连续化生产线

2024-06-30

连续化生产线（精选8篇）

连续化生产线篇1

苯乙酮是一种重要的化工原料, 近年来乙苯催化氧化合成苯乙酮的技术成为研究热点[1]。目前, 工业上常采用乙苯空气直接氧化法制备苯乙酮[2], 但是该法转化率低, 副产物多, 有待改进[3]。杂多酸 (盐) 作为一种新型的催化材料, 它不但对环境几乎无污染, 而且具有酸性、氧化还原性以及很高的催化活性, 是一种多功能型的催化剂, 杂多酸稳定性好, 可作相转移催化剂, 也可催化均相以及非均相反应, 是一类很有前途的绿色催化剂。

针对实验条件下乙苯液相氧化反应特点, 建立了连续化实验装置, 初步对连续化进行过程分析。

1 实验部分

1.1 主要仪器和试剂

Na2MoO4·2H2O、碱式碳酸钴、苯乙酮、w (H2SO4) =98%的硫酸、NaH2PO4·2H2O、NaVO3·2H2O、无水乙醚、乙苯、w (H2O2) =50%的H2O2、冰乙酸均为分析纯。

北京北分瑞利分析仪器有限责任公司SP-3420气相色谱仪;北京科伟永兴仪器有限公司DZF型真空干燥箱。

1.2 催化剂制备

按照文献[4]方法合成催化剂H9P2Mo15V3O62溶液, 将此溶液冷却后移入分液漏斗中, 加入一定量的无水乙醚和1∶1硫酸分三批进行萃取, 得油状产物。将此产物水洗三次后真空60℃干燥得粉末状H9P2Mo15V3O62催化剂。将一定量的H9P2Mo15V3O62装有适量蒸馏水的100ml单口烧瓶中, 在磁力搅拌下加入适量的碱式碳酸钴, 在室温下搅拌两小时, 然后用旋转蒸发仪减压蒸馏干燥得Co4HP2Mo15V3O62杂多酸钴盐催化剂。

1.3 实验装置及操作

乙苯氧化生成苯乙酮的化学反应方程式如下:

本工艺所采用的连续化反应是以乙苯为原料, 按不同的原料配比进行的连续化反应。

实验装置如图1所示, 实验采用恒温连续操作方式, 先在釜内加入一定量的乙苯, 利用油浴方式加热1反应釜, 启动搅拌装置, 溶液温度到80℃时连续加入催化剂、助剂 (KBr) 和氧化剂H2O2, 待到1反应釜液体达到一定的高度, 自然溢流到2反应釜, 在2反应釜中加入一定量的催化剂、助剂和H2O2继续乙苯的氧化反应, 从2釜中留出的液体进入容器3通过油浴加热进行简单蒸馏, 然后到容器4进行正戊烷萃取, 上层液体为苯乙酮、乙苯和大量正戊烷, 下层为催化剂、助剂以及少量正戊烷, 将下层液体返回到1釜 (催化剂回收利用) , 上层液体经过加热去除正戊烷, 冷却后进行定性定量分析。

1.4 分析方法

实验采用北京分析仪器有限公司GC–3420A型的气相色谱仪进行定量、定性分析, 色谱分析条件为:SE-54毛细管柱 (0.32mm×0.5μm×30m) , 载气为高纯氮气, 气化室温度250℃;FID检测器, 检测器温度250℃;柱压0.6MPa, 分流, 柱温采用程序升温, 初始温度80℃, 以25℃/min的速率升至160℃, 以甲苯做内标。

2 结果与讨论

通过实验条件的优化, 即反应釜1和反应釜2均为80℃油浴加热, 停留时间为30min, 蒸馏釜为160℃加热, 每隔30min取一次样条件下, 得出结果见表1。

从表1可以看出, 由于在反应釜2中加入少量的双氧水、催化剂和助剂, 对反应釜1中未反应的乙苯进行了氧化, 提高了所生成苯乙酮的浓度, 且反应釜1和反应釜2中乙苯和苯乙酮浓度都很稳定, 实现了连续化生产所需要的稳定性条件。

3 结论

1) 建立了一套乙苯氧化生产苯乙酮连续化实验装置。

2) 杂多酸钴盐催化剂对乙苯氧化为苯乙酮的反应具有较为稳定和较好的催化作用, 是一种新型的催化材料。该催化反应体系制备苯乙酮的较好的条件为:反应釜1和反应釜2温度均为80℃, 停留时间为30min, 在此工艺条件下, 苯乙酮的收率26.2%。

摘要：建立了一套乙苯液相氧化的连续反应装置, 主要初步探讨了乙苯催化氧化生产苯乙酮的工艺条件。实验结果表明, 在反应温度80℃、停留时间30min时, 采用杂多酸钴盐催化剂时苯乙酮的收率可达26.2%。

关键词：乙苯,苯乙酮,连续化,杂多酸钴盐

参考文献

[1]李贵贤, 高云艳, 张雪梅, 等.叔丁基过氧化氢一步氧化乙苯合成苯乙酮[J].石油化工, 2011, 40 (6) :599-602.

[2]章思规.使用精细化学品手册 (有机卷.上卷) [M].北京:化学工业出版社, 1996:35-39.

[3]李家其, 郭军, 尹笃林.Keggin结构钼钒磷杂多化合物化乙苯合成苯乙酮[J].精细化工中间体, 2007, 37 (1) :55-57.

[4]王恩波, 高丽华, 刘景福, 等.具有Dawson结构的钼钒磷杂多酸的制备和性性质研究[J].化学学报, 1988, 7 (5) :757-763.

连续化生产线篇2

【关键词】初中英语；阅读情景；教学模式

英语阅读属于初中英语技能教学的核心环节之一。但是由于现今的初中英语教学存在着部分的缺点和不完善的地方。从而导致了学生的语言学习潜力没有被有效的开发，因此在这一前提下对于进行合理的应用就有着很高的必要性了。

一、初中英语阅读教学中现存问题

1.教学模式机械化

教学模式机械化主要是指在初中英语阅读教学中长期存在着的学生与老师主客体位置颠倒的情况。由于传统的英语教学模式大多为单向的填鸭式，这种教学模式不强调交流，也不注重教学情景的构筑，而是倾向于将英语知识和阅读方式强制性的灌输给学生们。这种落后的教学方式英语往往会导致学生们的思维在学习英语的过程中受到很大的限制，并且在部分情况下还会非常严重的影响到学生创造性思维的形成。刺猬，在这一过程中部分英语角教学观念上的陈旧也会导致了其在日常教学往往忽略了学生阅读能力的培养工作，最终让众多学生失去了获取大量信息知识和拓展知识面以及增强学习兴趣的机会。

2.缺乏对于学生的引导

缺乏对于学生的引导主要是指对于学生阅读方向的引导工作上的缺失。部分初中英语教师在英语阅读教学中由于没有形成科学有效的教学模式，因此无法寻找到促使学生更加积极参与到教学中的方法。此外，部分初中英语教师倾向于依据陈旧的传统的教学方式，并且也没有对学生的英语阅读进行正确引导，最终让学生们感到乏味无趣并且失去了阅读方面的兴趣，最终导致了学生阅读时缺乏透彻理解能力和分析能力。

3.阅读材料有待完善

阅读材料选择的不得当会带来非常深远的负面教学影响。根据我国有关教学规定，初中英语阅读教学材料必须符合初中生英语学习的实际需要。并且错误的材料选择也必然会让初中英语阅读教学工作的难度增加同时也会导致初中英语阅读教学效率的降低以及教学质量的下降。此外，不科学的阅读材料不仅仅会影响实际教学工作中的教学成果与此同时也会影响学生的学习态度。因此这意味着初中英语教师在阅读材料选择时应当根据学生现有的阅读水平来进行选择，从而能够在此基础上有效的提升教学资源的有效性和利用效率。

二、英语阅读教学中情景连续化教学模式应用

1.恰当选择阅读材料

教学模式在连续情景教学中的第一步是阅读材料在英语阅读中的恰当选择。众所周知一个优秀的连续的情境教学法可以将英语阅读和听力训练以及复述故事还有情景再现等有效的结合在一起，这对于帮助学生学习基础知识和掌握基本技能有着很大的帮助，还能够在此基础上有效的提高学生的语言表达能力和创新发展能力。举例来说，初中英语教师在《AttheBarbers Shop》的阅读教学中，可以根据初中学生的生活习惯和特点来让《AttheBarbersShop》的教学内容更加贴近生活实际，并且使得阅读的语言更加亲切自然和有趣，最终能够更好地适合学生的学习和英语阅读教学的实际需要。

