基于Bootstrap多神经网络的软测量方法

针对原油蒸馏过程常规软测量模型难以适应原油进料性质变化的问题,提出Bootstrap多神经网络的非线性软测量处理策略。通过Bootstrap算法复制出训练集样本空间上的多个样本子空间,训练出多神经网络模型,避免了单个神经网络易于陷入局部最优及过度训练的弱点,具有较高的准确率和泛化能力。本处理策略用于建立常压塔一线干点的软测量模型,仿真结果表明模型预测准确率和鲁棒性较好,对原油性质变化具有较好的适应性。该方法将会改进实际蒸馏过程在进料性质变化情况下的产品质量指标的软测量精度。

模型过程差异下的ALSTOM气化装置控制结构选择(英文)

相对扰动增益矩阵是分析控制结构抗干扰性的一个有用工具,但它的结果受模型不确定性影响。提出基于优化来确定相对扰动增益矩阵范围的方法并用来选择ALSTOM气化装置的控制结构。利用过程运行仿真数据和输出误差系统辨识方法得到降阶线性模型。在不同运行状况统辨几个模型并通过这些模型得到模型不确定性范围。计算出ALSTOM气化装置在模型不确定性下的广义相对扰动增益范围并用来选择鲁棒控制结构。