建模方法

化工过程通常具有非线性、时变以及多产品等特性。针对上述特点,在集成学习框架下建立自适应软测量模型。首先,面向具有多个产品的化工对象,借助k近邻法,以统计假设检验理论为依据,提出一种自适应局部化方法,获得多样性程度高的局部模型集合。然后,根据未知样本量化局部模型的泛化能力,通过选择性集成方法获得主导变量的估计值。此外,为了对主导变量估计值的精度进行评估,基于局部模型泛化误差,给出一种通用性高的模型性能评价方法。在仿真的盘尼西林生产过程上的运行结果验证了所提方法的有效性。     

基于重构的半监督ELM及其在故障诊断中的应用

工业过程中获取带标签的故障数据困难,而无标签故障数据却大量存在,如何有效地利用数据信息进行故障诊断是故障诊断领域的重要内容。为更充分地挖掘和利用数据信息,提出一种新的半监督学习方法：基于重构的半监督极限学习机（RSELM）。相比于传统的半监督极限学习机（ELM）方法,RSELM采用自动编码ELM（ELM-AE）获得的输出权重替代随机的隐含层输入权重,能更有效地提取数据特征;考虑到数据均可由其近邻数据来线性重构,故可构建近邻数自适应选择的重构图,并同时利用数据的标签信息优化连接权重,以更优地反映数据结构信息;通过建立新的含局部保持的目标函数,可有效地训练分类器。标准数据集和TE过程上的仿真实验验证了所提算法的有效性。     

一种基于速率线性化的非线性预测控制算法

提出了一种基于速率线性化方法的非线性预测控制算法。该算法采用速率线性化方法得到与原系统非线性模型相对应的线性变参数模型,这类变参数模型在结构上是线性的,而模型参数将随工作条件的变化而变化,在系统的整个工作区间内都能很好地逼近原非线性模型。在此模型的基础上设计了预测控制器,并利用基于置信域的Levenberg-Marquardt算法在线求得预测控制率。最后对连续搅拌反应釜进行了仿真研究,仿真结果表明了该算法的可行性和有效性。