钴湿法冶炼萃取过程中的组分含量软测量

提出了一种钴湿法冶炼萃取组分含量混合建模方法.该模型由基于物料衡算关系的动态机理模型与基于萃取平衡实验数据的RBF神经网络模型组成.机理模型作为描述过程动态行为的整体框架,RBF神经网络用来辨识机理模型中的未知函数关系.在上述混合模型的基础上,还提出了一种模型校正策略,进一步提高了模型的精确性.将所建立的混合模型应用于实际湿法冶炼生产过程中,结果表明该方法具有良好的估计性能.

     

稀土萃取过程组分含量的RBF软测量建模

稀土萃取分离过程的自动控制一直是稀土工业急待解决的关键难题,要实现稀土萃取分离过程的自动控制,首先必须解决串级萃取槽中各稀土组分含量的在线检测,而传统的检测又有很大的问题,软测量技术在稀土萃取过程控制中的应用研究开始活跃起来。该文是基于RBF网络的稀土萃取过程组分含量进行软测量建模的研究。     

状态估计软测量技术在湿法冶金控制中的应用

湿法冶炼过程中一些工艺参数的测量非常难于实现,这直接影响了工艺的质量控制.人们对此已探讨过许多解决方法,采用软测量技术,并结合自动清洗技术实现湿法冶炼过程中pH的检测与控制,也是一种行之有效的方法.设计一个基于状态观测器的pH软测量系统对主导变量进行估计,同时采用自动清洗技术实现对辅助变量的测量,从而构成pH自动控制系统,具有简单实用的优点.     

基于神经网络的过程软测量

提出基于神经网络的软测量技术的一般框架,并针对一个实际的催化裂化装置,采用多层前向网络和推广随机逼近算法对粗汽油干点的软测量进行了研究.理论分析和模拟表明,该模型可以很好地描述实际对象特性.     

基于神经网络的锂萃取率软测量模型研究

在锂萃取实验实现自动化控制基础上,针对锂萃取率目前不能在线测量的问题,分别采用RBF神经网络和小波神经网络对锂萃取率软测量模型展开研究.先从锂萃取实验获取基础实验数据,再把实验数据分为训练和预测数据,分别采用RBF神经网络和小波神经网络,对锂萃取率软测量模型进行了多输入单输出和多输入多输出模型试验.试验表明,小波神经网...     

SMB色谱分离过程组分纯度软测量技术

针对SMB色谱分离过程中组分纯度的实时测量存在困难的现状,建立了两组分(葡萄糖、果糖)纯度的在线软测量模型。软测量模型采用NNARMAX模型作为模型辨识类;采用BP神经网络对模型进行逼近,为加快网络收敛速度,采用Levenberg—Marquardt算法对网络进行训练。在Matlab工作平台上进行了大量的仿真,对该模型进行验证,仿真结果证明了该方法的有效性。     

锌湿法冶炼浸出过程状态空间模型研究

本通过深入研究锌湿法冶炼过程及其反应机理，并结合ＣＳＴＲ流动模型，建立了整个浸出过程的状态方程，同时进行了仿真研究，并给出仿真曲线     

基于RBF网络的混炼胶质量软测量技术实现

针对混炼胶生产过程中影响产品质量各个因素之间存在的复杂未知映射关系,精确数学模型难以建立的问题,提出了基于RBF神经网络的混炼胶质量在线预测模型,并和多元线性回归法测量结果进行了比较.实验结果表明,基于RBF神经网络的混炼胶质量的软测量模型具有很高的测量精度,可以在实际生产中发挥有效作用.     

基于RBF神经网络的冷冻水流量软测量研究

冷冻水流量是空调系统的冷水机组模型以及变流量控制的前提。在一般空调系统中,由于成本和维护的原因,流量传感器出现故障造成测量误差偏大。提出应用RBF神经网络建立冷冻水流量软测量模型,以动态监测流量传感器的运行是否正常。将流量传感器的实际测量值与软测量得到的结果进行比较,当两者的偏差达到或者超过一定的程度时(如10%),这时就可以认为流量传感器发生了故障,并且产生报警信号;同时,冷冻水流量的监测由流量传感器切换到软测量模块,即在流量传感器发生故障的情况下,实际工程系统中基于冷冻水流量的控制和算法仍然能比较好的继续实施。     

分布式RBF神经网络及其在软测量方面的应用*

本文首先改进了竞争学习算法，并且在此基础上提出了递阶聚类的思想，然后利用这种思想得到了一种分布式ＲＢＦ（Ｒａｄｉａｌ ｂａｓｉｓ ｆｕｎｃｔｉｏｎ）神经网络。文章最后将这种网络应用于建立精馏塔成分估计的软测量模型。利用精馏塔的现场操作数据进行仿真，效果很好。     

