基于自适应偏最小二乘回归的初顶石脑油干点软测量

提出了一种具有强非线性表达能力的自适应偏最小二乘回归（APLSR）方法,并应用于初顶石脑油干点软测量模型建立.APLSR对于指定的预测对象,将根据样本在自变量空间中的分布,分析它们对预测对象的预报能力,自适应地为各个样本分配权值,然后从加权样本数据中提取和选定PLS成分,实施自适应加权PLSR,从而获得预报性能良好的模型.同时提出将前一时刻初顶石脑油干点人工分析值引入作为模型的自变量,从而进一步提高了软测量模型的预测精度.     

粗汽油干点的实时估计与控制中的应用

从工艺机理出发，采用多层前向神经元网络建立了粗汽油干点的估计模型，并实现了该质量指标的预测控制，长期工业现场运行表明，估计模型具有较高的精度，而且可适应处理量的变化与原料的性质的波动。所开发的闭环预测控制系统有良好的调节性能与较强的鲁棒性，取得了较好的调节效果。     

基于模糊模型参考学习控制的焦炉温度控制

焦炉是一个大惯性、纯滞后、非线性、时变和参数分布的系统,很难对其建立精确的数学模型.现有的线性系统控制方法对焦炉的温度控制存在精度不高、不能适应工况变化等问题.而模糊控制又因规则和隶属度函数的粗糙性导致系统在稳态时出现振颤,模型参考自适应控制需要对被控对象进行阶次辨识,而且算法复杂.针对上述问题,提出一种新的控制策略,使用模糊模型参考学习控制算法来对焦炉的温度进行控制,该方法结合模糊控制和自适应控制的优点,通过在线学习算法适应工况变化,提高了控制精度.对焦炉简化模型进行的仿真实验结果表明,系统具有良好的动态和稳态性能,有效减少了炉温波动,具有一定的推广应用价值.     

基于多模型动态融合的自适应软测量建模方法

针对目前软测量建模过程中,单个模型难以精确描述复杂非线性对象而多模型又多采用静态模型因而对系统实际运行中的动态变化考虑不足的问题,提出了一种基于多模型动态融合的自适应软测量建模方法。该方法首先采用仿射传播聚类算法对样本数据进行分类,并对不同类别的输入样本分别建立基于高斯过程回归的子模型,最后使用动态Gauss-Markov估计对各子模型估计值进行融合。将上述方法应用于对二甲苯(p-xylene,简称PX)吸附分离过程纯度的软测量建模,仿真结果表明该方法能够有效地增强模型适应工况变化的能力,是一种有效的软测量建模方法。     

一种基于增量式SVR学习的在线自适应建模方法

训练样本的数量与质量对于过程建模至关重要,在很大程度上影响所建模型的质量。基于增量式支持向量回归(SVR)学习算法,提出一种在线自适应建模方法以实现有选择地添加和删除训练样本。该方法利用SVR模型的KKT条件选择出那些包含足够多新信息的样本进行增量学习,能够在保证模型泛化能力的同时降低模型更新频率。另外,为快速准确地跟踪过程特性的变化,将通过评价当前模型对新增训练样本的学习能力来决定是否需要删除旧样本。当需要删除样本时,基于样本间的相似度,选择淘汰与当前过程特性差别最大的旧样本。将该方法用于建立工业聚丙烯熔融指数预报模型,结果表明,与其他方法相比,获得的预测模型具有更好的泛化性能,且模型更新频率明显降低,能有效地适应工况的变化。     

LS-SVM模型在线校正的替代法及其软测量应用

软测量技术是现代化工过程控制系统的重要组成部分,化工过程的时变性要求软测量模型及时进行在线校正,以适应新工况,保持模型的预测精度。基于矩阵计算理论,提出了最小二乘支持向量机模型在线校正的替代法,它无需重新训练,校正速度快。通过分析还提出以距离标准选择被替代个体,可提高预测精度。将该法用于某炼油厂常压塔塔顶汽油干点的软测量,效果良好,表明该法可以克服工况变化对模型预测精度的影响。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