2.合理构筑阅读情景

阅读教学模式在教学中的关键，在教学中的不断应用场景是构建合理的阅读情境。初中英语教师在阅读教学过程中应当鼓励学生参与情景中。在这一过程中初中英语教师应当更多的采用多媒体智能教学手段，并且通过视频、音频、图形等多种教学模式来将阅读内容的精彩部分呈现给学生，从而能够在此基础上更好地调动学生各种不同的感官并且激发学生对于学习的热情。举例来说，英语教师在Festival的教学过程中，可以通过学生们观看西方人庆祝节日的录像和照片，使学生在学习过程中体验到了西方 festivla的真实气氛，从而强化学习，加深印象。在这一过程中初中英语教师只有持续的引导学生积极参与课堂教学过程才能够真正的学生才能真正成为课堂的主体。

3.增强学生理解能力

在教学情境中，教学模式的不断运用，需要把重点放在提高学生的英语阅读理解能力上。初中英语教师应引导学生在连续场景中，获得各种各样的信息资源，包括对单词和语法点的解释和对长句子的翻译等。比如：英语新课标教材第 7单元的课文里，第一段有“etiquette”这个词，它的意思是“礼仪”，这个意义相对来说就有一些生僻。这个时候就需要老师对学生进行正确引导，培养学生英语阅读中的逻辑思维和推断技巧，让学生根据前后文来推断出生疏词汇的正确含义，最终能够有效的激发出学生们强烈的学习热情和创造力。

三、结束语

英语阅读情景连续化的教学模式能够为学生更加积极的学习兴趣培养提供良好的前提，并且还能够有效的体现出新课程的教学理念，最终能够在此基础上引导学生从各种情景之中提取有效的学习资源并且可以提高学生的英语学习能力。

参考文献：

[1]陆修兵.刍议初中英语任务型阅读教学模式[J].中学教学参考

2014，1（1）：45-47

[2]林学君.刍议初中英语阅读教学[J].文科爱好者，2014，2（2）：56-59

连续属性离散化算法研究综述篇3

所谓离散化是指将连续属性的值域划分为若干子区间, 每个子区间对应一个离散值, 最后将原始数据转化为离散值。连续属性的离散化是许多数据挖掘和机器学习算法的重要预处理步骤, 有效的离散化方法不仅可以减少系统对存储空间的实际需求、提高数据挖掘、机器学习算法的效率, 而且在离散数据集上获取的知识往往具有更简洁的表达形式, 更易于理解。理想的离散化算法应该能够在保持甚至提高后续算法精度的前提下, 尽可能地减少区间个数。自上世纪90年代开始, 连续值属性的离散化开始受到研究人员的关注, 迄今为止已出现许多离散化算法, 这些算法各有优缺点和适用范围。研究表明, 求取连续属性值的最优划分点集合是一个NP完全问题。离散化算法的效果不仅与需要离散的数据分布及阈值选择有关, 而且与后续的学习算法密切相关。因此离散化算法的选择要与具体的应用领域相适应。

离散化算法[1,2]有几种不同的分类方式: (1) 根据离散化处理时是否以目标属性信息做参考分为有监督离散化算法和无监督离散化算法。有监督离散化算法参考了目标属性信息, 而无监督离散化算法没有参考目标属性。有监督离散化算法包括基于信息熵方法[3]、基于粗糙集方法[4]、类—属性相关离散化[5,6,7,15,16]等。无监督离散化算法包括等宽离散化方法EW (E-qual Width) 、等频率离散化方法EF (Equal Frequent) 、近似等频离散化方法AEFD (Approximate Equal Frequency Discretization Method) [8]、基于局部密度的离散化算法、基于聚类的离散化算法[9]等。 (2) 根据离散化处理时是否考虑属性之间的相互关系, 离散化分为静态的和动态的。静态的离散化算法在决定每个连续属性的区间个数时, 并不参考其他连续属性, 比如1RD算法[1]。而动态的离散化算法通过考虑属性之间的相互关系, 将所有属性同时划分为K个区间。 (3) 离散化算法还可以分为自顶向下法和自底向上法。自顶向下法起始只有一个区间, 通过离散化过程逐渐增加划分点, 而自底向上法则是将所有的连续值都看作划分点, 再逐渐合并相邻区间减少划分点。例如, CAIM[5]属于自顶向下法, Chi-merge[10]属于自底向上法。

本文主要以有监督和无监督离散化为线索, 对典型离散化算法的基本思想进行了梳理总结, 并从时间复杂度以及对后续分类的影响等角度进行了对比。

1 无监督离散化算法

1.1 算法主要思想描述

(1) 等宽离散化方法EW与等频率离散化方法EF

等宽离散化方法EW与等频率离散化方法EF是最简单的无监督离散化算法。EW方法根据用户指定的区间数目K, 将属性值域[Xmin, Xmax]划分为K个宽度为 (Xmax-Xmin) /K的区间。EF方法则将属性的值域离散化为指定数目K的区间, 使每个区间包含的样本数相等。这两种方法容易实现, 但由于没有考虑数据分布的特性, 从而难以正确找到划分点;而且这两种离散化算法对噪声很敏感, 区间数目K的取值难以决定。

(2) PKID算法

PKID算法[11]相当于一种特殊的等频离散化方法。其基本思想是, 将连续属性值划分为 (n为实例总数) 个区间, 使每个区间包含的实例数目近似为PKID算法通过离散化后的区间数量与区间大小成比例, 来协调方差和偏倚之间的平衡。方差与偏倚的平衡可以反映为离散化区间大小与区间数量之间的平衡, 寻找最优平衡点问题也是寻找最优离散区间数量的问题。WPKID算法[12]在PKID算法基础上增加了每个区间至少包含M个实例数的停止条件, 增大了离散化区间的大小, 使得朴素贝叶斯分类器得到更可靠的概率估计, 确立一个偏倚与方差更平衡的策略从而弥补PKID算法在小型数据集上的缺陷, 同时也能够利用额外的训练数据来减小方差和偏差, 保留了PKID算法在大型数据集上的优势。

(3) 近似等频离散化算法

近似等频离散化算法AEFD[8]是基于数据近似服从正态分布的假设。若一个变量服从正态分布, 则其观测值落在一个区间的频率与变量在一个区间取值的概率应该相同, 利用正态分布变量的分位点将取值区间划分为若干初始区间, 然后对区间进行归并, 以使每个区间包含观测值的频率不至于太低。该算法不需要进行大量的分析和计算, 离散区间数不超过「log (n) ?。类似于等宽离散化、等频离散化方法, 近似等频算法也没有充分考虑样本分布信息, 在有些情况下也难以将区间的边界设置在最合适的位置上。

(4) 基于局部密度的离散化算法

基于局部密度的离散化算法的基本思想是发现属性取值的自然密度区间, 区间内部的点密度大而边界点的密度小, 当由一个区间过渡到另一个区间时, 在边界处密度必定取得极小值。该方法有以下优势: (a) 充分考虑了数据的密度分布信息, 通过计算每一属性值的邻域密度来近似数据的分布规律, 对于属性值自然形成的密度区间, 区间内部点的密度大, 而区间边界点的密度小, 当属性取值从小到大变化时, 密度取值呈现多峰变化, 谷底将属性取值划分为自然的密度区间。 (b) 根据各个连续属性的数据分布的不同, 自适应地调整区间的个数, 从而克服了直方图中密度选择的困难。

(5) 基于混合概率模型的无监督离散化算法

基于混合概率模型的无监督离散化算法[14]先将数值属性的值域划分为若干子区间, 再利用贝叶斯信息准则 (BIC) 逼近不同混合概率模型的贝叶斯因子, 以自动地寻求最佳的子区间数目和区间划分方法。该算法采用概率生成模型描述区间, 允许观测值相对于区间的不确定性, 而且便于采用贝叶斯信息准则来评价、比较不同的概率生成模型, 从而为自动确定区间数目、位置、宽度提供了较为系统的方法, 克服了以距离作为离散化依据所带来的问题, 它可以将不连续的数值, 根据各区间的后验概率划分到同一区间。但由于该算法中利用了EM算法, 它可以看成是蒙特卡罗逼近算法的一种特例, 而对蒙特卡罗算法来说, 何时收敛以及是否收敛都是不可判定的, 这也造成在离散化过程中针对不同的属性所用的离散化时间可能相差较大。

