基于DBN-ELM的聚丙烯熔融指数的软测量

针对聚丙烯熔融指数软测量中预测精度不高的缺点,将基于深度置信网络-极限学习机(DBN-ELM)的软测量方法应用到熔融指数的软测量中。与传统深度置信网络(DBN)不同的是,该方法将极限学习机(ELM)算法运用到深度置信网络的训练中。首先用深度置信网络对原始数据进行数值分析来提取特征,然后将提取的特征输入到极限学习机中进行训练,得到软测量模型。实验验证表明,与支持向量机和单纯的深度置信网络模型相比,该方法具有更高的测量精度。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于深度学习的复杂化工过程软测量模型研究与应用

针对复杂化工生产过程中的一些原材料消耗量难以直接测量的问题，提出了一种基于深度学习的软测量方法。该方法基于一段时间的历史数据，利用平稳小波变换提取历史数据中的多尺度信息，然后与每一个时间点的可观测数据进行合并得到完整的数据集，再划分出训练集和测试集，用带有注意力机制的深度学习算法进行训练和泛化，进而建立软测量模型。最后将提出的方法应用到对苯二甲酸（PTA）生产装置乙酸消耗的软测量中。通过与极限学习机 (extreme learning machine，ELM)、多层感知器 (multi-layer perceptron，MLP)以及普通长短期记忆网络(long short-term memory，LSTM)方法比较，结果表明，该模型的预测准确度较高，具有一定的有效性和适用性，同时对PTA生产装置的乙酸消耗量进行预测分析，从而提高产能和降低能耗。     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机(SVM)的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机(DESVM)的软测量建模方法。该方法首先利用深度置信网络(DBN)来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量（biochemical oxygen demand，BOD）难以实时准确测量的问题，提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先，使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量；其次，设计一种基于误差校正-敏感度分析的自组织RBF神经网络，使用改进的Levenberg-Marquardt（LM）算法对网络进行训练以提高训练速度；最后将软测量模型应用于UCI公开数据集及实际的污水处理过程，实验结果表明该软测量模型结构紧凑，训练时间相对较短，预测精度有所提高，能够对出水BOD实现快速准确预测。     

基于SNNs-RR的聚丙烯熔融指数软测量

提出了一种组合神经网络-岭回归（SNNs-RR）建模方法,并将该方法应用于聚丙烯熔融指数软测量研究中.通过多个单一神经网络的合理组合可显著改善神经网络模型的泛化能力,而选择合适的组合权重对组合神经网络模型是否具有良好预测性能是至关重要的,因此提出了采用岭回归方法来选择合适的组合权重.通过与单一神经网络模型的预测结果进行比较,表明基于SNNs-RR的聚丙烯熔融指数软测量模型具有更佳的预测精度和鲁棒性.     

基于鲸鱼算法优化深度极限学习机的锂离子电池剩余使用寿命间接预测

鉴于对锂离子电池直接预测剩余使用寿命（RUL）困难，而极限学习机预测效果不稳定的现状，提出基于等压降放电时间和深度极限学习机（DELM）相结合的间接预测方法。首先，在恒流放电过程中提取出表征电池性能退化的等压降放电时间，分析它与容量间的相关程度并选之作为间接健康因子；其次，引入鲸鱼优化算法（WOA）优化深度极限学习机模型参数，构建锂离子电池RUL预测模型。用锂离子电池数据集中的B0005、B0007两个电池进行实验，结果表明：基于等压降放电时间的WOA-DELM模型预测方法相较于BP神经网络、DELM和PSO-DELM，能够更加准确地预测出锂离子电池的RUL，预测误差±5%，具有较好的预测精度和较快的收敛速度。     

