基于机理分析的方法实现催化裂化反应预测转化率、产品产率的软测量

基于机理分析,实现了催化裂化反应再生系统预测转化率和产品产率的在线软测量。对软测量的算法设计,软测量算法的实现,现场软测量应用及验证予以叙述,表明具有一定的实用价值。     

基于机理分析的方法实现催化裂化反应预测转化率,产品产率？…

基于机理分析，实现了催化裂化反应再生系统预测化率和产品产率的在线软测量，对软测量的算法设计，软测量算法的实现，现场软测量应用及验证予以叙述，表明具有一定的实有价值。     

基于PSO-SVM逆的赖氨酸发酵过程软测量

针对赖氨酸发酵过程非线性、大滞后、多变量动态耦合,关键生化参数难以实时在线测量等问题,提出一种改进的粒子群-支持向量机(PSO-SVM)逆发酵过程软测量建模方法。首先分析逆系统的存在性,并结合赖氨酸发酵过程,引入发酵特征信息和舍弃次要信息构造逆扩展模型;然后利用支持向量机离线辨识初始逆扩展模型,并根据系统输入与模型输出的偏差信号,采用粒子群算法对初始逆扩展模型进行在线校正;最后将校正后的逆扩展模型串联在原发酵过程之后构成复合伪线性系统,实现不直接可测关键生化参数的在线预测。以L-赖氨酸流加发酵过程为例,验证了所提算法能够对发酵过程关键生物量参数进行较准确的在线预测,较普通的SVM逆建模方法具有更高的预测精度。     

基于改进BP神经元网络的软测量技术

针对基本BP神经元网络建立软测量模型所存在的几个问题：例如基本BP算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进BP神经网络软测量建模方法,以提高软测量模型的训练速度和外推能力,为软测量技术的在线应用提供更大的方便。实验结果表明：该改进BP神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

基于在线动态高斯过程回归抽油井动液面软测量建模

实践中, 抽油井动液面都是使用回声仪测试的, 无法实时在线检测。而基于示功图分析的动液面实时在线检测方法存在计算精度不高的缺陷。考虑到数据驱动软测量建模方法存在随时间推移出现的模型老化现象, 采用一种增量学习动态高斯过程回归(IDGPR)软测量建模方法, 实现对抽油井动液面深度的实时在线检测。首先建立基本动态高斯过程回归软测量模型, 在模型投入现场运行后, 通过一种增量学习算法对模型进行在线更新, 使其不断适应油井工况变化, 自适应获得更加准确的软测量模型。现场应用表明, 该软测量模型具有较高的预测精度和较好的泛化能力, 可以满足工程应用要求。     

LS-SVM模型在线校正的替代法及其软测量应用

软测量技术是现代化工过程控制系统的重要组成部分,化工过程的时变性要求软测量模型及时进行在线校正,以适应新工况,保持模型的预测精度。基于矩阵计算理论,提出了最小二乘支持向量机模型在线校正的替代法,它无需重新训练,校正速度快。通过分析还提出以距离标准选择被替代个体,可提高预测精度。将该法用于某炼油厂常压塔塔顶汽油干点的软测量,效果良好,表明该法可以克服工况变化对模型预测精度的影响。     

先进控制技术及应用第三讲软测量技术及其应用

采用计算技术,构建合适的模型,用来推断估计不可在线测量的变量,已成为先进控制策略的重要内容。本文介绍软测量建模方法、软测量工程化设计及实施和软测量模型的自校正与维护。     

基于改进BP神经元网络的软测量技术

针对基本ＢＰ神经元网络建立软测量模型所存在的几个问题：例如基本ＢＰ算法收敛速度较慢而且泛化能力较低等。本文尝试提出了变尺度与变步长相结合的改进ＢＰ神经网络软测量建模方法，以提高软测量模型的训练速度和外推能力，为软测量技术的在线应用提供更大的方便。实验结果表明：该改进ＢＰ神经元网络软测量建模方法在训练速度和外推能力方面有较大改善。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。     

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。     

化工软测量技术研究进展

详细说明了软测量技术的含义以及软测量系统的组成。在此基础上，介绍了软测量技术中基于机理分析建模、应用状态观测器建模、应用统计分析建模、神经元网络、模糊技术、以及支持向量机的智能建模等软测量建模理论方法和最新研究成果，之后介绍了小波分析、推断控制算法在软测量数据处理中的应用，最后介绍了基于虚拟仪器开发平台的软测量系统实现技术。     