(6) 基于聚类的离散化算法

聚类是无监督的学习方法, 聚类过程充分考虑到对象在数据空间中的分布, 使具有相同或相似的对象聚集一起。因此, 通过聚类的离散化[9]更能保持原有属性的信息。由于在多维空间中, 不同类在同一坐标轴上投影往往产生重叠, 导致聚类离散化时, 聚类簇数不一定是离散区间数。在投影坐标上, 每类对应一个区间, 通过概率调整两类区间端点, 使得离散化的区间具有一定统计意义。基于聚类的离散化算法不仅能较好地确定区间端点, 还具有预测未知区间的作用。

1.2 多种无监督离散化算法对比

设n、m分别为实例数目、需要离散化的属性个数。从算法的效率来看, AEFD、EW算法时间复杂度为O (n×m) 。EF算法、FFD算法、基于局部密度的离散化算法及PKID方法的时间复杂度为O (m×n×logn) 。基于聚类的离散化算法时间复杂度取决于聚类算法的时间复杂度, 相对等宽离散化方法 (EW) 和等频率离散化方法 (EF) , 基于聚类的离散化算法时间复杂度还是较高的。但基于聚类的离散化算法能最大限度保留对象的属性信息, 不仅无须给定区间参数, 而且区间的大小也具有统计意义。从对后续分类算法的影响来看, 实验测试[8]表明基于局部密度的离散化算法比EW方法、基于混合概率模型的算法和PKID算法更有助于提高后续分类算法 (如C4.5, Ripper和Na6ve-Bayes) 的准确率, 而AEFD算法略好于基于局部密度的离散化算法, AEFD算法得到的区间数比其他算法也要少。

2 有监督离散化算法

有监督离散化算法具有充分利用目标属性信息的优越性, 比起无监督离散化算法, 可能找到更合适的划分点位置, 对后续分类效果相对理想, 但复杂度也相对要高。

2.1 主要算法思想描述

(1) 1RD离散化算法

1RD (One-Rule Discretizer) 是最简单的有监督离散化算法, 该算法在连续属性排序之后, 尝试采用贪婪法将属性值域分成不同的区间, 使每个区间只对应一个决策类。但为了避免过分拟合, 通过移动初始划分边界来增加观测值, 直到该区间主要决策类的对象数目大于M为止即可 (按经验M通常设为6, 数据规模很小时, M设为3) 。

(2) 基于信息熵的离散化算法

基于信息熵的离散化算法, 在把连续属性排序后, 不同目标类之间的边界设为候选划分点。在候选划分点中找出使熵最小的划分边界Tmin作为二分离散边界, 依此迭代进行二分离散化直至满足最小描述长度原理。如果目标属性值分布比较零散的话, 该算法不适用于大规模数据。文献[1]在最小长度描述原理作为停止条件的基础上, 增加了区间数不得小于目标属性取值个数的停止条件, 对基于信息熵的离散化算法在一定程度上进行了改进。

(3) 基于Chi-square的离散化算法[10]

Chi-square (X2) 是度量条件属性和目标属性之间关联程度的统计量, 两个相邻区间不应该有相似的目标属性频率分布, 否则这两个区间应该合并为一个区间。基于两个相邻区间的条件属性和目标属性相互独立的假设, X2在很大程度上评价了相邻区间的相似性。X2的计算方法如下:

其中, p表示目标属性个数。Aij表示在第i个区间中, 第j个目标属性的实例数。Ri表示第i个区间的实例数 (Ri=∑pj=1Aij) , Cj表示第j个目标属性的实例数 (Cj=∑mi=1Aij) , N表示总的实例数 (N=∑pj=1Cj) , Eij表示在第i个区间中, 第j个目标属性的出现频率

Chi Merge算法首先将不同的连续属性值置于各自单独的区间内, 然后计算各个区间的X2值以决定相邻两个区间是否需要合并, 自底向上依次迭代。该算法是基于相邻区间目标属性频率分布相互独立的假设。合并区间的停止条件由X2阈值控制, X2阈值越低, 合并的区间越少, 区间数目就越多。最终得到的每个区间的X2值均要超过X2阈值。X2阈值通常设为0.90、0.95或者0.99, 为了防止产生过多的区间, 最大区间数通常设为10或者15。还有基于Chi-square的离散化改进算法, Chi2算法合并相邻区间直到满足指定终止条件, 该算法在离散化的过程中还进行相关属性的选择, 移除冗余属性。

(4) 基于Hellinger的离散化算法

该算法[3]的基本思想是使各个离散区间所包含的信息量尽可能相等。关键在于选择一个每个区间相对于目标属性的信息量度量方法, 用来度量它的熵函数称为属性的偏差度。该算法使用Hellinger偏差:作为偏差度量, 其中Ii表示第i个区间, xj表示第j个目标属性值。Hellinger偏差适用于任何概率分布, 也是一种先验概率分布与后验概率分布之间距离的度量。而切分点的信息量与其两边相邻的区间信息量有关, 因此切分点Pi的偏差定义为:E (Pi) =E (Ii) -E (Ii+1) , 其中Ii和Ii+1表示以Pi为分点的相邻区间。该算法通过自底向上迭代合并Hellinger偏差值最小的相邻区间实现离散化。

(5) 基于粗糙集的离散化算法

粗糙集处理的对象是类似二维关系表的决策表。满足决策系统的最优划分就是在不破坏决策系统分辨关系的前提下, 对决策系统的属性进行最粗略的划分。基于粗糙集理论的决策系统最优划分的属性离散化算法[4]主要分三步: (a) 确定用于对各连续属性进行离散化的候选点集合; (b) 在基于条件属性重要度和贪心算法的基础上使用启发式算法确定结果划分点子集; (c) 利用划分点子集结果对决策系统的属性离散化。其中前两步决定了离散化结果的性能, 第三步只是整个算法的应用。该类算法具有多项式级的复杂性, 它不改变决策表的相容性, 在不影响不可分辨关系的前提下寻求最少的划分点。

(6) 类—属性相关离散化算法

该类算法通过统计学量化类—属性相关度, 以保证离散后的类—属性相关度最大, 离散区间数最小, 如CADD[15]、CAIM[5]、CACC[7]等。对于属性F, 在第i类第r区间上的联合概率估计定义为:其中qir表示在在第i类第r区间上的实例数目, M表示总的实例数。第i类和第r区间的边缘概率分别定义为:其中Mi+表示第i类的实例数, M+r表示第r区间的实例数。F属性上目标类C与相应属性值D的互信息定义为:类—属性熵定义为:CAIR标准定义为:算法在初始化时需要用户指定区间数, 类—属性相关度采用CAIR标准。CAIM不需要预先设定区间数, 而且采用的类—属性相关度标准在CAIR的基础上做了一定改进, 定义为:其中n表示区间数, maxr是所有qir的最大值。CAIM算法虽然弥补了CADD算法的一些不足, 但经常采用区间数近似目标属性取值个数, 而且对于一个区间, CAIM离散判别式只考虑该区间含有最多样本的类属性, 而忽视了其他类属性的分布情况, 会产生过多的区间而导致过度拟合。同CAIM类似, CACC也是自顶向下的离散化算法, 但CACC是通过计算区间的列联系数cacc以决定区间是否需要拆分, 从而弥补CAIM的不足。CACC定义如下:

