基于自适应神经网络的芳烃异构化过程建模

针对芳烃异构化过程(AHIP)中影响对二甲苯(PX)产率的因素众多且复杂等特点,提出一种自适应神经网络(Adaptive ANN)以建立AHIP的各因素与PX产率的关联模型.Adaptive ANN将样本分成训练样本和校验样本,并设计过拟合判据参数.通过训练样本对网络进行训练,训练过程中以模型对校验样本的预测性能为指标,通过过拟合判据参数的计算自适应地在获得具有最佳预测性能模型时终止网络训练,克服了传统的神经网络以模型的拟合精度为指标,造成训练时间过长和过拟合等缺点.     

对二甲苯氧化反应器燃烧程度神经网络模型

提出一种工业装置对二甲苯氧化反应器的燃烧程度模型,其燃烧程度通过反应器尾气中二氧化碳和一氧化碳总含量来表征。模型采用神经网络技术建立进料在反应器中停留时间、循环醋酸溶液的催化剂和溴促进剂浓度、反应器的反应温度、进入反应器料液的溶剂比等主要可调工艺操作参数与反应器尾气中二氧化碳和一氧化碳总含量的关联模型。建立模型的预测相对误差平均值为3.47%。     

节点与测量数据组合检测的数据协调及应用

提出一种新型的节点与测量数据组合检测的稳态数据协调方法。该方法通过节点检测法和测量检测法共同检测可能存在显著误差的可疑节点，以及与可疑节点相连的最可疑测量变量，并通过调整量检测法融合领域专家的先验知识判断最可疑测量变量是否存在显著误差，最终实现稳态数据协调和显著误差同步检测。该组合方法融合测量检测和节点检测方法的各自优点且克服各自的缺点。仿真研究与实际应用表明，该组合方法对有多个显著误差的系统也能给出准确的显著误差检测结果，且优于迭代测量检测方法。     

基于精英选择和个体迁移的多目标遗传算法

提出基于遗传算法求解多目标优化问题的方法,将多目标问题分解成多个单目标优化问题,用遗传算法分别在每个单目标种群中并行搜索.在进化过程中的每一代,采用精英选择和个体迁移策略加快多个目标的并行搜索,提出了控制Pareto最优解数量并保持个体多样性的有限精度法,同时还提出了多目标遗传算法的终止条件.数值实验说明所提出的算法能较快地找到一组分布广泛且均匀的Pareto最优解.     

差分进化算法的性能分析及其动力学模型参数估计

差分进化算法以遗传算法为基础,在算法中引入扰动矢量,利用个体间的距离和方向等信息进行搜索,克服遗传算法容易“早熟”的缺陷。此外,差分进化算法收敛性及鲁棒性好,控制变量需要得不多,简单易用。分析差分进化算法的寻优性能,并将它应用于铯一铷一钒系低温硫酸催化剂中,SO2氧化反应的参数估计,证明利用差分进化算法得到的模型更加精确。     

基于多神经网络模型的石脑油干点软测量

应用多神经网络建立初顶石脑油干点软测量模型,首先采用模糊C均值聚类法将样本集分成具有不同聚类中心的子集,每个子集运用BP神经网络训练得出子模型,然后根据聚类后产生的隶属度将各子模型的输出加权求和获得初顶石脑油干点软测量值。同时为了克服因炼制原油性质无法及时获得而造成对初顶石脑油干点预测偏差的影响,在于模型建立时将前一时刘初顶石脑油干点分析值作为网络模型的自变量。实际应用表明,所建模型具有良好的预测精度,泛化能力强,效果令人满意。     

基于蚁群算法的TSP的改进求解算法

基于一种已有的用于连续空间问题的蚁群算法，将其修改为可以应用于TSP问题的算法，并付诸于试验当中。     

基于多项式核RVM的非线性模型预测控制

针对非线性、不确定性对象不易建模的特点,提出了基于多项式核关联向量机(RVM)的解析型非线性预测控制方法,该方法采用多项式核RVM进行模型辨识,得到的对象模型作为预测模型。由于RVM具有较好的非线性建模能力,弥补了SVM参数设定难和稀疏性不强等弱点;同时,多项式形式的模型表达式使二次型优化目标函数可以通过函数解析方法求得最优控制输入,即简化了滚动优化模块,增强了控制的实时性。通过对一个标准的非线性Benchmark问题进行仿真实验,结果表明该方法具有良好的控制性能。     

基于局部 ? 整体相关特征的多单元化工过程分层监测

针对一类多单元化工过程的监测问题, 提出基于局部?整体相关特征的分层故障检测与故障定位方法, 通过表征单元内部变量相关性、单元与单元间相关性、局部单元与过程整体相关性, 对过程运行状态进行判断, 以提升过程监测的准确性与可靠性. 首先, 采用典型相关分析, 通过引入邻域单元相关变量提取每个单元的独有特征和外部相关特征; 其次, 对每个单元的独有特征和所有单元的外部相关特征建立统计模型实现分层故障检测; 然后, 建立单元?变量分层贡献图, 对故障单元以及故障变量实现分层定位. 通过在Tennessee Eastman仿真过程和一个实验室级甘油精馏过程中的应用说明所提分层监测方法的有效性.     

基于改进鲁棒马氏距离与卡平方分布的粗差判别及其应用

针对可能含有粗差的样本数据,提出一种基于改进鲁棒马氏距离和卡平方分布的粗差判别方法.首先,该算法通过CDC2-MVT(Closest distance to center-Ellipsoidal multivariate trimming)初步抗差估计样本的鲁棒马氏距离,接着通过CESD(Consistently estimate the standard deviation)渐近估计鲁棒马氏距离的标准差,从而找出最一致的观测样本.然后,基于最一致的观测样本重新估计总体的位置参数和尺度参数,进而估计改进鲁棒马氏距离,在保证估计位置参数和尺度参数抗差性的同时,克服了CDC2-MVT方法效率不足的缺点.最后,基于改进鲁棒马氏距离,通过卡平方分布判别样本数据中的粗差.仿真研究与实际应用表明,提出的粗差判别方法明显优于基于CDC2-MVT、CDCm-MVT和MCD的粗差判别方法.