基于DPCA-RBF网络的工业流化床乙烯气相聚合过程的软测量研究

工业流化床乙烯气相聚合反应是一个复杂的生产过程,具有高维、非线性、动态性和强噪声特点,质量变量难以直接测量。为解决关键质量变量在线软测量问题,首先采用动态主元分析(DPCA)的方法对过程变量提取主元,消除了过程变量之间的相关性、噪声并体现了建模数据的动态特性;其次对提取出的主元变量采用径向基函数网络(RBF)建模的方法,建立主元变量和质量变量之间的网络结构。对纯函数数据以及工业现场数据分别进行PCA-RBF模型及DPCA-RBF模型的仿真研究,研究结果表明,当建模数据存在非线性、动态性、噪声以及相关性等特性时,DPCA-RBF建模方法比PCA-RBF及单纯的RBF建模方法更优越。因此,DPCA-RBF建模方法较适合运用在工业实时变量的软测量中。     

软测量技术在凝汽器真空特性模型中的应用研究

分析了软测量技术的原理、类型、建模方法及流程等内容,给出了凝汽器真空的软测量模型。以300Mw机组凝汽器运行数据为基础,通过分析影响凝汽器真空的各种因素,获取了建立软测量模型的辅助变量,并利用最小二乘方法建立了具体的凝汽器真空特性软测量模型。该模型以在现场投入实际应用,运行效果良好,能到满足用户的实际需求。     

基于成分分析的铝电解质初晶温度软测量模型

为了准确获取铝电解质的初晶温度,引入软测量方法的思想,建立了以铝电解质成分的质量百分数为辅助变量,以Rerstreken公式和Rostum公式为基础的初晶温度软测量模型。结合铝电解过程,具体讨论了初晶温度软测量建模过程。分析了Rerstreken软测量模型和Rostum软测量模型的一致性,发现在相同情况下它们对初晶温度的估计值基本相等。试验结果表明,所提出的软测量模型能够准确地估算铝电解质初晶温度,估计值与参考值之间的最大绝对误差小于15℃。     

基于SVM的微生物发酵过程软测量建模研究

微生物发酵过程中支持向量机(SVM)软测量模型的预测精度主要取决于SVM参数和输入变量优化选择.提出了一种新的SVM参数选择与输入变量选取方法,将SVM参数的选择和输入变量的选取看作组合优化问题,构造了基于赤池信息准则(AIC)的组合优化目标函数.为提高优化效率,采用遗传模拟退火算法(GSAA)来搜索最优的目标函数值.通过与网格算法、遗传算法等方法对比仿真研究表明,所提SVM微生物发酵过程软测量建模方法在微生物发酵过程的软测量建模中具有优良的性能.     

含不确定信息的湿法冶金金泥品位软测量

针对定性信息与定量信息共存的湿法冶金过程中金泥品位无法在线测量的问题,提出了定性信息与定量信息共同驱动的软测量建模方法。通过深入的过程分析,选取了用于建立湿法冶金过程金泥品位软测量模型的辅助变量;针对过程中的多专家信息,提出采用D-S证据理论进行信息融合,降低定性信息的不确定性,避免专家误信息对软测量模型的影响;针对径向基函数神经网络(RBF)无法处理定性信息的问题,提出采用云模型实现定性信息的定量化,在实现定量转换的同时,最大限度保留原有不确定信息的随机性与模糊性。仿真分析验证了所提出的金泥品位软测量方法的有效性。     

基于改进核模糊聚类算法的软测量建模研究

针对发酵过程软测量建模采用单模型建模方法存在计算量大和精度较差的问题,提出一种基于改进核模糊聚类算法的多模型神经网络软测量建模方法.该方法首先使用主元分析方法对样本数据进行数据处理,所得主元变量作为模型的输入变量,然后使用基于粒子群优化算法的核模糊C均值聚类算法(PSKFCM)对数据集作聚类划分,最后针对每个聚类建立局部神经网络模型,多个局部神经网络模型估计结果的融合即为软测量模型的输出.将所提建模方法应用于红霉素发酵过程生物量浓度软测量建模,结果表明所建软测量模型具有较高的精度和良好的泛化能力.     

基于数据驱动的发电机组软测量建模方法优化研究

针对发电机组中部分难测准参数的软测量及已测量参数的准确性校验等应用问题,提出了融合广义神经网络(GRNN)和B样条偏最小二乘回归(PLSR)各自优势的数据驱动软测量建模新方法NN-PLS。该方法先采用了GRNN对由机理分析初步选定的建模变量预建模,考察了各参变量对因变量的平均贡献率,并筛选得出了主要建模参数,然后采用B样条PLS对筛选后的变量建模,从而得出了简化、可靠的模型,最后以联合循环电厂的实测数据为样本进行了建模。研究结果表明,NN-PLS方法对不同工况下测量参数拟合准确、精度高、模型泛化能力强,同时由于该模型需要保存的参数相对较少,更适合作为解决上述在线问题的模型。     

气液两相流系统的小波软测量技术

提出了一种基于小波分析技术的气液两相流流型判别软测量模型.气液两相流中简单、易测而且可靠的差压波动信号作为软测量模型中的辅助变量,气液两相流的流型作为模型中的主导变量,利用小波分析技术建立了主导变量和辅助变量之间的数学关系,进而通过测量差压波动信号可以对气液两相流的流型进行判别.实验证明所建立的软测量模型是有效的.     

