基于双子空间并行回归的化工过程质量相关故障检测方法

邻域保持嵌入(neighborhood preserving embedding,NPE)是一种常用的无监督学习方法,在故障检测领域得到了广泛应用。由于NPE提取的数据特征无法解释输入数据和输出数据之间的关系,因此在化工过程质量相关故障检测方面存在局限性。另外,NPE在提取数据流形结构时忽略了动态信息的表征。为了解决上述问题,基于NPE和慢特征分析(slow feature analysis,SFA)算法提出了一种名为双子空间并行回归(twin-space parallel regression,TSPR)的质量相关故障检测方法,该方法能够同时提取数据的流形特征和变化速度信息。首先,通过基于互信息的策略将原始过程空间分为序列相关子空间和序列无关子空间,以应对变量在时间序列相关性的差异。其次,在两个子空间中分别应用提出的邻域保持-慢特征嵌入算法(neighborhood preserving-slow feature embedding regression,NP-SFE)和NPE算法提取数据的有效结构特征,并同时用最小二乘回归在两个特征子空间中构建过程变量与质量变量的回归关系。随后,通过对回归系数的协方差矩阵分解,得到质量相关子空间和质量无关子空间,进而在相应子空间建立统计量并估计其控制限。最后,将所提方法在典型案例上进行测试验证,以说明所提方法的有效性和合理性。

大型炼化一体化过程全流程低碳运行分析与决策优化综述

石化工业是国民经济支柱产业,也是高能耗高排放行业。面向双碳背景下传统石化行业低碳化、智能化转型需求,针对碳排与工艺耦合机理复杂的炼化一体化全流程碳足迹表征精度低问题、耦合互联多装置生产流程碳排异常环节难追溯问题以及实际工业环境下全流程优化方案不收敛问题,本文以大型炼化一体化全流程为研究对象,描述了利用过程机理、工业大数据和人工智能技术,研究炼化一体化全流程碳足迹建模理论、全流程碳排异常环节溯源理论以及全流程装置分布式协同决策优化理论,实现炼化一体化全流程低碳优化。在为流程工业碳足迹建模、溯源和优化提供方法的同时,也为实际炼化一体化企业高效、低碳、智能生产提供指导建议。

基于并行LSTM-CNN的化工过程故障检测

为保证生产过程的安全稳定运行,避免因故障导致损失,及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性,提出一种并行长短时记忆网络和卷积神经网络(Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN)模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力,减少了特征信息的丢失,实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体,结合LSTM网络对序列信息变化敏感的特点,在构建更深层网络的同时避免模型过拟合。采用最大互信息(Maximum Mutual Information Coefficient,MMIC)数据预处理方法,提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象,PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。

基于双层自适应集成残差主成分分析的复杂非线性过程监测

多元统计监测方法常使用正常数据选取特征,而现实过程中,不同的故障将影响不同的特征,并且这些特征可能随着时间和控制系统的作用而变化。当故障发生并随时间变化时,要想获得更好的故障检测能力,就需要聚集有效的故障敏感特征。本文提出了一种双层自适应集成残差主成分分析(AERPCA)模型,其子模型包含不同的特征,并突出地呈现一个或多个相关故障。首先,根据正常数据计算主成分分析(PCA)特征,利用不同特征构建线性子模型和相应的残差空间。考虑到残差空间的非线性特性及有效特征更为分散,采用核PCA(KPCA)提取不同的特征并组成同一残差空间下不同KPCA子模型。然后,利用贝叶斯方法获取集成KPCA子模型,完成各残差空间的划分和集成。最后,在主空间中获得多个线性子模型以及在残差空间中获得多个集成的非线性子模型后,利用滑动窗口确定当前时刻监控效果最好的模型。采用田纳西-伊士曼过程验证了AERPCA的有效性。

小样本下基于领域自适应的间歇过程质量预测

针对间歇过程因样本量不足导致预测精度低的问题,提出一种基于领域自适应的间歇过程质量预测模型方法。首先,引入空间注意力机制自适应地增强与质量指标相关性高的输入变量,结合一维卷积层和长短期记忆网络单元分别挖掘数据的空间特征和时间特征。其次,将领域自适应方法引入到建模过程中,进行目标域数据和源域数据之间特征的自适应匹配,降低2个数据集因分布差异对模型预测精度的影响。该方法在慢时变的青霉素生产过程仿真数据集和酚醛树脂工业生产过程进行了验证。实验结果表明,所提出的模型能有效地提高小样本下间歇过程质量预测的精度。

