石化智能工厂建设关键场景与技术

智能工厂是石化工业发展智能制造、实现绿色可持续转型的重要途径。本文从业务和技术两个方面出发,重点探讨了未来石化智能工厂建设中边缘云平台规划和需要构建的关键业务场景,并结合数据解析与人工智能提出了各场景的关键技术方法,主要包括基于数据与机理融合建模的石化生产计划与调度优化、石化生产过程多目标进化学习建模与操作优化和石化生产设备智能运行监测与故障诊断。本文的研究成果对于推动石化智能工厂建设,实现石化生产管控智能化、质量管控智能化、设备管控智能化的核心能力提升具有重要意义。

基于粒子群算法的组合模型在变形分析中的应用

在构建并联组合模型进行变形预测时,单项模型权值的确定是个关键问题。为了提高变形预测的精度,以基坑监测数据为例,采用GM(1,1)模型与ARMA模型进行组合,在拟合误差平方和最小的准则下,使用粒子群算法求解两单项模型的最优权值,进而构建并联组合模型进行变形预测。结果表明,该方法融合各单项模型的优势,可以提高预测精度,避免求解线性规划问题,具有较好的实用性。

GM-BP组合预测模型在基坑沉降分析中的应用

为提高变形预测的精度,采用GM(1,1)与BP神经网络组合模型进行预测。灰色GM(1,1)模型使用方便,在样本数据较少的情况下能够取得不错的预测效果,但对预测序列存在规律性波动或突变时的预测能力不强;而神经网络模型建模过程相对复杂,需要较多的训练样本,但对于数据存在规律性波动和突变时有很好的预测能力。组合模型融合两者优点,将其应用于基坑沉降数据预测,结果表明,该模型预测精度优于传统的单一预测模型。

基于集成学习的连退带钢质量在线预报方法

钢铁企业连续退火生产过程由于工艺复杂并且包含众多相互影响的过程变量,导致带钢产品质量波动较大,难以进行在线测量。针对该问题,提出了一种基于混合集成学习的带钢产品质量在线预报方法。该方法以Bagging为基础,引入了Adaboost中对误差较大样本的重点学习策略,以提高混合集成学习模型的精度并改进泛化能力;在子学习机的训练中提出了基于动态加权的最小二乘支持向量机方法,以改进子学习机的鲁棒性。基于实际连退生产过程数据的测试结果表明,所提出的混合集成学习方法在预测精度和泛化能力上均要优于Bagging和Adaboost等传统的集成学习建模方法。

县域城市存量测绘地理信息数据批量向CGCS2000坐标转换的实践探究

经过历年的城市建设,全国各城市都积累了大量的测绘地理信息数据。按照国家相关要求,2018年6月底前完成全系统各类国土资源空间数据向2000国家大地坐标系转换。本文结合实例,主要探讨县域城市存量测绘地理信息数据转换技术方案,并对转换精度进行简要的分析评价。结果表明,原有1980西安坐标系的测绘地理信息成果经转换后,数据精度基本可以满足规划和自然资源日常管理需要,具有较强的实用性和可靠性。

基于改进MOEA/D的多目标置换流水车间调度问题

针对工期和总流水时间的两目标置换流水车间调度问题,提出一种改进的基于分解的多目标进化算法(MOEA/D)。为了改进非支配解集的质量,提高算法效率,在MOEA/D中嵌入分组和统计学习机制提出一种两阶段局部搜索策略改进外部存档。利用基于距离的替换策略更新种群,提高种群的多样性,保证了分组机制的有效性。基于Taillard标准测试问题的实验结果表明,所提出的改进MOEA/D算法明显优于传统MOEA/D、NSGA-Ⅱ、MEDA/D-MK等算法。