2.2 有监督离散化算法对比

对训练集中的一个属性进行离散化, 设m为离散属性的不同取值个数, n为区间个数, k为增量迭代次数, c为目标属性取值个数。基于信息熵的离散化算法的时间复杂度是O (c×m×logm) , Chi2的时间复杂度是O (k×m×logm) , CAIM, CACC的时间复杂度都是O (m×logm) , 根据自底向上法和自顶向下法的离散化原理, 自底向上法比自顶向下法的计算复杂度要高, 因为自底向上法初始时将所有的连续值放在划分点列表中, 再逐渐合并相邻区间减少划分点。基于粗糙集和布尔推理的离散化算法的时间复杂度为O (m3) 。基于Hellinger的离散化算法的时间复杂度为O ( (m-n) ×m) 。由于朴素贝叶斯算法本身已作了属性独立性假设, 因此在朴素贝叶斯算法中如果也使用属性独立性假设的离散化方法, 如基于信息熵的连续属性离散化算法, 就再一次强调了属性之间的独立性, 使得整体上具有相当强的独立性假设。一旦属性之间违背了这种强独立性假设, 将会在很大程度上限制分类的性能, 而在现实数据集中这种违背情况是经常出现的。因此, 基于信息熵的离散化算法在决策树的学习方面起到的效果优于贝叶斯学习。实验结果表明, 从对后续分类学习C4.5和Na6ve-bayes的影响来看, 基于信息熵的离散化算法比1RD算法更有助于提高后续分类算法的准确率, Chi Merge算法比基于信息熵的离散化算法更有助于提高后续Na6ve-Bayes分类算法准确率, 自顶向下法CACC比自底向上法Chi Merge更有助于提高后续分类算法C5.0的准确率。

3 结语

连续化生产线篇4

为保证施工过程顺利进行，综合考虑各方面的因素后，该项目的施工方案如下：在地基处理过程中，先对基础进行碾压夯实处理，然后在地基表面浇筑满堂支架基础混凝土，并采用满堂碗扣式钢管脚手架作为现浇箱梁支架;为保证施工安全并达到设计要求，还需对支架进行预压使支架及地基充分变形并达到稳定。这样可防止由于地基不均匀沉降而导致脚手架失稳和产生裂缝等，同时也保证箱梁在施工中有足够的刚度和稳定性。

1 地基处理

连续梁支架区域地基进行全面三七灰土换填，以增加地基承载力，减少地基不均匀沉降。地基处理时按自然地形及地质，减少土方填挖量，尽量减少对原土层的扰动，自然排水不畅处设置集中排水坑。清除原土层以上的杂填土、有机土层，个别浸泡区域进行换填再推平并压实;换填三七灰土至计算标高(换填厚度不小于30cm)后碾压平整。地基处理后要求其承载力不小于120kPa，在其上浇筑15cm的C15混凝土面层(图1)。

承台基坑采用三七灰土分层回填夯实。发现弹簧土须立即清除，并回填合格的砂砾石或级配碎石，采用振动压路机整平压实。为避免地基受水浸泡，在两侧开挖40cm×30cm的排水沟，排水沟分段开挖形成坡度，最低点开挖集水坑。混凝土地基硬化面作1%横向排水坡，平整度要满足要求。其上铺设枕木作为支架支撑面。

在铁路安全防护措施完成后，支架门洞基础在支架搭设前浇筑基础混凝土，混凝土强度达90%后进行门洞钢架搭设。

2 支架施工

地基处理完毕后，根据现场进行施工放样，确定每排钢管搭设位置后进行支架搭设，钢管下设钢板或槽钢铺垫，上部设可调螺杆以调整底模标高。

2.1 门洞搭设

门洞支架一般由承受混凝土梁体重量及施工荷载的纵梁、传递纵梁荷载的枕梁、门洞支架支墩、地基基础等部分构成。纵梁常见的有工字钢、H型钢、槽钢等，枕梁常见的有各类型钢、较好受力截面特性的优质方木。门洞支架支墩可采用贝雷架钢管支架墩、碗扣钢管钢支架墩、钢支撑柱等。门洞基础可根据具体情况因地制宜，常见的有钢筋混凝土条形基础、枕木加强基础等。本文就以碗扣式钢管支架支墩+型钢纵梁形式进行讨论与分析。

1)门洞施工准备门洞搭设临近既有线，施工前须制定详细要点计划。门洞施工于支架搭设之前，门洞搭设前进行地基处理。门洞搭设所需机具、材料到达现场，吊装机械作业场地平整、硬化，支撑点加固处理。

2)门洞搭设门洞吊装、搭设在点内施工，严格按照要点计划布置人员、机械，吊装过程连续进行、统一指挥，保证在点内完成吊装作业。

3)门洞封闭措施侧面用彩钢板全封闭(防止杆件侵入限界，伤害机车)，封闭范围50m×6m×2m，外敷棉被、防风篷布(保温)，安设牢固。顶面工字钢铺设双层防抛网(防材料、机具坠落)、防水土工布(防水)、厚篷布(保温)，铺设范围50m×7m。

2.2 支架组装

组装顺序：立杆底座→立杆→横杆→斜杆→接头紧锁→脚手板→上层立杆→立杆连接销→横杆。支架组装以4人为1组，其中2人递料，2人配合进行组装。组装时，要求至少2层向同一方向，或由中间向两边推进，不得从两边向中间合拢组装。

2.3 支架安装

采用碗扣式支架，其结构形式如下：纵向立杆间距为60cm，立杆横向间距60cm。支架横杆步距1.2m。为确保支架的整体稳定性，在每4排竖向立杆和每6排横向立杆设置1道剪刀撑，剪刀撑形成菱形闭合(图2)。

在地基处理好后，按照施工图纸进行放线，横桥向铺设垫木、进行支架搭设。底托安装后调节底托螺旋，按交底标高控制底层横杆水平高度。为保证支架搭设线性，搭设过程中采用6m直钢管作为标杆辅助，支架人行通道内侧立杆底部设置扫地横杆，使立杆连成整体，保证支架整体稳定性。立杆与横杆连接碗扣必须紧固，施工过程中全面复查。因地基高差影响，在标高变化点处支架须断开，横向连接采用短钢管及十字扣件连接。

支架搭设完成后，设置一定数量高程控制点，立杆顶设置可调顶托，以便于调整支架高度和拆除模板。顶托可调范围按20cm左右控制，最大不超过30cm。支架顶托安装完成后，横向铺设15cm×15cm的方木，间距为60cm，并按梁底控制标高调整顶托高度;底模下铺设10cm×10cm纵向方木，间距为20cm。纵横方木安装调整，固定后开始底模安装，底模安装完成后分段进行支架预压。

2.4 支架预压

1)预压目的为保证施工安全、提高现浇梁质量，支架搭设完毕、底侧模安装完成后，须对支架进行加载预压。一是消除支架及地基的非弹性变形，二是得到支架的弹性变形值作为施工预留拱度的依据，三是测出地基沉降，四是检验托架是否安全可靠，为采用同类型的桥梁施工提供经验数据。

2)预压方法全联分段预压，预压荷载为混凝土箱梁自重的120%。采取3次加载法：第一次加载60%，观测24小时，稳定后第二次加载40%，再观测24小时，稳定后第三次加载20%。以1跨为单元，每跨设5个断面，分别为跨中、1/4跨、支座，每断面设5个点，加载前观测1次作为原始标高，以后每6小时观测1次，直至支架的最后平均沉降值小于3mm时方可卸载。卸载后再观测1次，测出各测点加载前后的高程。加载配重称重后采用起重机分码吊装，由人工配合堆码，均匀分布在底板范围内。加载过程中必须控制加载重量和加载位置，避免出现过大误差而影响观测结果。

3)预设反拱为保证线路运营平顺，抵消因支架拆除后现浇梁体自重引起下沉而产生的挠度，现浇箱梁施工时应预设一定数值的反拱度。反拱度设置时应根据具体情况，主要考虑模板及支架的挠度变形弯曲、梁体预应力产生的上拱度、梁体残余徐变上拱度等。反拱度设置采用精密水准仪观测其相对高度，精确到毫米，将此弹性变形值、地基下沉值与施工控制中提出的因其它因素需要设置的预拱度相叠加，算出施工时应当采用的预拱度，按算出的预拱度调整支架(底模)标高。

4)支架调整梁体预压前，支架(底模)按照计算标高调整，确保支架各杆件均匀受力。预压后架体在预压荷载作用下基本消除了地基塑性变形和支架竖向各杆件的间隙即非弹性变形，并通过预压观测计算得出支架弹性变形值。并和理论计算值进行对照、分析，找出规律，为支架标高及立模标高的调整提供基础资料，并据之适当调整。根据以上实测的支架变形值，结合设计标高和梁底预拱度值，确定和调整梁底标高。梁底立模标高=设计梁底标高+支架弹性变形值+设计预留预拱度。

