针对具有大滞后、强动态干扰的积分特性对象,提出了基于一阶状态校正的预测控制算法。算法考虑预测状态与其对应的实际测量值偏差的积分作用,在一阶维度上施加状态校正,从而大幅提高控制器的预测准确性与应对模型失配的能力。通过仿真对比验证了状态校正算法的有效性。本算法已实际应用于某炼厂闪蒸罐的液位控制,取得了较好的控制效果。

多液位与加热炉复合系统是一类具有液位和加热炉支路间的强耦合性及大滞后与非线性等特性的复杂工业过程。针对这类系统的多液位控制与加热炉支路温度平衡控制问题,根据解耦与平衡的思想,提出了一种基于总容量平衡的变周期液位控制的协调控制方法,从结构上实现了多液位控制与支路温度平衡控制的分离,耦合性分析也说明了方法的可行性,最终实现了复合系统的整体协调控制。基于HYSYS流程模拟的仿真实验表明了所提出控制方法的有效性。

针对循环流化床锅炉燃烧过程多变量耦合、时滞、非线性等复杂过程特性和经济运行要求,提出了一种结合经济性能优化与多变量控制的双层预测控制策略,可在实现主蒸汽压力、料床温度和烟气含氧量约束控制的基础上,优化燃烧过程的经济性能。工业应用实例表明,该控制策略不仅能有效提高燃烧过程主要工艺参数的平稳性,而且能降低单位蒸汽的燃煤消耗量,具有显著的经济效益。

随着系统总体性能要求的提高,分布曲线对象的控制问题成为研究热点。分布曲线对象是通过宏观的操作手段控制微观的输出曲线,不是任意形状的目标曲线都是能无偏跟踪的。提出了一种分布曲线对象的无偏模型预测控制算法。该方法首先采用B样条模型进行分布曲线对象的描述,其次通过复合梯形方法对滚动优化命题进行离散化,最后采用二次规划方法进行无偏目标曲线计算,以实现无偏控制。仿真结果表明了算法的有效性。

控制系统性能监控和评估的研究对保障生产过程安全高效运行具有重要意义。对于一个控制系统,各种监控评估指标的重要性不同却有内在冲突性,例如控制系统的性能"卡边"操作与安全生产有时是矛盾的。因此,提出了优先级性能评估与监控的思想,系统依照优先级序列对各指标进行性能评估,并对事关安全的关键过程变量重点监控;开发了针对MPC多变量控制系统的优先级性能评估与监控系统,并应用于催化裂化反应-再生系统。

石化企业生产过程中污染性气体的排放问题日益引起人们的重视,生产过程进行用能调度运行优化时,需要兼顾节能降本和减少排放两个矛盾的优化目标。综合考虑能源设备、生产操作及大气污染物排放等因素,建立了蒸汽动力系统的多目标混合整数线性规划(MOMILP)模型,采用改进增广e-约束法对生产成本和环境成本两个目标统筹进行优化,从而获取设备燃料配比和能源分配的优化调度方案。同时,以某石化企业蒸汽动力系统实例为背景,对不同环境收费标准下的生产调度方案进行细致对比和分析,结果验证了所用优化调度模型的有效性。

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

针对高炉炼铁过程的多尺度和动态特征,建立了基于经验模态分解(empirical mode decomposition, EMD)和Elman神经网络的铁水硅含量预测模型。该模型先采用EMD将硅含量序列分解成有限个、相对平稳的本征模函数(intrinsic mode function, IMF)和剩余分量;然后,分别对每个IMF和剩余分量建立Elman神经网络子模型;为了进一步提高预测精度,将子模型的结果进行加权融合,并利用粒子群算法进行权值的寻优,最终获得硅含量的预测结果。将该模型用于某钢厂铁水硅含量的预报,实验结果证实了该方法的有效性。

太阳能接收器是塔式太阳能电站的重要组成部分,是光热转换的重要部件,因此接收器的建模和仿真对实现电站的平稳运行具有重要意义。根据能量守恒、质量守恒定律,对以美国Solar Two电站接收器为原型的高温熔盐接收器吸热管进行空间离散化,建立了接收器分段集总参数模型。模型稳态仿真结果与Solar Two电站接收器测试结果的对比验证了模型的正确性。通过接收器动态仿真,分析了输入变化和接收器接收能量不均匀时的传热特性,可为定日镜场聚焦策略以及电站安全运行的研究提供依据。