基于DGLPP-SVDD算法的化工过程故障检测

针对实际工业生产中数据间存在动态关系,以及高斯和非高斯混合分布特性,提出动态全局局部保留投影-支持向量数据描述(dynamic global-local preserving projection-support vector data description, DGLPP-SVDD)的故障检测算法。构建动态扩展矩阵代替原始数据集,提高动态过程的监测能力。支持向量数据描述(support vector data description,SVDD)算法能高效地处理具有非高斯特性的过程数据,故面对高斯和非高斯混合分布的过程时具有较优异的表现,且只需少量数据就能检测出系统处于非正常运行状态,提高了算法的故障检测率。通过田纳西-伊斯曼(Tennessee Eastman, TE)过程仿真研究对全局局部保留投影(global-local preserving projection, GLPP)算法和DGLPP-SVDD算法进行对比。结果表明,在故障误报率均控制在合理范围且相差不大的情况下,DGLPP-SVDD算法的平均故障检测率更高。

基于稀疏D-vine Copula的建模方法及其在过程监测中的应用

针对工业过程中高维数据的非线性非高斯问题,提出了一种基于稀疏D-vine Copula(Sparse D-vine Copula-based,SDVC)的过程监测方法。首先,针对传统的Vine Copula结构优化方法容易引起估计误差在Vine结构中累积,并且计算负担随着数据维数的增加急剧增长的问题,修正了二元Copula的先验概率,使得高层次结构树中的二元Copula更倾向于优化为独立状态,实现了高层次树结构稀疏优化。其次,对Vine结构节点次序确定方法进行改进,根据节点间的相关性总和依次展开,使其更适用于水平结构的D-vine建模。最后,引入高密度区域(HDR)与密度分位数理论,构建适用于任意分布的广义局部概率(GLP)指标,以实现对工业过程的实时监测。通过田纳西-伊斯曼(Tennessee-Eastman,TE)和醋酸脱水工业过程验证了所提出方法的优越性能。

一种改进的非线性多变量格兰杰因果检验在污水处理过程参数关系分析中的研究

传统线性多变量格兰杰因果检验通过引入条件变量来判断两个变量之间是否存在因果关系,但条件变量的选择往往具有主观性而缺乏对其合理的规则,针对这个问题,提出一种可筛选条件变量的非线性多变量格兰杰因果检验方法。该方法使用支持向量回归构建检验方程以适应非线性条件,通过分析两两变量之间的关系构建初步结构后选择条件变量,并基于所选条件变量再进行非线性多变量格兰杰因果检验;引入两种拓扑结构避免对不产生伪因果问题的真实关系重复检验。在数字仿真和污水处理基准仿真平台上的实验结果表明本文方法能适应非线性条件,检验结果更准确,在计算强度上也有更好的表现。

安全约束下合作型多智能体TD3算法

合作马尔可夫博弈中,每个智能体不仅要实现共同的目标,还需要保证联合动作能够满足设定的约束条件。为此提出了安全约束下的合作型多智能体TD3算法MACTD3(multi-agent constrainted twin delayed deep deterministic policy gradient)。首先,结合注意力机制对各个智能体采取的动作与决策过程约束条件进行了协调。然后利用拉格朗日乘子构造了修正的代价函数。进而为保证算法的收敛性,保证每一个智能体能够满足预先设定的约束条件,设计了不同时间尺度分学习策略:在短时间尺度上执行Actor-Critic网络的梯度下降,在长时间尺度上对拉格朗日参数进行迭代。最后在异质和同质的合作型多智能体环境下进行实验。实验结果表明,与其他算法相比,提出的MACTD3算法始终能够获得最小的惩罚成本;通过数量的扩展性实验表明了MACTD3在不同数量智能体的情况下仍然能够满足约束条件,证明了算法的有效性与扩展性。

