基于改进粒子群算法的汽油辛烷值损失优化

针对调和汽油辛烷值建模中的变量选择问题、模型适应性问题与辛烷值的优化问题,采用随机森林、最大信息系数与皮尔森相关系数组合提出了一种辛烷值建模变量选择的方法.还提出一种基于BP神经网络与模糊神经网络的建模方法,建立对辛烷值的预测模型,提高了辛烷值预测模型的适应性.在此基础上,对基本粒子群算法进行了改进,改进后的粒子群算法...     

基于PSO-SVR算法的燃煤锅炉结渣特性预测

针对燃煤锅炉结渣特性的有限样本、非线性和高维数问题,提出了一种基于粒子群优化（PSO）和支持向量回归（SVR）的预测模型。对于支持向量回归机在建模中存在的参数选取问题,采用改进的粒子群算法（PSO）对模型参数进行优化,该方法结合了PSO的快速全局优化能力和SVR的结构风险最小化理论,精确地逼近非线性映射关系的能力。仿真结果表明：相比遗传算法（GA）SVR预测模型和模拟退火（SA）SVR预测模型,PSO-SVR模型预测燃煤锅炉结渣特性具有较高的准确率。     

基于PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化（PSO）算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.865 6 %,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。     

基于LM/SVM方法的二次反应清洁汽油辛烷值预测

提出了一种莱文伯格—马夸特(LM)算法和支持向量机(SVM)有机结合的LM/SVM新算法,并将其应用于基于集总模型的二次反应清洁汽油研究法辛烷值的预测。借鉴复杂反应动力学研究中的集总方法,将汽油研究法辛烷值看成汽油饱和烃集总、烯烃集总、芳烃集总的函数,并采用支持向量机表达该函数。针对支持向量机参数及核函数参数难以选择的问题,通过莱文伯格-马夸特算法搜索支持向量机中的参数,并采取把训练集分割成工作样本和检验样本的策略,从而解决了过拟合的问题。利用经典测试函数对LM/SVM算法的性能测试结果表明:LM/SVM算法不但精度优于文献报道的遗传算法与支持向量机相结合的GA/SVM方法,而且其效率也远高于GA/SVM方法。LM/SVM方法对二次反应清洁汽油研究法辛烷值预测的相对误差绝对值的平均值为0.71%。     

基于智能集成优化的合成塔入口氨含量软测量

文化算法主要由种群空间和信念空间构成,两个空间共同进化来模拟人类文化的进化过程。提出一种智能集成优化算法,将遗传算法、粒子群优化算法应用到文化算法框架中,并与神经网络相结合,构造一种智能集成网络模型,并将其应用到合成塔入口氨含量软测量建模。结合实际工艺,对所建软测量模型进行仿真研究。研究结果表明,该模型的性能优于传统BP神经网络模型、遗传神经网络模型和粒子群神经网络模型,具有较高的精度和良好的应用前景。     

FRS汽油加氢脱硫技术在催柴改汽油加氢装置的应用

中石化洛阳分公司采用中国石化抚顺石油化工研究院（FRIPP）开发的FRS全馏分FCC汽油加氢脱硫技术,对100万t/a催柴加氢装置进行改造.在充分利用现有资源的基础上,更换了催化剂,增加了循环氢脱硫系统,更换加氢进料泵转子等.通过优化生产运行,解决生产中出现的问题,在保证脱硫水平的同时,使辛烷值损失最低,满足汽油调和组分硫含量不大于180 μg/g、辛烷值损失不大于1.8的要求.     

