Present Research Situation, Major Bottlenecks, and Prospect of Refinery Industry Process Control
-
摘要: 首先回顾了对炼油生产过程安全高效运行和节能增效至关重要的先进控制、软测量、运行优化技术的发展过程和研究应用现状,并从分析炼油生产过程的特点出发,讨论了实施先进控制中存在的问题,并推荐了解决炼油企业先进控制实施应用难题的一条可行有效的新路,最后对炼油生产过程智能制造的研究应用进行了展望.Abstract: The development processes and the research and application status of advanced control, soft sensing and operation optimization are reviewed firstly, and it is shown that the technologies in process control are crucial to the enhancement of oil refinery production safety and efficiency and to the reduction of energy and consumption. Then, the major difficulties in the implementation of advanced control are discussed by analyzing the features of refinery industry process. To deal with these difficulties, a new effective way is recommended. Finally, the prospect of further research and application is given in the area of intelligent manufacturing within the refinery industry process.
-
自寻的反坦克导弹由于具有"发射后不用管"的战术技术性能, 不但具有较高的命中精度, 而且大大提高了作战人员的战场生存能力, 使得世界各国争相对其进行研制和装备.当反坦克导弹处于大射程时, 由于非制冷式红外导引头观测距离有限, 不能直接在视场中观测到目标并进行锁定.此种条件下只能采取"发射后锁定"的工作方式, 即利用红外成像末制导技术在反坦克导弹末制导阶段对目标进行识别和定位, 完成目标的跟踪初始化.
"发射后锁定"的关键是目标的检测识别问题, 主要包括图像分割和目标识别两个方面.其中, 图像分割是目标检测、识别及跟踪等领域的底层图像处理过程, 是计算机视觉和模式识别领域的经典难题之一.因此, 多少年以来国内外大量学者一直对其进行着广泛而深入的研究, 也收获了许多行之有效的图像分割算法[1-5].然而, 由于自寻的反坦克导弹体积小, 红外成像制导系统的硬件处理速度有限, 对图像分割算法实时性提出了较高要求.同时, 由于地面背景相对于天空背景来说一般比较复杂, 在背景和目标比例相差悬殊的情况下, 对算法分割的有效性也提出了严峻的挑战.而在现有的报道中, 算法有效性的提高往往是以大幅增加算法的计算量为代价, 而难以保证实时性.因此, 对自寻的反坦克导弹复杂背景下红外坦克目标图像的快速有效分割算法进行研究, 无疑具有重要的现实意义.
目前, 在种类繁多的图像分割算法中, 阈值分割法是公认的一种简单高效的图像分割技术[6-7].常见的阈值分割法主要有最大类间方差法(即Otsu算法)、基于熵的阈值分割法、最小误差法、共生矩阵法、矩量保持法、概率松弛法、模糊集法以及与其他方法结合的阈值分割法[7-13].在这些阈值分割方法中, Otsu提出的最大类间方差法, 因其计算简单自适应性强而被广泛使用[14-15].该算法基于灰度直方图的一阶统计特性, 具有运算速度快, 适合于实时处理的优点.但是, 面对千差万别的图像, Otsu算法并不会在所有情况下都能得到理想的结果.尤其当背景比较复杂且背景和目标的比例相差悬殊时, 最大类间方差法就会产生错误分割甚至完全失效.因此, 本文立足于自寻的反坦克导弹红外导引头较高的实时处理要求, 选取计算简单的最大类间方差法, 研究其对复杂背景下红外坦克目标的分割效果, 找出最大类间方差法分割失败的本质原因; 然后针对所出现的问题, 对最大类间方差法进行改进, 在充分发挥其计算简单的优势下, 提高算法的分割性能.