基于数据驱动的文物环境风险状态评估方法研究

在博物馆文物保护中,对环境风险监测和风险变量的及时定位有重要意义。然而,由于各个文物展馆的差异性,很难将某一展馆的环境风险划分标准应用于其他展馆,甚至无法应用到同一展馆的不同类型文物。除此之外,当风险出现时,博物馆无法及时锁定影响因素,延长了风险排除所需的时间。因此,结合上海博物馆江南文化艺术临展的连续监测数据,提出了一种针对纸质文物的环境风险状态评估二级监测框架,并按需求划分为“优、良、中、差”四个等级进行风险监测。首先,使用“优”数据集建立主成分分析(principal component analysis,PCA)模型并构建控制限用以挑选“优”数据,“差”数据集通过已有的PCA模型得到判断“差”等级的控制限;然后,使用“非优非差”数据集建立ReliefF-PCA模型并得到“良”“中”等级划分的控制限;最后,对应PCA模型和ReliefF-PCA模型分别使用贡献图和基于ReliefF算法计算权值的加权贡献图,以此量化风险,初步定位对环境指标存在影响的风险变量。通过两个评价模型构建的监测框架,为文物保存环境质量的评估和后续馆藏环境调控提供了一种更为科学的方案,有助于提高整个文物保护系统的效率。

新型电力系统网络安全与运行优化方法及应用专刊序言

建设以新能源为主体的新型电力系统,既是能源电力转型的必然要求,也是实现碳达峰、碳中和目标的重要途径。随着传统电力系统向以新能源为主体的新型电力系统转型升级,电力系统在电源主体、网架形态、负荷用电模式等方面也发生了巨大变化。具体来说,海量分布式发电、储能、灵活负荷以微电网、微能源网的形式接入电网,导致新型电力系统运行环境相对开放,使其更易遭受网络攻击威胁。

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。

基于自适应深度置信网络的压力变送器温度补偿方法研究

随着压力变送器检测技术和人工智能技术的不断发展,在航空航天、石化、核电等领域人们对压力变送器的稳定性、实时性、测量精度等方面有了更严格的要求。而工作环境的温度会对设备精度造成巨大影响,导致变送器测量值出现偏移。针对此问题,本文提出了基于自适应深度置信网络的高精度压力变送器温度补偿方法。深度置信网络(Deep Belief Networks,DBN)在无监督学习阶段提取数据的特征,然后在有监督阶段使用少量的数据对网络参数进行微调;利用白鲸优化算法(Beluga Whale Optimization,BWO)在全局搜索和局部寻优之间达到平衡,有效地提高DBN网络的优化效果;引入Metropolis准则和适应度平衡因子,进一步提高算法的全局寻优能力以及模型收敛速度。实验拟合后的数据精度可达0.0048%,远高于现有的最高标准0.05级。经过一系列对比分析,验证了补偿算法的准确性和实用性。

基于分区搜索和强化学习的多模态多目标头脑风暴优化算法

维持种群多样性和提高算法搜索效率是多模态多目标优化亟需解决的两大问题。为解决以上问题,提出了一种基于分区搜索和强化学习的多模态多目标头脑风暴优化算法(MMBSO-ZSRL)。在MMBSO-ZSRL中,首先将决策空间分解为多个子空间以降低搜索难度和维持种群多样性;然后,使用SARSA(state-action-reward-state-action)算法来平衡头脑风暴算法的全局探索和局部开发能力;并使用特殊拥挤距离来挑选个体来指导种群进化。为了验证所提算法的性能,选取六种先进的多模态多目标优化算法来进行比较,并选取IEEE CEC2019多模态多目标问题基准测试集来对所有比较算法的性能进行测试。实验结果表明,MMBSO-ZSRL的整体性能要显著优于其他六种比较算法。MMBSO-ZSRL不仅可以找到多样性和逼近性更好的帕累托前沿,而且可以在决策空间找到更多的帕累托最优解。

基于多子空间加权移动窗主成分分析的全厂流程早期故障检测

早期故障的特征不明显,在全厂流程中比常规故障难检测.为了提高全厂流程中早期故障的检测率和灵敏度,将检测视角由全局转移至局部,提出基于多子空间加权移动窗主成分分析(PCA)的早期故障检测方法.使用结合过程知识和数据驱动的双层子空间划分方法,将过程变量划分到不同子空间中.使用加权的移动窗口增大早期故障的偏移量,将局部离群因子(LOF)算法引入PCA,以便进一步关注数据的局部特征,在每个子空间中建立故障检测模型.通过贝叶斯推理融合法对各子空间的监测结果进行信息融合,获得分布式监测结果.通过工业实例验证所提方法的性能.结果表明,所提方法在全厂流程中有效提升了早期故障检测的准确率和灵敏度.