针对间歇过程的迭代学习控制问题,提出了一种基于输入轨迹参数化的迭代学习控制策略。根据最优输入轨迹的主要形态特征,将其参数化为较少量的决策变量,降低传统迭代学习控制复杂性的同时维持良好的优化控制效果。基于输入轨迹参数化的迭代学习控制策略能保持算法的简洁性和易实现性,在不确定扰动影响下逐步改善产品质量。对一个间歇反应器的仿真研究验证了本文方法的有效性。

建立有效的间歇调度模型一直是生产调度问题调度研究的热点,而连续时间模型是优化短期间歇生产调度问题的有效工具。基于特定单元事件点的概念,建立一种改进的间歇调度连续时间混合整数线性规划(MILP)模型。该调度模型引入了新变量,使模型处理物料在不同设备间的传输过程更加灵活。结果表明,提出的改进模型只需要较少的事件点,就可以快速有效处理无限中间存储(UIS)间歇调度问题。

氢气是催化重整反应的重要副产物之一,建立氢气纯度软测量模型有助于指导生产。针对催化重整过程工况复杂多变、单一软测量模型难以满足精度要求,提出了一种基于改进的快速搜索聚类算法和高斯过程回归的多模型软测量建模方法。首先,针对快速搜索聚类算法中截断距离是由人为设定的问题,提出了一种截断距离确定方法。并用该改进算法对历史数据进行自动分类,建立各个数据子集的高斯过程回归模型,使各子模型在最大程度上反映不同工况点。然后,针对聚类后得到的带有类别标签的历史数据,建立类别辨识模型,与各子模型相结合,形成开关模式的组合模型。最后,将该建模方法应用于连续催化重整装置,建立了脱氯前氢气纯度的在线计算模型。结果表明,该多模型建模方法具有较高的预测精度,优于传统的单一模型,有一定的实用价值。

汽油调合和调度优化问题中含有典型的非线性约束(NLP)问题。针对一般智能优化算法在解决此类优化问题中易陷于局部极值,提出了一种改进的生物地理学优化算法(HMBBO)。该算法设计了一种基于种群个体差异信息的启发式变异算子,弥补了Gauss变异、Cauchy变异算子缺乏启发式信息的不足,以解决原算法在局部搜索时易出现的早熟问题,提高算法的全局搜索能力,并且采用非线性物种迁移模型以适应不同的自然环境。采用4个测试函数进行仿真,结果表明:HMBBO算法与标准BBO算法、基于Gauss变异及基于Cauchy变异的BBO算法比较,其收敛速度和全局寻优能力有明显改善。汽油调合和调度优化实例表明,该算法能够快速有效地找到全局最优解。

煤制气甲烷化过程中会产生大量的低温余热,这部分热量直接排放到大气,造成较大的能效损失、经济价值损失。将溴化锂吸收式制冷和氨吸收式制冷的串级制冷工艺集成到甲烷化过程中,利用低品位余热制冷,可制得-40℃的冷量用于低温甲醇洗,以替代部分常规的压缩式制冷。这样能大幅降低电耗,提高能效。以40亿立方米/年的煤制天然气为例,该串级吸收式制冷集成甲烷化过程中的低温余热用于低温甲醇洗单元供冷,减少压缩式制冷负荷16.2%,折合节省标煤1.8万吨/年,动态投资回收期1.7年左右。

报警泛滥是过程工业报警管理中普遍存在且难以解决的问题。报警泛滥序列聚类分析有助于报警根源分析和预警。针对目前报警泛滥序列相似度测量方法存在的缺陷,如对报警序列长度限制、计算复杂、依赖参数,采用基于离散傅里叶变换的方法在频域对报警泛滥序列进行相似性分析,提出了离散傅里叶功率谱的欧氏距离作为度量报警泛滥序列相似度距离的方法,计算不同报警泛滥的相似度距离,再通过非加权组平均法获得报警泛滥序列的聚类树状图,根据相似度距离,确定报警泛滥的模式,帮助操作员确定异常根源,做出快速响应。TE仿真过程在不同干扰下的应用实例验证了该方法的有效性、准确性。