1. 最大类间方差法(Otsu算法)及其阈值分析
1.1 最大类间方差法
最大类间方差法即Otsu算法是由Otsu最先提出的, 该算法是以图像的一维直方图为依据, ni以目标物体和背景的类间方差最大为阈值选取准则.设一副图像的灰度等级为L, 灰度值为i的像素个数为ni, 则总的像素为$N=\sum_{i=1}^{L}n_i$, 灰度值i出现的概率为ni/N.设以灰度值T为阈值将图像像素分成两类, 即灰度为[1, …, T]的像素构成一类, 记为C0; 灰度为[T +1, …, L- 1]的像素构成另外一类, 记为C1.将C0和C1出现的概率分别记为P0(T)和P1(T); 两类的灰度均值记为μ0(T)和μ1(T); 两类的方差记为${\sigma_0^2}(T)$, ${\sigma_1^2}(T)$.则各值计算方法如下[16]:
$ {P_0}(T)=\sum\limits_{i=1}^T {{P_i}} $
(1) $ {P_1}(T)=\sum\limits_{i=T+1}^{L - 1} {{P_i}}=1 - {p_0}(T) $
(2) $ {\mu _0}(T)=\frac{1}{{{P_0}(T)}}\sum\limits_{i=1}^T {i \cdot {P_i}} $
(3) $ {\mu _1}(T)=\frac{1}{{{P_1}(T)}}\sum\limits_{i=T+1}^{L - 1} {i \cdot {P_i}} $
(4) $ \sigma _0^2(T)=\;\frac{1}{{{P_0}(T)}}\sum\limits_{i=1}^T {{P_i} \cdot {{\left[{i-{\mu _0}(T)} \right]}^2}} $
(5) $ \sigma _1^2(T)=\;\frac{1}{{{P_1}(T)}}\sum\limits_{i=T+1}^{L - 1} {{P_i} \cdot {{\left[{i-{\mu _1}(T)} \right]}^2}} $
(6) 整幅图像的灰度均值μ为
$ \begin{align} \mu=P_0(T)\mu_0(T)+P_1(T)\mu_1(T) \end{align} $
(7) 两类的类间方差$\sigma _b^2(T)$为
$ \begin{align} \sigma _b^2(T)=P_0(T)\left[\mu_0(T)-\mu \right]^2+P_1(T) \left[\mu_1(T)-\mu \right]^2 \end{align} $
(8) 两类的类内方差之和$\sigma _w^2(T)$为
$ \begin{align} \sigma _w^2(T)=P_0(T)\sigma _0^2(T)+P_1(T)\sigma _1^2(T) \end{align} $
(9) Otsu提出的最大类间方差准则下的阈值为T*, 则
$ \begin{align} \sigma _b^2(T^*)={\mathop {\max }\limits_{1 \le T \le L - 1} \sigma _b^2(T)} \end{align} $
(10) 最小类内方差准则下的阈值为$T^{'*}$, 则
$ \begin{align} \sigma _w^2(T^{'*})={\mathop {\min }\limits_{1 \le T \le L - 1} \sigma _w^2(T)} \end{align} $
(11) Otsu指出最大类间方差准则和最小类内方差准则是等效的, 两者找出的阈值相同[16].
1.2 最大类间方差法阈值分析
以红外导引头在外场试验中拍摄的大量红外坦克目标图像为研究对象, 限于篇幅而又不失一般性, 图 1给出了从400米到1500米距离范围内, 不同距离处的坦克目标红外图像(具体距离值如图 1所示).各图像大小为880像素×480像素, 其中坦克目标在图像中所占比值最大仅为1.3%左右, 属于小目标.从图 1可以看出, 图像中存在着许多亮暗相间的背景, 直观判断, 图像背景比较复杂.由于坦克目标尺寸较小, 使得目标图像纹理弱化或消失, 坦克目标表现为灰度较为均匀的亮色区域.图 2为图 1中各红外图像所对应的灰度直方图, 从中可以发现, 各图像的像素数随灰度值的分布特点各有不同, 但各图像所包含的灰度范围普遍较大, 说明图像中灰度种类比较丰富, 图像背景比较复杂.
为便于对算法的分割效果进行比较, 本文将手工分割结果作为图像分割的理想结果, 相应的分割阈值视为该图像的最佳分割阈值.图 3为利用Otsu算法进行分割的结果, 从分割结果可以看出, 图 3(a)、图 3(b)和图 3(c)中, 由于背景比较复杂, 而且坦克目标距离较远, 目标相对图像的比例较小(最大仅为0.3%), 使得分割后坦克目标完全淹没在背景当中, 说明Otsu算法分割失败; 而在图 3(d)和图 3(e)中, 由于坦克目标距离较近, 目标相对图像的比例变大(分别为0.8%和1.3%), Otsu算法对坦克目标的分割结果要好于前三幅图像的分割结果.但与原图相比, 分割出的目标轮廓并不清晰, 边缘还粘连着较多的背景, 说明算法的分割效果较差.以上实验结果表明, 当红外背景比较复杂且坦克目标相对图像比例较小时, Otsu算法的分割效果较差甚至完全失效.
