黑液波美度的一种在线软测量方法

针对黑液波美度直接在线检测仪表价格昂贵的现状,采用软测量技术,通过在线检测差压和温度来间接换算出波美度。文中详细阐述了波美度的软测量模型,给出了模型参数的辨识方法和模型修正方法,介绍了波美度软测量仪表的西门子PLC实现。仪表已经投入使用,测量效果良好。

软测量技术赋能燃煤电厂碳排放计量的研究进展

火力发电企业作为我国能源结构的重要组成部分,长期以来是我国碳排放的主要来源,在我国和全球加速推动低碳经济发展的宏观环境下,火电企业积极响应国家“能耗双控”向“碳排放双控”转变的战略部署。在此背景下,精确计量燃煤电厂的碳排放量变得至关重要。在燃煤电厂碳计量中,烟气流量影响燃煤发电中在线监测法的精度,而燃煤消耗量、燃煤元素碳含量以及飞灰碳含量共同决定核算法的可靠性。目前,大多数燃煤发电企业只对流量和燃煤消耗量进行实时监测,在现场恶劣的环境中对燃煤元素碳含量以及飞灰碳含量进行短周期、高频次的直接监测需要花费较大的人力以及物力,流量监测设备也易受烟道环境影响。而软测量技术以其高效和低成本的特点,可为传统碳排放计量过程中关键参数的监测提供一种替代方法。鉴于此,首先阐述了软测量模型的建立过程,包含数据预处理、辅助变量选择、软测量模型建立以及模型校正。数据预处理能够确保数据质量,提高建模效率;辅助变量选择是从大量潜在的变量中筛选出对目标变量的辅助变量,进一步提高建模效率;软测量模型建立主要是基于机理建模和数据驱动建模,是实现目标变量预测的核心;模型校正通过实际的离线或在线数据,对模型进行进一步优化,提高模型的预测精度。其次,针对碳计量相关参数,分析了烟气流量、燃煤消耗量、燃煤元素碳含量和飞灰碳含量监测存在的问题,论述了软测量技术在上述碳计量关键参数的国内外研究进展和应用,评估了机理建模和数据驱动建模技术的有效性、准确性和实用性。其中,机理分析建模主要基于电厂锅炉进出口的能量平衡以及烟风质量守恒等原理,有着确定的数学物理关系式,具有高度可解释性和稳定性,但是建模过程复杂,预测精度较低;数据驱动建模主要是利用各种机器学习方法,基于电厂分布式控制系统(Distributed control system,DCS)丰富的运行数据,对碳计量关键参数进行“黑箱建模”,克服了机理分析建模复杂的过程分析,精度相对较高,但是建模过程不明确,且模型对于不同机组的泛化能力较差。最后,对于软测量技术在碳排放计量领域的发展应用进行了总结与展望。对电厂各参数之间的时序结构、电厂自身计算能力的限制以及机理分析融合数据驱动方法的发展提出相关建议,并对国外二氧化碳预测性排放系统结合软测量技术在国内外燃煤电厂的应用进行展望。

置换蒸煮终点Kappa值软测量的设计与实现

针对纸浆置换蒸煮过程中数据采集困难、缺乏工艺终点Kappa值在线测量仪表的现实问题,本课题分别用RPLSR、RBF和RPLSR-RBF 3种算法建立了Kappa值软测量模型,并用MATLAB对建立的模型进行了仿真分析。结果表明,相比于使用单一RPLSR或RBF算法建立的模型,RPLSR-RBF算法建立的软测量模型精度较高、相对误差较小。此外,本课题设计得到了Kappa值在线软测量系统实现框图和工作流程图。