在管道泄漏检测中,泄漏信号的信噪比是影响误报和漏报的主要因素。传统的小波去噪和EMD分解方法受小波基选择、分解尺度选择和重构分量选择的影响难以保证稳定、有效的信号增强效果。通过分析动态压力变送器的传递函数,发现动态压力变送器的输出信号中缺失了反映声波信号低频响应特性的积分项,提出了基于时域积分的、增益可调的泄漏声波信号增强方法,现场实测数据的测试结果表明:基于时域积分的泄漏信号增强方法具有稳定显著的信号增强效果和定位精度,无需复杂的参数寻优,为微小泄漏的检测以及减少误报和漏报提供了有效的技术支持。

针对传统函数链接型神经网络(functional link artificial neural networks,FLANN)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于层次分析(analytic hierarchy process, AHP)的FLANN神经网络(AHP-FLANN)。通过层析分析模型过滤输入数据中的冗余信息,提取特征分量,并把提取的特征分量作为函数链接神经网络的输入进行建模。同时利用化工行业乙烯生产数据进行了验证,并和BP神经网络及FLANN神经网络进行了对比。结果表明,AHP-FLANN神经网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强等特点,同时能够指导乙烯生产,提高能效,具有良好的实用价值。

针对传统的径向基函数(RBF)神经网络隐藏层节点的不确定和初始中心敏感性、收敛速度过慢等问题,提出一种基于模糊C均值的RBF神经网络(FCM-RBF)模型,通过模糊C均值聚类(FCM)得到各聚类中心,基于误差反传的梯度下降法训练隐藏层到输出层之间的权值,克服传统RBF模型对数据中心的敏感性,优化确定RBF神经网络隐藏层的节点数,提高网络训练速度和精度。最后将其用于乙烯装置生产能力预测中,分析预测不同技术、不同规模乙烯装置生产情况,指导乙烯生产,提高生产效率,结果验证了所提出算法的有效性和实用性。

基于数据驱动的生产过程建模、优化与控制是当今学术界与企业界的研究与应用热点。大数据时代小样本问题不可忽视。针对诸如人工神经网络(ANNs)、极限学习机(ELMs)等传统建模方法在小样本条件下难以获得较高的学习精度,提出了一种新颖的多分布整体趋势扩散技术(multi-distribution mega-trend-diffusion, MD-MTD)用于提升小样本学习精度。通过整体扩散技术推估小样本属性可接受范围,在整体趋势扩散的基础上,增加了均匀分布和三角分布描述小样本数据特性,生成虚拟样本,填补小样本数据点间的信息间隔。利用标准函数产生标准样本,在正交实验和不均匀样本实验下论证了MD-MTD的合理性和有效性,用MLCC和PTA两个实际的工业数据集进一步验证了MD-MTD的实用性。实验结果表明,MD-MTD能提高小样本学习精度8%以上。

慢特征分析(SFA)是一种无监督的线性学习算法,没有考虑过程数据的类别信息和非线性特征。针对此问题,提出一种基于核慢特征判别分析(KSFDA)和支持向量数据描述(SVDD)的非线性过程故障检测方法KSFDA-SVDD。该方法首先利用核技巧将数据从原始空间映射到高维空间,然后通过最大化正常工况数据和故障模式数据之间伪时间序列的时间变化同时最小化正常工况数据内部伪时间序列的时间变化计算判别矩阵,最后利用SVDD描述采用判别矩阵降维后的正常工况数据的分布域,构建监控统计量检测过程故障。在连续搅拌反应器(CSTR)过程上的仿真结果表明所提出方法的故障检测性能优于传统的KPCA方法。

针对保局投影(locality preserving projections,LPP)没有考虑过程数据的全局信息和动态性的问题,提出一种新的基于动态稀疏保局投影(dynamic sparse locality preserving projections,DSLPP)的故障检测方法。该方法首先将原始数据矩阵扩展为考虑时序相关的增广矩阵,然后通过求解最优稀疏表示(sparse representation,SR)问题,得到能够表示数据全局稀疏重构关系的稀疏系数矩阵,并将其与LPP算法结合,构建综合考虑数据局部和全局关系的目标函数进行数据降维,最后分别在特征空间和残差空间构造T²统计量和Q统计量进行故障检测。TEP的仿真结果表明,与LPP方法相比,新方法能更迅速检测故障发生并降低过程监控漏报率。