Otsu指出, 式(10)和式(11)两种阈值选取准则是等效的.为了找出影响分割阈值的主要原因, 本文对基于式(11)的最小类内方差准则进行分析.根据式(11), 图像的类内方差取最小值时所对应的灰度值即为分割阈值, 而图像的类内方差又由背景区域类内方差和目标区域类内方差两部分组成(如式(9)所示).也就是说, Otsu分割阈值与背景区域和目标区域两类的类内方差有着密切关系.为此, 本文给出了每幅图像的各种类内方差随灰度值的变化曲线(见图 4).对其进行分析发现, 各图中相应的类内方差随着灰度值的变化规律相同, 即各背景区域的类内方差都随着灰度值的增大而增大, 目标区域类内方差随着灰度值的增大而减小; 而图像的类内方差都存在一个最小值, 该最小值所对应的灰度值即为Otsu法的分割阈值.图中用虚线分别标出了Otsu法分割阈值以及手工分割的最佳阈值位置.我们发现, Otsu阈值与最佳阈值相比普遍偏小; 在Otsu阈值处(即图像类内方差取最小值的位置), 背景区域和目标区域的类内方差相差较小(如图 4所示, Otsu阈值处的两类类内方差相差最大不超过1倍), 而在最佳阈值处, 背景区域和目标区域的类内方差相差过大(如图 4所示, 最佳阈值处的两类类内方差相差最小达5倍, 最大高达15倍).通过以上事实, 可以得出这样一个结论:正是由于背景区域和目标区域相差过大的类内方差, 使得Otsu法计算出的分割阈值与最佳阈值发生了较大的偏移(偏移向着类内方差大的一类进行), 从而导致了算法的失效.该结果与文献[17]的理论分析结果相一致.同时, 这也揭示了Otsu法图像分割的有效性机理:若红外图像中背景和目标的类内方差相近(如背景较平坦的面目标红外图像), 则Otsu法必能得到较好的分割效果; 若背景和目标的类内方差相差过大(如复杂背景下的小目标红外图像), 则Otsu法将会失效.这启发我们, 要想提高复杂背景下Otsu法对红外小目标的分割性能, 必须设法降低背景区域类内方差, 使其与目标区域的类内方差相近.为此, 本文提出了对背景像素和灰度级进行约束的思想, 对算法进行改进, 以提高其分割性能.
2. 最大类间方差法(Otsu法)的改进
2.1 先验信息对背景像素的约束
自寻的反坦克导弹采用的是惯性制导和红外成像制导的复合制导方式.其在发射前, 由地面观瞄装置获取目标的距离等信息.在反坦克导弹飞向坦克目标的过程中, 初始阶段以惯性制导为主, 弹上的惯性制导系统将会对飞行速度及距离信息进行实时解算.当导弹进入飞行末段以后, 将以红外成像制导为主, 最终完成导弹对目标的精确打击.在这个过程中, 利用导弹的惯性制导系统便可获知导弹和坦克目标的实时距离.
设坦克目标的长为l1, 宽为l2, 其与红外导引头的距离为R, 红外导引头的成像焦距为f, 根据几何光学成像原理, 其在红外焦平面上的最大成像面积为
$ \begin{align} S=\;&\frac{l_1{l_2}}{R^2}f^2 \end{align} $
(12) 设红外焦平面的像元中心间距为d, 则坦克目标在红外焦平面成像所占有的最大像素数为
$ \begin{align} N_t=\;&\frac{l_1{l_2}}{{d^2}R^2}f^2 \end{align} $
(13) 由于红外焦平面上的目标图像一般为坦克目标斜视方向的投影, 因此, 由式(13)计算出的目标大小将作为坦克目标所成像的最大值, 即红外图像中坦克目标所占像素数必定在这个数值范围内.据此, 可对红外图像各灰度级的像素数进行约束, 在保持目标像素数量不变的情况下, 对背景像素进行削减, 以降低背景像素所占比例.
2.2 基于黄金分割法对背景灰度级的约束
由前面的分析可知, 在最佳阈值处, 背景区域的类内方差过大, 最终导致最大类间方差法分割的阈值过低.要想使计算的阈值与最佳阈值相接近, 必须要降低背景区域的类内方差, 而背景区域的类内方差与其所分布的灰度级别直接相关.对于复杂背景下的亮小目标而言, 目标灰度大都分布在灰度级较高的区域.而在图像灰度级较低的部分, 几乎全部由背景像素构成, 正是因为这些低灰度级像素的存在直接导致了所计算的背景类内方差过高.基于上述事实, 如果对这些像素采用一定的规则进行约束, 无疑将有助于降低背景区域的类内方差.
众所周知, 黄金分割率φ=0.618是人类发展历史长河中非常奇妙的数字之一.在20世纪70年代, 我国著名数学家华罗庚先生将黄金分割法作为一种优选方法在科学、工程、经济和艺术等领域得到普及和应用[18].至今, 具有完美感、神奇感和科学性的黄金分割法仍在工程技术领域有着广泛的应用[19-24].例如, 文献[25]在确定遗传算法最优变异因子存在的区间之后, 运用黄金分割法最终确定最优变异因子, 解决了人工神经网络训练中陷入局部极小值问题; 文献[26]将黄金分割法应用到自适应小波阈值去噪算法的补偿方法中, 通过每次选取整个不确定区间的两个黄金分割点, 比较该两点值的大小, 从而缩小搜索区间, 达到快速寻优的目的.鉴于此, 本文提出采用黄金分割法对图像背景区域的灰度级别进行约束.考虑到红外图像中, 目标往往占据高频成分, 而红外背景中的绝大部分占据图像的低频成分.设红外图像的灰度级别为L, 以0.618L为分界点, 将低于该值的灰度区域视为背景区域, 高于该值的视为目标区域.设背景区域的灰度级别为Lb, 且Lb=0.618L.然后以0.382 Lb(即0.382Lb=0.382×0.618L ≈ 0.236L)为阈值, 将低于该值的背景区域抑制掉, 从而达到约束红外背景灰度级的目的.由于目标在红外图像中往往占据高频成分, 因此, 按照上述的约束规则对图像背景灰度级进行约束后, 目标像素数不会受到影响.