2.5 支架预拱度的测设

支架经过预压计算求出施工预拱度最大值y应在其单孔跨径x/2处，用二次抛物线方程式y=ax2进行计算，将y的最大值和孔径x/2值代入y=ax2求出常数a值，再将跨径x分成若干等分，则给x1个水平距离值，就有1个y预拱度高程值相对应，将所有求出的y值依次连接起来，就形成1条竖曲线，即预拱度测设值。在支架搭设施工时，按照预拱度测设值，利用支架上的可调顶托或大头木楔进行箱梁底模板标高调整，完成连续箱梁支架施工，则可进行下道工序施工。

3 结语

1)支架底部整体浇筑厚20cm混凝土，增加了地基承载力，减少了弹性变形情况的发生，取得了很好的效果。

2)碗扣接头传力可靠，搭设时不用拧螺栓，不受人为因素影响。立杆连接为同轴心承插，各杆件轴心交于1点。用作模板支架时，顶部插入可调托座，架体受力以轴心受压为主，因而承载力高，不易发生失稳坍塌。

3)工程进度、工程质量得到了保证，取得了可观经济效益。在软土地基上使用碗扣支架做支撑，通过合理处理地基在技术上是可行的，经济上是合理的，可以认为是一种既安全又实用的好办法。

参考文献

[1]薛吉岗.客运专线铁路混凝土的耐久性指标及施工质量控制措施[J].铁道标准设计,2006,(8):89-91.

[2]赵丽,宋和平,刘兵.连续箱梁扣件式钢管支架施工技术研究[J].建筑施工,2007,(11):860-861.

[3]方林胜.浅析混凝土现浇连续梁跨线施工门洞支架[J].科技咨询导报,2007,(27):48.

[4]肖乾珍.温福客运专线箱梁碗扣式满堂支架施工技术[J].铁道建筑技术,2009,(增):51-53.

连续化生产线篇5

关键词：离散化,LVQ神经网络,连续属性

0前言

随着信息爆炸时代和网络化普及时代的到来, 我们每天都处于被信息包围的的环境, 在这种情形下, 数据挖掘技术发挥了越来越重要的作用, 而离散化是数据挖掘在实际应用过程中一个非常重要的环节。因为在我们所接收到的信息中, 包含了大量的非离散化的数据, 为了更好地利用数据挖掘技术进行数据处理, 必须首先对我们接收道德数据进行离散化处理, 现在离散化处理的算法已经达到了一个比较完善的高度。目前离散化主要利用统计学、布尔理论、聚类技术和熵等[1,2,3,4], 这些方法在数据挖掘过程中也已经发挥了重要的作用, 但这些方法也有缺陷, 最主要就是对离散化对象的敏感性考虑的不到位, 最终可能对影响对数据离散化处理的效率和准确性。

本文在对离散化的各种算法进行分析比较研究之后, 利用LVQ神经网络在对断点分析方面的优势, 提出了一种基于LVQ神经网络的离散化算法。

1 离散化的内涵

国内外众多的研究者进行了各种新的尝试, 从各个角度提出了许多可行有效的离散化办法[5,6,7], 但是目前理想的、适用于不同类别数据, 不同的归纳学习算法的离散化方法还没有见到.因此, 数据离散化的方法及其实现技术仍是一个有意义的研究方向。

2 LVQ神经网络

LVQ神经网络学习的过程实际上就是逐渐调整其权值的过程[3], 它是由芬兰学者Kohonen提出的自组织特征映射神经网络[4,9]演变而成, 其中的向量量化是标量量化的扩展。该网络是一种混合网络, 其网络结构如图1所示, 该模型分为两层, 第一层是竞争层, 第二层是线性层, 主要功能是将竞争层的分类结果传递到用户定义的目标分类上。

LVQ神经网络有i两个网络层, 即竞争层和线性层, 竞争层对输人向量的学习分类与竞争层一致, 我们把竞争层的分类称为子分类, 线性层根据用户的要求将竞争层的分类结果映射到目标分类结果中, 我们把线性层的分类称为目标分类。竞争层和线性层的每一个神经元的输出都对应一个分类 (子分类或目标分类) 结果, 所以竞争层通过学习, 可以得到S类子分类结果, 然后线性层将S类子分类结果再分成T类目标分类结果 (S始终大于T) 。例如假设竞争层的第1, 2, 3个神经元对输入空间的子分类锁对应的线性层的目标分类为第2类, 则竞争层的第1, 2, 3个神经元与线性层的第2个神经元的连接权将全部为1, 而与其他线性层神经元的连接权全部为0, 这样, 当竞争层的第1, 2, 3个神经元中的任意一个神经元在竞争中获胜时, 线性层的第2个神经元将输出1.

3 基于LVQ神经网络的离散化方法

LVQ神经网络学习的过程实际上就是逐渐调整其权值的过程, 由芬兰学者Kohonen教授提出的[9], LVQ神经网络是一个两层网络, 即由输入层和竞争层组成, 输入层接收样本, 竞争层对样本进行分类, 这两层的神经元进行完全相互连接, 竞争层的神经元按二维形式排列成一个节点矩阵, 一般输入层节点数等于能够代表分类问题模式的维数, 输出节点数根据具体问题来决定。

(1) 算法思想

我们首先利用LVQ神经网络的分类功能, 将每一个连续属性分割成若干类, 分割连续属性也就等于找到了一个断点集合, 这样对每个连续属性离散化完毕之后, 我们再次利用LVQ神经网络检测离散化后的属性是否仍然满足决策一致性, 若满足就说明离散化成功, 否则重新寻找断点集合, 直到满足决策一致。

(2) 算法步骤

(1) 判定属性重要性

设K= (U, R) 是一个知识库, P, Q哿R, 我们说知识Q程度k (0≤k≤1) 与知识P相关, 记为P圯k Q, 当且仅当

若k=1, 则称Q与P完全相关, 即P圯Q;若0<k<1, 则称Q与P粗 (或部分) 相关;若k=0, 则称Q独立于P。P圯1Q圳P圯Q

(2) 利用LVQ神经网络对连续属性分类

利用LVQ神经网络对连续属性进行离散处理, 输出层神经元数量等于聚类数目。因此聚类数目的选取是第一步, 如果选取的少, 则很有可能会导致离散效果不准确, 影响我们对学习情况的判断和下一步的处理;否则, 会出现过离散情况, 可能会得到与事实不符的处理情况, 失去离散化处理的意义。极端情况下, 离散处理后决策系统中对象的条件部分互不相同, 各自形成独立的规则, 导致应用中对规则条件匹配判断的复杂性增加。然而在现有的讨论结果中, 网络输出层神经元数目的确定没有一套固定成型和科学的方法。因此这种方法的关键在于确定神经元的数目。

(3) 找到其中一个断点集合, 并对其进行离散化

对得到的聚类数据, 分别用不同的离散数据替代得到的每一类数据, 从而实现了连续属性的离散化, 然后转 (2) , 直到对每一组属性离散化完毕, 就得到了离散化后的属性表。

(4) 判断离散化后的决策系统是否满足决策一致性

得到离散化后的属性表, 再次利用LVQ神经网络进行训练, 利用Matlab仿真函数验证得到的聚类结果是否满足决策一致性。如果满足证明离散化成功, 否则转 (2) 重新对其离散化, 直至满足决策一致性。

利用LVQ神经网络的newc () 函数新建一个的网络, 为了加快学习, 将学习效率设置为0.1, 训练样本为属性A, 经过训练之后为了检验网络的分类能力, 需要对网络进行测试, 我们利用仿真函数sim () 可以看到的聚类结果是:

表明将数据分为三类。由此可见, 网络成功的对训练样本进行了分类, 其中第1、第7为一类, 第2、第6为一类, 第3、第4、第5、第8为一类。每一类用一个离散数据替代, 所以可以得到的离散化结果是:[0 1 22 2 1 0 2]

用同样的方法对属性B进行离散化处理, 得到的离散化结果是:[0 1 2 0 2 2 1 0]

连续属性离散化之后我们需要验证一下离散化的结果是否对属性表的一致性产生了影响, 所以我们再次利用LVQ神经网络来检验, 现在训练样本为P=[0 1 2 2 2 1 0 2;0 1 2 0 2 2 1 0]

经过训练得到的聚类结果是:

我们发现得到的结果和原来的决策属性完全一致, 说明对连续属性的离散化并没有改变属性表的一致性。

4 小结

我们利用LVQ神经网络的自主学习和记忆功能, 找到连续属性的断点结合, 经过LVQ神经网络的训练和学习, 解决了数据挖掘技术中的离散化问题, 并通过Matlab仿真实验验证了离散化后并没有改变原始数据的基本属性, 说明离散化处理对于我们在信息爆炸时代, 而又无法在数据的海洋中无法找到所需要的数据的问题有非常重要的作用和意义。

参考文献

[1]徐泽柱, 王林.基于粗糙集理论和BP神经网络的数据挖掘算法[J].计算机工程与应用, 2004, 31 (03) :169-172.