催化柴油加氢改质生产高辛烷值汽油催化剂的开发

以改性USY为催化剂主要载体组分,以Mo-Ni为加氢成分,进行加氢改质催化剂的开发。200 mL一段串联加氢装置评价结果表明,该催化剂具有良好的加氢改质选择性,可满足市场优化柴汽比的需求。在优化工艺条件下,汽油馏分收率达42.3%,研究法辛烷值89.0。当调整切割点时,汽油馏分辛烷值可进一步提高到91.4,是优质的高辛烷值调和组分。柴油馏分的十六烷值提高十个单位以上,硫含量小于10 μg·g^-1,是优质的国Ⅴ低硫柴油调和组分。     

气相色谱法计算汽油的研究法辛烷值

采用气相色谱法分析汽油的详细组分,将详细组分结果根据样品的类型分成32组,通过偏最小二乘法进行数学模型的建立,得出汽油研究法辛烷值与汽油组分的数学公式。研究结果表明,通过模型计算出的辛烷值与标准方法测定的结果最大偏差在1.1个单位,最小偏差在0.0个单位。实际样品的测定计算表明,该方法具有其良好的预测性能和较高的精度,可用于生产中间过程控制分析,为汽油调和提供一定的指导帮助。     

基于混合粒子群优化的异类多模型软测量方法研究与应用

基于异类组合预测模型可提高模型的预测精度及鲁棒性的思想,提出一种基于混合粒子群优化的异类多模型非线性组合软测量建模的新方法。即先分别用混合粒子群优化的径向基函数神经网络、最小二乘支持向量机及部分最小二乘算法对训练集训练得出子模型,然后将具有性能互补性的三个子模型的输出作为反向传播网络的输入得到最后结果。用混合粒子群优化的方法来选取径向基函数神经网络和最小二乘支持向量机的模型参数,该方法克服了常用的交叉验证法耗时与盲目性问题。三层反向传播网络具有无限逼近特性,使得整个组合预测模型具有更好的泛化能力和预报精度。将其应用于汽油调合系统中研究法辛烷值的预测,仿真结果表明,该方法是可行且有效的。     

S-Zorb反应器的机理建模与基于改进鲸群算法的参数估计

汽油吸附脱硫(S-Zorb)装置是我国催化裂化汽油的主要脱硫装置之一。针对S-Zorb工业模型缺乏,实验室模型无法预测产品油辛烷值等问题,作者提出了一种基于过程机理的反应器建模方法。该方法将催化裂化汽油划分为5个集总,在集总基础上构建了反应动力学模型、辛烷值关联模型等。另外,针对传统群优化算法参数估计耗时长的缺点,提出了一种改进的鲸群算法,并成功应用于S-Zorb模型。通过与工业数据对比验证结果表明,所提模型能够有效地预测脱硫率、辛烷值等关键指标,从而为后续的优化生产提供基础。     

Optimization of Process Conditions for Styrene Epoxidation Based on the Artificial Intelligence Method

A novel prediction and optimization method based on improved generalized regression neural network (GRNN) and particle swarm optimization (PSO) algorithm is proposed to optimize the process conditions for styrene epoxidation to achieve higher yields. This model was designed to optimize the five input parameters reaction temperature and time as well as catalyst, solvent, and oxidant dosage. The output of the improved GRNN was given to the PSO algorithm to optimize the process conditions. The optimal smoothing parameter σ of GRNN was chosen from the training sample with a minimum cross validation error. Under the five optimized process conditions the maximum yield reached 95.76 %. This innovative model of improved GRNN hybrid PSO algorithm proved to be a useful tool for optimization of process conditions for styrene epoxidation.     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

微粒群算法优化化工建模训练集

提出两种均以微粒群(PSO)算法对原始训练集随机抽样优化,再结合机器学习算法建立预测模型的PSO算法优化化工建模训练集的思路。思路1首先以模型交叉验证的均方误差函数mse最小为目标优化训练集,再通过对验证集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。思路2借鉴提高BP神经网络泛化能力的初期终止(early stop)法,以对验证集预测的mse最小为目标优化训练集,再通过对测试集预测,从平行运行得到的多个优化训练集中确定最优训练集用于建模。通过仿真实验研究和对某炼油厂调和汽油生产数据的具体分析应用,表明本文思路可以较大幅度提高模型的预测准确性,在化工建模中具有推广应用价值。     