设红外图像的像素随灰度的分布函数为g(i), 坦克目标图像所占有的像素数最大为Nt.结合上节内容, 利用目标的最大像素数和黄金分割法分别对红外图像的背景区域像素和灰度级进行约束, 具体约束准则如式(14)所示.其中, L为红外图像的灰度级别, L2=0.618L, L1=0.382L2 ≈ 0.236L.
上述准则所表达的物理意义为:以图像灰度级L的0.618处为分界点, 把灰度级较高的部分认为是可能的目标区域, 对每个灰度级按照目标像素数进行保留; 灰度级较低的部分认为是背景区域, 使背景像素按照灰度值减小的方向由目标像素数值进行递减至零; 然后将小于背景灰度范围0.382倍的灰度级置为零.该过程使得图像的灰度分布向着目标区域进行靠拢, 以达到降低背景区域类内方差的目的.
2.3 算法步骤
红外图像经过对背景像素和灰度级进行约束之后, 便可利用最大类间方差法对约束后的红外图像进行处理.算法总的计算步骤如下:
步骤1. 从自寻的反坦克导弹的惯性制导系统获取坦克目标的距离, 并和其他已知参数一起代入式(13)进行计算, 得到坦克目标图像的最大像素值Nt.
步骤2.计算红外图像的灰度直方图g(i);
步骤3.按照式(14)对红外图像的背景像素和灰度级别进行约束;
步骤4.利用最大类间方差法对约束后的红外图像进行处理, 获取分割阈值并对整幅图像进行分割.
值得一提的是, 由于坦克目标的像素不可能全部分布在单一的灰度级上, 即某一灰度级包含的目标像素数应该比坦克目标的总像素数少的多, 而算法中用到的是坦克目标的最大像素值对各灰度级像素进行约束.在一定程度上, 算法对式(13)计算出的坦克目标最大像素值的大小不是很敏感.也就是说, 算法只需要式(13)提供坦克目标总像素值的一个大概范围.因此, 在利用式(13)计算坦克目标的最大像素值时, 只需一次性提供任意型号坦克的长、宽尺寸即可, 算法与坦克具体型号无关.
3. 实验结果及分析
为了验证本文方法的有效性, 以红外导引头在外场试验中拍摄的大量红外坦克目标图像为实验对象, 在CPU为2.0 GHz, 内存为2 GB的笔记本电脑上, 基于Matlab 7.1软件平台, 对本文提出的算法进行实验.由于篇幅有限, 为了方便讨论而又不失一般性, 本文分别就白天和夜间两种情况下的坦克红外图像进行讨论.白天由于有太阳光的照射, 地表环境温度相对于夜间温度较高, 加上地面对阳光的红外漫反射, 造成了白天红外图像与夜间红外图像存在着不同.前已述及, 图 5(a)~图 9(a)为红外导引头在白天拍摄的从400米到1500米距离范围内, 不同距离处的坦克目标红外图像, 图 5(b)~图 9(b)为其所对应的灰度直方图.由于阳光的照射, 地表不同区域因自身温度以及对红外漫反射的不同, 使得图像中存在着许多亮暗相间的背景, 图像包含的灰度范围普遍较大, 说明图像中灰度种类比较丰富, 图像背景比较复杂.图 10(a)~图 14(a)为红外导引头在夜间拍摄的从300米到1600米范围内, 不同距离处的坦克红外图像, 图 10(b)~图 14(b)为其所对应的灰度直方图.由于夜间环境温度与白天相比温度较低, 图像中的白色亮背景较少或消失, 但图像中存在较多地表植被的灰度纹理背景, 使得红外图像背景仍然比较复杂.实验中, 坦克目标的距离由激光测距机给出, 如表 1所示(在算法的实际应用中, 坦克目标的距离由反坦克导弹的惯性制导系统提供).设定坦克目标的长为7.6米, 宽为3.5米, 取红外导引头的焦距f为110毫米, 红外探测器像元间距d为0.017毫米.将这些参数及表 1中相应的坦克目标距离R分别代入式(13), 计算得到各图像中坦克目标的最大像素数(见表 1).