[2]余卫雄, 姜礼平, 萧星.基于粗糙集和神经网络的联合模式识别系统[J].海军工程大学学报, 2006, 18 (02) :87-90.

[3]蒋丽华, 覃征等.基于粗糙集的LVQ神经网络的稽查选案模型研究[J].计算机应用.2006, 26 (12) :205-207.

[4]谢振华, 商琳, 李宁等.粗糙集在神经网络中应用技术的研究[J].计算机应用研究, 2004, 21 (9) :71-74.

[5]江虹, 伍春, 包玉军等.基于粗糙集的认知无线网络跨层学习[J].电子学报, 2012, 40 (1) :155-161.

[6]赵长雷.数据挖掘中属性离散化方法研究[D].大连:大连理工大学, 2010.

[7]董卓, 朱永利, 胡资斌.基于遗传规划和数据归一化的变压器故障诊断[J].电力科学与工程, 2011, 27 (9) :31-34.

[8]刘小龙, 江虹, 吴丹.基于CACC的连续数据离散化改进算法[J].计算机工程, 2013, 39 (4) :48-51.

连续化生产线篇6

波兰学者Z.Pawlak于1982年提出粗糙集理论[1],该理论是一种处理不确定和不精确性问题的数学工具。自粗糙集理论提出以来,成功应用于数据挖掘、模式识别、智能控制等领域,已成为国际和国内众多学者的研究热点之一。Pawlak提出的粗糙集理论不能直接用于处理连续属性,这在很大程度上限制了其应用范围,因此连续属性离散化成为粗糙集理论应用研究的一个重要方面。现有文献中已经出现了许多连续属性离散化方法,文献[2]给出了基于断点重要性算法,该算法利用断点能区分开的实例,对个数作为断点重要性的衡量尺度, 区分的实例对个数值越大, 说明断点的重要性越高, 被选取的可能性也就越大;文献[3]给出了基于信息熵的离散化算法,该算法从信息熵的角度,用信息熵值作为断点重要性的度量尺度,循环挑选信息熵最小的候选断点,当达到某种终止标准时,结束候选断点的选取;文献[4]给出了基于二进制可辨识矩阵的离散化算法,给出了离散化中二进制可辨矩阵的定义,提出了基于二进制可辨识矩阵的化简算法和求相对断点集的算法;文献[5]给出了基于断点区间重要性的算法,首先将排序后的各属性候选断点对分为2个区间,计算每个区间对集合的重要性,挑选重要性大的区间再对分,直至该区间只有1个断点,则加入结果断点集,直到达到规定要求,即得到所求断点集。

在此,提出一种粗糙集理论连续属性离散化算法,该方法基于差别矩阵,根据候选断点在矩阵中的出现频率和断点的重要性信息最终确定结果断点。通过实例可以看出,该方法的复杂度较低,是一种高效的连续属性离散化算法。

1 相关概念

在粗糙集理论中,称四元组S=(U,A,V,f)为一个决策表。其中,U为对象的非空有限集合,称为论域;A=C∪D为属性集合;C={a|a∈C}为条件属性集合;ai为C的一个简单属性;D={d|d∈D}为决策属性集合,且C≠∅,D≠∅,C∩D=∅,V=∪Vα(a∈A)为属性阈值;f表示U×A→V的一个映射,称为信息函数。当d=D时,称决策表为单一决策表,一般决策表能够等价地转化为单一决策表。在此,针对单一决策表进行研究,设决策表的条件属性个数为r,决策属性含有k个决策类。连续属性离散化实质上就是在连续属性的值域范围内插入若干断点,将连续属性划分为若干个离散区间。如果划分得过细,虽然能够提高属性依赖度,使决策表分类能力增强,但往往会增加复杂度,不利于属性约简;如果划分得较粗,则可能导致决策表中不相容信息的增加[6]。

定义1[7](断点重要性) 对于决策表S=(U,A,V,f),设决策属性D中有k个决策类,每个决策类记为Dj(j=1,2,…,k)。设对象集X⊆U,连续属性a(a∈C)的第i个候选断点记为c $_{i}^{a}$ ,按照集合X中的对象在a上的取值是否大于c $_{i}^{a}$ ,将集合X分为XL和XR两部分。其中,XL={x∈X:a(x)≤c $_{i}^{a}$ },XR={x∈X:a(x)>c $_{i}^{a}$ }。断点c $_{i}^{a}$ 对集合X的重要性定义为:

$\begin{array}{l} W (c_{i}^{a}, X) = (\sum_{j = 1}^{k} L_{j} (c_{i}^{a})) \times (\sum_{j = 1}^{k} R_{j} (c_{i}^{a})) - \\ \sum_{j = 1}^{k} L_{j} (c_{i}^{a}) \times R_{j} (c_{i}^{a}) (1) \end{array}$

式中:Lj(c $_{i}^{a}$ )=card(Dj∩XL);Rj(c $_{i}^{a}$ )=card(Dj∩XR),j=1,2,…,k。

定义2(差别矩阵) 设S=(U,A,V,f)为一个决策表;|U|=n;条件属性个数为r;决策表每个条件属性的候选断点集为Rp(p=1,2,…r);c $_{q}^{a_{p}}$ 为条件属性ap(p=1,2,…,r)第q个断点,则定义差别矩阵为M:

式中:i,j=1,2,…,n。

$c_{i j} = {\begin{cases} {c_{q}^{a_{p}} | (c_{q}^{a_{p}} \in R_{p}) \land (c_{q}^{a_{p}} \in [\min (a_{p} (x_{i}), a_{p} (x_{j})), \max (a_{p} (x_{i}), a_{p} (x_{j}))]}, d (x_{i}) \neq d (x_{j}), p = 1, 2, \dots, r \\ \emptyset, 其他情况 \end{cases}$

2 基于差别矩阵的连续属性离散化算法

设S=(U,A,V,f)为一决策表,对每个连续条件属性a(a∈C),论域中有限个属性值经过排序后为:

$l_{a} = v_{0}^{a} < v_{1}^{a} < \dots < v_{n_{a}}^{a} = r_{a}$

此时候选断点可取为c $_{i}^{a}$ =(v $_{i - 1}^{a}$ +v $_{i}^{a}$ )/2,i=1,2,…,na。标记得到的候选断点,记P $_{m}^{a_{i}}$ 为条件属性ai(i=1,2,…,r)的第m个候选断点。

将得到的候选断点按定义2构建差别矩阵M。若差别矩阵中存在单断点元素,则说明该断点是能够区分这2个对象的惟一断点,该单断点元素必定为结果断点,差别矩阵中断点出现的频率越高,则说明该断点越重要。算法如下:

输入:决策表S=(U,A,V,f)及候选断点

输出:结果断点集P

(1) 令P=∅,按定义2构建差别矩阵M;

(2) 将矩阵中单断点元素P $_{m}^{a_{i}}$ 赋给P,将矩阵中含P $_{m}^{a_{i}}$ 的元素置空,转步骤(4);

(3) 统计矩阵中各候选断点的出现频率F(P $_{m}^{a_{i}}$ ),将出现频率最高的候选断点P $_{m}^{a_{i}}$ (若频率最高的断点有多个则按式(1)计算所有频率最高断点的重要性,取重要性最大的候选断点)赋给P,将矩阵中含P $_{m}^{a_{i}}$ 的元素置空;