基于CVCS的浮法玻璃冷端机械手堆垛系统调度问题

采用目前生产线上常用的高速堆垛机(High-Speed-Stacker, HSS)和即时分拣机(Pick-on-the-Fly,POF)两种机械手分别堆垛不同规格的玻璃原片,目标是最小化玻璃的废料率。针对切割和抓取自动化过程,提出了一种组合Unit的方法最大化生产效率,并在此基础上采用了平衡Unit的优化方法。根据两种类型机械手是否同时工作,提出了混合抓取和分类抓取两种解决方案。最后针对抓取阶段的特点提出了一种组合变异布谷鸟搜索(Combination Variation Cuckoo Search,CVCS)算法,引入了内外逆序和多领域插入变异操作,防止算法陷入局部最优。仿真实验采用响应面分析法对CVCS进行参数标定。并将CVCS与MMGA、BPSO、DABC、CS算法进行了对比分析,实验结果验证了CVCS算法解决该问题的优越性。

基于红外视频的VOCs泄漏源定位与气羽实例分割

为实现对基于红外视频的挥发性有机化合物(VOCs)的自动化检测,提出了一种泄漏源定位和气羽实例分割的协同建模方法,既保证了模型对气羽实例的区分,也保证了每个实例只预测一个泄漏源,并支持单支路网络通过单次前向推理同时进行泄漏源定位和实例分割。考虑到泄漏源附近的气羽逸散特性,使用泄漏源位置作为气羽在嵌入空间的聚类中心,并根据泄漏气羽的时空分布选取高斯分布概率密度函数的协方差变量,对嵌入空间内的像素进行聚类,得到不同实例的泄漏源定位和实例分割结果。将泄漏源定位问题定义为具有单一关键点的关键点检测问题并给出定量评价指标。此外,通过合成数据集获得更加精确且易于获取的标注。实验结果表明,本文提出的方法可以对泄漏气羽进行较为准确的泄漏源定位和实例分割,综合定量指标高于其他同类方法,且在真实视频中具有良好的泛化性。

一种基于冷扩散模型的复杂反应流场建模方法

仿真复杂湍流反应流场的计算消耗巨大,为了缓解计算负担,许多研究基于深度学习方法构建数据驱动代理模型,但获取该代理模型所需要的数据仍存在一定困难。为了解决上述问题,本文提出一种基于冷扩散模型(Cold Diffusion Model,CDM)的代理模型。与去噪扩散概率模型(Denoising Diffusion Probabilistic Model,DDPM)不同,插值冷扩散模型在扩散过程中采用逐步插值替代加入随机高斯噪声,为复原过程引入更多信息。二维甲烷燃烧仿真实验结果表明,相比其他代理模型,插值冷扩散模型能够利用有限的数据,学习到更多的信息,减少训练所需的计算数据量,从而缓解计算负担。

基于降方差采样策略的随机重构法

在随机重构法的采样过程中,每个结构特征需要的采样数量是不相等且变化的。为了将拉丁超立方采样用于降低随机重构模型的方差,基于随机重构法采样过程的特征和拉丁超立方采样原理,提出了适用于随机重构法的新型拉丁超立方采样方法,探究了在多种分子数量设定情况下应用该方法对随机重构模型的方差和精度的影响。结果表明,应用该方法能够显著降低随机重构模型的方差,提高模型的精度,在分子数量为1000~50000范围内,新模型的标准差相较传统模型降低了71.36%~74.53%,目标函数值降低了1.69%~13.82%。综合模型精度和模拟过程的运算开销,选择4000~6000作为新模型最优的分子数量设定。

压力变送器研究现状及发展趋势

压力变送器作为工业领域的重要测量仪器,已广泛应用于火电、核电、化工、钢铁、航天等领域。随着检测技术和自动化技术的发展,对压力变送器的稳定性、精确度以及智能化水平提出了更为严苛的要求。介绍了压力变送器的主体结构和常见分类。从通信方式、特殊环境测量要求以及智能化等多个方面分析了压力变送器的研究和应用现状。压力变送器的通信方式已经从传统的模拟通信发展到方便、快捷的无线通信。针对高温极端环境压力测量,更多的新型材料(如碳化硅、石墨烯等)被用作传感器敏感元件。为了适应智能化需求,一些研究者设计、研发了具有自诊断功能的压力变送器,以保障系统的安全性。为了克服压力传感器的温度漂移问题,提出了各种神经网络和深度学习的温度补偿算法。无线化、智能化、高精度等将成为压力变送器未来的主要发展方向。