$ f(i)=\left\{ {\begin{array}{*{20}{l}} {0, }&{i \in [1, {L_1}- 1)}\\ {g(i)\frac{i}{{0.618L}}, }&{i \in [{L_1}- 1, {L_2}- 1)且g(i)<{N_t}}\\ {{N_t}\frac{i}{{0.618L}}, }&{i \in [{L_1}- 1, {L_2}- 1)且g(i)\ge {N_t}}\\ {g(i), }&{i \in [{L_2}-1, L-1]{\rm{ }}且g(i)<{N_t}}\\ {{N_t}, }&{i \in [{L_2}-1, L-1]{\rm{ }}且g(i)\ge {N_t}} \end{array}} \right. $
(14) 表 1 坦克目标距离及所占最大像素数Table 1 The target distance and its maximum pixelsDaytime images Night images Fig. 5(a) Fig. 6(a) Fig. 7(a) Fig. 8(a) Fig. 9(a) Fig. 10(a) Fig. 11(a) Fig. 12(a) Fig. 13(a) Fig. 14(a) Target distance (m) 1455 1199 936 573 446 1 611 1 251 980 740 353 Target pixels 526 775 1 271 3 390 5 601 429 712 1 159 2 032 8 924 结合表 1中数据, 利用式(14)对各红外图像的背景进行约束.图 5(c)~图 14(c)分别为各红外图像约束后的灰度直方图, 将其与相应的原灰度直方图进行比较, 发现背景区域的像素数量和灰度级别都得到了不同程度的抑制, 灰度分布明显向着目标区域进行靠拢.
3.1 算法的二值化分割结果对比分析
为了便于对比分析, 图 5(d)~图 14(d)给出了各红外图像相应的手工分割结果, 同时本文还给出了原Otsu算法、二维最大熵法、基于高斯核函数的模糊C均值聚类法(即KFCM算法)以及本文方法的处理结果(分别如图(5)~图(14)中的(e)~(h)所示).将各算法的分割结果分别与手工分割结果进行比较, 发现原Otsu算法的分割效果最差, 在所给出的10幅红外图像样本中, 仅完成了两幅图像的有效分割(见图 9(e)和图 11(e)); 二维最大熵法由于充分考虑了像素灰度及其邻域灰度的空间相关性[13, 27-28], 与原Otsu算法相比, 其分割性能有所提高, 但也仅完成了其中五幅图像的有效分割; KFCM法是一种基于划分的聚类算法, 其思想就是使得被划分到同一类的对象之间相似度最大, 而不同类之间的相似度最小.因此, 其相比于阈值分割算法来说, 一般具有较高的分割精度[29-30].从实验结果来看, KFCM法分割结果与前面两种算法相比确实有了较大的提高, 其完成了八幅图像样本的有效分割.但与本文算法相比, KFCM法仍有两幅红外图像分割失败, 没能达到对所有红外图像的成功分割, 说明其对于红外复杂背景下不同比例尺寸的小目标而言, 也难以保证较好的鲁棒性.而本文算法成功地分割出了所有位于不同距离上的红外坦克目标, 说明所提算法对于红外复杂背景下, 不同比例的坦克小目标分割具有较强的适应性和有效性.分析其原因, 这主要是因为本文算法能够实时根据目标图像的尺寸信息对背景进行抑制, 减少了背景在算法运算过程中对图像分割结果的影响, 从而保证了算法对图像分割的有效性和鲁棒性.另外, 将本文算法的分割结果与手工分割结果比较, 直观上来看, 本文算法分割结果与手工分割结果基本相当, 说明本文算法的分割效果可与手工分割效果相媲美, 从而证明本文算法具有非常高的分割精度, 且具有较强的适应性.
3.2 算法的分割精度对比分析
为能够对算法的分割精度进行定量分析, 本文以Jaccard相似系数作为算法分割性能的评价指标.Jaccard相似系数是衡量两个集合相似度的主要指标, 其已经成为国际上评估算法分割性能的重要手段[30-31].设S1为算法分割出的目标区域, S2为实际目标区域, 则Jaccard相似系数可由式(15)计算得出[31].由式(15)可知, Jaccard相似系数的值域为[0, 1], 其值越大, 说明分割出的目标与实际目标越接近, 即算法的分割精度越高, 反之, 分割精度越低.当分割出的目标与真实目标完全相同时, 达到最大值为1.
$ \begin{align} JS(S_1, S_2)=\frac{| S_1 \bigcap S_2 |}{| S_1 \bigcup S_2 | } \end{align} $
(15) 表 2分别给出了原Otsu算法、二维最大熵法、KFCM法和本文算法对各图像的分割精度.从表中数据可知, 原Otsu算法的分割精度最低, 其平均值仅为22.25%;二维最大熵法则相对较高, 其平均值为48.03%;KFCM法的分割性能要明显好于前两种算法, 其分割精度平均值达72.86%;而本文方法的分割精度最高, 其值都在86.23%以上, 最高为99.91%, 平均值更是高达96.54%.因此, 通过对算法的分割精度进行定量分析, 实验结果再次证明了本文方法具有较高的分割精度, 而且对于复杂背景下不同尺寸的坦克小目标具有较强的适应性.