(4) 若矩阵M=∅,输出结果断点集P,否则转步骤(3)。

3 实例分析

一个决策表如表1所示,C={a,b}为该决策表条件属性,D={d}为决策属性。

经计算,其条件属性候选断点集分别为Ra={0.9,1.15,1.35,1.5},Rb={0.75,1.5,2.5},标记为P $_{1}^{a}$ =0.9,P $_{2}^{a}$ =1.15,P $_{3}^{a}$ =1.35,P $_{4}^{a}$ =1.5,P $_{1}^{b}$ =0.75,P $_{2}^{b}$ =1.5,P $_{3}^{b}$ =2.5。用本文算法对该决策表连续属性离散化如下:

(1)令P=∅,按定义2构建差别矩阵M为:

(2) 将单断点元素P $_{2}^{b}$ 赋给P,得P={P $_{2}^{b}$ },将矩阵中含P $_{2}^{b}$ 的元素置空,得差别矩阵为:

$Μ = [\begin{matrix} \emptyset \\ \emptyset & \emptyset \\ Ρ_{1}^{a} Ρ_{2}^{a} Ρ_{3}^{b} & \emptyset & \emptyset \\ \emptyset & Ρ_{2}^{a} Ρ_{3}^{a} Ρ_{1}^{b} & \emptyset & \emptyset \\ Ρ_{1}^{a} Ρ_{2}^{a} Ρ_{3}^{a} & \emptyset & \emptyset & \emptyset & \emptyset \\ \emptyset & Ρ_{2}^{a} Ρ_{1}^{b} & \emptyset & \emptyset & \emptyset & \emptyset \\ \emptyset & \emptyset & Ρ_{3}^{a} Ρ_{4}^{a} & \emptyset & Ρ_{4}^{a} Ρ_{3}^{b} & \emptyset & \emptyset \end{matrix}]$

(3) 此时M≠∅,计算差别矩阵中各断点出现的频率:F(P $_{1}^{a}$ )=2,F(P $_{2}^{a}$ )=4,F(P $_{3}^{a}$ )=3,F(P $_{4}^{a}$ )=2F(P $_{1}^{b}$ )=2,F(P $_{3}^{b}$ )=1。将出现频率最高的断点P $_{2}^{a}$ 赋给P,得P={P $_{2}^{b}$ ,P $_{2}^{a}$ },将矩阵中含断点P $_{2}^{a}$ 的元素置空,得差别矩阵为:

$Μ = [\begin{matrix} \emptyset \\ \emptyset & \emptyset \\ \emptyset & \emptyset & \emptyset \\ \emptyset & \emptyset & \emptyset & \emptyset \\ \emptyset & \emptyset & \emptyset & \emptyset & \emptyset \\ \emptyset & \emptyset & \emptyset & \emptyset & \emptyset & \emptyset \\ \emptyset & \emptyset & Ρ_{3}^{a} Ρ_{4}^{a} & \emptyset & Ρ_{4}^{a} Ρ_{3}^{b} & \emptyset & \emptyset \end{matrix}]$

(4) 此时M≠∅,计算差别矩阵中各断点出现的频率:F(P $_{3}^{a}$ )=1,F(P $_{4}^{a}$ )=2,F(P $_{3}^{b}$ )=1。将出现频率最高的断点P $_{4}^{a}$ 赋给P,得P={P $_{2}^{b}$ ,P $_{2}^{a}$ ,P $_{4}^{a}$ },将矩阵中含断点P $_{4}^{a}$ 的元素置空,得矩阵M=∅,输出决策表的结果断点集P={P $_{2}^{b}$ ,P $_{2}^{a}$ ,P $_{4}^{a}$ }(该结果与文献[2]相一致)。

4 算法复杂度分析

假设决策表S=(U,A,V,f)有M个条件属性,N个对象,每个条件属性平均有K个候选断点。

考虑最坏的情况,在构建差别矩阵过程中,N个对象需要比较N(N-1)/2次,每2个对象要比较KM次,时间复杂度为O1(MN2K),计算各候选断点在矩阵中出现频率的时间复杂度为O2(MN2K),化简差别矩阵的时间复杂度为O3(MN2K), 所以算法总的时间复杂度为max{O1(MN2K),O2(MN2K),O3(MN2K)}=O(MN2K),该算法空间复杂度为O(MN2K)。实际上由于决策表的决策属性类别远小于对象个数,在构建差别矩阵时的时间复杂度会大大减小,计算候选断点和化简差别矩阵的时间复杂度也会随着差别矩阵的减小而减小。

5 结语

在此给出了粗糙集连续属性离散化中差别矩阵的定义,提出一种基于差别矩阵的粗糙集连续属性离散化算法,该算法基于差别矩阵,以候选断点在差别矩阵中的出现频率和断点重要性为启发式信息,实例证明该算法快捷有效。

参考文献

[1]PAWALAK Z.Rough Set[J].International Journal ofComputer and Information Sciences,1982,11(5):341-356.

[2]王国胤.Rough集理论与知识获取[M].西安:西安交通大学出版社,2001.

[3]谢宏,程浩忠,牛东晓.基于信息熵的粗糙集连续属性离散化算法[J].计算机学报,2005,28(9):1570-1574.

[4]侯利娟,颜宏文.基于二进制可辨识矩阵变换的离散化算法[J].计算机工程与设计,2008,29(9):2330-2332.

[5]姜彬,宋智玲,张云红.粗糙集理论中连续属性离散化的一种新方法[J].实验室研究与探索,2008,27(8):28-31.

[6]WANG J,MIAO D Q.Analysis on attribute reductionstrategies of rough set[J].Journal of Computer Science andTechnology,1998,13(2):189-192.

[7]PAWLAK Z,SKOWRON A.Rough sets and Boolean rea-soning[J].Information Sciences,2007,177(1):41-73.

[8]苗夺谦,李国道.粗糙集理论、算法与应用[M].北京:清华大学出版社,2008.

[9]赵军,王国胤,吴中福,等.基于粗糙集理论的数据离散化新算法[J].重庆大学学报:自然科学版,2002,25(3):18-21.

钢板连续热镀锌生产线篇7

技术水平及特点

钢铁研究总院从事热镀锌 (锌合金) 工艺技术的研究、开发与生产线的设计工作已有近三十年的历史。在这期间, 先后在国内设计推广了二十几条钢板连续热镀锌 (锌合金) 生产线 (钢板宽度:200 mm至1250mm, 厚度:0.15 mm至2.5mm, 机组速度最高:120m/min) 。其中包括我国第一条1000mm热镀铝生产线, 及我国第一条热镀锌出口生产线。技术处国内领先水平。

项目特点:

1) 可根据用户要求精确控制镀层厚度、镀层质量, 保证镀层均匀性。

2) 投资省:同等规模的生产线, 我院设计, 国内制造, 其投资仅为引进生产线的1/3～1/4。

3) 工艺路线灵活:根据用户的具体情况, 我们可提供多种工艺路线供用户选择。对于资金雄厚的用户可选用还原热镀法, 这种机组产量大, 生产成本低, 原材料要求低, 产品质量稳定, 可满足一些高级用户如汽车、家电等的需求。对于一些资金相对较少的用户, 我们可提供溶剂法热镀锌。该机组投资少 (约为还原法的1/3) , 建设期短, 见效快, 产品质量可满足建筑、轻工等大宗用户的需求。

市场前景

目前国内产量不能满足国内市场需求的一半。且随着我国建筑、交通、汽车、家电的高速发展, 特别是西部大开发的进行, 我国热镀锌钢板的市场前景将不断扩大, 供不应求的局面将保持相当一段时期。

建厂投资估算

钢板连续热镀锌生产线的投资根据其生产规模、产品的规格以及工艺方法的不同而异, 同等规模的溶剂法生产线其投资约为还原法的1/2到1/3。根据机组规模的大小及投资情况的不同, 钢板热镀锌生产线的建设期为1至3年。

