基于双层自适应集成残差主成分分析的复杂非线性过程监测

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提出了一种双层自适应集成残差主成分分析(AERPCA)模型,其子模型包含不同的特征,并突出地呈现一个或多个相关故障。首先,根据正常数据计算主成分分析(PCA)特征,利用不同特征构建线性子模型和相应的残差空间。考虑到残差空间的非线性特性及有效特征更为分散,采用核PCA(KPCA)提取不同的特征并组成同一残差空间下不同KPCA子模型。然后,利用贝叶斯方法获取集成KPCA子模型,完成各残差空间的划分和集成。最后,在主空间中获得多个线性子模型以及在残差空间中获得多个集成的非线性子模型后,利用滑动窗口确定当前时刻监控效果最好的模型。采用田纳西-伊士曼过程验证了AERPCA的有效性。

混沌遗传算法估计反应动力学参数

为了准确地估计反应动力学参数 ,提出一种混沌遗传算法 (chaosgeneticalgorithm ,CGA) ,它基于混沌变量的遗传操作 ,将使子代个体均匀地分布于定义空间 ,从而可避免早熟 ,以较大的概率实现全局最优搜索 .与传统的遗传算法相比较 ,CGA的在线和离线性能都有较大的改进 .将CGA应用于 2 -氯苯酚在超临界水中氧化反应动力学参数的估算 。

基于改进差分进化算法的超临界水氧化动力学参数估计

为了准确地估计反应动力学参数,提出一种改进差分进化算法(MDE),能根据算法搜索进展情况而自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟;在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率。与传统的差分进化算法(DE)相比较,MDE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低。将MDE算法应用于2-氯苯酚在超临界水中氧化反应动力学参数的估算,获得模型的拟合相对误差绝对值之和比文献报道值降低了14.2%。

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.

自适应变异差分进化算法估计软测量参数

提出一种自适应变异差分进化算法(ADE),能根据搜索进展情况自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟:在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率．与传统的差分进化算法(DE)相比较,ADE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低．本文将ADE算法应用于对苯二甲酸中对羧基苯甲醛含量软测量模型的参数估计,获得了满意的结果．

用自适应偏最小二乘回归为药物定量构效关系建模

提出了一种自适应偏最小二乘回归 (APLSR)方法。对于指定的预测对象 ,APLSR将根据样本在结构参数空间中的分布 ,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 ,并从样本数据中提取和选用PLS成分 ,从而实施自适应加权PLSR ,以获得预报性能良好的模型。作者将APLSR应用于含硫苯衍生物的QSAR建模 ,取得了令人满意的效果。

优选优生进化算法及4-CBA软测量模型参数估计

提出一种优选优生进化算法(select-best and prepotency evolution algorithm,SPEA),该算法中优选优生操作首先使群体中的所有个体都以相同的概率在自身所处环境的某个领域内选择最优个体进行交叉操作,不但保持后代个体的多样性,避免早熟,而且使群体中较优个体多次参加交叉操作,保留优良信息,同时也避免了遗传算法(genetic algorithm,GA)中占用大量计算时间的种群挑选操作;然后挑选交叉操作产生的较优个体参与变异形成下一代个体,从而增强算法的局部搜索能力,使求得的全局最优解有较高的精度。与GA相比较,SPEA计算复杂性低,离线性能和在线性能都有较大的改进,局部搜索能力和全局寻优能力都有较大的提高。举例将SPEA应用于对苯二甲酸(terephthalic acid,TA)中对羧基苯甲醛(4-carboxybenzaldehyde,4-CBA)含量软测量模型的参数估计,获得了满意的结果。

复杂模式保留拓扑的平面映射及其应用

采用自组织映射 (Self- Organize Map,SOM)网络 ,将复杂化学模式映射于平面 ,并保留模式群的高维空间拓扑结构 ,从而可以清晰地反映出化学模式间复杂的几何关系 .还提出了获胜邻域和学习率的调整方案 ,用以改进 SOM网络的训练效率 ,并将 8维橄榄油样本映射于网络的输出平面 ,成功地实现了聚类 ,进而在分类预报中取得良好效果 .