针对变工况切换过程中切换点难以确定且切换准则不完善等问题,以大范围升温过程为例,利用仿人智能控制中"全压—零制动—稳态调节"的控制策略,提出了"预测Petri网",即在Petri网中增加预测器,为Petri网的变迁提供了判断元素。根据"预测—决策—再预测—再决策"的思想,增加切换过程的判断条件,实现了Petri网自主寻优过程。最后在实验室电加热炉装置上实验表明,在切换点不确定的情况下,在线寻找到切换点并增加了切换条件,使系统的切换更为平稳光滑,提升了系统响应速度和稳定性。

模型预测控制的性能受多种因素的影响,现有的模型质量评价指标没有考虑外界干扰的变化,反映系统整体性能时不够全面。针对上述问题,现结合两个指标:基于模型预测控制目标函数的历史性能指标和基于模型预测残差的协方差指标对系统性能进行实时监控。其中,历史性能指标用以评价系统的整体性能,协方差指标反映模型失配和干扰变化的影响。根据两个指标对不同性能影响因素的不同表现和性能恶化后对干扰新息的重新辨识结果,对系统性能下降的原因进行初步诊断,缩小性能下降源的范围,并通过Wood-berry塔实验验证了该方法的有效性。

在实际中,模型失配是导致模型预测控制性能下降的关键因素。传统的相关性分析方法在分析某一通道的预测残差和操作变量之间的相关性时,会受到其他操作变量及干扰的影响,导致结果不可靠,无法准确定位失配。针对上述问题,现采用偏相关性分析方法。在滤除其他操作变量和干扰影响的前提下,分析各通道预测残差和操作变量之间的相关性,将模型失配问题转化为一定区间上偏相关系数的分布问题。通过观察各通道偏相关系数的分布图判断是否发生失配,并通过Shell塔实验验证该方法的有效性。

针对实际工业过程具有非线性、时变和多变量的特点,提出一种数据驱动的带有变遗忘因子的自适应子空间预测控制方法。该方法将在线子空间辨识与模型预测控制相结合,同时利用期望输出值与实际输出值的误差实现变遗忘因子的自适应更新,并根据当前变遗忘因子构造了过去与将来的Hankel矩阵,从而实现了预测模型的在线更新,提高了控制器对非线性时变特征的辨识灵敏度和适应能力。最后,利用该控制器对四容水箱对象进行仿真研究,验证了算法的有效性。

在化工系统实际运行过程中,常常会出现一些不正常的工作状态,为了使系统运行状态能够避开这些不正常的工作状态,往往需要对控制器进行重构。针对这种情况,本文阐述了一种基于分段仿射模型的控制策略,该控制策略采用显式模型预测控制算法对系统进行控制,当检测到系统出现异常工作点时,先对系统进行形式验证,根据验证结果,再决定是否进行控制器重构,这样,既大大节约了生产时间和成本,也提高了控制效率。将该控制策略应用到连续搅拌反应釜系统中,取得了显著的应用成效。

监控危化品仓储堆垛五距(堆距、墙距、顶距、柱距和通道距)是危化品仓储安全监管的重要课题,研究危化品堆垛货物的高精度定位技术,是通过三维重构方法对危化品堆垛方式安全进行自动化监控的前提。分析了危化品仓储环境中影响UWB(ultra wide band)定位精度的主要因素,提出一种基于UWB四参考点矢量补偿的危化品仓储堆垛货物定位技术。首先将待监测区域划分为矩形网格,并建立参考系,将各网格顶点设为参考点,获得参考点处UWB定位值的误差矢量,作为校正待测点的参考矢量;将危化品仓储中堆垛货物与UWB标签绑定,寻找标签所处网格,用该网格的四参考点矢量补偿方法对标签的测量坐标值进行校正,将校正后坐标作为堆垛的最终定位位置。经实验表明,该方法能有效改善危化品仓储堆垛货物的定位精度,适合于危化品仓储堆垛的五距监测。

目前我国危化品仓储多采用码垛堆放的存储方式,对于垛距、墙距、顶距、柱距等缺少有效的技术监管手段。在现有的定位技术中,UWB技术可以较好地监测货物码垛位置,但其精度仍无法满足当前监管要求。利用UWB定位技术监测危化品仓储中货物的码垛位置,并从UWB技术的定位原理和影响定位精度的主要因素出发,结合危化品码垛仓储的特点,提出泰森多边形矢量校正法,对危化品仓储货物进行更加精准的定位。实验证明,泰森多边形矢量校正法能够有效提高UWB定位精度,适用于危化品仓储的货物定位和监管。