基于模糊评估自适应更新的油井动液面软测量建模

针对常规动液面软测量方法在面对复杂、多变的工况时缺乏有效的模型更新机制、预测精度不足等问题,提出了一种基于模糊评估的自适应更新建模策略,通过基于模糊推理产液量变化趋势拟合的模型性能评价模块,动态更新模型,实现对原测量模型的反向推理验证。首先离线建立不同工况的动液面多模型预测集,然后根据产液量拟合优度指标对动液面在线输出模型进行实时的输出评估判断,利用相似样本数据进行模型的在线更新,使其能不断适应油井的工况变化,自适应获得更加准确的软测量模型。最后通过辽河油田现场生产数据验证表明,该方法能够有效提高模型的预测精度和泛化能力,可以满足油田现场的生产需求。     

一种可变步长时延估计方法

推导基于参数模型的自适应时延估计算法,分析提高收敛速度的可变步长方法,针对实际应用,给出一种利用功率因子估值估计实际环境中噪声与信号功率的方法。实验结果表明,基于可变步长的自适应时延估计算法具有更快的收敛速度和更小的稳态均方估计误差。     

基于工况的操作模式优化及在石化工业中的应用

提出了一种基于工况的操作模式优化框架,框架包括三部分:数据预处理、优化操作模式库的形成和基于工况的实时优化。在操作模式优化控制的框架和相关概念的基础上重点研究了催化过程中干点温度指标在线优化的应用。针对催化的工业特点,提出SVM与AdaBoost相结合的两步结合的操作模式的发现方法,试验证实该方法具有较高的预测性能。     

基于核慢特征回归与互信息的常压塔软测量建模

针对工业过程的非线性及动态特性,提出了一种新的慢特征回归软测量方法。该方法首先通过添加时延数据构造动态数据集,利用互信息最大化准则筛选变量从而减少信息冗余的影响。同时该方法在慢特征分析的基础上引入核函数扩展,加强模型处理非线性数据的能力,并将获得的核慢特征用于回归建模。核慢特征分析通过分析样本的变化,提取具有缓慢变化特征的成分,可以有效地刻画工业过程的变化趋势,提升回归模型精度。最后该方法的有效性在常压塔常顶油干点与常一线初馏点的软测量模型中得到了验证。     

基于变分贝叶斯算法的线性变参数系统辨识

线性变参数系统（LPV）将多阶段、非线性的过程建模转化为线性多模型的辨识问题,是解决非线性过程建模的一个有效手段。由于实际工业过程存在各种干扰因素,导致被建模系统呈现随机性及模型参数的不确定性。针对这一问题,考虑采用变分贝叶斯（VB）算法对LPV模型进行辨识。该算法首先给定参数相应的先验分布,通过最大化目标函数的下界,从而估计得到参数的后验分布。不仅可实现对参数的点估计,同时量化了估计值的不确定性。针对典型二阶过程和连续搅拌反应釜（CSTR）,运用提出的算法进行仿真实验,表明了该贝叶斯估计方法的优越性。     

Nonlinear stochastic modeling to improve state estimation in process monitoring and control

State estimation from plant measurements plays an important role in advanced monitoring and control technologies, especially for chemical processes with nonlinear dynamics and significant levels of process and sensor noise. Several types of state estimators have been shown to provide high‐quality estimates that are robust to significant process disturbances and model errors. These estimators require a dynamic model of the process, including the statistics of the stochastic disturbances affecting the states and measurements. The goal of this article is to introduce a design method for nonlinear state estimation including the following steps: (i) nonlinear process model selection, (ii) stochastic disturbance model selection, (iii) covariance identification from operating data, and (iv) estimator selection and implementation. Results on the implementation of this design method in nonlinear examples (CSTR and large dimensional polymerization process) show that the linear time‐varying autocovariance least‐squares technique accurately estimates the noise covariances for the examples analyzed, providing a good set of such covariances for the state estimators implemented. On the estimation implementation, a case study of a chemical reactor demonstrates the better capabilities of MHE when compared with the extended Kalman filter. © 2010 American Institute of Chemical Engineers AIChE J, 2011     

Inference on Multivariate Heteroscedastic Time Varying Random Coefficient Models

In this article, we introduce the general setting of a multivariate time series autoregressive model with stochastic time‐varying coefficients and time‐varying conditional variance of the error process. This allows modelling VAR dynamics for non‐stationary time series and estimation of time‐varying parameter processes by the well‐known rolling regression estimation techniques. We establish consistency, convergence rates, and asymptotic normality for kernel estimators of the paths of coefficient processes and provide pointwise valid standard errors. The method is applied to a popular seven‐variable dataset to analyse evidence of time variation in empirical objects of interest for the DSGE (dynamic stochastic general equilibrium) literature.     