表 2 算法分割精度对比(%)Table 2 The segmentation accuracy comparison of different methods (%)Images Standard Otsu method 2-D maximum entropy KFCM Proposed method Daytime Fig. 5(a) 0.25 76.57 85.93 96.01 Fig. 6(a) 0.26 0.28 98.19 91.54 Fig. 7(a) 0.90 0.91 97.47 99.69 Fig. 8(a) 62.08 98.08 94.09 97.08 Fig. 9(a) 78.68 96.17 89.40 98.51 Night Fig. 10(a) 0.09 0.09 95.26 99.57 Fig. 11(a) 71.84 73.26 66.81 86.23 Fig. 12(a) 0.59 79.35 0.81 99.91 Fig. 13(a) 0.68 0.67 0.76 99.89 Fig. 14(a) 7.10 54.93 99.92 96.98 Average 22.25 48.03 72.86 96.54 3.3 算法耗时比较
为了证明算法的实时性, 本文分别给出了原Otsu算法、二维最大熵法、KFCM法以及本文算法的计算耗时, 如表 3所示.对表中数据进行分析, 不难发现二维最大熵法和KFCM法的计算耗时远高于原Otsu算法和本文方法, 其计算耗时整整高出了3到4个数量级.这主要是因为二维最大熵法是建立在二维灰度直方图基础之上, 相比一维灰度直方图的分割算法, 虽然提高了分割性能, 但其计算量随图像灰度级成指数增长, 造成算法计算量大幅增加, 算法实时性较差; KFCM法由于采用图像像素作为聚类样本, 会因样本数较大和聚类优化过程中迭代次数较多而使算法耗时巨幅增加, 导致其在几种分割算法中实时性最差.而本文算法在几种算法当中计算耗时最少, 主要是因为算法是建立在一维灰度直方图的基础之上, 同时, 在算法的计算过程中, 由于对图像背景的像素和灰度级进行了抑制, 减少了参与算法计算的像素数和灰度级, 从而使得本文算法的计算耗时相比原Otsu算法也有所降低.从表 3中数据可知, 本文算法的最大耗时不超过1.44ms, 平均耗时仅为1.37ms.以自寻的反坦克导弹红外导引头25帧/秒的采样周期计算, 对于40毫秒的系统处理时间来说, 本文算法不仅完全能够满足算法的实时性要求, 而且为后续其他算法的处理节省了大量的处理时间.另外, 值得一提的是, 算法在对背景像素和灰度级进行抑制的同时, 也抑制掉了背景噪声带来的干扰, 因此, 本文算法还具有一定的抗噪声干扰能力.
表 3 算法耗时对比Table 3 The consuming time comparison of different methodsImages Standard Otsu method (ms) 2-D maximum entropy (ms) KFCM (ms) Proposed method (ms) Daytime Fig. 5(a) 1.42 4 260.79 27597.60 1.40 Fig. 6(a) 1.32 4 247.61 21 529.17 1.27 Fig. 7(a) 1.55 4 237.53 41 853.46 1.41 Fig. 8(a) 1.47 4 031.80 54170.71 1.39 Fig. 9(a) 1.36 4 158.24 52 666.22 1.29 Night Fig. 10(a) 1.44 4 375.39 21 598.83 1.40 Fig. 11(a) 1.64 4 521.92 26614.01 1.40 Fig. 12(a) 1.43 4153.51 27991.33 1.34 Fig. 13(a) 1.52 3 839.10 43 789.32 1.44 Fig. 14(a) 1.40 4 671.52 45 569.53 1.32 Average 1.45 4 249.74 36 338.02 1.37 综上所述, 本文算法经过了红外导引头拍摄的大量红外坦克目标图像的实验验证.限于篇幅而又不失一般性, 本文给出了300到1600米距离范围内, 白天和夜间不同距离上的坦克目标图像的分割结果, 并与原Otsu算法、二维最大熵法、KFCM法以及手工分割的结果进行了对比分析.结果表明, 本文方法在充分发挥原Otsu算法计算简单, 耗时少的优势下, 大幅提高了算法的分割性能, 算法的分割效果不仅好于二维最大熵法和KFCM法的分割效果, 而且可与手工分割效果相媲美.因此, 本文方法完全达到了自寻的反坦克导弹在红外复杂背景下对坦克小目标的快速有效分割要求.这对于自寻的反坦克导弹红外导引头的目标分割算法设计具有重要参考意义.
