乙炔加氢反应过程混合建模与优化

针对传统单一建模方法所构建的乙炔加氢反应器数学模型存在预测性能无法满足工业实际应用需求的问题,提出了一种机理与神经网络嵌套的建模方法,充分利用机理模型包含的能质约束信息降低神经网络模型的约束违反度,得到了能够良好描述实际工业乙炔加氢反应过程特性的混合模型。基于反应器混合模型,研究了以运行效益为目标函数的优化问题。主要决策变量包括：一段反应器进料中氢气与乙炔的摩尔比（R _H/A）、进料温度和反应器运行周期等几个关键参数。针对反应器长期运行后,催化剂活性降低造成的处理能力下降的问题,提出了反应温度补偿机制和R _H/A并行调节的运行优化策略,并采用序列法对反应器运行周期进行离散化处理。通过引入差异化变异策略、潜在解替代策略对两阶段差分算法进行改进,采用增量式编码法结合改进两阶段差分算法,对优化问题进行求解。结果证实了优化策略与改进算法的有效性,并据此确定了反应器最佳运行方案。     

基于核密度估计的R-Vine Copula选择及其在故障检测中的应用

在化工过程监控领域,Vine Copula模型为描述高维复杂变量之间相依关系提供了一种新的思想,在不降维的基础上直接刻画变量之间复杂的相关关系。传统的Copula函数模型选择方法是基于赤池信息准则(Akaikeinformation criterion,AIC),但是在利用AIC准则时不仅要计算Copula的密度函数,而且边缘分布的拟合效果也直接影响了AIC的取值。本文提出了基于核密度估计的R-Vine Copula (kernel estimation-based R-vine Copula, KRVC)选择方法,并将其应用在化工过程监控领域。通过核密度选择原理得到R-Vine模型,然后利用高密度区域(HDR)与密度分位数表等理论,构建非高斯态广义局部概率指标(GLP)。该方法在TE(TennesseeEastman)过程中以及醋酸脱水过程中的应用验证了KRVC方法在过程监控中的良好性能。     

等级反馈蚁群算法求解成品油二次配送问题

针对成品油二次配送路径优化问题，提出了一种可变成本与动态载荷相关的评价指标。考虑蚁群算法求解路径优化问题的高效性，设计了一种等级反馈蚁群（HFAC）算法。采用局部距离等级策略代替基本蚁群算法的随机选取；利用较优（较差）个体对其所在路线进行正（负）反馈调整信息素浓度；对最优路线的子路线进行末端优化调整。通过15组不同类型算例进行仿真实验表明，HFAC算法在成品油二次配送路径优化中优于基本蚁群算法。     

一类时变系统的多模型切换动态调节控制算法

当被控对象参数所在的不确定区域未知时, 多模型切换调节等控制算法虽然最终可以使系统达到期望特 性, 但随着不确定区域的增大, 系统需要增加大量的模型才能满足快速性等方面上的要求. 因此, 为了实现一类时 变系统在只增加少量模型时便能够满足期望控制性能的目标, 提出了多模型切换动态调节控制算法. 此算法在不 确定区域内分配若干上层模型, 在双切换机制的监督下, 利用动态分配方法, 在最优上层模型所在的子区域分配出 若干下层模型, 在与自适应模型的协作中, 设计最优控制器, 保证了系统的暂态和稳态响应. 在数值仿真与故障卫星 系统的仿真研究中, 结果表明了多模型切换动态调节算法在暂态性能方面优于多模型切换调节算法, 并验证了此算 法的有效性.     

基于LNS-DEWKECA算法的多模态工业过程故障检测

受市场需求主导,工业过程需要在多种工作模态下切换,数据往往呈现多模态复杂分布特性,研究多模态的故障检测技术对于保障工业过程的安全运行具有重要意义.为此,提出一种基于局部近邻标准化(LNS)和方向熵加权核熵成分分析(DEWKECA)的故障检测算法.利用LNS实现多模态数据的标准化,相比于全局标准化, LNS可以有效消除多模态特性;考虑到故障样本与正常样本在变化趋势上的差异,定义样本变化方向的信息熵为方向熵,用来衡量样本变化方向的无序程度,从而利用DEWKECA实现数据降维,可以更有效提取数据变化方向特征;考虑到多模态数据往往服从非高斯分布,采用局部离群因子(LOF)算法建立监控统计量,根据核密度估计确定其控制限.最后,通过数值例子及TE过程仿真验证所提出算法的有效性.     

基于CNN与双向LSTM的行为识别算法

针对传统行为识别依赖手工提取特征,智能化程度不高,识别精度低的问题,提出一种基于3D骨骼数据的卷积神经网络(CNN)与双向长短期记忆网络(Bi-LSTM)的混合模型。使用3D骨骼数据作为网络输入,CNN提取每个时间步的3D输入数据间的空间特征,Bi-LSTM更深层地提取3D数据序列的时间特征。该混合模型自动提取特征完成分类,实现骨骼数据到识别结果的端对端学习。在UTKinect-Action3D标准数据集上,模型的识别率达到97.5%,在自制Kinect数据集上的准确率达到98.6%,实验结果表明,该网络有效提高了分类准确率,具备可用性和有效性。