Marginal Estimation of Parameter Driven Binomial Time Series Models

This article develops asymptotic theory for estimation of parameters in regression models for binomial response time series where serial dependence is present through a latent process. Use of generalized linear model estimating equations leads to asymptotically biased estimates of regression coefficients for binomial responses. An alternative is to use marginal likelihood, in which the variance of the latent process but not the serial dependence is accounted for. In practice, this is equivalent to using generalized linear mixed model estimation procedures treating the observations as independent with a random effect on the intercept term in the regression model. We prove that this method leads to consistent and asymptotically normal estimates even if there is an autocorrelated latent process. Simulations suggest that the use of marginal likelihood can lead to generalized linear model estimates result. This problem reduces rapidly with increasing number of binomial trials at each time point, but for binary data, the chance of it can remain over 45% even in very long time series. We provide a combination of theoretical and heuristic explanations for this phenomenon in terms of the properties of the regression component of the model, and these can be used to guide application of the method in practice.     

一种软测量模型性能监测评价及其自适应校正方法

工业过程对象特性变化会导致软测量的测量精度下降甚至失真,需要对软测量模型进行校正。首先构建软测量模型性能评价指标用于对模型性能进行监测。当性能评价指标超过统计限时,对过程特性变化类型进行诊断：若过程特性渐变,则对模型进行递推校正;若过程特性发生突变,则对模型进行重构校正。通过对连续搅拌釜式反应器和DAISY（database for identification of systems）数据库提供的蒸发器实际生产数据进行仿真实验,验证了本文方法的有效性。实验结果表明,该方法避免了传统校正方法存在的盲目校正、受离线分析噪声影响严重等问题,有效地提高了软测量模型对对象特性变化的适应能力。     

基于尺度效应的过程安全事故概率估计

为提高过程安全事故概率估计方法的适用性,需在基本事件阶段考虑工艺偏差的传播过程。提出基于尺度效应的过程安全事故概率估计方法,从工艺偏差角度入手,建立了新的基本事件求解模型。引入了多尺度思想,在大尺度上,考虑人因失误对工艺偏差的影响,修正基本事件概率。选用模糊Petri网模型进行事故概率估计。最后通过冲塔事故案例分析验证模型,结果表明：人的参与对工艺偏差概率具有较大影响,所提方法比较符合实际工况,更适用于过程安全。由于概率估计是基于统计的数据求取偏差概率,避免了直接对计算参数进行设定的主观性。     

药品真空冷冻干燥过程监控技术研究进展

对药品冻干过程进行优化的关键是在保证药品质量不受损害的情况下尽量缩短干燥时间。因此,对冻干过程进行准确的监控是十分重要的,既要保证药品的温度保持在合理的范围内,对干燥结束时间进行准确地判断,同时又要对冻干过程压力和温度进行良好的控制以达到冻干过程的最优化。本文对近年来药品真空冷冻干燥过程监控技术的研究进展进行了综述,主要有基于动态参数估计法(DPE)的监控系统、基于卡尔曼滤波法的监测系统、露点法判断一次干燥结束点、模型预测控制法(MPC)。提出药品真空冷冻干燥监控技术的研究应着重于以下几点:考虑辐射、对流和导热3种传热方式在冻干传热过程中所占的比重,建立二维、三维冻干模型以更加精确地监测药品冻干过程的参数,在此基础上研究对加热隔板温度和冻干室压力的实时最优控制策略,以对药品冻干过程进行及时、有效地控制。     

Nonlinear state estimation for fermentation process using cubature Kalman filter to incorporate delayed measurements☆

State estimation of biological process variables directly influences the performance of on-line monitoring and op-timal control for fermentation process. A novel nonlinear state estimation method for fermentation process is proposed using cubature Kalman filter (CKF) to incorporate delayed measurements. The square-root version of CKF (SCKF) algorithm is given and the system with delayed measurements is described. On this basis, the sample-state augmentation method for the SCKF algorithm is provided and the implementation of the proposed algorithm is constructed. Then a nonlinear state space model for fermentation process is established and the SCKF algorithm incorporating delayed measurements based on fermentation process model is presented to implement the nonlinear state estimation. Finally, the proposed nonlinear state estimation methodology is applied to the state estimation for penicillin and industrial yeast fermentation processes. The simulation results show that the on-line state estimation for fermentation process can be achieved by the proposed method with higher esti-mation accuracy and better stability.     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。