基于GAN的软测量缺失数据生成方法研究

针对工业过程中传感器数据缺失造成软测量模型精度低的问题,提出一种基于生成对抗网络(generative adversarial nets,GAN)的传感器缺失数据生成方法。利用孤立森林算法检测出传感器数据的缺失区域;利用缺失数据属性特征训练条件生成对抗网络(conditional generative adversarial nets,CGAN),在CGAN的输入条件中添加随机序列作为附加信息迭代送入CGAN中生成数据,并借助WGAN-GP(wasserstein generative adversarial nets gradient penalty)成本函数提高网络训练的稳定性;针对缺失区域检测结果引入采样器,将采样的数据填补进缺失区域,形成完整数据集,以提高软测量模型精度。以镍闪速炉温度传感器数据为目标变量进行软测量建模,验证所提出的提高软测量模型精度方法的可行性与有效性。

一种面向多工序复杂制造过程的质量软测量方法

复杂制造过程关键质量变量的精准感知,是实现系统优化控制和保障系统安全稳定运行的必要前提。考虑复杂制造过程具有生产工序众多、回路互联耦合、工序质量遗传、数据时空分布等复杂特性,使得对过程质量的精准感知面临诸多困难。在此背景下,本文提出一种考虑过程时延的基于mRMR–GA–ResNet的多工序复杂制造过程质量软测量建模方法。首先,构建了一种考虑过程变量与质量变量间时延的基于最小冗余最大相关(mRMR)和遗传算法(GA)的多传感器过程变量筛选方法,以确定最优特征子集;其次,基于各工序的最优特征子集,设计了一种3维(特征–时间–工序)样本空间表征方法,工序内部以2维(特征–时间)形式表征,将工序作为通道构建3维(特征–时间–工序)样本,通过残差网络进行时间–空间特征提取,进而通过局部–全局特征融合得到最终的质量预测值;最后,通过一个实际制造过程——浮法玻璃生产过程,进行了实验验证。结果表明:在选择特征数相同的前提下,相较于其他4种基于相关性的特征选择方法(PCC、SCC、MI、MIC),本文所提多传感器过程变量筛选方法对于模型有更好的预测性能。以残差网络作为预测模型,本文所提3维样本构造方法,相较于传统的2维样本构造方法,对于模型的预测精度有了一定的提升,均方根误差ERMS、平均绝对误差EMA、对称平均绝对百分比误差E_(SMAP)分别提升9.2%、10.8%、9.8%,验证了所提方法的有效性。

基于FRBPSO-RBF神经网络的污水BOD5软测量方法

污水处理过程中污水BOD5难以实时准确测量,故软测量方法逐渐被用于污水BOD5的预测,其中RBF神经网络软测量方法应用广泛,但存在训练过程易陷入局部极值等问题。为提高RBF神经网络的预测精度,提出了基于适应度排名的粒子群算法(fitness ranking based particle swarm optimization,FRBPSO),根据适应度排名与迭代次数确定惯性权重的大小,并根据粒子个体历史最优值的排名与迭代次数确定自我学习因子与社会学习因子的大小,并将FRBPSO算法引入RBF神经网络的参数训练中。基于13个基准测试函数与其他3个粒子群优化算法对比,实验结果显示FRBPSO算法的寻优能力相对较强。再将基于FRBPSO算法的RBF神经网络用于构建污水BOD5软测量模型,仿真结果表明,在测试数据中,FRBPSO-RBF软测量模型的平均绝对误差比PSO-RBF软测量模型、DAIW-RBF软测量模型、SCVPSO-RBF软测量模型分别降低了0.7178、0.2402、0.5851,平均绝对百分比误差分别降低了0.47%、0.15%、0.33%,均方根误差分别降低了0.0034、0.0015、0.0039。与其他3个基于PSO算法的BOD5软测量模型相比,FRBPSO-RBF模型具有较高的BOD5预测精度。