效益分析

投产后2至5年可收回全部投资;机组年产值5000万元到10亿元;利税率10%左右。

单位:钢铁研究总院科技质量部

地址:北京海淀区学院南路76号

邮编:100081

连续化生产线篇8

关键词：仪表安全系统,GMR系统,配置,光纤,远程I/O

中国石油长庆石化公司连续重整装置的安全仪表系统 (Safety Instrumented Systems, SIS) 采用GE Fanuc公司基于90-70PLC的表决系统GMR (Genius Module Redundancy) , GMR为配置灵活、安全、可靠的冗余控制系统解决方案, 由GE 90-70PLC、智能化Genius输入/输出模块和Genius总线构成。GMR系统支持单重化、双重化或三重化配置, 可对输入、输出信号进行三选二、二选二和二选一冗余表决, 提供从机架、I/O模块、电源通信模块到CPU控制器的各种冗余组合, 不同的配置符合相应的TUV认证。连续重整SIS系统采取了输出模块双重配置, 而从输入模块到PLC到Genius总线是三重化TMR, 实现了经济和安全的最优搭配。

在此, 笔者重点介绍SIS系统的硬件组成和软件结构, GMR系统配置的关键点, 以及辅助操作台远程I/O的实现。

1 系统配置硬件清单

1.1硬件清单

该公司连续重整装置的两套SIS系统硬件相同, 其中一套的硬件清单见表1。

1.2 系统配置

连续重整自控系统的联锁仪表数较多, SIS

按装置分设了两套:重整和预处理装置为1#SIS, 再生和苯抽提装置为2#SIS。两套SIS的硬件型号和软件完全相同, 只是数量不等。PLC使用GE三重化90-70CPU, Genius总线、AI和DI模块为三重化配置, DO为T形双重冗余配置, 1#SIS配置如图1所示。在同一台操作员站上位机中无缝集成两套SIS画面。使用时感觉是一套SIS, 这样共配置了两台操作员站, 既实现了互为冗余, 方便工艺操作使用, 又节省了两台计算机和软件授权费用。

1.2.1 CPU的配置

两套SIS都设置了3个控制器, 每个控制器使用9槽机架IC697CHS790, 上面安装了100W交流电源模块IC697PWR711、3个Genius模块IC697BEM731、以太网通信模块IC697CMM742和Modbus RTU Slave模块IC697CMM711。3条Genius总线把所有输入、输出模块都接入控制器。每个控制器独立采集、计算并输出, 完全隔离互不影响, 最大限度地保证了冗余。

1.2.2 输入子系统的配置

所有离散、模拟输入都是三重化配置, 每个信号经过一分三单元进入3个模块, 再通过Genius总线发送到每个控制器, 进行三选二表决, 模拟量取中间值。DI模块使用IC660BBD024, 模拟量模块使用IC200ALG265。需要注意的是, 离散量一分三模块必须包含二极管, 以防止互相影响;模拟量一分三原理是在电流回路中串入250Ω精密电阻采集电压信号送进3个模块, 需加反向二极管。

1.2.3 输出子系统的配置

GE GMR输出子系统以四模块“H”形、二模块“I”形和二模块“T”形的模块组配置, 根据项目成本及规模等综合因素考虑选用输出子系统的配置。输出模块组对从CPU来的输出进行表决, 将表决结果输出到负载。在该项目中, 基于所有设备的可靠性和可用性, 采用了“T”形输出配置。

1.2.4 软件与数据库

控制器程序采用Proficy ME 6.5, 上位机软件采用GE Cimplicity 8.1, 事件记录和历史数据存储采用SQL Server 2008。模拟量数据采集周期为1s, 为了防止数据记录量太大, 设置只保留最新7天数据, 超期的自动备份。值得注意的是, 最初安装了GE Cimplicity 8.1的最新补丁, 但是发现事件记录会记录信号动作前状态一次、动作后状态两次, 查看记录很不方便, 卸载补丁后正常。

2 GMR系统配置的关键点

GE GMR系统功能完备, 冗余灵活、强大, 但是配置比较复杂, 必须深入了解其运行特性, 仔细全面考虑, 方能保证系配置无误。GE GMR系统需要完成3种配置:GMR配置、PLC配置和模块配置。这3种配置参数是相互关联的, 必须保持一致。GMR的配置采用GMR Configuator软件完成, PLC配置采用Proficy Machine Edition完成, 模块配置在手持终端完成。

2.1 配置要一致

GMR、PLC和模块配置的某些参数相互对应, 必须一致。如在GMR配置中System Configuator的CPU Watchdog和Memory Allocation参数必须与PLC的Hardware Configuration设置相同 (图2) 。

值得注意的是, 根据默认设置, 寄存器%R1是存储系统自测试时间周期的, 用户不可使用该寄存器, 否则会引起不可预料的后果。

2.2 PLC启动时的数据交换

在配置GMR系统前必须熟悉PLC启动过程中的数据交换, 这涉及到3个PLC数据的同步与表决。PLC启动时会检查与其他PLC的GMR配置是否一致, 如不一致则停机, 同时记录故障并报警。PLC启动时会查看另一个PLC是否已经在线 (正在运行用户程序并允许输出) , 如果没有则不需要数据同步;如果有一个PLC已经在线, 则从已在线的PLC读取初始化数据 (%M和%R数据) ;如果有两个PLC在线, 则从高总线地址的PLC读取%R, 同时从高总线和低总线地址的PLC分别读取%M并进行比较。

PLC初始化时数据同步配置如图3所示。GMR配置中系统Initialization页参数决定CPU初始化时的数据同步内容, 分别设置同步数据中%R和%M的起始地址和长度。默认设置满足一般的工程需要。对于大型项目, 在设置参数和编写PLC用户程序时必须注意满足需要, 不能把需要同步的数据超出同步范围, 否则会造成3个PLC数据不一致。这种问题可能在项目建设时不被发现, 在系统投运后, 如果有一个CPU重新上电重启, 就会发现该CPU的数据与其他的不一致, 有联锁误动作的风险。补救办法是对照其他两个PLC的参数逐个在线修改人工同步, 并在以后检修时重新修改下装。

2.3 离散输入Duplex Default

三选二时, 如果有一个模块故障, 那么系统只能采集到的两个数据如果不一致, 没有第三个就无法进行三选二表决, Duplex Default就是在此情况下参与表决的数据。要根据实际情况配置, 一般以装置安全和设备因素考虑。

2.4 离散输入Default State

对于三模块组, 表决机制设置为3-2-1-0时, 如果该通道点3个模块都失效, 则表决结果是设置的Default State;表决机制设置为3-2-0时, 如果有两个通道点失效, 则表决结果为Default State。

2.5 离散输出Normal State

当输出的安全状态是失电 (在ESD中) , Normal State必须设置为High;是得电 (在Fire and Gas中) 时, Normal State必须设置为Low。注意该参数模块的配置要与GMR配置一致。

3 Genius总线远程I/O

从图2可以看到, 该项目的两套SIS中, PLC安装在装置的现场机柜间, 而操作站和辅助操作台设置在中控室。辅助操作台的旋钮和灯屏是PLC的输入、输出信号, 要求辅助操作台与SIS 的I/O站必须硬线连接。如果把信号线从辅助操作台拉到现场机柜间的SIS机柜, 共有96个信号, 走线距离约2km, 需要大量电缆材料和施工费用。经调研, 决定在新中控室放置一个远程I/O站机柜, 把信号从辅助操作台拉到远程I/O机柜仅20m, 而该I/O站通过光缆与PLC通信。这个方案的关键就是如何把Genius总线电信号变换为光信号。GE公司没有提供Genius总线光电转换产品, 经反复选型和配对, 选用了技术成熟、可靠的赫斯曼Genius光电转换器OZD G12-1300, 将Genius协议的电信号和光信号互相转换。Genius网络如图4所示, 赫斯曼Genius光电转换器与光纤的连接如图5所示。

4 联锁方案

该连续重整联合装置分为4个小区块:预处理、重整、再生和苯抽提装置, 有11台压缩机、4个加热炉和26台机泵, 联锁回路多且复杂, 特别是再生部分, 各子逻辑相互关联, 调试要格外谨慎。连续重整四合一加热炉的联锁逻辑如图6所示。

5 结束语

【连续化生产线】推荐阅读：

连续生产线09-27

连续生产05-14

连续法生产06-09

情景连续化05-08

情境连续化08-10

连续与一致连续09-19

连续-非连续计算方法06-30

企业安全生产网格化09-24