基于动态权重德尔菲法的电力生产事故根本原因重要度分析

为实现电力企业的安全生产目标,本文基于动态权重德尔菲法,提出了一种电力生产事故根本原因重要度的分析方法。该方法首先采用统计分析和德尔菲法,分别获得事故原因发生概率,通过动态权重综合两者,得到最终的事故原因发生概率,结合专家重要度可对根本原因重要度进行分析。基于研究结果,可以对事故成因进行分析,并提出事故预防的解决措施,提高企业安全生产管理水平。     

基于IEC/ISO62264标准的制造运行管理系统

基于IEC/ISO 62264国际标准对制造运行管理的结构划分,提出了一种面向制造企业的制造运行管理系统.该系统由工厂资源信息管理平台和四个运行管理子系统构成.通过构建工厂资源信息管理平台,实现对企业各类制造数据的集成和统一管理,以解决制造执行系统实践中信息难以有效地集成与共享的问题;通过设计四个运行管理子系统,实现对企业的生产运行、维护运行、质量运行和库存运行的全面管理与维护,以解决制造执行系统片面地关注生产执行的问题.通过将该系统应用于某乳制品生产企业,验证了所提方法的可行性与有效性.     

基于ASPEN PLUS用户模型技术的催化重整全流程模拟

采用用户模型技术,将自主开发的17集总反应动力学模型与ASPEN PLUS稳态流程模拟软件集成在一起,从而在ASPEN PLUS平台实现了包含重整反应装置在内的催化重整全流程模拟.这一技术既可以利用ASPEN PLUS强大的数据库、模型库和模拟优化功能,大大拓展模拟范围,又可以保持自定义反应模型的特点.整个流程全部仿照反应动力学模型,将300多种化合物定义成18种集总组分（含氢气）,并采用专用于石油系统的物性计算方法.建立的ASPEN PLUS二次开发软件在某连续重整装置上获得了成功应用,模拟结果与实际操作值吻合得相当好,完全满足工业应用的要求.此软件可用于催化重整装置的生产调优、扩能改造和新装置的工艺设计.     

分布式网络故障检测及恢复技术研究

IEC 62439系列协议专为高可用性工业自动化网络所设计,它们各具特点,着重分析IEC 62439-6 DRP（分布式冗余协议）的通信机理以及故障检测与恢复机制。根据DRP环形网络循环周期、网络交换设备数量、报文处理时间等一系列参数,提出了一种关于故障检测至恢复所需时间的算法。经测试平台的验证,DRP网络能迅速地检测出节点和链路的故障,并能在短时间内恢复网络的通信功能,满足现代工业网络对网络高可用性的要求。     

一种基于过抽样技术的非平衡数据集分类方法

非平衡数据集的分类问题是机器学习领域的一个研究热点。针对非平衡数据集分类困难的问题,特别是由于非平衡分布引起的少数类识别能力低下的问题,提出了一种改进算法,AdaBoost-SVM-OBMS。该算法结合Boosting算法和基于错分样本产生新样本的过抽样技术。在新算法中,以支持向量机为元分类器,每次Boosting迭代中标记出错分的样本点,然后在错分样本点与其近邻间随机产生一定数量与错分样本同一类别的新样本点。新产生样本点加入原训练集中重新训练学习,以提高分类困难样本的识别能力。在AUC,F-value和G-mean 3个不同价格的评价指标下8个benchmark数据集上对AdaBoost-SVM-OBMS算法与AdaBoost-SVM算法和APLSC算法进行了对比实验,实验结果表明了AdaBoost-SVM-OBMS算法在非平衡数据集分类中的有效性。     

基于工业操作系统的智能互联工厂建设探究

在深入剖析我国流程工业面临的发展现状以及数字化、网络化与智能化转型进程中遇到的共性问题基础上,提出以"工业操作系统+工业APP"的新型智能互联工厂建设架构,探索工业+互联网新模式,创新发展面向流程企业生产管控、安全环保、供应链管理、能源管理、资产管理等领域智能工业APP,实现工厂的持续改进与迭代优化,形成基于工业操作系统的智能制造工业APP生态体系,赋能流程工业、助力高质量发展。     

基于改进的FasBack神经模糊系统的4-CBA软测量模型研究

提出一种基于改进的FasBack神经模糊系统的新型对羧基苯甲醛(4-CBA)软测量模型,用Leven-berg-M arquardt算法训练模型中的部分参数,经实际过程数据验证表明,提出的模型学习速度快、预测精度高、鲁棒性强,为实现精对苯二甲酸(PTA)生产过程中4-CBA含量的实时、精确控制提供了一条有效的途径。     

基于FCMISVM的自适应软测量建模算法及其在PX吸附分离过程中的应用

To overcome the problem that soft sensor models cannot be updated with the process changes, a soft sensor modeling algorithm based on hybrid fuzzy c-means (FCM) algorithm and incremental support vector machines (ISVM) is proposed. This hybrid algorithm FCMISVM includes three parts: samples clustering based on FCM algorithm, learning algorithm based on ISVM, and heuristic sample displacement method. In the training process, the training samples are first clustered by the FCM algorithm, and then by training each clustering with the SVM algorithm, a sub-model is built to each clustering. In the predicting process, when an incremental sample that represents new operation information is introduced in the model, the fuzzy membership function of the sample to each clustering is first computed by the FCM algorithm. Then, a corresponding SVM sub-model of the clustering with the largest fuzzy membership function is used to predict and perform incremental learning so the model can be updated on-line. An old sample chosen by heuristic sample displacement method is then discarded from the sub-model to control the size of the working set. The proposed method is applied to predict the p-xylene (PX) purity in the adsorption separation process. Simulation results indicate that the proposed method actually increases the model’s adaptive abilities to various operation conditions and improves its generalization capability.