基于DBO-ELM的污水处理过程软测量建模

针对污水处理过程中出水生化需氧量(Biochemical Oxygen Demand,BOD)等水质参数受其它环境因素的影响较大,难以建立准确测量模型等的问题,提出一种基于改进蜣螂算法(Improved Dung Beetle Optimizer,IDBO)优化极限学习机(Extreme Learning Machine,ELM)的方法对污水出水BOD浓度进行预测。首先,选用随机森林算法(Random Forest Algo-rithm,RFA)对筛选出与BOD相关性较高的因子作为软测量模型的输入变量;其次,引入Tent混沌映射增加DBO算法的种群多样性等问题,利用IDBO算法来优化确定ELM权值分配,以提高ELM网络的预测精度;最后,将设计的IDBO-ELM软测量模型应用于污水处理仿真平台中,并与不同预测模型进行对比。结果表明:论文所设计的IDBO-ELM预测模型得到更高的预测精度和更稳定的网络结构。

具有自检功能的智能SF_(6)气体密度监测用软测量模型误差分析

对已有的SF_(6)气体密度检测建立软测量模型,根据误差传递原理,完成理论分析和解析推导,得到相应的误差估计解析不等式。结合SF_(6)气体在全密封电器中的压力和温度常用的工作范围,进一步确定了软测量模型误差估计不等式中的误差传播系数值,得到了可以用于软测量模型误差估计的解析公式。基于该公式分析了密度继电器产品准确度设定和准确度应用的合理性,证明了该软测量模型及其误差估计公式的有效性。SF_(6)气体密度软测量模型与误差估计方法及其误差估计不等式,可以在免维护智能SF_(6)电气设备传感、监测、校准和诊断类仪器仪表、装置及系统的技术发展过程中发挥重要的指导作用。

基于蝙蝠算法优化ESN的氯乙烯质量分数软测量模型预测

为解决氯乙烯因其精馏过程具有较强的非线性,无法实现对氯乙烯质量分数实时测量的问题,提出一种基于蝙蝠算法(bat algorithm,BA)优化回声状态网络(echo state network,ESN)的软测量模型BA-ESN.首先,通过对氯乙烯精馏过程的分析,选取模型的辅助变量,并将归一化处理后的数据作为模型输入变量;其次,由于回声状态网络中的权值和阈值都是随机产生的,影响其泛化能力,故采用蝙蝠算法对回声状态网络的输出权值进行优化,从而提高ESN模型的收敛速度;最后,将BA-ESN模型预测氯乙烯质量分数的预测结果与ESN模型和BP模型的预测结果进行对比.仿真结果表明:BA-ESN模型的预测精度较高,泛化能力和鲁棒性都较好,能够满足氯乙烯精馏过程实时测量的要求.

基于即时学习的改进条件高斯回归软测量

基于数据驱动的在线软测量是当前工业智能化感知的重要研究方向。在算法实际部署中,过程模态切换以及数据漂移都会导致软测量性能下降,传统自适应方法又存在模型单一、模态遗忘等不足。针对上述问题提出一种基于即时学习的样本时空加权条件高斯回归(STWCGR)软测量算法。该方法用概率密度估计和条件概率计算实现软测量建模和预测:首先根据即时学习思想通过样本时空混合加权方法筛选局部建模数据,然后结合高斯混合回归思想累积局部单高斯概率密度模型对数据分布进行拟合,最后引入预测动量更新和模态更新策略提高预测稳定性并赋予模型对新工况的学习适应能力。通过仿真实验验证了所提方法在预测精度、稳定性以及新模态适应能力上的有效性。

软测量思想与软测量技术

在剖析软测量基本思想以及实例的基础上,对基于软测量基本思想形成的传统意义软测量以及扩展软测量两种技术及应用进行了分析与对比,并预测了可能出现的其它形式扩展软测量。结果表明,两种技术基本思想相同,也具有许多相似的模型建立方法,但传统意义软测量反映的是对象的输出与输入、部分可测的输出之间的关系,而扩展软测量是以对象的输入、输出为软测量模型的输入、输出,且能预测还有一种以对象的待测输入为软测量模型的输出、以对象的输出及部分可测的输入为软测量模型输入的扩展软测量形式。

