一种新的对角回归神经网络快速学习算法

提出一种新的动态对角回归神经网络学习算法－局部动态误差反传算法（LDBP），该算法定义了一种新的局部均方差函数，并为回归单元建立一种新的学习结构。如果估计出各层的期望输出值，多层回归网络便可分解成一组自适应单元（Adaline），而每个单元可通过二次优化方法进行训练。采用可在有限步人找出全局最优解的共轭梯度法（CG）进行寻优。由于学习过程采用超线性搜索，大大减少了循环步数和计算时间。     

基于改进GSO的裂解炉原料切换策略研究(英文)

The scheduling process of cracking furnace feedstock is important in an ethylene plant. In this paper it is described as a constraint optimization problem. The constraints consist of the cycle of operation, maximum tube metal temperature, process time of each feedstock, and flow rate. A modified group search optimizer is pro-posed to deal with the optimization problem. Double fitness values are defined for every group. First, the factor of penalty function should be changed adaptively by the ratio of feasible and general solutions. Second, the“excel-lent”infeasible solution should be retained to guide the search. Some benchmark functions are used to evaluate the new algorithm. Final y, the proposed algorithm is used to optimize the scheduling process of cracking furnace feedstock. And the optimizing result is obtained.     

玉米秸秆在水泥厂中应用的可行性分析

水泥行业作为高耗能产业,煅烧能源主要以化石燃料为主;随着化石燃料不断减少,寻找可替代燃料尤为迫切。本文分析和论证了玉米秸秆替代分解炉部分原煤作为水泥生产燃料的可行性。经过计算和分析,熟料生产线窑尾热量替代率可达13.16%,且玉米秸秆灰分掺加到水泥熟料中,不会影响熟料煅烧质量;利用玉米秸秆作为燃料既能合理利用资源,变废为宝,又能减少因原煤燃烧产生的二氧化碳、二氧化硫和氮氧化物等污染物排放,同时还能降低生产成本,增加企业利润和提高农民收入,具有良好的生态环境效益和经济效益。     

基于STA-BiLSTM-LightGBM组合模型的多步预测软测量建模

在复杂工业生产过程中,为提高产品质量,建立关键变量多步预测模型非常必要,但传统软测量建模方法难以聚焦工业数据复杂特性,导致预测不准。本文提出一种基于时空注意力机制的双向长短时记忆网络与轻量级梯度提升机(spatial-temporal attention mechanism bi-directional long short-term memory network and light gradient boosting machine,STA-BiLSTM-LightGBM)的多步预测软测量模型。首先训练STA-BiLSTM,时空注意力机制从时间和空间维度为输入特征分配权重,BiLSTM捕捉数据时序特征;其次使用BiLSTM最后一个时间步的隐状态扩充原始输入数据后,训练LightGBM,利用弱学习器迭代训练得到最优模型;进而将STA-BiLSTM和LightGBM的预测输出按照误差倒数法变权求和得到预测结果。最后将该方法在工业数据集上仿真验证,结果表明组合模型预测效果优于BiLSTM和LightGBM,且随着预测步数增大,仍保持较高的预测精度。     

基于改进深度强化学习的乙烯裂解炉操作优化

乙烯裂解炉是乙烯生产的核心,对其生产操作优化的研究在提高乙烯工厂生产水平和经济效益方面具有重要意义。裂解炉中的裂解过程具有高维度、多模态和非线性的特征,传统优化方法难以实现根据工况变化的操作优化。针对上述问题,提出基于改进TD3深度强化学习算法的乙烯裂解炉操作优化,首先结合裂解过程将裂解炉一个运行周期内的操作策略视为顺序决策,利用实际生产过程数据和人工神经网络对裂解炉生产过程建模作为强化学习智能体交互的环境,然后引入多评价网络机制估计动作价值,有效缓解TD3训练缓慢和策略保守的现象,最后应用该算法求解乙烯裂解炉生产操作优化问题得到有效的优化策略,验证了所提算法的有效性。实验结果表明,所提出的操作优化策略显著提高了裂解炉主要产物的收率。     

