深度融合特征提取网络及其在化工过程软测量中的应用

复杂化工过程的观测数据往往同时包含非线性和强动态特性,而传统的化工过程软测量方法无法准确提取观测数据的非线性动态特征,以至影响数据建模和质量预报的准确性。提出了一种基于变分自编码器的深度融合特征提取网络(deep fusion features extraction network, DFFEN)。在变分自编码器框架下,通过构建潜隐特征信息传递通道,提取非线性动态潜隐变量。并利用自注意力机制(self-attention)融合关键的隐层信息,优化因信息传递通道过长而导致的潜在特征被遗忘的问题。此外,在后端网络构建潜隐变量和关键质量变量之间的回归模型,以实现关键质量变量的预报。最后,通过数值案例和实际的合成氨过程验证了所提出的DFFEN模型的可行性和有效性。     

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。     

数据挖掘技术及其在化工过程中的应用

数据挖掘技术是当今一项新兴技术，它综合运用人工智能、计算智能、模式识别、数理统计等先进技术从大量数据信息中挖掘和发现有价值和隐含的知识。本文介绍了一些主要用于化工过程的数据挖掘技术，如粗集理论、人工神经网络、遗传算法、主元分析和偏最小二乘法等，并对其在化工过程建模、控制、故障诊断和优化中的应用进行了综述。     

过程工业软测量中的多模型融合建模方法

对多模型融合建模方法在过程工业软测量中的研究进展进行了系统总结。根据整体模型中子模型的不同,多模型融合建模方法主要可分成数据驱动融合建模方法和半参数建模方法。详细介绍了数据驱动融合建模方法和半参数建模方法的设计思想和国内外研究现状,分析了各类方法的优缺点,并提出了相应的改进方向。根据过程数据处理方法的不同,将数据驱动融合建模方法分为集成学习和聚类分析。根据模型结构形式的不同,将半参数建模方法分为串联结构和并联结构。最后对多模型融合建模方法的未来研究方向进行了展望,期望今后的研究工作能在改进数据驱动模型融合技术、提高半参数模型外推能力和解决双率数据问题等方面取得突破性进展,并指出采用多模型融合建模方法建立基于多源信息融合的软测量模型是实现过程工业中难测变量在线估计的有效方法。     

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。     

基于主成分分析的输出集成反馈网络及其在化工动态过程建模中的应用

针对主成分分析和反馈神经网络的优点，提出基于主成分分析的输出集成反馈网络建模方法，并对训练算法作了推导，在动态化工过程建模中取得满意的效果。     

WBRPLSR方法及其在化工软测量中的应用

及时测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义.基于实时样本数据,采用偏最小二乘方法,以分块递归的方式,为过程变量建立软测量模型.在分析时序数据特性的基础上,引入加权策略,并提出选定相关参数的方法步骤,推导构建了加权分块递归偏最小二乘回归方法（WBRPLSR）.将该法实际应用于某公司PTA装置溶剂脱水塔,为塔釡排出液H₂O含量建立软测量模型,效果良好.与已有方法相比,它提高了建模效率,改进了预测性能.     

基于特征提取的函数连接神经网络研究及其化工过程建模应用

对于化工过程中带噪声、强耦合的高维数据建模问题,常规的函数连接神经网络（functional link neural networks,FLNN）无法有效地进行处理。为解决该问题,提出一种基于主元分析（principal components analysis,PCA）的函数连接神经网络（PCA-FLNN）。通过对FLNN的函数扩展层进行特征提取,不仅去除变量间的线性相关关系,而且提取数据的主成分,进而简化FLNN学习数据的复杂度。为验证所提方法的有效性,首先采用UCI数据Airfoil Self-Noise对其性能进行验证;随后将所提的方法应用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程建模;与传统FLNN进行对比,标准数据和工业数据的仿真结果表明,PCA-FLNN在处理复杂化工过程数据时具有收敛速度快和建模精度高的特点。     

高斯过程及其在软测量建模中的应用

结合工业萘初馏塔关键质量指标估计问题,提出了采用高斯过程（GP）建立复杂工业过程软测量方法。将自动相关确定（ARD）原理与GP模型结合进行软测量模型辅助变量选择,通过建立GP软测量模型,同时得到关键质量指标估计值和相应的预测不确定度,有效解决了现有软测量建模方法不能给出估计值的测量不确定度的问题。研究表明,GP软测量模型不仅能自动选择辅助变量,而且还具有较高的估计精度和较小的测量不确定度,能够更好地满足工业现场对测量可靠性的要求。     

软测量技术在化工生产中的应用

介绍了软测量的概念以及软测量技术的主要内容。结合生产运用实例,详细介绍了软测量辅助变量的选择,软测量数学模型的建立以及修正。     

A process fault diagnosis method using multi-time scale dynamic feature extraction based on convolutional neural network

