基于KPCA的连续重整催化剂结焦碳含量软测量模型

对连续催化重整工艺机理进行分析,找出影响反应器中催化剂结焦的主要参数,作为软测量模型的输入变量;引入核主成分分析(Kernel Principle Component Analysis,KPCA)方法提取输入变量的非线性特征,根据累积贡献率选取KPCA主元作为神经网络的辅助变量,建立重整反应器中催化剂结焦碳含量神经网络软测量模型;并与未引入KPCA的神经网络软测量模型进行比较,结果表明,基于KPCA的神经网络具有较好的拟合精度和泛化能力,是一种优良的软测量建模方法。将该模型应用于连续催化重整装置,并引入在线校正技术,实时监测催化剂结焦碳含量,为调整反应器及后续再生装置的操作参数提供依据,从而实现重整装置长周期安全运行。     

基于KPCA-LSSVM的软测量建模方法

提出了一种将核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)相结合的软测量建模方法.核主成分分析能够对样本数据进行特征提取,消除数据的相关性.本文利用KPCA提取主元,降低样本的维数;然后利用最小二乘支持向量机进行建模,不仅降低了模型的复杂性,而且提高了模型的泛化能力.用该方法建立柴油凝点的软测量模型,和其他...     

浮选工艺指标KPCA-ELM软测量模型及应用

精矿品位和尾矿品位是浮选过程重要的工艺技术指标,其难以实现在线检测,且与过程控制变量具有强非线性、不确定性等综合复杂特性,难以直接采用精确的数学模型描述,主要依靠人工化验分析。人工采样化验周期较长,难以满足控制要求,使得浮选精矿品位偏低,尾矿品位偏高,因此建立浮选品位指标的软测量方法受到工业界广泛关注。在分析浮选过程工艺指标相关影响因素的基础上,建立一种基于主元分析KPCA(kernel principal component analysis)和极限学习机ELM(extreme learning machine)的软测量模型。为了消除离群点对软测量模型精度的影响,采用基于稳健位置估计的方法识别离群点,利用核主元分析对软测量模型的输入数据进行降维,提取非线性主元,然后用极限学习机进行建模。该建模方法已成功应用于中国西北某选矿厂浮选车间,工业应用结果表明该方法有很高的预报精度,对生产有一定的指导意义。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析（principal component independent analysis,PCIA）与混合核相关向量机（RVM）的区间预测方法。首先,结合核主元成分分析（KPCA）和独立元分析（ICA）对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率（PICP）及预测区间宽度（NMPIW）的基础上,引入累积偏差（AD）提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于二子空间协同训练算法的半监督软测量建模

在工业过程中,存在着辅助变量与主导变量数据比例严重失衡的问题。协同训练算法是其中一种利用无标签数据中的潜在信息以提升学习性能的模型训练方法。然而目前在协同训练软测量建模过程中,学习器之间存在严重的训练特性交叉重叠的问题,这将导致对主导变量的预测性能衰减。针对这一问题,提出基于二子空间协同训练算法的半监督软测量模型two-subspace co-training KNN(TSCO-KNN)。该模型将二子空间分块算法与协同训练算法相结合,利用辅助变量与主成分子空间PCS和残差子空间RS两个特征子空间的相关性程度,将数据变量拆分为两个具有显著差异性的学习数据集,进而使用KNN回归器进行协同训练,共同用于对主导变量的预测。最后在乙烯精馏塔塔顶乙烷浓度和TE过程产品浓度软测量中进行仿真研究,验证本文所提算法的有效性。     

基于聚类的多模型软测量建模及其应用

实际生产中往往存在对产品质量影响重大、但又难以在线测量的一些参数(只能离线测量与分析)。本文提出一种基于聚类的多模型建模方法对这些难以在线测量的参数实现软测量,将相关性分析、主元分析(PCA)、聚类和多模型建模应用于软测量建模中,构建一种实现重要参数软测量的基本框架:首先,基于相关度分析进行辅助变量的选择,然后用主元分析进行数据的进一步降维,再用k-means聚类与多模型建模思想相结合。最后将提出的思想和方法应用于某精馏塔组分的软测量中,仿真结果表明,测量精度有了较大的提高。     

基于机理与主元分析的纸浆漂白MIMO软测量

提出一种机理与主元分析相结合选择MIMO软测量辅助变量的方法，在此基础上用RBFN建立纸浆漂白过程MIMO软测量模型。实现了pH值、残氯软测量。仿真结果显示：该软测量方案实用、可靠；在精度、实时性方面结果令人满意。     

基于双层局部KPCA的非线性过程微小故障检测方法

针对传统核主元分析（KPCA）方法难以有效检测微小故障的问题,提出一种基于双层局部核主元分析（double-level local kernel principal component analysis,DLKPCA）的非线性过程微小故障检测方法。该方法从变量和样本两个角度来挖掘数据内部的局部信息,以提高故障检测能力。首先,利用变量分块思想,基于不同变量与核主元之间互信息相关度的相似性,将所有过程变量划分多个局部变量块。然后,构建基于得分向量和特征值的残差函数以挖掘样本局部信息。最后利用贝叶斯融合策略对各块的结果进行融合。在田纳西-伊斯曼基准过程的仿真结果表明,在微小故障检测方面,本文所提方法具有比传统KPCA方法更好的故障检测性能。     

