小波分析技术在多相流系统中的应用

提出了一种将小波分析技术应用于多相流系统进行流型判别的方法。对采集的多相流信号进行小波分解 ,在不同尺度上提取特征值 ,并提出了两种特征值参数的提取方法 ,分别应用于气液两相流和气固流化床系统中 ,进行流型的辨识。试验结果表明利用所提出的特征值可以有效地对气液两相流流型以及气固流化床从固定床向鼓泡床的转变进行判别。

Ajax技术在基于Web的实时监控系统中的应用研究

针对以往基于Web的实时监控系统在实时性方面的不足,利用Ajax技术设计了一种新的工业过程实时监控系统框架,该系统采用多层B/S模式软件体系结构,依据OPC规范设计,应用Ajax技术实现了动态更新Web页面中的数据。

免疫遗传算法在胶乳聚合反应釜温度控制中的应用

提出一种免疫遗传算法优化的模糊神经元控制器,利用免疫遗传算法的全局搜索功能和神经元的自学习能力,提高了模糊控制器的控制精度和抗干扰能力。将该控制器用于胶乳聚合反应釜的温度控制,仿真结果表明该控制器可以有效地消除静态误差,并对聚合反应生产过程中的温度骤变有很好的鲁棒性,实际应用效果也表明了该方法的优越性。

多模态控制器的设计及应用

１引言由于负荷升降或操作条件变化等因素的影响，工业过程常表现出复杂的动态特性［１、２］，传统的单一控制模式一般难以获得满意的控制品质。由于在不同的工作点对象特性变化较大，故设计的鲁棒控制器将趋于保守，而一般的自适应控制遗忘有用信息［３］，计算量大，难...

基于内模控制的内部热耦合精馏策略

精馏过程约占工业总能耗的1/3,其节能控制潜力很大。内部热耦合精馏(ITCDIC)是迄今为止所提出的节能效果最好(比常规精馏节能40%以上)却没有商业化的节能技术。主要原因在于该过程具有较强的非线性、复杂的动态特性以及耦合性,给控制方案的设计带来了极大的困难。通过建立更为精确的二阶内部模型,提出了一种有效的ITCDIC内模控制方案。实例研究结果表明,与传统控制方案PID相比,控制品质更加稳定可靠;同时,与目前国际上公开报道的最好结果相比,该控制方案有更广泛的操作域,鲁棒性更强。

一种求解最优控制问题的变时间节点控制向量参数化方法

控制向量参数化方法是求解最优控制问题的一种常用数值方法。它通过离散化控制时域,将控制向量近似地表示成一组参数化的函数。离散化后的时间网格通常是固定的,其划分会影响到最优控制问题数值求解的精度和效率。为了同时优化控制参数和时间网格节点,提出了一种时间节点可变的控制向量参数化方法。推导出了最优控制性能指标对时间参数的导数与对时间分段长度导数之间的关系,得到了性能指标的梯度表达式。用两个经典最优控制实例对所提出的方法进行了测试,结果表明所提出方法能够更好地逼近最优控制轨迹。

分形技术在气固流态化研究中的应用

介绍了基于分形技术对气固流化床起始流化速度估计及颗粒结块故障诊断方法进行的研究。采用R/S分析法从压力波动信号的时间序列中提取出反映信号自相似性的Hurst指数H值 ,研究了它从固定床向流态化转变过程中的变化并根据这种变化来估计起始流化速度 ,同时利用它对颗粒结块故障进行了研究。实验结果表明 ,信号的H值能较为明显地反映从固定床向流态化的转变 ,也对结块敏感 。

非线性系统辨识中模糊模型参数收敛问题的进一步研究

对于使用标准的Mamdani型模糊系统及正交投影参数调整算法进行非线性系统辨识,基于模糊模型参数的估计值收敛到其真实值所需的持续激励条件,给出了适用于非线性移动平均模型和二阶非线性自回归移动平均模型系统辨识的持续激励输入信号设计的几个算法.

基于小波变换的气固流化床压力波动信号的分析

将小波分析技术应用于气固流化床压力波动信号的分析中，在不同尺度上提取信号能量特征，由此来对压力波动信号中所含丰富信息进行分析，提出了应用小波分析技术来判别流化床从固定床向鼓泡床转变的新方法，并确定了起始流化速度的范围。初步研究表明，所提取的特征信息反应了气固流化床从固定床向鼓泡床转变的过程，通过此特征信息可以确定流化床的起始流化速度的范围。

免疫PSO算法在啤酒配方优化中的应用研究

针对PSO算法在搜索过程中粒子容易失去多样性而陷入局部最优的缺陷,本文提出了一种免疫的PSO算法。该算法借助免疫接种与免疫选择两个免疫操作来优化PSO算法,从而达到优化搜索的目的,有助于提高其收敛速度,并将该算法应用于啤酒配方优化问题中。应用结果表明:使用免疫PSO算法对啤酒糖化配方进行优化,可以在较少的搜索步数内得到良好的优化效果,优化后所得配方的原料总成本有明显降低,具有工业应用价值。

免疫PSO_WLSSVM最优聚丙烯熔融指数预报

熔融指数(MI)是聚丙烯生产的重要指标,建立可靠的熔融指数预报模型非常重要。针对标准粒子群算法(PSO)在迭代过程中易出现粒子过早收敛而陷入局部最优的缺陷,通过引入免疫系统的抗体选择机制,构造了一种基于免疫机制的免疫粒子群优化算法(ICPSO),来保持更新粒子的多样性,从而克服标准粒子群算法过早收敛的缺陷;然后利用ICPSO方法对鲁棒最小二乘支持向量机预报模型(WLSSVM)进行参数寻优,得到最优的ICPSO_WLSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的ICPSO_WLSSVM模型的有效性和良好的预报精度。