基于支持向量机的嵌入式软仪表

过去几年中，神经网络尤其是径向基网络得到广泛了应用，支持向量机作为一种新兴的学习机和神经网络相比有着极大的优越性，以某炼油厂催化裂化单元中的轻柴油凝固点为例，从Matlab算法验证和工程实践两方面说明了支持向量机在软测量建模中的巨大优越性。     

基于神经网络的通用软测量技术

基于神经网络的通用软测量技术１）王旭东邵惠鹤（上海交通大学自动化研究所上海２０００３０）关键词软测量,ＲＢＦ神经网络,竞争学习,精馏塔．１）国家自然科学基金资助项目．收稿日期１９９６－１２－０３１引言目前建立软测量模型有多种方法,但是还缺乏通用性,通...     

山火的无线传感与RBF分析研究

研发了一种基于智能无线传感器网络的电力铁塔山火监测分析系统,系统通过对楚雄腰站变电站输电线路周围山地火灾诱发参数情况进行远程在线监测,对监测数据进行趋势分析,对山火发生情况下产生的数据变化进行分析。并采用径向基函数（RBF）神经网络进行回归拟合,预测火灾危险等级。经过测试样本的验证,表明 RBF 神经网络对于山火监测有较高的准确率,可以对监测数据进行预测分析,适用于山火预测。     

Soft sensors for online steam quality measurements of OTSGs

This paper presents a successful application of soft sensor technologies in process industry. The hybrid modeling technique, online prediction update, and robust implementation procedure are presented in detail. Once-through steam generators (OTSGs) have wide applications in In Situ oil sands industry for producing high pressure steam. Real-time control of steam qualities is essential to ensure optimal performance of the OTSGs and ultimately to reduce the production cost and emissions. However, neither existing online measurement nor off-line lab analysis of steam quality can meet this control purpose due to their own limitations. To resolve this problem, soft sensors for steam quality measurements of OTSGs are designed in this work based on a hybrid modeling technique, where online bias update with optimized weighting factor is incorporated to compensate the model error. Furthermore, online outlier detection is considered to ensure the robustness and reliability of the developed soft sensors. The successful applications to an industrial OTSG demonstrate the effectiveness and advantages of the developed soft sensors.     

基于非线性偏鲁棒M-回归的萃余液pH值软测量

提出了一种径向基函数网络(Radial basis function networks, RBFNs)与偏鲁棒M-回归(Partial robust M-regression, PRM)相结合的非线性PRM (Nonlinear PRM, NLPRM)建模方法, 用以解决鲁棒非线性系统建模问题. 该方法首先通过RBF变换获得扩展的输入数据矩阵; 接下来PRM算法通过反复迭代计算, 自适应地为变换后的数据分配不同的连续权值, 用以克服离群点对模型的影响. 本文通过仿真实验, 验证了方法的有效性; 并将其应用于湿法冶金萃取过程萃余液pH值软测量建模问题, 获得了相比于偏最小二乘法(Partial least squares, PLS)、PRM以及RBF-PLS方法更高的预测精度.     

汽驱生产过程蒸汽干度的软测量和优化操作

本文针对汽驱工业过程设计了一套优化监控系统。本系统建立了基于RBF神经网络的蒸汽干度软测量模型,并应用遗传算法对整个汽驱过程进行优化计算。系统具有良好的人机界面,各部分之间的数据通讯是基于OPC进行的。目前该监控系统已成功运行于辽河油田,实践证明,本系统具有较好的可靠性和稳定性。     

Hybrid partial least squares and neural network approach for short-term electrical load forecasting

Intelligent systems and methods such as the neural network （NN） are usually used in electric power systems for short-term electrical load forecasting. However, a vast amount of electrical load data is often redundant, and linearly or nonlinearly correlated with each other. Highly correlated input data can result in erroneous prediction results given out by an NN model. Besides this, the determination of the topological structure of an NN model has always been a problem for designers. This paper presents a new artificial intelligence hybrid procedure for next day electric load forecasting based on partial least squares （PLS） and NN. PLS is used for the compression of data input space, and helps to determine the structure of the NN model. The hybrid PLS-NN model can be used to predict hourly electric load on weekdays and weekends. The advantage of this methodology is that the hybrid model can provide faster convergence and more precise prediction results in comparison with abductive networks algorithm. Extensive testing on the electrical load data of the Puget power utility in the USA confirms the validity of the proposed approach.