4. 结论
本文通过对红外导引头拍摄的大量红外坦克目标图像进行分割实验, 对最大类间方差法的阈值性质进行了分析, 阐释了复杂背景下最大类间方差法分割失败的本质原因, 认为正是背景和目标区域相差过大的类内方差导致了算法的失效, 并进一步揭示了算法的有效性机理.在此基础上, 提出了对背景区域像素和灰度级别进行约束的思想, 对最大类间方差法进行了改进.实验证明, 本文方法分割效果不仅好于二维最大熵法和KFCM法的分割效果, 而且与手工分割效果相当; 且计算耗时较少, 最大耗时不超过1.44ms, 这不仅完全能够满足算法的实时性要求, 而且为后续其他算法的处理节省了大量的处理时间.本文为自寻的反坦克导弹复杂背景下红外坦克目标的分割算法设计提供了重要参考.
-
[1] 李莉, 白雪松.我国炼油行业发展及成品油质量升级建议.化学工业, 2016, 34(5): 15-20 http://www.cnki.com.cn/Article/CJFDTOTAL-HGJJ201605005.htmLi Li, Bai Xue-Song. The suggestion of the product quality upgrading for the development of China's refinery industry. Chemical Industry, 2006, 34(5): 15-20 http://www.cnki.com.cn/Article/CJFDTOTAL-HGJJ201605005.htm [2] 金以慧, 王诗宓, 王桂增.过程控制的发展与展望.控制理论与应用, 1997, 14(2): 145-151 http://www.cnki.com.cn/Article/CJFDTOTAL-IRON201301000.htmJin Yi-Hui, Wang Shi-Fu, Wang Gui-Zeng. Developments and prospects of process control. Control Theory and Applications, 1997, 14(2): 145-151 http://www.cnki.com.cn/Article/CJFDTOTAL-IRON201301000.htm [3] 黄德先, 王京春, 金以慧.过程控制系统.北京:清华大学出版社, 2011.Huang De-Xian, Wang Jing-Chun, Jin Yi-Hui. Process Control System. Beijing: Tsinghua University Press, 2001. [4] 钱学森, 宋健.工程控制论.北京:科学出版社, 1981.Qian Xue-Sen, Song Jian. Engineering Cybernetics. Beijing: Science Press, 1981. [5] 袁璞.炼油过程先进控制技术的发展与应用.石油炼制与化工, 1994, { 25(10): 28-33 http://www.cnki.com.cn/Article/CJFDTOTAL-SYLH410.005.htmYuan Pu. Development and application of advanced process control in petroleum refining industry. Petroleum Processing and Petrochemicals, 1994, 25(10): 28-33 http://www.cnki.com.cn/Article/CJFDTOTAL-SYLH410.005.htm [6] Rosenbrock H H. Computer-aided Control System Design. London: Academic Press, 1974. [7] Åström K J, Eykhoff P. System identification——a survey. Automatica, 1971, 7(2): 123-162 doi: 10.1016/0005-1098(71)90059-8 [8] Eykhoff P. System Identification: Parameter and State Estimation. Chichester, England: Wiley, 1974. [9] Åström K J, Wittenmark B. On self tuning regulators. Automatica, 1973, 9(2): 185-199 http://cdmd.cnki.com.cn/Article/CDMD-10336-1015564801.htm [10] Clarke D W, Gawthrop J P. Self-tuning controller. Proceedings of the Institution of Electrical Engineers, 1975, 122(9): 929-934 doi: 10.1049/piee.1975.0252 [11] Landau I D. A survey of model reference adaptive techniques-theory and applications. Automatica, 1974, 10(4): 353-379 doi: 10.1016/0005-1098(74)90064-8 [12] Chien I L, Mellichamp D A, Seborg D E. A multivariable self-tuning control strategy for distillation columns. Industrial and Engineering Chemistry Process Design and Development, 1986, 25(3): 595-600 doi: 10.1021/i200034a001 [13] Seborg D E, Shah S L, Edgar T F. Adaptive control strategies for process control: a survey. AIChE Journal, 1986, 32(6): 881-913 doi: 10.1002/(ISSN)1547-5905 [14] Goodwin G C, Sin K S. Adaptive Filtering Prediction and Control. Englewood Cliffs, NJ: Prentice-Hall, 1984. [15] 吴宏鑫, 袁著祉, 王先来, 蔡季冰, 陈宗基, 徐宁寿, 李清泉, 舒迪前. 自适应控制技术的应用和发展. 1991年控制理论及其应用年会论文集(上). 威海, 中国: 中国自动化学会控制理论专业委员会, 1991. 1-7Wu Hong-Xin, Yuan Zhu-Zhi, Wang Xian-Lai, Cai Ji-Bing, Chen Zong-Ji, Xu Ning-Shou, Li Qing-Quan, Shu Di-Qian. Application and development of adaptive control technology. In: Proceedings of the 1991 Annual Conference on Control Theory and Application (1). Weihai, China: Chinese Automation Society, Control Theory, Specialized Committee, 1991. 1-7 [16] 赵大勇, 柴天佑.自适应内模控制方法在磨矿过程中的应用.