烧结过程是一个复杂的物理、化学反应过程,存在大滞后性、强非线性、多目标、多约束条件等控制难点。为了实现铁矿石烧结过程中混合料料槽料位和烧结终点这两个关键参数的综合控制,提出了一种基于优先级的协调优化控制方法。首先,通过综合运用神经网络预测和模糊控制,建立烧结终点的智能控制模型;同时,为了稳定混合料料槽料位,分析影响料槽料位的主要因素,基于专家知识建立了混合料料槽料位专家控制模型;然后,通过构造基于优先级的协调优化控制模型,在优先级控制的基础上采用软切换控制,将两个控制器相结合,获得最适宜的速比以及台车速度增量,实现烧结生产过程的协调优化控制。最后,针对该协调控制策略,设计了其工厂实现方案。

在降膜蒸发器中,物料液位直接影响蒸发器分离室压力和出料温度从而影响加热蒸汽消耗,对蒸发器的优化操作十分重要。但实际生产中液位的设定值通常是一个较大的范围,难以优化运用。针对此问题提出了一种基于(火用)分析的管式降膜蒸发器液位优化设定方法。深入分析了液位高度对蒸发过程各参数的影响,基于实际生产数据,拟合得到了液位与其他参数间的关系模型。结合蒸发器物料平衡关系以及(火用)分析方法,建立了最大化(火用)效率的能耗优化模型。对优化模型求解得到了蒸发器(火用)效率随液位高度变化的关系曲线,最后计算了不同工况条件下的最优液位,为优化实际生产操作提供了参考。

铝土矿泡沫浮选过程中,因矿浆的快速沉淀等原因工艺参数在线检测困难,且入矿性质变化频繁,造成浮选过程参数随入矿的变化而不断改变。而通常建立的静态软测量模型利用固定样本集训练得到,当矿源变化时容易发生模型失配现象,使模型不能跟踪当前对象。针对变矿源下的模型失配问题,本文提出基于隐层节点动态分配和模型参数动态修正策略的RBF神经网络建模方法,用于铝土矿浮选过程酸碱度的在线检测建模。实际生产数据仿真结果表明该方法能够有效解决模型失配的问题。

针对高炉炉壁温度检测系统中由于传感器故障导致的检测信息不完备问题,提出一种基于动态神经网络的不完备检测信息软测量方法。首先,依据高炉结构和炉壁温度传感器位置分布建立温度传感器位置描述模型和分区域温度检测模型;其次,根据热传递学分析炉壁分区域温度检测模型中各个传感器之间存在的相关性,并采用最大互信息非参统计量方法从传感器检测序列上定量的计算分区域温度检测模型中各传感器间的相关度;最后,依据相关性分析结果,结合温度传递规律,提出炉壁不完备温度检测信息软测量模型,采用Elman神经网络对模型的结构和参数进行辨识。通过高炉冶炼现场采集的数据仿真计算表明,提出的方法具有较好的准确度与检测精度,能够满足现场的检测精度要求,具备广泛的应用价值。

针对PTA生产过程中副产物醋酸甲酯水解回收工艺,利用Aspen Plus软件进行厂级稳态流程模拟与集成优化设计。首先分析水解工艺的热力学、动力学性质,建立水解工艺稳态流程模拟结构,与实际生产数据对比分析验证稳态模拟结果的正确性;其次采用序贯优化法,以年生产成本最小化为目标,对工艺结构和操作参数进行优化,使工艺达到最佳操作条件且生产成本最低。

侧反应器与精馏塔的耦合结构与物料交换方式的灵活性,造成系统的自由度高、设计变量多,增加了该过程的稳态优化模拟和动态控制的难度。针对侧反应精馏过程(SRC)的平滑操作和自动控制问题,以醋酸甲酯工业生产过程为例,采用基于独立反应量的稳态设计方法获取最佳的反应精馏集成结构和操作参数,在此基础上设计了以产品成分调节变比值控制为主的多变量控制方案,并通过在Aspen流程模拟软件建立醋酸甲酯侧反应精馏动态流程模拟系统,验证控制方案的有效性。

针对化工过程在多种运行模式下多种流形结构具有不同最优近邻数问题,提出了基于聚类选择k近邻的局部线性嵌入(LLE)过程监控方法。使用LLE算法提取高维数据的低维子流形,通过局部线性回归得到高维数据空间到特征空间的映射矩阵;选择Silhouette指标作为聚类有效性指标评估嵌入空间样本信息的相似性,进而确定最优近邻数,根据映射矩阵构建故障监控统计量及其控制限,进行故障检测。最后将所提算法与其他经典算法应用于TE化工过程对比分析,验证了算法的有效性。