基于主成分分析的主元回归建模

介绍了主成分分析,主元回归建模的基本方法,意义。利用主成分分析法对一个从CO2提纯工艺中获取的七个过程变量进行数据压缩,提取主成分,消除变量间的线性相关性,建立一个基于主元的反射回归模型。     

基于特征样本核主元分析的TE过程快速故障辨识方法

核主元分析（KPCA）在非线性系统的故障检测方面明显优于普通的PCA方法,但存在无法进行故障辨识以及在故障诊断过程常常出现核矩阵K计算困难等难题。针对上述问题,提出了一种基于特征样本核主元分析方法（FS-KPCA）非线性故障辨识方法。首先采用特征样本（FS）提取方法有效解决核矩阵K的计算量问题。然后利用计算核函数的偏导方法求取KPCA监控中每个原始变量对统计量T²和SPE的贡献率,利用每个变量对监控统计量贡献程度的不同,可以辨识出故障源。将上述方法应用到TE过程,仿真结果表明该方法不仅能够有效辨识故障,而且提高了故障检测和辨识速度。     

基于稀疏核主元分析的在线非线性过程监控

核主元分析(KPCA)适合非线性过程的监控,但存在计算量大、实时性差等缺点。提出一种基于稀疏KPCA(SKPCA)的过程监控方法,先使用SKPCA对正常建模数据进行加权,少数权值大的数据基本能代表全部正常数据的信息,因此稀化了建模数据,然后根据稀化后的正常数据建立过程的KPCA模型,并提出监控指标,大大减少了计算量,提高了监控的实时性,最后以化工分离过程为对象,就KPCA与SKPCA的监控效果和实时性进行了详细的对比研究,结果表明了基于SKPCA监控方法的优越性。     

Nonlinear process monitoring using kernel principal component analysis

In this paper, a new nonlinear process monitoring technique based on kernel principal component analysis (KPCA) is developed. KPCA has emerged in recent years as a promising method for tackling nonlinear systems. KPCA can efficiently compute principal components in high-dimensional feature spaces by means of integral operators and nonlinear kernel functions. The basic idea of KPCA is to first map the input space into a feature space via nonlinear mapping and then to compute the principal components in that feature space. In comparison to other nonlinear principal component analysis (PCA) techniques, KPCA requires only the solution of an eigenvalue problem and does not entail any nonlinear optimization. In addition, the number of principal components need not be specified prior to modeling. In this paper, a simple approach to calculating the squared prediction error (SPE) in the feature space is also suggested. Based on T² and SPE charts in the feature space, KPCA was applied to fault detection in two example systems: a simple multivariate process and the simulation benchmark of the biological wastewater treatment process. The proposed approach effectively captured the nonlinear relationship in the process variables and showed superior process monitoring performance compared to linear PCA.     

Multi-layer features ensemble soft sensor regression model based on stacked autoencoder and vine copula

It is crucial in industrial processes to consider key variables to ensure safe operation and high product quality. Moreover, these variables are difficult to obtain using traditional measurement methods; hence, it makes sense to develop soft sensor regression models to process the variable prediction. However, there are numerous variables integrating noisy and redundant information in complex industrial processes. Using such variables in traditional regression models may result in reducing the model's efficiency and performance. Thus, this paper proposes a multi-layer feature ensemble soft sensor regression method using a stacked auto-encoder (SAE) and vine copula (ESAE–VCR) to address these problems. To do so, the number of neurons in the hidden layer of the SAE is determined by the principal component analysis (PCA). The multi-layer features of the process variables are extracted using a stacked AE, and the regression models are established for each feature layer. A linear regression ensemble method is used to combine the regression models with the multi-layer features to obtain the final predictive model that will estimate the values of the key variables. The effectiveness and practicality of the ESAE–VCR are validated by comparing them with several common soft measurement methods in two examples. In the numerical example, the ESAE–VCR yields an accuracy of prediction (R²) of 0.9898 and a root mean square error (RMSE) of 0.1804. In the industrial example, the ESAE–VCR yields an R² of 0.9908 and an RMSE of 0.1205.     

基于D-FNN的聚合过程转化速率软测量建模及重构

引言以氯乙烯单体(VCM)为原料,采用悬浮法聚合工艺生产聚氯乙烯(PVC)树脂是一种典型的间歇式化工生产过程。VCM的转化率对PVC树脂产品质量有很大影响,不同转化率时对PVC     

Mixture semisupervised principal component regression model and soft sensor application

Traditionally, data‐based soft sensors are constructed upon the labeled historical dataset which contains equal numbers of input and output data samples. While it is easy to obtain input variables such as temperature, pressure, and flow rate in the chemical process, the output variables, which correspond to quality/key property variables, are much more difficult to obtain. Therefore, we may only have a small number of output data samples, and have much more input data samples. In this article, a mixture form of the semisupervised probabilistic principal component regression model is proposed for soft sensor application, which can efficiently incorporate the unlabeled data information from different operation modes. Compared to the total supervised method, both modeling efficiency and soft sensing performance are improved with the inclusion of additional unlabeled data samples. Two case studies are provided to evaluate the feasibility and efficiency of the new method. © 2013 American Institute of Chemical Engineers AIChE J 60: 533–545, 2014     

常压塔产品质量在线估计的非线性主元分析方法

提出一种新的软测量方法,通过建立过程变量非线性主元得分与产品质量参数之间的三层前向神经网络模型,得到产品质量参数的预测值。实际应用表明,该方法比常规的线性主元分析方法和神经网络方法具有更好的预测性能。