论文部分内容阅读
在现代工业生产过程中,由复杂系统测试、试验和状态监测产生的数据呈几何级数增长,如何对数据进行有效处理变得异常关键。但是,在数据处理过程中,由于无用信息会产生信息距离(distance of information-state transition,DIST),极易导致“信息丰富而知识贫乏”。为此,人们希望能对数据进行深入分析,发现隐藏规律,进而提取有效信息,更好地发挥数据在工业领域的“原料”作用。数据处理和分析的研究方向很多,主要包括分类聚类、估计预测、相关性分析等。本文以石油化工生产过程中的需求为导向,以可拓神经网络和压缩感知为工具,对数据处理和分析方法进行了较为深入的研究,具体工作如下:1.针对烟气轮机在运行过程中潜在风险难以快速准确识别的问题,提出一种基于差分进化-可拓神经网络(differential evolution-extension neural network,DE-ENN)的风险识别方法。首先根据可拓学的基本理论对烟气轮机的运行模型进行拓展分析,构建物元模型,确定特征向量和潜在风险等级。然后,将差分进化思想引入到可拓神经网络中,以解决学习速率和加权系数难以确定的问题,进而提出完整的DE-ENN算法,并用UCI标准数据集进行测试,对该算法的有效性进行验证。最后将该算法应用于烟机运行模型的潜在风险识别,实验结果表明该方法不仅结构简单、运行时间短、预测准确率高,而且还具有出色的泛化能力。2.针对可拓神经网络对复杂样本数据分类效果较差的问题,提出一种融合边界判别投影和改进半监督近邻传播(margin discriminant projection and improved semi-supervised affinity propagation,MDP-ISAP)的新型ENN分类方法。首先利用边界判别投影(margin discriminant projection,MDP)对原始数据进行降维,提取关键特征。接着在低维特征空间进行聚类分析,一方面采用近邻传播(affinity propagation,AP)聚类算法筛选出有效的训练样本,另一方面通过ISAP聚类寻优获得样本类中心作为初始类中心,在此基础上构建新的ENN分类器。最后将该方法应用于复杂化工过程中的高密度聚乙烯(High Density Polyethylene,HDPE)制备过程的熔融指数预测,取得了较好效果。3.针对标准ENN在高维、非线性和非高斯分布的复杂化工过程故障诊断过程中效果较差的问题,提出一种基于MultiBoost策略的集成可拓神经网络故障诊断方法。首先使用边界判别投影算法来缩减维度,提取故障数据的关键特征;其次采用近邻传播聚类筛选核心点和边界点作为训练样本,以减少内存消耗、缩短学习时间;然后构建基于MultiBoost策略的集成ENN分类器来识别故障类型。最后将该方法应用于经典的TE过程(Tennessee-Eastman process),取得了不错效果。4.针对ECT图像重建过程的“病态”问题,提出一种新的基于快速线性交替方向乘子法(FLADMM)的图像数据恢复算法。首先在压缩感知理论分析的基础上,将管道介电常数分布信号的采集过程看作线性测量过程,设计了一种新的测量矩阵,并使用L1正则化方法将ECT逆问题转化为一个包含有先验知识的凸松弛问题。然后,采用一种包含线性化策略的快速交替方向乘子法来求解该问题的目标函数。仿真实验结果表明,与其他方法相比,管道截面数据的恢复质量和速度明显改善。此外,动态实验结果也表明,该算法可以满足实时性的要求。