通用软测量软件包的开发与应用

通过分析软测量技术所能应用的各种情况,阐述了通用软测量软件包开发的必要性.利用面向对象技术、动态链接技术、多线程技术,开发了通用软测量软件包,该软件包具有通用性、开放性和实时性.     

先进控制技术及应用第三讲软测量技术及其应用

采用计算技术,构建合适的模型,用来推断估计不可在线测量的变量,已成为先进控制策略的重要内容。本文介绍软测量建模方法、软测量工程化设计及实施和软测量模型的自校正与维护。     

大数据技术在水煤浆气化炉工艺优化中的应用——以炉温软测量为例

介绍了大数据技术在气化炉工艺优化中的应用,并以炉温软测量为应用案例,详细介绍了炉温软测量模型的建模过程与应用效果。     

化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

软测量技术在石化过程中的应用

介绍了软测量技术的原理与实现方法。实例说明了几种典型软测量建模方法在石化过程中的应用。说明了软测量目前存在的不足以及以后可能的研究重点。     

计算机通信及神经网络技术在软测量中的应用

介绍了基于OPC的DCS与微机网络数据通信技术和基于神经网络预估技术在生产过程软测量系统中的应用。以某己内酰胺装置软测量系统的开发为例 ,讨论了相关技术问题和解决思路。现场的实测数据仿真验证结果表明了软测量系统的有效性 ,最后给出了软测量技术应与生产过程优化相结合的方向发展     

青霉素发酵过程软测量技术及其在JX-300X DCS上的实施

介绍基于小波神经网络的青霉素发酵过程软测量技术，以及利用OPC技术在SUPCON JX-300X DCS上的实施软测量的具体方案。     

卷积神经网络在水泥熟料fCaO软测量中的应用

介绍了基于卷积神经网络开发的fCaO软测量软件。操作人员可以根据现场实际情况,选取与f CaO含量相关性较大的变量在软件中进行组态,用历史数据进行软测量模型的训练和测试,获得较好的软测量模型,预测实时的生产数据。在重庆某水泥厂的实际应用中,fCaO软测量软件的总体在线预测误差为4.57%,取得了较好效果。     

基于神经网络的常压塔柴油凝点软测量的研究与应用

研究某炼油厂常压塔三线柴油凝点的软测量建模问题,分析过程变量对柴油凝点的影响。基于在线分析仪6min采样数据,利用前向网络和时延前向网络(TDNN)分别建立了三线柴油凝点的静态软测量模型和动态软测量模型,并结合在线分析仪对模型实现了在线修正。通过两种模型的仿真和在线实施效果,表明基于神经网络的软测量模型取得了较好的应用效果,而且动态模型的实施效果优于静态模型。     

基于苯乙烯过程生产数据驱动的软测量模型研究

针对苯乙烯生产过程的特点,引入软测量技术在线预测苯乙烯生产过程的一些关键参数,介绍了人工智能BP神经网络和部分最小二乘方法的软测量建模方法,基于企业生产数据研究了乙苯脱氢转化率、第一脱氢反应器脱氢转化率、第二脱氢反应器脱氢转化率和苯乙烯选择性等关键变量的软测量方法,对比了BP神经网络和部分最小二乘方法建模优缺点,应用结果表明,基于BP神经网络所建立的关键参数的软测量模型可真实再现实际苯乙烯生产过程,为安全可靠监控苯乙烯生产过程及未来实施先进及优化控制技术奠定了基础。     

化工过程软测量建模方法研究进展

软测量仪表是解决化工过程中质量变量难以实时测量的重要手段。软测量仪表的核心问题是软测量建模。阐述了软测量建模与辨识和非线性建模的关系:质量变量和易测变量的动态关系存在于增量之间,辨识模型依赖于增量数据,软测量建模则是依赖于实测变量数据来获取这个动态关系;非线性建模建立了变量间的静态关系,忽略了对象动态特性,而软测量建模要兼顾对动态特性的表征。随着人们对过程特性的认识加深,软测量建模方法不断发展,经历了从机理建模到数据驱动建模,从线性建模到非线性建模,从静态建模到动态建模的过程。详细讨论了软测量建模的发展过程,众多建模方法的优缺点及适用情况和现在建模的热点,最后对软测量建模方法进行了总体展望。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

铜精炼过程铜液温度软测量模型及应用

为了解决铜精炼过程中高温铜液温度的测量难题,确保铜精炼过程的阳极铜产品质量,基于铜精炼过程中不同阶段的热工机理,分别建立了保温过程、氧化过程以及还原过程的高温铜液温度的机理软测量模型,并采用数据预处理、黄金分割法搜索区间及其函数链神经网络校正等技术对其进行了算法设计以及编程实现.实际应用结果表明,铜精炼过程铜液温度软测量可以反映铜精炼过程铜液温度的真实变化,有助于实现铜精炼过程铜液温度软控制以及提高铜精炼过程的生产效率和生产质量.     

