基于微元法的地下储油罐变位参数识别

通过对地下储油罐变位识别与罐容表重新标定问题的研究,采用微元法对变位储油罐的油量体积进行计算,建立了储油量与油位高度的函数关系,并根据非线性最小二乘法与网格搜索法结合的优化算法,来近似确定储油罐的横向和纵向变位参数,最后得出了油品体积与油品液面高度对照表,提高了油品体积的测量精度,减少了实际测量中的工作量。     

基于RBF神经网络区域划分-分块补偿的储油罐用温度传感器非线性补偿

由于储油罐温度场分布规律复杂,因此采用温度传感器进行储油罐温度数据测量时需要进行误差补偿,提出了一种基于RBF神经网络区域划分-分块补偿方法。根据储油罐温度场分布规律及温度传感器安装布置,将罐内空间划分为若干个区域。利用RBF神经网络对各个区域内的温度传感器分别构建相互独立的补偿模型进行非线性补偿。实验表明,与多种补偿方法相比,该种方法模型结构简单,补偿后的储油罐用温度传感器误差大幅减少。     

应用PLS及BP神经网络定量分析汽油中甲缩醛含量

建立了采用中红外方法测定汽油中甲缩醛含量的方法。通过实验室配比一定体积分数的甲缩醛-汽油混合物作为研究的基础数据,利用傅里叶红外光谱仪测定不同比例甲缩醛-汽油混合物的谱图,分别建立偏最小二乘法(PLS)和BP神经网络的中红外谱图分析的校正模型。其中偏最小二乘法甲缩醛定量模型的相关系数R2为0.975 3,预测均方根误差(RMSEP)为0.121;BP神经网络法甲缩醛定量模型的相关系数R2为0.974 2,预测均方根误差(RMSEP)为0.132。该方法是一种操作简便、快速可靠的分析甲缩醛含量的方法。     

基于Hammerstein-Wiener模型的连续搅拌反应釜神经网络预测控制

针对化工过程中广泛使用的连续搅拌反应釜(CSTR),提出一种基于神经网络的模型预测控制策略,采用分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法,在此基础上建立线性自回归模式〖DK〗(ARX)结构和高斯径向基神经网络串联的非线性预测控制器。利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现一种基于支持向量机Hammerstein-Wiener辨识模型的非线性神经网络预测控制算法。对CSTR的仿真结果表明,该方法能够更有效地跟踪控制反应物浓度。     

液态饱和水的物性计算

利用线性与非线性最小二乘法,得出液态饱和水的物性对于温度的关系式。据此算出水的物性值与文献中的实验值比较,偏差较小。     

基于MATLAB的均匀设计实验数据多元非线性最小二乘拟合

根据多元非线性最小二乘原理,利用MATLAB编程,拟合出了一组均匀设计实验结果的经验公式。回归拟合的F检验及实验验证结果表明拟合公式有效、回归效果显著。在显著性水平为α=0.01下,F=38.1大于临界值λ=16.0;验证实验的回归值与实验值的绝对误差为0.16,小于剩余标准差S=0.879,相对误差为2%。根据拟合公式绘图分析得出的结论与理论分析、其它实验研究结果相符,从而进一步说明拟合公式的正确性。     

计算机视觉算法在道路标线识别上的应用

介绍一种基于计算机视觉算法的图像边缘检测算法,可应用于道路标线识别。该算法采用了传统Hough变换的图像特征提取技术,通过结合所安装摄像头的分辨率、安装高度和安装角度,改进了传统的车道线识别算法,提高了对车道线的拟合程度,适用于高速公路的路况,并通过使用最小二乘法进行拟合,用OpenCV实现车道线拟合算法的实现。     

基于两种神经网络的管内沸腾汽液两相流型识别

将Fluent数值模拟得到的温度、压力和截面含气率等参数作为流型识别的特征向量,输入经过训练的BP及Elman神经网络,进行流型的识别。结果表明,在所取预测组数范围内,BP神经网络的识别准确率为95.24%,Elman神经网络对各种流型的识别准确率为100%。     

