重油催化裂化装置全流程动态仿真培训系统

应用机理分析，开发了重油催化裂化装置反应再生系统非线性状态空模型，它包括了不同完全再和一过程特性的描述；运用非平衡级原理，直接计算塔器内部汽液两相传质，传热，建立了主分馏塔数学模型。     

基于PCA相似系数的故障诊断方法

分析了主元分析PCA进行故障诊断的基本原理,并讨论了故障辨识的相似系数法.在对相似系数法的不足之处进行分析后,提出了一种改进的相似系数计算方法.该方法通过对主元的加权和计算方法的改进,提高了相似系数的辨识性.仿真结果说明,改进后的相似系数法优于原先的相似系数法,能够更加明显的辨识出故障的类型.     

基于互累积量的有噪独立分量分析方法

针对传统独立分量分析(ICA)方法无噪假设的局限性,提出基于互累积量的有噪ICA方法。考虑含高斯噪声的瞬时混合模型,以观测信号的互累积量组成一系列对称矩阵,以对称矩阵的联合对角化程度为目标函数,采用粒子群优化算法对混合矩阵进行全局寻优。通过寻优得到混合矩阵,将有噪ICA转化为一维欠定ICA,基于奇异值分解法得到源信号的估计。仿真结果表明,与传统ICA方法相比,该方法对混合矩阵的估计精度较高,可以明显提高分离信号的信噪比。     

一种基于KPCA的非线性故障诊断方法

介绍了一种非线性故障检测方法——核主元分析法(KPCA)，通过核函数来完成非线性变换，将变量由非线性的输入空间转换到线性的特征空间．在特征空间中使用PCA计算主元，构造T^2和SPE统计量检测过程故障的发生．提出了一种KPCA贡献图计算方法，根据测量变量和非线性主元的相关性，计算测量变量的贡献量绘制贡献图，用于故障变量的分离、仿真结果表明，KPCA方法可以比PCA方法更加迅速的检测到故障的发生，利用KPCA贡献图可以较好的辨识出故障变量。     

一种基于T-S模型的模糊预测控制

提出了一种基于T-S模型的模糊预测控制策略。T-S模糊模型用来描述对象的非线性动态特性,通过当前的工况参数实时在线的修正每一时刻的阶跃响应模型参数,将模糊模型作为常规线性预测控制DMC方法的预测模型,从而把T-S模型对复杂的非线性系统的良好描述特性和预测控制的滚动优化算法相结合,来实现利用常规线性预测控制策略对非线性系统的有效控制,有效地解决了复杂工业过程的强非线性问题。pH中和过程的仿真结果表明其性能明显优于传统的PID控制器。     

基于模型预测残差闭环潜能指标的MPC控制器实时性能监控

由于模型预测控制器对模型失配等不确定因素具有较强的鲁棒性,因此现有的多步预测误差方法不能及时显著地检测到由模型失配导致的MPC控制器性能潜能的变化。针对上述问题,提出一种改进的多步预测误差方法和实时性能监控策略。考虑到MPC控制器的模型预测残差能有效反映模型失配等信息,利用预测残差对现有多步预测误差方法进行改进,改进的方法能够更好地检测由模型失配引起的MPC控制器性能潜能的改变。在连续搅拌槽加热器(continuous stirred tank heater,CSTH)系统上的仿真实验验证了该方法的可行性与有效性。     

MP3音频解码优化算法

以MP3音频解码器为研究对象,在实时性、面积等约束条件下,研究MP3解码流程和算法。IMDCT(反向改进离散余弦变换)是编解码算法中一个运算量大调用频率高的运算步骤。重点推导了递归算法的优化方法,因此在减小硬件资源的同时快速地实现了IMDCT,经验证功能正确。     

基于联合互信息的动态软测量方法

针对工业过程中普遍存在的时延特性和动态特性,提出一种基于联合互信息的动态软测量方法.以联合互信息最大化作为准则,从各辅助变量的历史输入数据矩阵中选取一个连续子变量集,组成包含过程时延信息和动态信息的新数据集,进而确定各辅助变量的时延参数、历史数据长度.各辅助变量参数完全基于过程历史数据确定,与后续软测量模型的建立无关,因此建立动态软测量模型的形式可根据对象非线性程度自主选择.针对实际脱丁烷塔塔底丁烷浓度软测量的仿真研究验证了方法的有效性.     

基于加权L2-Hausdorff子空间距离的MPC控制回路性能诊断

针对当前MPC控制回路性能评价方法无法准确定位性能下降源的问题,提出一种基于加权L₂-Hausdorff子空间距离的控制回路性能诊断方法.该方法引用恶化性能子空间表征各个性能恶化工况下的回路特征,通过基于模型预测残差的闭环潜能指标实时监测控制回路性能.当发现性能下降时,构造加权L₂-Hausdorff子空间距离来度量当前回路性能模式与已知性能模式的相似度,通过距离聚类来定位回路性能下降的恶化源.最后,通过连续搅拌加热器(continuous stirred tank heater, CSTH)上的仿真实验,验证了所提方法的有效性及可靠性.     

基于偏相关性分析的MPC控制器模型失配检测

在实际中,模型失配是导致模型预测控制性能下降的关键因素。传统的相关性分析方法在分析某一通道的预测残差和操作变量之间的相关性时,会受到其他操作变量及干扰的影响,导致结果不可靠,无法准确定位失配。针对上述问题,现采用偏相关性分析方法。在滤除其他操作变量和干扰影响的前提下,分析各通道预测残差和操作变量之间的相关性,将模型失配问题转化为一定区间上偏相关系数的分布问题。通过观察各通道偏相关系数的分布图判断是否发生失配,并通过Shell塔实验验证该方法的有效性。