Soft sensor based on multi-phase stacking ensemble model with self-selected primary learner for batch processes

In batch processes, existing soft sensing methodologies encounter substantial challenges when confronted with nonlinearity and multi-phase issues. In response to these challenges, an innovative soft sensing framework known as the multi-phase stacking ensemble model with self-selected primary learner is proposed. The main innovation of this framework lies in the solution to the primary learner selection issue within the stacking model. To commence, the batch process is divided into multiple phases employing a Gaussian mixture model, thereby establishing local ensemble models for each phase. Subsequently, the iterative self-selection of primary learners strategy is proposed, which iteratively selects suitable primary learners for these models, optimizing their combination of primary learners for each local model. This primary learner selection strategy effectively enhances the accuracy of predictions in the stacking ensemble model. To further enhance the performance, Bayesian optimization is utilized to tune the hyperparameters of each local ensemble model. This step guarantees optimal performance of the model across diverse phases. Extensive simulation experiments are conducted on an industrial penicillin fermentation process to validate the effectiveness of the proposed framework. According to the findings, the model demonstrated superior performance compared to existing single-learner soft sensing methods and commonly utilized ensemble-based soft sensing methods in terms of both R² score (0.97584) and RMSE (0.0513). Overall, this framework offers a novel approach for selecting primary learners in stacking ensemble models and enhancing the predictive performance in batch processes for soft sensing.     

粗汽油干点的在线软测量

引言粗汽油的干点是反映流化催化裂化（FCCU）主分馏塔产品质量指标的重要参数,对其实行卡边控制以提高经济效益一直都是石油炼制企业所关注的问题．因在线的质量分析仪不但价格昂贵,而且测量滞后,存在维护和保养上的困难及可靠性差等问题。目前在生产过程中一般采用离线分析化验手段,每8h才能有一组数据,实时性很差,无法直接实现质量闭环控制．为了实时地得到这一信息作为质量卡边控制的反馈信号,已有许多人致力于这方面的研究工作．其中比较典型的两类干点软测量模型是机理模型和神经网络模型．文献[1]基于过程机理推导出粗汽油干…     

基于过程神经网络的BOD在线检测仪研究

为了实现污水处理过程中BOD的在线检测,提出了具有权函数动量项和自适应学习速率权值的新的过程神经网络改进算法,并利用该算法建立了BOD软测量模型,设计了基于ATMEGA1280单片机的系统主控制器,采用模块化软件设计理念,利用AVR Studio开发环境,编程实现数据采集、软测量、液晶显示、数据存储、打印驱动等功能。此仪表已在工业现场得到应用,平均相对预测误差小于4.1%。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

Local Partial Least Squares Based Online Soft Sensing Method for Multi-output Processes with Adaptive Process States Division

Local learning based soft sensing methods succeed in coping with time-varying characteristics of processes as well as nonlinearities in industrial plants. In this paper, a local partial least squares based soft sensing method for multi-output processes is proposed to accomplish process states division and local model adaptation, which are two key steps in development of local learning based soft sensors. An adaptive way of partitioning process states without redundancy is proposed based on F-test, where unique local time regions are extracted. Subsequently, a novel anti-over-fitting criterion is proposed for online local model adaptation which simultaneously considers the relationship between process variables and the information in labeled and unlabeled samples. Case study is carried out on two chemical processes and simulation results illustrate the superiorities of the proposed method from several aspects.     

基于GA-SVM的烟气含氧量软测量

针对电站锅炉烟气含氧量传统硬件测量方法成本昂贵、使用寿命短等缺陷,提出一种基于支持向量机的软测量方法。首先结合机理分析和数据相关性分析选取相关过程参数作为模型输入参数,使用遗传算法对支持向量机进行参数寻优,构建基于遗传算法参数优化的支持向量机(GA-SVM)软测量模型。实验结果表明:该模型能较好地反映烟气含氧量的变化趋势。