连续退火机组SF段带钢跑偏混合动态监测模型

针对宝钢1 220 mm连续退火机组均热炉(SF)段带钢经常发生跑偏或打滑的问题,提出了一个基于最小二乘支持向量机(LSSVM)的带钢跑偏分类模型。使用改进粒子群算法对其模型参数进行寻优,再将LSSVM分类模型与主元分析(PCA)方法相结合;并基于动态时间窗思想,提出了一个SF段带钢跑偏的混合动态监测模型,开发了SF段带钢跑偏监测系统。基于实际生产数据的仿真结果表明,所提出的LSSVM模型具有较高的分类精度;相较于单一方法,混合监测模型能够更加准确地对带钢跑偏进行分析和预警。

基于数据驱动的连续退火生产过程建模与操作优化

连退生产过程包含众多相互耦合的控制变量,并且带钢质量的检测采用离线方式,从而导致对于调质度为T5的带钢,实际生产中经常发生带钢硬度波动较大,难以实现对带钢产品质量的精确控制问题。针对这一问题,提出了一种基于数据驱动的连续退火生产过程建模方法,能够根据带钢退火前的生产信息及当前的生产过程信息实现对带钢产品质量的在线预报。在此基础上,提出了连续退火生产过程的多目标操作优化模型与算法,并开发了优化软件系统。基于实际生产过程数据的仿真试验结果表明,该软件系统能够为生产现场提供一套最优的控制变量设定值,从而实现产品质量最优化、能源消耗最小化和机组生产效率最大化的目标。

黄底型异色瓢虫鞘翅黑斑变化规律及其数码标记方法

异色瓢虫是多种蚜虫的天敌,也是典型的鞘翅色斑表现多态的亚洲物种.对于异色瓢虫鞘翅色斑的变异,长期以来一直为分类学者和遗传学者所注目,并为遗传学研究的重要材料.本研究根据黄底型异色瓢虫鞘翅黑斑变化规律,理论推算应有1024个变异类型,在734号供试标本中出现了106个变异.同时还研究出用数码可以简便地标记1024个任何一种鞘翅黑斑的变异类型。

基于自适应多目标进化CNN的图像分割方法

卷积神经网络已经成为强大的分割模型,但通常为手动设计,这需要大量时间并且可能导致庞大而复杂的网络.人们对自动设计能够准确分割特定领域图像的高效网络架构越来越感兴趣,然而大部分方法或者没有考虑构建更加灵活的网络架构,或者没有考虑多个目标优化模型.鉴于此,提出一种称为AdaMo-ECNAS的自适应多目标进化卷积神经架构搜索算法,用于特定领域的图像分割,在进化过程中考虑多个性能指标并通过优化模型的多目标适应特定的数据集.AdaMo-ECNAS可以构建灵活多变的预测分割模型,其网络架构和超参数通过基于多目标进化的算法找到,算法基于自适应PBI实现3个目标进化问题,即提升预测分割的F1-score、最大限度减少计算成本以及最大限度挖掘额外训练潜能.将AdaMo-ECNAS在两个真实数据集上进行评估,结果表明所提出方法与其他先进算法相比具有较高的竞争性,甚至是超越的.

新型装配式建筑PC构件模板设计及施工技术

随着经济科技的发展和城市化水平的不断加深,如今我国对于各类房建工程的需求量不断增大。为了提高房建工程的施工效率,装配式建筑也就应运而生,预制装配式PC构件板的出现对提高房建工程实际施工效率,保证建筑质量有非常重要的效用,文章就在这样的背景下,谈新型装配式建筑PC构件模板设计及施工技术。

蒙古族乌日图道长调民歌的传承和保护——以内蒙古新巴尔虎旗与科尔沁右翼中旗为调研中心

蒙古族乌日图道长调根植于蒙古族草原游牧文明,是蒙古民族重要的文化代表形式,蕴含着浓厚的蒙古族文化精神,在信息时代的大背景下,作被称为"草原活化石"的蒙古族乌日图道长调民歌正面临着新的生存危机。如何在进一步认识蒙古族乌日图道长调民歌的生存环境与价值基础上,传承与保护这一优秀的蒙古族非物质文化遗产,使之在游牧文化日益遭受现代化进程冲击下得到传承、保护与发展,是解决蒙古族乌日图道长调民歌生存与发展的当务之急。