线性时变参数系统(LPV)将多阶段、非线性的过程建模转化为线性多模型的辨识问题,近年来得到了极大关注。考虑缺失数据下LPV系统的离线建模问题,首先引入一个二进制变量表征输出样本缺失状态,选取过程关键变量作为调度变量,确定主要工况点;然后围绕不同工况点建立局部子模型,将输出缺失部分和采样数据的模型归属当作隐藏变量,利用EM算法进行参数估计,再采用高斯权重函数融合各子模型。最后分别针对典型二阶过程和连续搅拌反应釜(CSTR),运用提出的多模型和算法进行仿真实验,表明有效性。

在很多工业过程中,常常可获得两种测量数据,无时滞测量值和含时滞测量值,其中,无时滞测量值直接由传感器在线测得,即时却精度较低,含时滞测量值通过人工实验分析离线得到,精度高却有时滞。引入状态增广卡尔曼滤波法对上述两种数据进行融合以估计当前状态值。考虑到无时滞测量值建立的在线软测量模型存在不可避免的模型不匹配问题,引入模型偏差作为待估计状态,通过离线测量值对其进行估计,从而实现对在线软测量模型的校正。最后将所提方法运用到线性化的非线性二元蒸馏塔模型中估计填料压板各成分浓度,取得了良好效果。

针对污水处理过程能耗模型难以建立的问题,提出了一种基于自适应回归核函数的建模方法。通过分析污水处理过程的运行特点,构建能耗与运行过程变量之间的关系,得到一种基于过程变量的能耗模型表达;同时利用梯度下降算法对能耗模型参数进行自适应调整,提高模型精度。最后,将设计的能耗模型应用于污水处理过程基准仿真平台BSM1和实际污水处理厂,实验结果表明该模型能够根据污水处理过程变量实时获得污水处理过程的能耗,具有较好的自适应特性和较高的精度。

针对污水处理过程具有非线性、大时变等问题,提出了一种基于递归模糊神经网络的多变量控制方法。该方法通过递归模糊神经网络控制器自适应地获得对操作变量的控制精度,控制器在常规BP学习算法的基础上采用学习率自适应学习算法且引入了动量项来训练网络参数,避免网络陷入局部最优,提高了网络对系统的控制精度。最后,基于仿真基准模型(BSM1)平台对第五分区中的溶解氧和第二分区中的硝态氮控制进行动态仿真实验,结果表明,与PID、前馈神经网络和常规递归神经网络相比,该方法能有效提高系统的自适应控制精度。

针对污水处理过程溶解氧浓度难以控制的问题,提出了一种基于自组织T-S模糊神经网络的控制方法。其实质是采用模糊规则层激活强度的方法,根据实际环境自适应的对神经元进行调整,构造合适的控制结构,从而提高控制精度。同时采用梯度下降法对控制器的各个参数进行实时调整。该控制器运用在污水处理基准仿真模型中进行实验,结果表明,提出的SO-TSFNN控制方法能够较好地实现对溶解氧浓度的控制,具有较好的自适应性。

对于化工厂、电厂等重要场所,火灾、爆炸和有毒物质泄漏等安全生产举足轻重。因此对工业现场的监控至关重要。作为一种有效实时的视频目标跟踪算法,TLD算法(tracking-learning-detection)吸引了全世界的广泛关注。提出了一种PTLD的改进算法(prediction-tracking-learning-detection)。它是通过将卡尔曼预测器用于估计目标的位置以降低探测器的扫描区域,提高检测速度;增加基于目标运动方向的预测用于跟踪目标与背景相似的情况。通过增加位置和速度的预测并使用时空分析有效提高视频跟踪精度和速度。实验结果表明,PTLD算法为鲁棒实时的视频跟踪提供了一种方向。

针对具有特征颜色的镨/钕(Pr/Nd)萃取过程中元素组分含量难以快速准确检测的问题,提出了一种基于多RBF神经网络模型的组分含量建模及其自适应校正方法。通过选择Pr/Nd溶液图像特征H、S分量一阶矩为模型的输入变量,采用减法聚类对样本数据进行分类并建立相应的子模型;当萃取运行环境或对象特性发生变化导致模型精度不够时,根据模型参数调整策略自动调整各子模型的网络结构和参数,实现元素组分含量的准确预测。针对某Pr/Nd生产过程实际数据实验对比,结果表明本文方法能够满足稀土萃取过程元素组分含量检测的高准确度和快速性要求。

