基于MIC的支持向量回归及其在化工过程中的应用

在化工生产中,软测量方法可以有效解决某些关键变量由于仪表故障而无法实时获取数据的问题。在建立软测量模型时,变量及回归方法的选取会直接影响模型的准确率。特别是在现代化工中,过程变量众多且变量间存在着冗余且复杂的非线性关系。对此,本文提出了一种基于最大信息系数的支持向量回归算法,利用最大信息系数在非线性相关性度量的优势,选择合适的辅助变量,避免了全部变量作为输入所造成的数据冗余。在此基础上,利用支持向量回归方法建立软测量模型,实现对软测量目标的预测。该方法被应用于存在仪表故障的某催化重整装置进料换热器热端压降的软测量中,结果表明该方法可以有效地实现对压降的软测量,实现了对仪表故障时的数据校正。

基于长短时记忆神经网络和支持向量数据描述的间歇过程监测方法

间歇过程操作是化工过程中的一种重要生产方式。与连续过程不同,间歇生产不是在一个稳定的工作状态运行,而是根据设定的原料比例、操作条件所对应的操作轨迹运行。因此间歇过程数据具有多阶段性、动态时变性和非线性等特性,传统的监测方法难以应用于对间歇过程生产运行状态的监测。为了解决这个问题,提出了一种新的间歇过程监测策略。首先基于长短时记忆神经网络提取变量间的动态、非线性关系来建立回归模型。然后以回归模型得到的残差作为监测对象,由于残差已经不再有多阶段、动态特征,可以直接应用连续过程监测的方法对残差建立监测模型。最后选择支持向量数据描述对正常数据集的残差进行超球体描述,以测试集样本点到超球体中心的距离作为监测统计量来实现故障点的检测。本方法被应用于青霉素发酵仿真过程,结果表明本方法成功将复杂的间歇过程监测转化成较为简单的连续过程监测问题来处理,且能够及时对过程故障进行报警。

把党的政治优势转化为现实的生产力

1991年底，由淮南第二纱厂与外商共同投资180万美元兴办的丰鼎针织品有限公司，开业半年多以后，令人沮丧的情形出现了：产品严重积压，资金周转失灵，企业陷入困境，社会上议论纷纷。1992年7月。