散式流化和聚式流化的BP神经网络识别

由于流化系统的复杂性和非线性的特性,到目前为止,仍没有一个能很好地判断这两类流态化的可靠方法,而人工神经网络能够进行复杂的逻辑操作和实现对非线性系统流型的识别。由此,在文献数据(含15种颗粒和11种流体)的基础上,利用三层BP人工神经网络,提出了一种识别散式流化和聚式流化的新方法。以经过归一化处理的3个无因次准数(ρp-ρf)／ρf、Remf和Frmf(判别因子)作为神经网络的三个输入结点,以散式流化、过渡状态和聚式流化对应于神经网络的三个输出结点,由训练样本集得到隐层结点数等最佳网络参数,然后对待测样本进行了流型识别。研究结果表明,神经网络用于散式流化和聚式流化的模式识别,结果与实际较一致。新方法优于传统的识别方法,具有较好的应用前景。     

基于径向基神经网络的聚丙烯熔融指数预报

引　言在化工生产中大部分生产流程具有非线性、大时滞、结构复杂等特性 ,而且生产变量之间存在着不同程度的耦合与关联 .前馈神经网络由于具有强大的拟合非线性函数的能力 ,已成为生产指标预测的有力工具[1] .其中径向基 (radialbasisfunction ,RBF)神经网络相对于神经网络BP     

用最小二乘法分析压延机与挤出机的速度匹配问题

在挤出机与压延机的速度匹配问题上，常规做法是先手动将其速度匹配好，保存此时比例，再将两者设置成联动状态，挤出机就会按刚才保存的比例进行调速。为了让调速变的更快捷、更具自动化，本文用最小二乘法对现场试车得到的数据进行曲线拟合，得到了一个关于制品厚度与挤出机／压延机速度比例之间的函数，用这个函数编程则可以减少调速时间。     

散式流态化到聚式流态化的混沌识别

散式流态化呈现出一种非常均匀的理想流态化结构 .聚式流态化具有明显的两相结构 .当流型从散式到聚式转变时 ,床层结构发生了变化 .本文在提出用最小二乘法同时计算关联维D2 和K2 熵的计算方法的基础上 ,就A类颗粒在不同气速下的压力波动 ,分析了从散式到聚式转变时所对应的床层结构的变化 ,解释了在不同尺度下两种流型所表现出的不同动力学行为 .以此为基础 ,提出了新的识别流型转变的方法 .     

基于多元统计方法的过程单元缓变故障识别

在实际化工生产过程中存在一些缓变故障,在发生的初期过程偏离正常工况的程度较少,且受生产数据噪声的影响,不易被传统过程监测方法及时发现。本文针对缓变故障的特点,提出了一种基于偏最小二乘法-主元分析法(PLS-PCA)的过程监测方法。首先利用偏最小二乘法(PLS)回归提取出各变量之间的关系,通过获取变量实测值与回归预测值之间的误差,以放大装置运行状态与预设状态之间的偏差,在此基础上建立基于主元分析法(PCA)的过程监测模型,实现了对缓变故障的早期识别。该过程监测模型被应用在某制氢装置预转化反应器上,结果表明该方法对缓变故障具有较好的早期识别效果,能够比工程师提前13h,比基于传统PCA的过程监测模型提前8h。     

一类化工过程多变量系统的自适应非线性预测控制

针对化工过程的一类多变量非线性系统,提出了一种自适应非线性预测控制(ANMPC)算法。在采用递归最小二乘法进行预测模型参数在线辨识的基础上,将系统的静态非线性关系用一个反向传播(BP)神经网络稳态模型来表示,通过稳态模型求得的动态增益来进一步校正预测模型的参数。详述了ANMPC控制器设计步骤,通过在一个多变量pH中和过程中的仿真验证了本算法的可行性和有效性。     