复杂化学模式群的非线性映射及其应用

提出新的非线性映射算法 ,并分别采用传统非线性映射算法和新的非线性映射算法 ,将 8维橄榄油样本映射于平面。其中新的非线性映射算法获得更好保留样本模式拓扑结构的映射平面 ,映射平面清晰地反映模式的类别关系 ,即同类模式都清晰地聚集在一起 ,实现聚类。

基于进化算法的常减压装置模拟

提出了基于优选优生进化算法(Select-best and prepotency evolution algorithm,SPEA)的常减压装置模拟方法。以各塔的温度分布为目标,基于生产过程和分析数据,采用SPEA确定各塔板Murphree效率,从而精确描述各塔板平衡偏离程度。在实际应用中,获得具有良好精度的常减压装置模型。系统分析了SPEA算法的关键参数———优选领域大小与计算复杂性及寻优性能之间的关系,结果显示其取值为群体规模的10%最为合适。

节点与测量数据组合检测的数据协调及应用

提出一种新型的节点与测量数据组合检测的稳态数据协调方法。该方法通过节点检测法和测量检测法共同检测可能存在显著误差的可疑节点,以及与可疑节点相连的最可疑测量变量,并通过调整量检测法融合领域专家的先验知识判断最可疑测量变量是否存在显著误差,最终实现稳态数据协调和显著误差同步检测。该组合方法融合测量检测和节点检测方法的各自优点且克服各自的缺点。仿真研究与实际应用表明,该组合方法对有多个显著误差的系统也能给出准确的显著误差检测结果,且优于迭代测量检测方法。

KPCA-RVM组合建模方法及其在软测量中的应用

提出了一种核主元分析(KPCA)和关联向量机(RVM)相结合的组合建模方法。KPCA-RVM采用KPCA对原始自变量进行非线性变换并提取主成分,形成特征自变量;采用RVM,对KPCA变换后的样本数据进行回归建模,并根据模型的预报能力自适应的确定参与回归的最佳特征变量个数,消除冗余信息干扰,获得强非线性表达能力且预报性能良好的模型。并将KPCA-RVM应用于PTA装置对羧基苯甲醛(4-CBA)含量的软测量建模,结果表明该方法预测精度高于PCA-RVM和RVM。

用类随机训练组合网络以辅助含硫苯衍生物分子设计

提出一种线性与非线性相结合的组合式神经网络，用以研究化合物的定量构效关系。网络线性部分的参数和局部输出值可以解释分子结构片段对化合物活性效应的贡献，而其非线性部分则可进一步提高网络模型的拟合与预报精度。还提出了一种快速的类随机搜索训练方法，并实际应用于含硫苯衍生物构效关系的建模中，取得了良好的效果。

基于优选优生进化算法的常减压蒸馏装置稳态数据整定方法

提出一种寻优性能良好的优选优生进化算法,该方法与实数编码、线性交叉的遗传算法相比,计算复杂性低,离线性能和在线性能都有较大的改进,全局寻优能力明显提高。基于优选优生进化算法,采用测量误差为污染正态分布的数据整定与过失误差同步检测的方法对常减压装置进行稳态流量整定,提高了数据的一致性。

基于径基函数-加权偏最小二乘回归的干点软测量

针对影响石油馏分产品干点因素众多且呈高度非线性的特征,提出了一种径基函数(Radial basis function,RBF)和加权偏最小二乘回归(Weighted partial least squares regression,WPLSR)相结合的建模方法建立干点软测量模型．该组合方法首先应用RBF实现样本数据的非线性变换;然后根据非线性变换后样本在结构参数空间中的分布,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,并进而从中提取和选用PLS成分,实施加权PLSR,以获得预报性能良好的模型．在实际应用于初顶石脑油干点软测量建模中,RBF-WPLSR获得比PLSR、WPLSR及RBF-PLSR更高精度的模型．