基于SC-XGBoost的电站燃煤低位发热量软测量方法

随着国家大力推进能源供给侧结构性改革,新能源装机容量不断提升,电力市场竞争愈加激烈。另一方面,全球煤炭市场的复杂多变,导致以煤炭为能量来源的发电企业成本上涨。燃煤发热量是衡量煤质的重要评价标准之一,也是采购煤炭最重要的依据,对燃煤发热量进行准确预测能够有效地控制电厂运行采购成本。为了实现燃煤发热量的高效预测,采用Pearson系数对相关变量进行特征选取,采用基于密度的噪点空间聚类(Density-Based Spatial Clustering of Applications with Noise,DBSCAN)算法对某电厂自备煤厂近2年1733条化验数据进行去噪,对去噪后数据进行谱聚类(Spectral Clustering,SC)分析。将分类后的子样本集采用极致梯度提升(Extreme Gradient Boosting,XGBoost)算法分别建立预测模型,并与最小二乘法回归(Ordinary Least Squares,OLS)、支持向量机(Support Vector Machines,SVM)模型进行性能比较。结果表明,基于XGBoost的电站燃煤发热量预测模型相较于其他算法准确性有明显提升,泛化能力更强。对经过SC算法分类后的燃煤分别建立预测模型能够进一步提高模型的精细化水平,为燃煤电站发热量预测提供一种可靠高效的方法。

计及改进粒子群算法优化BP神经网络的沼气产量软测量预测模型

为准确预测大中型沼气工程的日产气量,提出一种利用基于PSO-BP模型的软测量方法。首先,依托软测量技术选取参数;其次,以进料量、发酵温度、液位、罐内液压等参数作为输入量,沼气日产量为输出量进行模型建立。在此基础上,使用线性降低权重系数法和引入变异算子对粒子群算法进行改进,并对BP神经网络进行初始化来提高模型性能。通过实验比较改进PSO-BP模型、传统BP神经网络以及遗传算法优化的BP神经网络在预测沼气日产量方面的性能,采用改进的PSO-BP模型进行预测时,均方根误差(RMSE)、决定系数(R2)和平均绝对误差(MAE)分别为1.38440、0.84011和1.00910,证明改进PSO-BP模型结合软测量技术对进行复杂非线性牛粪高温厌氧发酵过程预测的可行性,同时可保证预测结果的精准性。

柴油/天然气船用双燃料低速机甲烷逃逸浓度软测量

为消除甲烷逃逸浓度软测量过程中测试参数之间延迟对软测量实时性和精度的影响,提出一种基于长短时记忆(long short-term memory,LSTM)神经网络和互信息(mutual information,MI)的船用双燃料低速机甲烷逃逸浓度软测量方法。首先,利用互信息进行辅助变量筛选和变量时间延迟的计算;将预处理后的数据导入LSTM模型来预测甲烷逃逸浓度;最后使用某低速双燃料机甲烷逃逸治理系统的历史数据进行模型性能的验证。结果表明:基于LSTM和互信息的软测量模型具有较好的预测能力,为船舶双燃料低速机甲烷逃逸浓度的监测提供了一种有效参考方法。

用于间歇过程的拓扑时间卷积网络软测量方法

在间歇过程中,变量的相关性和时序性通常演变为变量间的交叉相关性。在间歇过程的数据驱动软测量建模中,捕捉交叉相关性可以提升模型的透明度,因此提出基于拓扑引导时间卷积网络的软测量方法。首先,使用条件格兰杰因果关系检验构建变量关系的拓扑结构,并使用自注意力机制完善拓扑图。然后,使用图注意力机制以每个节点为中心构建子图,并通过时间卷积捕捉子图中变量间的交叉相关性。最后,使用图解释器对模型预测逻辑的物理一致性做出评估。基于青霉素发酵过程的质量预测进行实验,实验结果验证了所提方法的有效性和优越性,证明了模型的预测逻辑符合过程机理。

