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。

基于深度学习的海上气田生产系统数据驱动软测量模型

针对海上气田生产系统关键状态变量的运行数据获取难度大、成本高、可靠性低的问题,开展软测量研究,建立了数据驱动的流量、压力动态估计模型,为中控人员提供在线监测工具,便于进行系统安全分析。综合动态和稳态样本,采用以深度学习为基础的黑箱辨识技术、以迁移学习为基础的参数校正技术,建立了包含黑箱和灰箱的非线性有源自回归(Nonlinear Auto-Regressive with Exogenous Inputs,NARX)深度前馈网络(Dense Neural Network,DNN)模型(简称DNN-NARX模型)库,近似描述天然气井的动态流动特性,用以估计单井流量和井口压力。通过实例验算,分别对比了DNN-NARX黑箱与灰箱动态模型、DNN-NARX模型与传统的多层感知器(Multi-Layer Perception,MLP)-NARX模型(简称MLP-NARX模型)的模拟结果。结果表明,DNN-NARX模型与MLP-NARX模型的准确度和计算时间均满足在线估计需求,其中,DNN-NARX灰箱动态模型的优势较突出,抗干扰能力和泛化能力更强。所建模型具有较强的工程适用性,对海上油气生产领域的软测量问题具有良好的借鉴意义。

基于选矿生产数据的矿石可磨性智能识别算法

本文以在线识别矿石可磨度为研究目标,通过详细分析磨矿过程参数间的相互影响关系,得出磨矿过程运行指标的变化能从一定程度上反应矿石可磨度变化的结论。针对工业数据维度高、耦合性强等问题,在着重研究了KPLSR和SAE两种可提取关键特征算法机理的基础上,以实际采集的磨矿过程数据为样本,对多算法进行横纵对比,最终验证了深度学习算法SAE在工业复杂数据分析中的优势。并以测试试验中性能最佳的算法结构作为矿石可磨性智能识别系统的在线识别模型,该模型在工业化应用中绝对值误差平均可达0.61 kW·h/t,平均误差率约为4.79%,可满足现场生产的需求。