浮选工艺指标KPCA-ELM软测量模型及应用

精矿品位和尾矿品位是浮选过程重要的工艺技术指标,其难以实现在线检测,且与过程控制变量具有强非线性、不确定性等综合复杂特性,难以直接采用精确的数学模型描述,主要依靠人工化验分析。人工采样化验周期较长,难以满足控制要求,使得浮选精矿品位偏低,尾矿品位偏高,因此建立浮选品位指标的软测量方法受到工业界广泛关注。在分析浮选过程工艺指标相关影响因素的基础上,建立一种基于主元分析KPCA(kernel principal component analysis)和极限学习机ELM(extreme learning machine)的软测量模型。为了消除离群点对软测量模型精度的影响,采用基于稳健位置估计的方法识别离群点,利用核主元分析对软测量模型的输入数据进行降维,提取非线性主元,然后用极限学习机进行建模。该建模方法已成功应用于中国西北某选矿厂浮选车间,工业应用结果表明该方法有很高的预报精度,对生产有一定的指导意义。     

基于互信息和自组织RBF神经网络的出水BOD软测量方法

针对污水处理过程出水生化需氧量(biochemical oxygen demand,BOD)难以实时准确测量的问题,提出了一种基于互信息和自组织RBF神经网络的软测量方法对出水BOD进行预测。首先,使用基于互信息的方法提取相关特征参量作为软测量模型的输入变量;其次,设计一种基于误差校正-敏感度分析的自组织RBF神经网络,使用改进的Levenberg-Marquardt (LM)算法对网络进行训练以提高训练速度;最后将软测量模型应用于UCI公开数据集及实际的污水处理过程,实验结果表明该软测量模型结构紧凑,训练时间相对较短,预测精度有所提高,能够对出水BOD实现快速准确预测。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。     

基于PLSR自适应深度信念网络的出水总磷预测

针对污水处理过程出水总磷预测问题存在的强非线性、大时变等特征,提出了一种基于偏最小二乘回归自适应深度信念网络（partial least square regression adaptive deep belief network,PLSR-ADBN）的出水总磷预测方法。PLSR-ADBN是基于深度学习模型DBN的一种改进型建模方法。首先,将自适应学习率引入到DBN的无监督预训练（pre-training）阶段,来提高网络收敛速度。其次,利用PLSR方法取代传统DBN中基于梯度的逐层权值精调（fine-tuning）方法,来提高网络预测精度。同时,通过构造李雅普诺夫函数证明了PLSR-ADBN学习过程的收敛性。最后,将PLSR-ADBN用于实际污水处理过程出水总磷预测中。实验结果表明所提出的PLSR-ADBN收敛速度快且预测精度高,能够满足实际污水处理过程对出水总磷监测精度和运行效率的要求。     

基于AKPLS方法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牌号切换问题,提出一种基于自适应核偏最小二乘（AKPLS）的软测量方法。通过对聚丙烯装置反应系统进行机理分析,采用非线性PLS——KPIs方法来拟合辅助变量和熔融指数之间的函数关系。为适应装置生产多牌号产品的现状,进一步提出KPLS自适应策略,以软测量模型的泛化误差作为优化目标,对KPLS模型系数进行在线更新。工业数据应用结果表明,所提出的AKPLS方法能够比PLS、KPLS方法更准确地预报聚丙烯熔融指数的变化。     

基于递推PLS核算法的软测量在线学习方法

针对过程的动态时变特性,提出一种基于PLS核算法的软测量在线学习方法。该方法利用PLS核算法,通过递推学习具有代表性的新样本来改善模型的适应能力,较NIPALS算法具有更高的计算效率;并采用一种同时考虑输入和输出信息的相似度准则,有选择地删除一个或多个冗余样本,更有效地构建了训练样本集。工业聚丙烯熔融指数的软测量建模研究表明,本文提出的方法能够快速有效地跟踪牌号切换中熔融指数的变化。     

A novel Bayesian inference soft sensor for real‐time statistic learning modeling for industrial polypropylene melt index prediction

A novel real‐time soft sensor based on a sparse Bayesian probabilistic inference framework is proposed for the prediction of melt index in industrial polypropylene process. The Bayesian framework consists of a relevance vector machine for predicting melt index and a particle filtering algorithm for soft sensor optimization. An online correcting strategy is also developed for improving the performance of real‐time melt index prediction. The method takes advantages of the probabilistic inference and using prior statistical knowledge of polymerization process. Developed soft sensors are validated with ten public databases from UCI machine learning repository and real data from industrial polypropylene process. Experimental results indicate the effectiveness of proposed method and show the improvement in both prediction precision and generalization capability compared with the reported models in literatures. © 2017 Wiley Periodicals, Inc. J. Appl. Polym. Sci. 2017 , 134, 45384.     