基于MI-LSSVM的水泥生料细度软测量建模

针对水泥生料细度软测量模型难以建立的问题,考虑到输入变量选择易受时延的影响,提出一种基于互信息和最小二乘支持向量机(MI-LSSVM)的软测量建模方法。该方法采用互信息表征变量间的相关性,进而解决水泥生料细度软测量建模中的时延问题,并在此基础之上,提出双向选择算法获取输入变量,将得到的输入变量应用于最小二乘支持向量机中,建立水泥生料细度软测量模型,最后应用水泥厂的实际数据对基于互信息和最小二乘支持向量机的水泥生料细度软测量模型进行仿真。结果表明该方法预测精度高、泛化能力强。     

基于特征子空间虚假邻点判别的软传感器模型变量选择

辅助变量选择技术是软传感器建模过程中降低信息冗余和提高效率的有效方法.提出一种结合偏最小二乘回归法与虚假最近邻法的变量选择法.采用偏最小二乘回归法有效合理地消除因子之间的多重共线性,在一个新的正交空间里,受混沌相空间虚假最近邻点法的启示,通过计算某变量选择前后在特征子空间里的相关性,判断其对主导变量的解释能力,由此进行变量的选择,利用偏最小二乘法得到软测量模型.该方法通过构造的试验和Jolliff变量选择试验作了验证,结果显示该方法有良好的辅助变量选择能力,为软传感器建模的辅助变量选择方法提供了一种新方法.     

基于PXI总线的发酵过程软测量系统研究

PXI总线是一种专为工业数据采集与自动测试应用度身定制的模块化仪器平台,而软测量方法是解决发酵过程中难以直接测量变量的有效方法.本文介绍了软测量技术在发酵过程中的应用,提出了将PXI总线数据采集系统应用到发酵过程变量检测,以及利用LabVIEW进行软测量建模以得到发酵过程待测变量最佳估计值的方法.实验表明,开发的基于PXI总线的发酵过程软测量系统实时性好、精度高并且具有广泛适应性.     

基于互信息和IGSA优化ELM的重整芳烃收率软测量

芳烃收率是催化重整生产过程中一个重要的产品质量指标。针对芳烃收率难以在线测量的问题,提出一种基于互信息(MI)和改进引力搜索算法(IGSA)优化极限学习机(ELM)的芳烃收率软测量建模方法。首先利用MI技术对输入变量进行特征提取及降维处理,确定软测量模型的辅助变量;其次通过引入序列二次规划法(SQP)和混沌变异策略,构建一种具有良好全局寻优性能的改进引力搜索算法,并利用该算法优化极限学习机的隐层阈值及输入权值参数,优化目标同时兼顾模型输出均方根误差和输出矩阵条件数的最小化,建立起基于IGSA优化ELM的芳烃收率软测量模型;最后应用该模型对某炼化企业催化重整装置的芳烃收率进行预报研究,结果表明,该软测量模型具有较高的预测精度和可靠性能。     

基于混合建模的磨煤机一次风量预测算法研究

针对直接拟合得到的磨煤机一次风量黑箱软测量模型收敛性差、预测准确度较低的问题,在对风量测量进行机理特性分析的基础上,建立了一种以黑箱建模为主的结构逼近式混合软测量模型。黑箱模型部分采用最小二乘支持向量机(LSSVM)算法,并将机理特性融入到LSSVM模型中,经过输入变量类变换层的整合,将辅助变量中的压力信号转换为差压类、压力与温度的比值作为密度类、与一次风管路阻力相关的测点信号转换为风门风阻类,作为LSSVM模型的输入变量。应用电厂实际运行数据对一次风量进行预测,与直接拟合的预测效果相比,所建立的混合软测量模型收敛性好、预测精度高(引用误差波动0.54%),可为电厂生产中控制合理的风煤配比关系提供准确度更高的一次风量预测值。     

基于图分割与协同训练的工业过程半监督软测量方法

在工业过程中，质量检测数据与运行数据的比例失衡导致数据驱动的软测量性能受到限制。基于协同训练算法的半监督建模方法利用海量运行数据获得具有高置信度的伪标签以扩充有效建模数据，然而协同训练建模过程中的特征分割会影响建模中两模型的差异性进而影响最终的模型性能。针对该问题，本文提出一种基于图分割与协同训练偏最小二乘（GSCO-PLS）的半监督软测量算法。首先计算辅助变量之间的相关性指标作为权重获得以特征为顶点的有权无向图，将协同建模中的特征分割转化为平衡最小割图分块问题，以获得两个互相关性最小的特征子集。在此基础上通过协同训练利用运行数据更新初始模型实现半监督建模，通过对初始模型特征分割的优化实现对协同训练半监督软测量方法精度的提升。最后通过TE仿真过程的结果说明本文所提算法的有效性。     