针对稀土萃取过程自动化程度低、经验控制误差大、手动调节效率不高的问题,建立了萃取过程ANFIS模型,实现了各控制流量的自动调节。考虑稀土萃取过程非线性和动态特性,采用自适应神经模糊推理系统(ANFIS)对Pr/Nd萃取过程进行描述,在保证高精度的组分含量预测输出基础上,运用广义预测控制方法(GPC)实现各控制流量的优化控制;最后,基于Pr/Nd萃取过程动态数据进行仿真实验。通过与传统PID方法的实验对比,表明了本文方法的有效性。

针对间歇过程存在的参数时变问题,提出一种基于二维PID(2D-PID)迭代学习框架的自适应控制方法。首先,通过粒子群优化算法快速获取初始的2D-PID控制参数。在批次内,采用自调整神经元PID控制器对其进行在线自适应调节。进一步,考虑批次间的重复特性,通过PID型迭代学习控制,以利用历史批次的信息来修正当前批次的调节变量,最终提高控制性能。通过间歇发酵过程的仿真和比较研究,验证了所提出方法的有效性。

间歇过程是一类具有典型复杂非线性特性的生产过程,可以利用模糊神经网络(NFM)建立其输入输出的非线性映射关系。在前期的研究中曾提出过基于概率密度函数(PDF)技术的模型训练方法,成功解决了传统的基于MSE准则训练方法模型泛化能力弱的问题,但又产生了概率密度难以估计及目标PDF未知时模型性能不稳定的问题。针对这两个问题,引入了新的概率密度窗宽估计方法,并提出了在目标PDF未知时采用PDF预估器及其收缩策略的算法。仿真实验表明:该方法能够保证足够的概率密度估计精度和模型预测性能。

与只考虑直接回用的氢网络相比,具有提纯单元的氢网络能显著减少新鲜氢气的消耗量,但其设计及求解提纯目标值过程均更为复杂。对于单杂质、提纯单元采用固定浓度模型的提纯回用氢网络,结合此类网络的特点,提出了一种简捷法确定网络目标值。首先假设提纯后氢物流量足够大,由此得出初始提纯夹点。当初始夹点估算正确时,由夹点之下的需求物流和源物流的流量与杂质质量衡算即可得出提纯回用氢网络的目标值;当初始夹点估算不正确时,可以第一次计算结果为基础判断得出正确夹点,再增加一步简单计算,也可得到提纯回用目标值。计算实例表明本文方法计算简单且有效。

分布式废水处理系统集成的本质特征之一是通过最大程度减少不必要的水流混合量而降低系统的总处理量。根据这一思想,提出了一种基于启发式规则的方法设计废水处理单元有最大入口浓度限制的单杂质废水处理系统。首先依据提出的规则确定处理单元的执行顺序,并在此基础上建立初始网络结构;然后通过计算确定最终网络结构。在设计过程中,上述规则的运用和最终网络结构的确定需要与杂质负荷平衡、夹点确定等废水处理网络设计的基本概念以及入口浓度限制条件相结合。对文献实例的研究表明,结果与数学规划法的求解结果相当,但设计过程更为简单且具有明确的工程意义。

制冷系统由于内部物质形态的多样性以及系统参数间的高度耦合而较为复杂,也增加了出现故障后的检测及诊断难度。针对制冷系统常见的7种故障,包括局部故障与系统故障,运用主元分析法提取故障样本主要特征,对样本进行降维处理后,基于概率神经网络进行故障诊断。主元分析法可将原始的62个参数分解为相互独立的主元,根据累计贡献率选取一定量的主元,并将其样本输入概率神经网络进行故障诊断,结果表明结合主元分析后的概率神经网络在一定范围内对spread值不敏感,不仅诊断正确率有所提高,而且缩短了诊断耗时。可见,主元分析法的使用可有效优化概率神经网络的诊断性能。