基于VAE-DBN的故障分类方法在化工过程中的应用

针对化工过程高维数据的故障特征难以提取的难题,提出变分自动编码器(VAE)结合深度置信网络(DBN)的混合故障诊断方法. 在VAE的编码部分对隐变量空间Z添加约束,通过重参数化方法进行反向传播训练,可无监督地学习不同故障对应的隐变量特征,其作为DBN分类模型的输入特征训练网络,输入测试集进行故障诊断. 田纳西伊斯曼流程(TE)应用结果表明,VAE能提取原始数据更加抽象有效的特征,VAE?DBN分类准确.     

Research on TE process fault diagnosis method based on DBN and dropout

In recent years, deep learning has shown outstanding performance and potential in pattern recognition and feature extraction, which has attracted an increasing amount of attention from engineering researchers and academics. Fault diagnosis methods based on deep learning have also become the focus of a significant amount of research. In this paper, a nonlinear process fault diagnosis and identification method based on DBN-dropout is proposed. The deep belief network (DBN) has significant advantages in dealing with nonlinear processes, and it can extract the abstract representation of nonlinear process data to build a deep network to achieve the real-time monitoring of process operations. Dropout technology can reduce overfitting and improve the generalization ability of the model. Afterwards, the Tennessee Eastman (TE) process is employed to analyze the performance of the proposed approach.     

化工过程深度神经网络软测量的结构与参数自动调整方法

深度学习在流程工业的软测量领域已经得到了应用。然而,深度神经网络（DNN）的结构和参数需要人工调整,这需要扎实的机器学习知识基础和丰富的参数调整经验,烦琐的调整过程限制了深度学习在化工领域的推广应用。在大量实验的基础上,对DNN的每个关键参数的选取过程进行了系统化的分析,提出了几乎无须人工干预的基于DNN软测量的结构和参数自动调整方法,极大地简化了参数调整过程,能够给工程技术人员学习及应用深度学习提供参考。对原油蒸馏装置及煤气化装置的案例分析验证了所提出方法的有效性和通用性。     

Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning

Identification of abnormal conditions is essential in the chemical process. With the rapid development of artificial intelligence technology, deep learning has attracted a lot of attention as a promising fault identification method in chemical process recently. In the high-dimensional data identification using deep neural networks, problems such as insufficient data and missing data, measurement noise, redundant variables, and high coupling of data are often encountered. To tackle these problems, a feature based deep belief networks (DBN) method is proposed in this paper. First, a generative adversarial network (GAN) is used to reconstruct the random and non-random missing data of chemical process. Second, the feature variables are selected by Spearman's rank correlation coefficient (SRCC) from high-dimensional data to eliminate the noise and redundant variables and, as a consequence, compress data dimension of chemical process. Finally, the feature filtered data is deeply abstracted, learned and tuned by DBN for multi-case fault identification. The application in the Tennessee Eastman (TE) process demonstrates the fast convergence and high accuracy of this proposal in identifying abnormal conditions for chemical process, compared with the traditional fault identification algorithms.     

A soft sensor for industrial melt index prediction based on evolutionary extreme learning machine

In propylene polymerization (PP) process, the melt index (MI) is one of the most important quality variables for determining different brands of products and different grades of product quality. Accurate prediction of MI is essential for efficient and professional monitoring and control of practical PP processes. This paper presents a novel soft sensor based on extreme learning machine (ELM) and modified gravitational search algorithm (MGSA) to estimate MI from real PP process variables, where the MGSA algorithm is developed to find the best parameters of input weights and hidden biases for ELM. As the comparative basis, the models of ELM, APSO-ELM and GSAELM are also developed respectively. Based on the data from a real PP production plant, a detailed comparison of the models is carried out. The research results show the accuracy and universality of the proposed model and it can be a powerful tool for online MI prediction.