基于KICA子空间虚假邻点判别的软传感器变量选择方法

针对软传感器建模过程中,高维冗余的非线性辅助变量造成的维度灾难问题,提出一种结合核独立成分分析法(Kernel independent component analysis,KICA)与虚假最近邻点法(False nearest neighbors,FNN)的非线性辅助变量选择方法。主要利用核函数将原始非线性数据映射到线性子空间,并采用独立成分分析消除因子之间的多重共线性,再运用虚假最近邻点法,计算原始数据在KICA子空间中投影的距离,依次判断各辅助变量对主导变量的解释能力,由此进行非线性变量选择。以某企业氢氰酸(Hydrocyanic acid,HCN)生产工艺过程中的转化率为软传感器预测目标,仿真结果表明该方法可有效降低辅助变量的维数、同时提高模型的预测精度。     

基于阶段识别的诺西肽发酵过程软测量建模

诺西肽是一种含硫多肽类抗生素,该抗生素是一种优良的非吸收型饲料添加剂,它能促进动物生长且在动物体内无残留.针对诺西肽发酵过程中关键生化参数难以在线测量的问题,提出了一种基于阶段识别的软测量建模方法.利用诺西肽发酵过程的非结构模型状态方程,根据隐函数存在定理确定出辅助变量,并利用K均值聚类算法进行阶段识别,根据识别结果对现场数据进行分类,然后采用多个神经网络分别构建出对应于各个阶段的局部软测量模型.实验结果验证了所提方法的有效性.     

基于支持向量机的催化剂颗粒浓度软测量

软测量技术的关键是建立优良的软测量数学模型,最小二乘支持向量机(LS-SVM)以其优良的泛化特性而被应用到软测量建模中.在分析炼油厂烟气催化剂颗粒浓度测量原理和现状的基础上,提出了基于最小二乘支持向量机建模的催化剂颗粒浓度软测量方法,给出了相应的系统结构和算法.针对系统慢时变特性,采用模型校正机制,以提高软测量的在线监测精度.仿真和实际运行结果表明,基于LS-SVM的软测量精度优于经验公式,是软测量建模的一种有效方法.     

正则化学习算法在软测量建模中的应用

软测量技术的核心是建立软测量模型。基于过程可测信息集建立软测量模型即逼近建模过程是不适定的。以径向基函数神经网络作为软测量模型,在软测量建模中引入正则化学习算法。以广义交叉验证作为正则化参数估计方法,讨论了径向基函数神经网络软测量逼近建模的全局与局部正则化学习算法,给出的实例说明了其有效性。     

K-OPLS方法在化工软测量建模中的应用（英文）

针对强非线性复杂化工过程的软测量建模问题,提出了一种基于核隐变量正交投影(K-OPLS)的建模方法。隐变量正交投影(O-PLS)是一种通用的线性多变量数据建模方法,它可以消除与响应变量(输出)正交的描述变量(输入)的总体变化。在O-PLS模型框架下, K-OPLS方法利用"核技巧"将描述变量映射到高维特征空间,计算模型中的预测成分和响应-正交成分。因此, K-OPLS方法通过给出描述与响应变量之间的非线性关系,在一定程度上提高了模型的性能,增强了模型的可解释性。为了验证K-OPLS方法的有效性,将其分别应用于脱丁烷塔基丁烷(C4)组分含量估计、工业流化催化裂化装置(FCCU)关键产品产量预测、硫回收装置(SRU)中H_2S和SO_2浓度预测的软测量建模实例中。实验结果表明,在相同条件下,与支持向量机(SVM)、最小二乘支持向量机(LSSVM)、主元分析-支持向量机(PCA-SVM)、极限学习机(ELM)、核极限学习机(KELM)和PCA-KELM方法相比较, K-OPLS方法具有更好的建模精度和模型泛化能力。     

基于改进串联混合建模方法的发酵过程菌体浓度软测量

发酵过程中菌体浓度难以在线实时测量,给控制与优化带来困难.针对这一问题,本文利用软测量技术来实现菌体浓度的在线估计,并提出了一种改进的串联混合建模方法用以建立菌体浓度软测量模型.改进的串联混合建模方法,克服了现有方法需要利用插值所得的数据进行软测量模型构建的不足,从而保证了建模数据的可靠性.利用诺西肽发酵过程生产数据进行仿真研究,仿真结果表明,基于改进串联混合建模方法的软测量模型是有效的,比基于现有方法的软测量模型具有更好的估计性能.