具有降阶模型的多模型鲁棒自适应控制

传统鲁棒自适应控制由于考虑了实际系统存在的不确定性,在一定程度上扩大了常规自适应控制的应用范围,但是传统鲁棒自适应控制大多只是从系统全局稳定性的角度出发来设计控制器而忽略系统动态和稳态性能,导致其无法在工况多变的实际被控系统中取得令人满意的效果。针对传统鲁棒自适应控制的不足,本文对由ARMA模型描述并包含未建模动态的系统设计了多模型鲁棒自适应控制器。首先采用正则化技术将系统未建模动态转化为系统有界扰动,并在系统降阶模型的基础上根据系统工况的变化设计了多个固定控制器和2个鲁棒自适应控制器,并根据性能指标函数选择最佳控制器作为当前系统控制器以提高系统性能。仿真实验说明当系统存在未建模动态以及系统工况发生变化时,本文设计的控制器能获得较好的控制效果。     

基于自适应模糊聚类多模型过程监控及应用

对乙烯裂解炉建立实时监控模型具有重要的现实意义,而传统的多元统计过程监控方法都是假设过程处于单一工况下,而随着过程参数(进料负荷、产品组分等)的改变,工况也随之改变,传统方法便不再适用.本文针对工业过程中的多工况问题,提出了一种基于自适应模糊聚类的多模型过程监控方法,该方法可以减少监控方法对过程知识的依赖性,并且能够适应实际工业过程的非高斯性和非线性特征.首先对影响工况的过程变量利用自适应模糊聚类进行工况划分,然后对每种工况的建模数据分别利用最大方差展开(MVU)提取低维信息,再用支持向量数据描述(SVDD)建立多模型过程监控模型,最后再利用相应的统计指标进行过程监控.将上述方法应用在乙烯裂解炉上,并与基于高斯混合模型的多PCA方法(GMM-MPCA)进行了比较.仿真实验中,监控对裂解炉运行影响最大的33个变量,根据聚类有效性指标,将数据划分为5类时可以得到最佳的聚类效果.通过实验,将33维建模数据降到20维时误报率最小.仿真结果表明该方法在对非线性和非高斯性过程的监控上,能达到很好的效果,误报率和检测率均优于GMM-MPCA方法.     

机器视觉工业检测系统的应用与发展

介绍了机器视觉工业检测系统的发展概况,阐述了机器视觉的研究已经从实验室走向实际应用的发展阶段,业已成为当代计算机技术研究的热点,获得了广泛的工业应用。重点讨论了机器视觉系统在实际工业生产中的应用及工业视觉检测原理、常用图像处理算法等。举例说明了如何利用模板匹配法对目标图像进行识别,从而实现对产品包装的检测。最后,指出在社会高度信息化发展过程中,在人类获取信息中占很大比例的视觉信息处理技术及机器视觉测量系统,将受到人们越来越多的关注。     

一种基于D-S 和ARIMA 的多模型软测量方法

针对传统软测量方法存在的预测性能差、融合能力低等缺点, 提出一种基于证据理论(D-S) 合成规则和差分自回归滑动平均(ARIMA) 模型的多模型软测量方法. 首先利用自适应模糊核聚类方法和最小二乘支持向量机建立多个子模型; 然后利用D-S 合成规则构造的概率分配函数作为权值因子, 对子模型输出进行融合以得到多模型的输出; 最后结合ARIMA 模型对静态多模型输出进行动态校正. 仿真研究与工业应用的结果表明, 所提出的方法具有良好的预测性能和融合能力.

     

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。     

W火焰锅炉调试期间的问题及分析

阐述了300 MW“W”火焰锅炉设计特点、调试过程中发现的问题以及对问题的理解和解决问题的方法及建议。     

基于最近邻与神经网络融合模型的软测量建模方法

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前,基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中,主导变量的采集相对辅助变量要困难得多,由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据,只利用少量的有标签数据建模,从而影响了模型的预测精度。为了解决标签缺失的问题,采用最近邻算法对无标签数据进行伪标记,同时设计了由卷积操作与门限循环单元神经网络(GRU)结合的网络结构来进一步利用无标签数据,提取不同时刻数据中的动态特征,提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测,实验结果表明该模型能有效处理非线性动态系统的标签缺失问题,具有更高的预测精度。     

BP人工神经网络隐层结构设计的研究进展

指出BP人工神经网络隐层结构的确定,尤其是隐层神经元数目的选择历来是研究的热点。针对目前解决这一问题尚缺乏严格的理论依据,设计者多凭经验而定,介绍了用来优化设计隐层结构的可行方法,纵览了现有多种设计研究成果,从而探讨了新的设计方向。分析了网络隐层结构优化问题的产生及其理论依据,对各种设计方法进行了详细的分类综述, 探讨各自的优势与不足,并对神经网络结构优化问题的研究和发展做了评述与展望。     

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.     

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。