试析压力容器检验中危险源的识别与控制措施

结合压力容器检验中的危险源的分析,提出了控制压力容器检测过程中危险源的措施,包括要掌控压力容器材料的质量,提升危险源的反馈信息,检验压力容器最终的效果检测等。     

基于机器学习的碳酸盐岩储层流体性质识别——以阿姆河右岸中部为例

阿姆河右岸中部碳酸盐岩储层为裂缝—孔隙型,其非均质性强烈,储层流体测井响应特征不明显。利用常规图版法对储层流体性质进行识别,存在样本点相互重叠、界限模糊、流体识别精度较低等问题。由于机器学习具有自动提取特征数据和多参数非线性预测能力强的特点,因此将BP神经网络、随机森林建立的预测模型,应用到阿姆河右岸中部储层中对气层、差气层、干层、油水层和水层进行识别,并对比两种方法的优劣。研究结果显示：BP神经网络识别效果优于其他方法,其总体识别正确率为83.3%,单一流体识别率较高。展现了BP神经网络对于复杂储层流体识别的优越性,并具有较好的实际应用效果。     

系统误差的检测与处理

提出用半参数核估计方法来处理测量中的系统误差问题,即用半参数模型中的非参数分量来表示系统误差分量.从减少参数估计的偏差出发,利用偏残差法并综合最小二乘法,得到了参数和非参数分量的最优估计量.最后,用一个算例说明了此方法在处理系统误差方面的优越性.     

基于PLS的原油选择与混合优化研究

为降低原油采购成本和生产符合质量要求的产品,将原油的选择与混合看作一个整体,基于原油属性数据信息,采用偏最小二乘法建立原油选择与混合优化的非线性混合整数规划模型,应用分支定界算法对模型进行求解,并通过具体实例分析证实了模型和算法的有效性。     

基于流程拓扑信息的统计过程监测方法

传统数据驱动的过程监测方法主要基于历史数据和统计学知识建立,往往忽视了对过程机理的考虑。基于预测残差的过程监测方法则通过数据驱动的回归模型实现对局部过程机理的近似,在预测残差的基础上建立监测模型实现了对过程偏离更好的识别。但其建立回归模型实现对局部过程机理的近似时主要基于数据,很少考虑具体流程信息。作为流程信息的一种表现形式,流程拓扑结构常被用来提取变量间的进程与因果关系,如果在建立回归模型时结合流程的拓扑结构,则可使得所建立的回归模型中包含一定的流程信息,使其对局部机理的近似更为准确。基于此,本文提出一种基于流程拓扑信息的统计过程监测方法。该方法利用流程的拓扑结构,提取变量间的进程与因果关系,建立回归模型实现对局部过程机理的近似。在此基础上建立基于预测残差的过程监测模型,实现对过程偏离的监测。该方法被应用于某连续重整装置的过程监测中,结果表明其监测效果要优于基于主元分析和基于预测残差的过程监测方法。     

基于偏最小二乘随机配置网络的污水水质指标估计

准确、可靠地测量污水处理厂的出水水质指标是成功控制和优化污水处理厂的关键。由于现有的离线化验方法存在操作繁复、测量滞后的问题,难以实现水质的实时控制。为了提高估计的准确性和可靠性,提出了一种偏最小二乘的随机配置网络方法 (PLS-SCN)。为了克服输入数据高维度和多重共线性导致的预测风险,将偏最小二乘(PLS)方法嵌入到随机配置网络(SCN)框架中,以代替经典的普通最小二乘(OLS)方法。PLSSCN方法从隐含层输出中提取影响水质指标的主要潜在变量,通过正交投影运算来增强泛化性能。某城市污水处理厂水质指标仿真结果表明,PLS-SCN网络具有良好的输入输出关系,性能优于传统SCN和PLS方法,能够快速、可靠地估计污水水质的质量。