群智能优化LSSVM最优聚丙烯熔融指数预报

提出了群智能优化AC_ICPSO(ant colony and immune clone particle swarm optimization)算法,融合蚁群算法与粒子群算法进行动态群体搜索,设计交叉算子和变异算子、群体多次编码、迭代选择等,来提高数据搜索的范围、精度和收敛的效率,避免早熟,降低算法的复杂度。然后利用AC_ICPSO方法对最小二乘支持向量机预报模型(LSSVM)进行参数寻优,得到最优的AC_ICPSO_LSSVM预报模型。以实际聚丙烯生产的熔融指数预报作为实例进行研究,结果表明所提出的AC_ICPSO_LSSVM方法有效,具有良好的预报精度。

基于粗集理论的信息熵属性约简算法

本文针对粗集属性约简存在的问题,提出了一种基于信息熵的属性约简算法。算法中引入了信息熵的概念代替粗集约简g准则作为属性选择的标准,克服了粗集约简g准则对数据噪声的敏感性和不能表达属性间概率因果关系的缺点。本文通过两个实例表明,当属性间存在确定性关系时算法能够象粗集约简g准则一样找到表达这些关系的属性集;当属性间是概率因果关系,或确定性关系被数据噪声所掩盖,因而粗集约简g准则无法使用时,算法能够找到具有确定性关系的属性集,或是具有最小不确定性概率因果关系的属性集。

用于气固流化床流型辨识的信度函数构造

基于数据融合技术,针对两相流流型辨识,采用了一种新的函数构造方法,并在气固流化床系统中进行了验证,实验结果表明所采用的信度函数构造方法是有效的。

一种求解化工动态优化问题的迭代自适应粒子群方法

智能优化方法因其简单、易实现且具有良好的全局搜索能力,在动态优化中的应用越来越广泛,但传统的智能方法收敛速度相对较慢。提出了一种迭代自适应粒子群优化方法(IAPSO)来求解一般的化工动态优化问题。首先通过控制变量参数化将原动态优化问题转化为非线性规划问题,再利用所提出的迭代自适应粒子群优化方法进行求解。相比传统的粒子群优化方法,该种迭代自适应粒子群优化方法具有收敛速度更快的优点,主要原因是:该算法根据粒子种群分布特性自适应调整参数;该算法通过缩减搜索空间并迭代使用粒子群算法搜索最优解。将提出的迭代自适应粒子群方法应用到多个经典动态优化问题中,测试结果表明,该方法简单、有效,精度高,且收敛速度比传统粒子群算法有显著提升。

内部热耦合空分塔的节能优化分析

内部热耦合精馏是迄今为止所提出的节能效果最好,而唯一没有商业化的节能技术。将内部热耦合技术用于空分塔,可以带来良好的节能效果。根据低温空气分离过程以及三组分精馏的特点,提出了一种新的内部热耦合空分精馏塔优化模型。在优化模型基础上,对热耦合塔进行了深入的节能优化与分析,并且与常规空分仿真结果进行了比较分析,压缩机能耗下降20.75%,产值增加17.46%,单位产值能耗下降32.53%。内部热耦合空分塔的提取率以及能耗均优于常规热耦合空分塔,节能效果显著。

乙烯淤浆聚合过程的全联立模拟方法

针对Aspen Plus在乙烯淤浆聚合过程的回流工况中无法收敛的难题,提出建立乙烯淤浆聚合的联立方程模型。基于多活性位的Ziegler-Natta催化剂催化乙烯聚合的机理,依据矩方法理论建立乙烯聚合的过程模型。通过瞬时分子量分布方法,模拟计算了聚乙烯的分子量分布。针对PC-SAFT中的序贯求解模式,提出了基于数据驱动的物性计算方法,通过Kriging估计函数,建立了适用多个工况的、可联立求解的物性计算模型,非聚合物体系误差低于0.3%,聚合物体系误差控制在2%左右。联立方程模型的求解打破了传统的物性计算与流程计算的嵌套式求解模式,实现了真正全联立模拟求解。针对5个不同牌号工况,联立方程模型可以顺利收敛,模拟结果与Aspen计算结果进行了对比。乙烯淤浆聚合模型的全联立求解提高了模型的收敛性,各工况的模拟验证了Kriging函数的PC-SAFT模型的准确性和稳健性。

基于GMC(1,N)的聚丙烯熔融指数预报

聚丙烯是以丙烯单体为主聚合而成的一种合成树脂,是五大通用塑料之一,是塑料工业中的重要原料。世界丙烯的50%、我国丙烯的65%都用来生产聚丙烯。熔融指数（简称MI）是在一定温度、一定压力、一定负荷下,

内部热耦合精馏塔基于混合优化算法的RBF神经网络内模控制策略

内部热耦合精馏(ITCDIC)是迄今为止所提出的四大精馏节能技术中节能效果最高,但唯一没有商业化的节能技术,比常规精馏要节能40%以上,没有商业化的主要种类基于减聚类、K-means原因之一在于该过程具有较强的非线性、复杂动态特性以及耦合性,给控制方案的设计带来了诸多困难。由于径向基(RBF)神经网络具有快速学习并能逼近任意非线性函数的优点,本文提出了一种基于RBF神经网络内模控制的混合优化算法,是一种粒子群优化的混合优化算法,以苯-甲苯物系作为研究实例,并与国际公开报道的结果进行了详细比较,研究结果表明基于混合优化算法的RBF神经网络内模控制相比于传统的PID、常规RBF算法和国际公开报道有着更好的控制效果。