粒子群优化神经网络的电镀金刚石套钻使用寿命预测

电镀金刚石套钻广泛应用各种加工领域,而套钻使用寿命受到多种因素影响,具有一定的非线性变化特点,为了准确预测电镀金刚石套钻的使用寿命,提出了基于粒子群优化神经网络的电镀金刚石套钻使用寿命预测模型。对电镀金刚石套钻使用寿命预测现状进行分析,针对BP神经网络参数优化问题,采用粒子群优化算法确定最优参数,建立电镀金刚石套钻使用寿命的预测模型,通过仿真实验对其有效性和优越性进行分析。实验结果表明,模型可以准确刻画影响参数与电镀金刚石使用寿命之间的变化关系,获得比对比模型更高的预测精度,实际应用价值更高。     

基于遗传算法和粒子群优化算法的电力系统无功优化

从数学的角度分析,电力系统无功优化是一个多变量、多约束、非连续性的混合非线性规划问题,因此,优化过程十分复杂.以减少有功网损为目标函数建立电力系统无功优化计算的数学模型,基于遗传算法和粒子群优化算法,提出一种新颖的混合策略来求解无功优化问题.IEEE 6和IEEE 14节点系统的仿真计算结果表明:与单一的遗传算法或粒子群优化算法相比,该混合策略在优化效果方面具有明显的优势.     

混合粒子群优化算法及其应用

提出了一种通过改进全局最优位置粒子寻优策略而提高粒子群优化计算效率的混合粒子群优化算法。针对流程工业典型设备的状态跟踪预报等有计算时间限制的优化问题,混合粒子群优化算法在不改变原有粒子群粒子寻优策略的前提下,将粒子群整体已搜寻到的全局最优位置看作一个特殊的粒子,令该粒子执行梯度下降寻优的寻优策略。在粒子群的寻优迭代计算中增加全局最优位置粒子单独的梯度下降寻优过程,从而将粒子群优化算法的全局寻优特性与梯度下降算法的邻域寻优特性相结合,以提高粒子群优化算法的整体寻优效率,进而缩短寻优计算的时间。针对流程工业典型设备的实际应用表明,混合粒子群优化算法能够减少寻优迭代次数,进而缩短优化计算时间。     

A Mixed Coding Scheme of a Particle Swarm Optimization and a Hybrid Genetic Algorithm with Sequential Quadratic Programming for Mixed Integer Nonlinear Programming in Common Chemical Engineering Practice

In this paper, mixed integer nonlinear programming (MINLP) is optimized by PSO_GA–SQP, the mixed coding of a particle swarm optimization (PSO), and a hybrid genetic algorithm and sequential quadratic programming (GA–SQP). The population is separated into two groups: discrete and continuous variables. The discrete variables are optimized by the adapted PSO, while the continuous variables are optimized by the GA–SQP using the discrete variable information from the adapted PSO. Therefore, the population can be set to a smaller size than usual to obtain a global solution. The proposed PSO_GA–SQP algorithm is verified using various MINLP problems including the designing of retrofit heat exchanger networks. The fitness values of the tested problems are able to reach the global optimum.     

混合神经网络在污水毒性预测中的应用

分析了污水处理厂污水毒性对其它工艺参数的影响,选取DO、0RP、NH4-N及COD等过程参数为毒性测量的辅助变量.介绍了粒子群算法和混沌算法,运用混沌粒子群算法和BP算法相结合的混合神经网络,对生化池污水毒性进行预测,实现毒性的定量测量和报警.仿真结果表明,混合神经网络的泛化性能和时间复杂度要优于BP神经网络.     

群智能优化LSSVM最优聚丙烯熔融指数预报

提出了群智能优化AC_ICPSO(ant colony and immune clone particle swarm optimization)算法,融合蚁群算法与粒子群算法进行动态群体搜索,设计交叉算子和变异算子、群体多次编码、迭代选择等,来提高数据搜索的范围、精度和收敛的效率,避免早熟,降低算法的复杂度。然后利用AC_ICPSO方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,得到最优的AC_ICPSO_LSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的AC_ICPSO_LSSVM方法有效,具有良好的预报精度。     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。