粗汽油干点的在线软测量

引言粗汽油的干点是反映流化催化裂化（FCCU）主分馏塔产品质量指标的重要参数,对其实行卡边控制以提高经济效益一直都是石油炼制企业所关注的问题．因在线的质量分析仪不但价格昂贵,而且测量滞后,存在维护和保养上的困难及可靠性差等问题。目前在生产过程中一般采用离线分析化验手段,每8h才能有一组数据,实时性很差,无法直接实现质量闭环控制．为了实时地得到这一信息作为质量卡边控制的反馈信号,已有许多人致力于这方面的研究工作．其中比较典型的两类干点软测量模型是机理模型和神经网络模型．文献[1]基于过程机理推导出粗汽油干…     

直觉模糊多核聚类算法及其在乙烯原料属性聚类中的应用

随着乙烯裂解原料种类的日益增多,原料分析仪价格昂贵,因此根据乙烯裂解原料属性进行在线聚类,对实现乙烯收率建模,优化乙烯产率、节能减耗具有重要现实意义。为了提高原料在聚类的准确性,提出了一种基于直觉模糊集理论的核聚类算法。即在定义直觉模糊集隶属度时通过引入犹豫度来表征数据的不确定信息,同时利用直觉模糊熵对多核聚类算法的损失函数重新定义,使类簇中的数据点最优化;进一步地,使用随机森林对裂解原料属性进行特征选择,依据对乙烯产率的贡献度选取聚类的主要特征属性。最后根据实际工业裂解的石脑油数据验证了所述算法的有效性。     

A novel online affine model identification of multivariable processes using adaptive neuro-fuzzy networks

This paper presents a novel systematic identification methodology for online affine modeling of multivariable processes using adaptive neuro-fuzzy networks. The proposed approach introduces an integrated procedure to simultaneously estimate a number of adaptive neuro-fuzzy networks with simple and compact dynamic structures to realize a multivariable affine model identification in real-time. A new fuzzy rule significance concept, based on a generic time-weighted rule activation record (WRAR), together with a measure of time-weighted root mean square (WRMS) error are incorporated to maintain efficient structural and parametric mechanisms for proper adaptation of the resulting neuro-fuzzy networks. An extended Kalman filter (EKF) algorithm is developed to adaptively adjust the neuro-fuzzy free parameters corresponding to the nearest created fuzzy rules. Extensive simulation test studies will be conducted to explore the capabilities of the proposed identification approach to adaptively develop online multivariable affine dynamic models for a highly nonlinear and time-varying continues stirred tank reactor (CSTR) and a highly nonlinear binary distillation column as two challenging benchmark problems.     

基于在线聚类的多模型软测量建模方法

针对石化行业中软测量建模样本的特性,提出一种基于在线聚类和v-支持向量回归机(vSVR)的多模型软测量建模方法。在vSVR建模过程中,通过在线聚类算法改善vSVR模型参数选择算法的稳定性,并用vSVR参数的先验知识和KKT条件实现模型参数的快速寻优,提高了模型的学习效率和精度。该建模方法在加氢裂化分馏塔装置的轻石脑油终馏点在线预测系统中取得了良好的效果。     

基于自适应偏最小二乘回归的初顶石脑油干点软测量

提出了一种具有强非线性表达能力的自适应偏最小二乘回归（APLSR）方法,并应用于初顶石脑油干点软测量模型建立.APLSR对于指定的预测对象,将根据样本在自变量空间中的分布,分析它们对预测对象的预报能力,自适应地为各个样本分配权值,然后从加权样本数据中提取和选定PLS成分,实施自适应加权PLSR,从而获得预报性能良好的模型.同时提出将前一时刻初顶石脑油干点人工分析值引入作为模型的自变量,从而进一步提高了软测量模型的预测精度.     

4-Lump kinetic model for vacuum gas oil hydrocracker involving hydrogen consumption

A 4-lump kinetic model including hydrogen consumption for hydrocracking of vacuum gas oil in a pilot scale reactor is proposed. The advantage of this work over the previous ones is consideration of hydrogen consumption, imposed by converting vacuum gas oil to light products, which is implemented in the kinetic model by a quadratic expression as similar as response surface modeling. This approach considers vacuum gas oil (VGO) and unconverted oil as one lump whilst others are distillate, naphtha and gas. The pilot reactor bed is divided into hydrotreating and hydrocracking sections which are loaded with different types of catalysts. The aim of this paper is modeling the hydrocracking section, but the effect of hydrotreating is considered on the boundary condition of the hydrocracking part. The hydrocracking bed is considered as a plug flow reactor and it is modeled by the cellular network approach. Initially, a kinetic network with twelve coefficients and six paths is considered. But following evaluation using measured data and order of magnitude analysis, the three route passes and one activation energy coefficient are omitted; thus the number of coefficients is reduced to five. This approach improves the average absolute deviation of prediction from 7.2% to 5.92%. Furthermore, the model can predict the hydrogen consumption for hydrocracking with average absolute deviation about 8.59% in comparison to those calculated from experimental data.