带FIR滤波的非线性滑动平均动态软测量模型

非线性滑动平均(NMA)模型能有效描述工业过程的动态特性,是一种典型的动态软测量模型.而受限于模型复杂度,NMA模型的输入时序边界相对较窄,难以适应带有大滞后或强测量噪声的动态工业过程.针对该问题,本文将NMA模型与结构简单、输入时序边界宽的FIR滤波器相结合,构造一种非线性、强抗干扰的软测量建模策略.并设计层白化结构来避免二者间的参数耦合现象,采用Adam算法进行同步优化,提高模型的预测精度及训练效率.最后,利用数值仿真和硫回收过程建模实验,验证所提模型的预测精度以及模型设计的合理性.

融合深度学习与过程机理的FCC装置关键参数软测量模型

产品产率作为催化裂化(FCC)装置的关键参数,构造其软测量模型对提升装置效益具有重要的现实意义,而原料与催化剂性质的缺失往往使得产率软测量模型性能迅速恶化。为此,以基于半监督学习的深度置信网络-极限学习机(DBN-ELM)算法为基础,将工艺过程机理模型与数据驱动模型集成,提出了可用于预测商业催化裂化装置产品产率的软测量混合建模方法。此外,还提出基于流程模拟的灵敏度分析-相关系数矩阵(SA-CCM)策略用于软测量模型主要输入变量的选择。结果表明,混合模型相比于数据驱动模型具有更优的模型性能,即预测精度提升43.9%、数据相关性(皮尔森系数)提升29.3%。这说明所提出的产率软测量混合建模方法使得模型的预测性能提高,能较好地适应原料与催化剂性质的变化。

基于WGKSOM-DRCA自适应即时学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点碳温的准确预测是实现转炉终点控制的关键。针对转炉生产过程数据存在波动性大和非线性特点引起传统即时学习度量的算法学习集质量低,进而削弱模型预测性能的问题,提出了一种基于加权高斯核自组织映射动态相关成分分析(WGKSOM-DRCA)自适应即时学习软测量建模方法用于转炉炼钢终点碳温预测。首先,采用引入标签信息的WGK度量准则构造WGKSOM聚类算法引导聚类方向,提高算法的聚类质量并降低类簇数据波动性对于建模的影响;其次,利用高斯后验概率计算待测样本的隶属度并通过引入动态因子构建DRCA度量策略,从而实现自适应的样本选择,进一步提升待测样本对应的局部算法学习集质量并用于局部模型训练,最终输出终点碳温的预测结果。实验表明,所提算法在转炉炼钢终点碳温预测上相对于其他算法有更好的表现,在±0.02%的预测误差范围,碳含量的预测精度为92%,在±10℃的误差范围,温度的预测精度为93.5%。

污水处理软测量仪表研究进展与应用

软传感器以其检测快速、成本低廉等优点应用于污水处理行业前景极佳,随着人工智能的进步,软测量仪表的精度与可靠度也在逐步提高。该文在总结污水处理软测量研究进展的基础上,研究了软测量仪表开发的关键技术,并分析了某膜曝气生物反应器(MABR)农村污水处理设施出水端的应用案例。

助训练策略下的多模型软测量建模

由于复杂工业过程中存在强非线性、多阶段耦合以及有标签样本数量偏少的情况,传统的全局软测量模型难以精确描述整个过程。为此,提出一种助训练策略下的多模型软测量建模方法。该方法采用模糊C均值聚类算法挖掘样本集中的相似性样本并建立若干子模型;通过引入助训练策略,形成基于主、辅学习器的协同训练框架,并设计置信度评估机制淘汰误差样本的同时扩充子模型的建模空间;进而将模糊隶属度作为D-S证据理论的概率分配函数计算出子模型权重,对子模型的输出进行融合以得到最终的模型预测结果。通过对脱丁烷塔工业过程的实际数据进行建模仿真,结果表明此模型具有良好的预测性能。