Unlike many other techniques used in process control, which are widely applied in practice and play significant roles, abnormal situation management (ASM) still relies heavily on human experience, not least because the problem of fault detection and diagnosis (FDD) has not been well addressed. In this paper, a process fault diagnosis method using multi-time scale dynamic feature extraction based on convolutional neural network (CNN) consisting of similarity measurement, variable ranking, and multi-time scale dynamic feature extraction is proposed. The CNN-based model containing the fixed multiple sampling (FMS) layer can extract dynamic characteristics of process data at different time scales. The benchmark Tennessee Eastman (TE) process is used to verify the performance of the proposed method.     

基于数据特征提取的AANN-ELM研究及化工应用

针对极限学习机不能有效解决化工过程中高维数据建模的问题,本文将其与自联想神经网络结合,通过自联想神经网络过滤输入数据中存在的冗余信息、提取特征分量,并对所提取的特征分量采用极限学习机进行训练,由此形成了一种基于数据特征提取的AANN-ELM(auto-associative neural network-extreme learning machine)神经网络。同时,以UCI标准数据集进行测试,以精对苯二甲酸(PTA)溶剂系统进行验证,结果表明,AANN-ELM在处理高维数据时具有学习速度快、网络稳定性强、建模精度高的特点,为神经网络在复杂化工生产中的应用提供了新思路。     

基于多源信息特征融合的抽油井动液面集成软测量建模

针对传统抽油井动液面(DLL)检测只能依靠人工操作回声仪测试,无法实时在线检测的问题,提出基于多源信息特征融合的抽油井动液面集成软测量新方法。采用快速傅里叶变换(FFT)将抽油机悬点载荷及振动时域信号转换成频域信号;采用核主元分析(KPCA)提取悬点载荷及振动频谱和电功率、井口油、套压时域信号非线性特征;利用改进的模糊交互式自组织数据分析聚类(ISODATA)和高斯过程回归(GPR)融合时频信息特征,建立多个动态子模型;利用权重优化证据理论(D-S)构造的概率分配函数作为权值因子,对子模型输出进行集成以得到最终的DLL预测值。油田现场应用证明了该方法的有效性。     

A subspace ensemble regression model based slow feature for soft sensing application

A novel adaptive subspace ensemble slow feature regression model was developed for soft sensing application. Compared to traditional single models and random subspace models, the proposed method is improved in three aspects. Firstly, sub-datasets are constructed through slow feature directions and variables in each sub-datasets are selected according to the output related importance index. Then, an adaptive slow feature regression is presented for sub-models. Finally, a Bayesian inference strategy based on a slow feature analysis process that monitors statistics is developed for probabilistic combination. Two industrial examples were used to evaluate the proposed method.     

Deep neural network based recursive feature learning for nonlinear dynamic process monitoring

The data collected from modern industrial processes always have nonlinear and dynamic characteristics. The recently developed deep neural network method, stacked denoising auto-encoder (SDAE), can extract robust nonlinear latent variables from data against noise. However, it leaves the dynamic relationship unconsidered. To solve this problem, a novel algorithm named the recursive stacked denoising auto-encoder (RSDAE) is proposed. To learn the dynamic relationship, the RSDAE focuses on the predictability of the latent variables in the recurrence to contain the most dynamic variations. After the dynamic variations are extracted by the RSDAE, there is little autocorrelation left in the residuals. Then, the residuals can be monitored by principal component analysis (PCA). For the purpose of process monitoring, corresponding fault detection statistics are developed based on the RSDAE. Finally, a numerical case and the Tennessee Eastman process benchmark are used to demonstrate the effectiveness of the proposed algorithm.     

基于动态过程划分的熔融指数软测量建模

牌号切换过程是聚合反应过程节能降耗的关键环节,已有的模型往往因为质量样本较少而弱化甚至避开这一过程。因此,在之前专门针对牌号切换过程提出的三阶段分解方法的基础上,进一步面向整个生产过程,针对聚丙烯反应过程存在的同一牌号的稳定生产过程以及不同牌号间的切换过程具有不同动态过程的特性,按照不同的生产模式和生产牌号划分不同动态过程的样本,采用多模型的方法在各自的样本集上建立子模型,有针对性地把握相应的动态变化规律。为了实现多个子模型之间的切换,进一步基于反应条件和反应结果估计值构建了综合判断模型。最后,通过实际数据验证,三阶段多模型相对Kim多模型、单一模型来说,具有更好的预测结果。     

基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network,FEAE-ESN）。传统回声状态网络(echo state network, ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。