基于云计算的石化过程安全管理平台研发

提出了基于云计算的具有功能可扩展性的石化安全管理平台(Petrochemical Safety Management Platform,PSMP),该平台包括各种与生产安全有关的知识库和信息系统以供生产人员培训与在线查阅之用;还包括可辅助石化生产安全性在线分析的风险指纹库和风险对策库,以便平台可以依据生产过程中采集的海量数据进行不同尺度、不同类型的过程计算,将计算结果与风险指纹库相匹配,从而可对生产的安全性进行实时评估和预测;若平台可与DCS交互作用,则可依据对策库让生产系统自动消除风险。如此,则石化生产系统中的实时过程信息、工艺安全知识被有机统一而形成智慧,极大的提高了生产过程的安全性。为充分利用云计算易扩展和升级的优点,以及针对不同石化生产系统所需服务不同等问题,软件开发方式采用了抽象层次更高的面向服务架构(Service Oriented Architecture,SOA)。     

化工过程稳态检验方法的应用研究

稳态检验在化工过程质量控制、数据校正、过程优化及模拟应用等方面起着重要的作用。研究了置信度法和滤波法的原理及步骤,并在探讨滤波系数、区间长度影响的基础上,将其应用于实例过程稳态检验。结果表明,滤波法比MTE法计算量小,且检验能力较高,但两者均可用于过程数据的稳态检验。     

模拟退火粒子群算法在化工过程综合中的应用

将一种模拟退火粒子群算法应用于化工过程综合。由于粒子群算法后期进化速度变慢,并易陷入局部极值点,本研究将模拟退火思想应用到粒子群算法中,通过Me-tropolis准则提高粒子跳出局部极值的能力,并在降温过程中加快了算法后期的进化速度。模拟退火粒子群算法在换热器设计实例和反应器网络综合问题中的应用结果表明,该算法的性能较粒子群算法有了较大改善,同时也表明该算法用于求解化工过程综合问题是可行和有效的。     

化工过程故障原因诊断的变量异常顺序法

为对化工过程故障进行实时诊断,建立设了备的主元分析(Principal component analysis,PCA)模型,根据实时数据和PCA模型计算综合指标以在线检测其故障的发生,并提出了PCA模型的在线更新策略,以适应实际过程中工况缓变特性。为在线监测到故障发生时,能确定故障根原因,根据各变量的DCS报警上下限判断其异常状态,并记录各变量出现异常的时间顺序,以供操作人员参考,从而准确地诊断所发生故障的根源。基于过程安全生产指导平台,将所提出的方法实际应用于某炼油厂延迟焦化装置的分馏塔单元,长期在线应用结果表明所提出的在线更新PCA模型能准确地连续检测出故障的发生并适应工况的缓变,而变量异常顺序可帮助操作人员正确地确定故障原因。     

广义似然比过失误差侦破方法的改进及应用研究

准确可靠的测量数据是工业过程优化和控制的重要前提,实际过程中由于过失误差的存在导致测量数据不准确,而传统的过失误差侦破方法常会出现过失误差分摊到其他测量数据上的现象.本文在研究广义似然比法(GLR法)过失误若侦破的原理及步骤的基础上,对GLR法的检验统计量进行改进,提出了2个变量同步侦破补偿的两两同步侦破法,即每次同时用2个变量计算检验统计量,并对相埘调节量大的测量数据进行补偿.两两同步侦破法与GLR法的实例考核结果表明,在相同显著性水平下,两两同步侦破法的总体检验能力和选择性比GLR法高,且犯第1类错误的概率比GLR法小.因此新方法提高了过失误差侦破率,降低了犯第1类错误的概率,能有效地对过失误差进行侦破和识别,且同步补偿后得到的补偿值更准确,有利于获得较为准确的过程数据.     

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。     

常用过程数据校正技术

现有的数据校正方法种类繁多,实际应用时难以选择合理的方法.研究了常用的多组分过程数据校正方法,如线性化法、Crowe投影矩阵法和QR正交分解法,对比分析了其原理及方法步骤,并进行了实例数据校正和性能评价.研究结果表明QR分解法精度较高,计算容易实现,因此实际应用时应首选QR分解法.     

LSSVM过程建模中超参数选取的梯度优化算法

基于结构风险最小的最小二乘支持向量机（least squares support vector machine, LSSVM）为标准支持向量机（SVM）的约简;训练简易;性能良好。其模型精度受超参数影响;常规的网络搜索法很难搜得最佳超参数。在快速留一法的基础上;以全样本留一预测误差平方和最小化为目标;导出基于梯度的最优化算法;用以优选为LSSVM超参数;进而构建G-LSSVM模型。以柠檬酸发酵过程为算例对G-LSSVM进行检验;结果表明G-LSSVM的超参数选取耗时少;模型稳定性良好;且拟合和预报性能都优于标准SVM和神经网络。有望适用于机理不明、高度非线性、小样本的化工过程建模。     

最小二乘支持向量机用于常压塔汽油干点的软测量

最小二乘支持向量机(least squares support vector machine,LSSVM)为一种遵循结构风险最小化原则的核函数学习机器,其训练仅需求解一个线性方程组,且超参数较标准支持向量机更少.由于其实现简单且预测效果良好,近年来在化学、化工领域的应用日益广泛.本文研究了基于LSSVM的软测量建模过程中的数据预处理和优选超参数等问题,并将其应用于常压塔塔顶汽油干点的软测量建模.计算结果表明,其预测精度能够满足生产实际要求,是一种简单有效的非线性软测量建模工具.