基于数据解析的连退生产过程多因子操作优化

针对连退生产过程中带钢质量波动大和生产能耗过大的问题,基于数据解析方法构建带钢质量的预测模型,进而建立连退生产过程多因子操作优化模型.该模型的任务是求得一个最优工艺参数设定方案,使得模型中所包含的两个相互影响但并不冲突的目标能够实现同时最优化.针对该问题,提出一种改进的自适应多因子进化算法(AdaMFEA),将不同优化目标作为不同类别因子,通过父代解在不同因子上的性能评价指标决定子代解的搜索方向.为了改进算法的鲁棒性和搜索效率,算法使用多种交叉算子,并基于各算子的搜索性能分析提出多种交叉算子的自适应选择机制;同时提出基于回溯直线搜索和拟牛顿法的个体学习策略,对个体进行局部搜索.基于Benchmark问题的实验结果表明,AdaMFEA能够有效提升传统多因子进化算法(MFEA)的求解效率;基于实际工业问题的实验结果表明,AdaMFEA可有效求解连退生产过程多因子操作优化问题,实现多个非冲突目标在一个种群的进化过程中同时达到最优.

时间序列分析方法在变形数据处理中的应用研究

时间序列分析方法在变形数据的处理中具有良好的模型拟合和预报精度。本文阐述了时间序列分析模型的时域特性,归纳了时间序列建模步骤,并结合监测工程的数据进行建模分析与预测。实例表明,时间序列分析方法所建立的模型拟合精度高,10期预测误差绝对值在0.3mm以内,能精确地反映建筑物的变形情况,从而避免或减少灾害的发生。

考虑安全约束的连退生产过程多目标操作优化

针对连退生产过程中经常出现的薄料带钢跑偏问题,建立考虑安全约束的连退生产过程多目标操作优化模型,并针对问题特点提出一种基于分类和多种群竞争协调的多目标进化算法(MOEA-CMCC).在算法中引入具有不同进化策略的多个种群以增强搜索的多样性,并在多种群之间引入竞争机制和信息共享的协调机制以提高算法的鲁棒性;通过对外部档案集中的解进行分类并在类内进行局部搜索,以保证外部档案集的分散性和算法的收敛速度.基于Benchmark问题的实验结果表明,所提出的算法具有较好的收敛性和分散性;对连退操作优化问题的实验结果表明,所提出的算法能够有效求解该问题.

基于Vague集的EPC项目总承包商选择模型研究

EPC项目的综合性、复杂性和特殊性要求项目总承包商在技术、管理、财务等方面都要具有很强的实力,这也就决定了业主选择EPC项目总承包商的重要性。从业主角度出发,建立了EPC项目总承包商选择评价指标体系,构建了基于Vague集的选择模型,该模型利用Vague集的相似度量原理能有效地对备选承包商进行优劣排序,选择出进入投标程序的总承包商。

基于分解的多目标多因子进化算法

多目标多因子优化(MO-MFO)问题作为一类新的优化问题近年来受到了众多关注,其特点是需要利用单个种群来同时优化多个多目标优化任务.针对该问题,提出一个基于分解策略的多目标多因子进化算法(MFEA/D).算法通过多组权重向量,将MO-MFO问题中的每个任务分解成一系列单目标优化子问题,并用单个种群同时优化.在种群进化过程中提出不同任务之间的信息交流策略,以充分挖掘不同任务之间的有用信息,进而加快每个任务的收敛速度.基于10个多目标多因子标准测试问题的实验结果表明,所提出的不同任务之间的信息交流策略能够加快问题的求解速度,使得MFEA/D算法显著优于当前的MO-MFEA算法.