基于SOM的高维化工过程数据粗差判别

针对石油化工生产过程样本数据呈高维的特征,提出了基于自组织映射(Self-Organizing Map,SOM)网络的粗差判别方法,并实际应用于初馏塔生产过程。首先应用SOM网络对初馏塔生产过程数据进行保留拓扑结构的降维映射,然后通过对其映射平面神经元间距离的可视化分析,实现数据粗差判别。研究结果表明用SOM网络来发现高维复杂生产过程数据中的粗差具有很好的可视化效果及应用前景。

BP-AMOCO工艺氧化单元催化剂和促进剂消耗模型

提出一种采用BP AMOCO工艺的氧化单元钴、锰催化剂和溴促进剂的消耗模型。模型首先对氧化单元配料系统进行分析,建立氧化单元钴锰溴的消耗与配料混合罐出口流股的流量、钴锰溴的浓度,以及氧化单元循环母液的流量、钴锰溴浓度的关联模型;然后再对氧化单元钴锰溴循环系统进行机理和统计分析,建立氧化单元母液的流量、钴锰溴的浓度与配料混合罐出口流股的流量、钴锰溴的浓度的关联模型;最终建立可以根据配料混合罐出口流股钴锰溴浓度和母液循环率,计算氧化单元钴锰溴消耗的模型,从而为操作参数优化提供基础。

基于MLFN-PLSR的PX氧化反应组合建模方法

针对对二甲苯(-pxylene,PX)氧化反应过程中影响主要副产物对羧基苯甲醛(4-carboxybenzaldehyde,4-CBA)含量的因素众多且呈高度非线性的特征,提出了多层前向型神经网络(multi-layer feedforward network,MLFN)与偏最小二乘回归(partial least squares regression,PLSR)相结合的建模方法,建立反应产物中4-CBA含量关联模型。MLFN-PLSR采用三层网络结构和尽量多的隐节点,通过MLFN充分提取样本数据信息;然后采用PLSR消除隐含层输出冗余信息,建立具有良好预测精度的模型。与MLFN相比,最佳性能模型的预测偏差平方和均值下降了12.11%、模型平均预测偏差平方和均值下降了8.37%。与PLSR相比,最佳性能模型的预测偏差平方和均值下降了70.62%。

优化岭参数的非线性岭回归及4-CBA含量软测量

针对二甲苯氧化反应过程中影响主要副产物对羧基苯甲醛含量的因素众多且呈高度非线性的问题,提出基于优化岭参数的非线性岭回归MNRR算法,并应用于建立4CBA含量软测量模型,获得满意的结果.MNRR采用非线性变换对原始模式特征空间进行扩张,以预测性能为指标,采用进化算法确定最佳岭参数,最终建立具有强非线性表达能力以及预测性能良好的模型.与非线性最小二乘回归和基于广义交叉有效性逐步估计岭参数的非线性岭回归相比,MNRR模型具有更高的预测精度且克服了传统岭回归算法最佳岭参数难以确定的缺点.

基于自适应神经网络的芳烃异构化过程建模

针对芳烃异构化过程(AH IP)中影响对二甲苯(PX)产率的因素众多且复杂等特点,提出一种自适应神经网络(Adaptive ANN)以建立AH IP的各因素与PX产率的关联模型。Adaptive ANN将样本分成训练样本和校验样本,并设计过拟合判据参数。通过训练样本对网络进行训练,训练过程中以模型对校验样本的预测性能为指标,通过过拟合判据参数的计算自适应地在获得具有最佳预测性能模型时终止网络训练,克服了传统的神经网络以模型的拟合精度为指标,造成训练时间过长和过拟合等缺点。