根据A/O工艺的脱氮原理,基于城市污水处理的1号基准动力学模型,分析影响脱氮过程的两个重要因素:硝态氮和溶解氧,利用线性自抗扰实现城市污水处理过程的脱氮控制。基于硝态氮和溶解氧分别设计线性自抗扰控制,既避免对复杂数学模型的依赖,又克服影响污水出水水质的波动因素,可获得较好的污水处理效果。动态仿真结果表明,线性自抗扰具有更好的控制性能。基于线性自抗扰的脱氮控制有利于提高污水处理的脱氮效率,改善出水水质。

高炉炼铁是一种典型的高能耗、高排放、高污染工业,合理的配料方案对高炉节能减排至关重要。基于高炉炼铁过程中的物质与能量守恒和高炉炉料结构理论,建立了以最小化生产成本和CO₂排放量为目标函数的高炉生产配料多目标优化模型,该模型采用非支配排序多目标遗传算法Ⅱ(NSGA-Ⅱ)进行求解,最终得到高炉生产配料多目标优化问题的Pareto最优解集。并将所得到的最优解与柳钢实际生产数据进行比较,结果表明建立的模型能使成本和CO₂排放量都有相应程度的降低,验证了该模型及NSGA-Ⅱ算法的正确性。炉长可以根据该多目标优化结果针对不同的需求选择相应的炉料配比,实现更精确的操作。

针对MFC系统启动阶段输出响应不稳定以及调节时间较长的问题,结合微生物燃料电池自身特性,提出了基于广义预测控制(generalized predictive control,GPC)的微生物燃料电池(microbial fuel cell,MFC)控制策略。与加入PID控制方法对比得知,加入GPC的MFC系统输出能够避免响应出现大幅度的抖动,且响应速度快,动态调节鲁棒性好,保证了动态输出曲线快速准确地跟踪系统设定值。在给定外电阻为恒值和醋酸盐浓度随时间阶梯变化时,通过带遗忘因子的最小二乘法进行模型辨识,将所得线性模型作为预测模型,采用GPC算法进行控制。仿真表明,GPC能在控制响应速度方面取得好的控制效果以及系统调节过程中的鲁棒性也有了较大的改善。有效地实现了对微生物燃料电池系统的动态性能以及鲁棒性能的优化,验证了所提出的算法有效可行。

间歇过程数据是由批次、变量和时间构成的三维数据,数据内包含了丰富的对过程监控有用的全局和局部结构信息,如何充分提取间歇过程的特征信息是故障诊断的关键。传统方法处理三维数据都是将其展开成二维数据,展开过程必然会导致数据内在结构破坏,并且通常只考虑了数据的全局信息或者只考虑了数据的局部信息,这就不能充分提取过程的有用信息导致诊断效果欠佳。针对以上问题,提出了张量全局-局部邻域保持嵌入(TGNPE)算法,首先用张量分解的方法直接对三维数据进行建模,而不对数据进行展开,这就有效地保存了数据的内部结构,再用邻域保持嵌入算法充分提取数据局部结构信息的同时兼顾数据的全局信息,这就实现了对数据特征信息更加充分地提取,用TGNPE算法检测到故障后用贡献图法诊断出故障变量。通过青霉素发酵过程验证了本文提出的算法对间歇过程数据信息提取更加充分,更利于故障诊断。

针对化工过程数据复杂、非线性的特点,提出一种基于核熵成分分析(KECA)的化工过程故障监测算法。首先,KECA算法按照Renyi熵值的大小选取特征值及特征向量,相比传统的KPCA监测算法,其保留主元个数更少,可以有效减少运算量。同时,仿真研究表明KECA算法选取的主元具有角度结构特性,据此,提出一种新的统计量——CS(Cauchy-Schwarz)统计量,其对应到核特征空间中即为向量间的角度余弦值,可以较好表述不同概率密度分布之间的相似度。最后,将KECA和KPCA算法分别应用于TE(Tennessee Eastman)过程,结果表明KECA在故障检测延迟与检出率相比KPCA都有很大的优势。

填料塔在工业生产中应用广泛,准确预测填料塔的液泛气速具有重要的应用价值。实际的填料类型多种多样,获取的填料数据也存在差异,单一全局模型的预测效果受到一定的限制。首先给出了岭参数极限学习机模型及其节点增加的递推算法,以有效更新在线模型。结合即时学习方式,提出了局部递推岭参数极限学习机在线建模方法,用于填料塔液泛气速的预测。实验结果表明所提出方法能更充分挖掘数据间的相关信息,预测效果优于相应的全局模型。