基于动态隐变量模型的工业过程动态软测量建模及应用

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61703440
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    26.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0306.自动化检测技术与装置
  • 结题年份:
    2020
  • 批准年份:
    2017
  • 项目状态:
    已结题
  • 起止时间:
    2018-01-01 至2020-12-31

项目摘要

Soft sensors play an important role in predicting the difficult-to-measure quality variables and parameters in industrial processes, which can provide important information for proces monitoring, control and optimization. As static soft senors cannot describe the process dynamics and output-input relationships accurately, it is necessary to carry out dynamic soft sensor modeling. However, the prediction accuracy of traditional dynamic soft sensors may largely deteriorate in complex dynamic processes with nonlinearities, quality constraints or multiple modes. Based on the dynamic latent models, this project intends to provide a soft sensor modeling framework for complicated dynamic industrial processes. First, for nonlinear dynamic processes with small, medium and large sample sizes, soft sensor modeling techniques are researched based on gaussian process, locally weighted learning and deep learning techniques, respectively. Then, supervised and switching dynamic latent models are studied for complicated dynamic processes with different quality constraints and multi-mode dynamic processes, respectively. The proposed techniques will be applied to the industrial hydrocracking processes for prediction performance validation. The research results of this project can provide important theoretic and technical supports for intelligent optimization manufacturing.
软测量可实现工业过程关键产品质量和参数的预测估计,为过程监测、控制和优化提供重要依据。现有静态建模方法无法描述工业过程动态特性和正确的输入输出关系,而传统动态软测量方法描述非线性、质量约束性和多工况性等复杂条件能力受限,造成模型预测精度低和鲁棒性差等问题。为此,申请者在前期研究基础上,提出采用动态隐变量模型,开展复杂动态过程的软测量建模方法与应用研究。首先引入高斯过程描述、局部加权和深度学习技术,分别研究小、中、大三种样本规模下单工况非线性动态过程软测量方法;在此基础上,针对动态过程的质量约束性和多工况切换性问题,分别研究基于有监督动态隐变量模型和多模型切换动态隐变量模型的软测量方法;形成一套基于概率动态隐变量模型的工业过程动态软测量建模体系,并在加氢裂化过程中应用验证。研究成果对丰富软测量建模理论,推进石油化工等典型生产过程的智能优化制造具有重要意义。

结项摘要

在工业软测量建模中,现有静态建模方法无法描述工业过程动态特性和正确的输入输出关系,而传统动态软测量方法描述非线性、质量约束性和多工况性等复杂条件能力受限,造成模型预测精度低和鲁棒性差等问题。为此,项目研究了基于动态隐变量模型的复杂动态过程的软测量建模方法与应用。首先,引入局部加权和深度学习等技术,分别研究不同样本规模下单工况非线性动态过程软测量方法;在此基础上,针对动态过程的质量约束性问题,研究了基于有监督动态隐变量模型的建模方法;最后,针对多工况切换条件下的动态建模问题,研究了注意力机制的自适应动态隐变量建模方法;形成了一套基于动态隐变量模型的工业过程动态软测量建模体系,并在加氢裂化过程和烧结过程等工业现场中进行了应用验证。研究成果对丰富软测量建模理论,为过程监测、控制和优化提供重要依据,推进石油化工等典型生产过程的智能优化制造具有重要意义。

项目成果

期刊论文数量(21)
专著数量(0)
科研奖励数量(2)
会议论文数量(0)
专利数量(1)
Layered online data reconciliation strategy with multiple modes for industrial processes
工业流程多种模式分层在线数据核对策略
  • DOI:
    10.1016/j.conengprac.2018.05.002
  • 发表时间:
    2018-08
  • 期刊:
    Control Engineering Practice
  • 影响因子:
    4.9
  • 作者:
    Xie Sen;Yang Chunhua;Yuan Xiaofeng;Wang Xiaoli;Xie Yongfang
  • 通讯作者:
    Xie Yongfang
LDA-based deep transfer learning for fault diagnosis in industrial chemical processes
基于LDA的深度迁移学习用于工业化学过程中的故障诊断
  • DOI:
    10.1016/j.compchemeng.2020.106964
  • 发表时间:
    2020-09-02
  • 期刊:
    COMPUTERS & CHEMICAL ENGINEERING
  • 影响因子:
    4.3
  • 作者:
    Wang, Yalin;Wu, Dongzhe;Yuan, Xiaofeng
  • 通讯作者:
    Yuan, Xiaofeng
Temperature Prediction Model for Roller Kiln by ALD-Based Double Locally Weighted Kernel Principal Component Regression
基于ALD的双局部加权核主成分回归的辊道窑温度预测模型
  • DOI:
    10.1109/tim.2018.2810678
  • 发表时间:
    2018-08-01
  • 期刊:
    IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT
  • 影响因子:
    5.6
  • 作者:
    Chen, Ning;Dai, Jiayang;Koivo, Heikki N.
  • 通讯作者:
    Koivo, Heikki N.
Locally weighted slow feature regression for nonlinear dynamic soft sensor modeling and its application to an industrial hydrocracking process
非线性动态软传感器建模的局部加权慢特征回归及其在工业加氢裂化过程中的应用
  • DOI:
    10.1088/1361-6501/ab5f1b
  • 发表时间:
    2020-01
  • 期刊:
    Measurement Science and Technology
  • 影响因子:
    2.4
  • 作者:
    Yuan Xiaofeng;Zhou Jiao;Wang Yalin
  • 通讯作者:
    Wang Yalin
Deep learning for fault-relevant feature extraction and fault classification with stacked supervised auto-encoder
使用堆叠监督自动编码器进行故障相关特征提取和故障分类的深度学习
  • DOI:
    10.1016/j.jprocont.2020.05.015
  • 发表时间:
    2020-08-01
  • 期刊:
    JOURNAL OF PROCESS CONTROL
  • 影响因子:
    4.2
  • 作者:
    Wang, Yalin;Yang, Haibing;Gui, Weihua
  • 通讯作者:
    Gui, Weihua

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

袁小锋的其他基金

基于深度学习的流程工业过程时空大数据软测量建模研究
  • 批准号:
  • 批准年份:
    2021
  • 资助金额:
    57 万元
  • 项目类别:
    面上项目
流程工业生产要素多维数据表征方法与结构化组织机理研究
  • 批准号:
  • 批准年份:
    2020
  • 资助金额:
    79 万元
  • 项目类别:
    重大研究计划

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码