基于LTSA和MICA与PCA联合指标的过程监控方法及应用

独立成分分析(ICA)方法主要被用来对线性非高斯过程进行监控,为了提高对非高斯过程的监控效果,则利用过程数据信息对ICA的监控指标进行了改进,提出了一种改进的独立成分分析(MICA)方法。许多实际工业过程数据都具有非线性、非高斯与高斯混合分布的特点,为此提出了一种基于LTSA和MICA与PCA联合指标的过程监控的方法。首先采用局部切空间排列(LTSA)算法对样本数据进行非线性降维,然后分别用MICA和PCA方法得到非高斯与高斯统计量,对其进行加权得到新的统计量,并被用于过程监控。最后将该方法应用在田纳西-伊斯曼(TE)过程和乙烯裂解炉的过程监控中,证明了该方法的有效性。     

A Hybrid Algorithm Based on Differential Evolution and Group Search Optimization and Its Application on Ethylene Cracking Furnace

To find the optimal operational condition when the properties of feedstock changes in the cracking furnace online, a hybrid algorithm named differential evolution group search optimization (DEGSO) is proposed, which is based on the differential evolution (DE) and the group search optimization (GSO). The DEGSO combines the advantages of the two algorithms: the high computing speed of DE and the good performance of the GSO for preventing the best particle from converging to local optimum. A cooperative method is also proposed for switching between these two algorithms. If the fitness value of one algorithm keeps invariant in several generations and less than the preset threshold, it is considered to fall into the local optimization and the other algorithm is chosen. Experiments on benchmark functions show that the hybrid algorithm outperforms GSO in accuracy, global searching ability and efficiency. The optimization of ethylene and propylene yields is illustrated as a case by DEGSO. After optimization, the yield of ethylene and propylene is increased remarkably, which provides the proper operational condition of the ethylene cracking furnace.     

基于模糊核聚类的乙烯裂解深度DE-LSSVM多模型建模

乙烯裂解深度的建模与控制对于裂解炉的实时优化具有重要意义。针对石脑油原料组分复杂、油品特性波动大等状况,采用模糊核聚类对石脑油数据库进行最优划分,建立最小二乘支持向量机的多模型,对于最小二乘支持向量机中模型的参数选取,利用差分进化算法进行参数寻优,提高了模型的精度和泛化能力。通过对现场数据的建模实验,结果表明：基于模糊核聚类的乙烯裂解深度最小二乘支持向量机多模型跟踪性能良好,预测精度较高。     

一种基于多模型切换的阶梯式广义预测控制算法

针对一类模型参数突变的系统,提出一种基于多模型切换的阶梯式广义预测控制算法。采用多个固定模型、一个常规自适应模型和一个可重新赋初值的自适应模型并行辨识系统的动态特性。多个固定模型可以提高系统的暂态性能,常规自适应模型可以保证系统的稳定性,可重新赋初值的自适应模型可以进一步提高系统的暂态性能。在每个采样时刻基于性能指标切换到最优的局部模型作为当前模型,设计阶梯式广义预测控制器,从而实现系统全局的控制。最后的仿真结果表明,其控制效果明显优于单一模型的控制器。     

基于多数据空间全潜结构映射的化工过程性能评估方法

针对化工过程运行状态在线评估的问题,提出多数据空间全潜结构映射（multi-space total projection to latent structures,MsT-PLS）性能评估方法。该方法采用“离线建模,在线评估”的评估策略。首先对历史多数据输入空间进行全面分解,结合多数据空间基向量提取方法,剔除多数据输入空间中与质量变量无关信息的干扰。在与质量变量相关的多数据输入空间上,建立不同运行性能等级的离线数据网络分类模型,实现“离线建模”。“在线评估”阶段,以数据滑动时间窗为评估单元,将过程性能分为稳定和过渡性能等级,把在线数据与历史性能等级进行相似度匹配。利用过程变量相对贡献度,对性能变化起决定性影响的过程变量进行识别和贡献度分析,为系统性能劣化原因的识别提供了参考。最后,应用到乙烯裂解过程在线性能评估中,说明了本评估方法可以对系统进行准确的在线性能评估。