控制工程, 2009, 16(4): 426-428, 431 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200904015.htmZhao Da-Yong, Chai Tian-You. Adaptive internal model control method and its application to grinding process. Control Engineering of China, 2009, 16(4): 426-428, 431 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200904015.htm [17] 贾瑶, 张立岩, 柴天佑.矿浆中和过程中基于模型预估模糊自适应控制.东北大学学报(自然科学版), 2014, 35(5): 617-621 http://www.cnki.com.cn/Article/CJFDTOTAL-DBDX201405003.htmJia Yao, Zhang Li-Yan, Chai Tian-You. Based on fuzzy adaptive control of model predictive in slurry neutralization process. Journal of Northeastern University (Natural Science), 2014, 35(5): 617-621 http://www.cnki.com.cn/Article/CJFDTOTAL-DBDX201405003.htm [18] 王迎春, 吴宏鑫, 耿长福.一种自适应模糊控制器及其在电解铝过程控制中的应用.控制工程, 2001, (4): 8, 21-26 http://www.cnki.com.cn/Article/CJFDTOTAL-KJKZ200104004.htmWang Ying-Chun, Wu Hong-Xin, Geng Chang-Fu. An adaptive fuzzy controller and its application in the process control of aluminum electrolysis. Control Engineering of China, 2001, (4): 8, 21-26 http://www.cnki.com.cn/Article/CJFDTOTAL-KJKZ200104004.htm [19] 李向阳, 朱学峰, 黄道平, 刘焕彬.自适应推理控制及在间歇制浆蒸煮过程中的应用.工业仪表与自动化装置, 2001, (3): 45-48 http://www.cnki.com.cn/Article/CJFDTOTAL-GYZD200103014.htmLi Xiang-Yang, Zhu Xue-Feng, Huang Dao-Ping, Liu Huan-Bin. Adaptive inferential control and its application to a batch pulping process. Industrial Instrumentation and Automation, 2001, (3): 45-48 http://www.cnki.com.cn/Article/CJFDTOTAL-GYZD200103014.htm [20] Zadeh L A. Fuzzy algorithms. Information and Control, 1968, 12(2): 94-102 doi: 10.1016/S0019-9958(68)90211-8 [21] Zadeh L A. Outline of a new approach to the analysis of complex systems and decision process. IEEE Transactions on Systems, Man, and Cybernetics, 1973, SMC-3(1): 28-44 doi: 10.1109/TSMC.1973.5408575 [22] Mamdani E H. Application of fuzzy algorithms for control of simple dynamic plant. Proceedings of the Institution of Electrical Engineers, 1974, 121(12): 1585-1588 doi: 10.1049/piee.1974.0328 [23] Tanaka K, Sugeno M. Stability analysis and design of fuzzy control system. Fuzzy Sets and Systems, 1992, 45(2): 135-156 doi: 10.1016/0165-0114(92)90113-I [24] 邓自立, 任永堂, 黄先日.大型炼油常减压装置多变量解耦模糊控制系统.自动化学报, 1993, 19(6): 750-752 http://www.aas.net.cn/CN/abstract/abstract14169.shtmlDeng Zi-Li, Ren Yong-Tang, Huang Xian-Ri. Multivariable decoupling fuzzy control system for a large crude oil distillation unit. Acta Automatica Sinica, 1993, 19(6): 750-752 http://www.aas.net.cn/CN/abstract/abstract14169.shtml [25] Abilov A G, Zeybek Z, Tuzunalp O, Telatar Z. Fuzzy temperature control of industrial refineries furnaces through combined feedforward/feedback multivariable cascade systems. Chemical Engineering and Processing, 2002, 41(1): 87-98 doi: 10.1016/S0255-2701(01)00119-2 [26] 张日东, 苏成利, 张建明, 王树青, 毛国平, 魏少毅, 郑玮.基于模糊规则的液位控制系统.控制工程, 2006, 13(4): 320-323 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200604009.htmZhang Ri-Dong, Su Cheng-Li, Zhang Jian-Ming, Wang Shu-Qing, Mao Guo-Ping, Wei Shao-Yi, Zheng Wei. Liquid level control system based on fuzzy rules. Control Engineering of China, 2006, 13(4): 320-323 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200604009.htm [27] 黄鹤, 李德伟, 席裕庚.基于多步控制策略的混合H2/H∞鲁棒预测控制器设计.自动化学报, 2012, 38(6): 944-950 http://www.aas.net.cn/CN/abstract/abstract13713.shtmlHuang He, Li De-Wei, Xi Yu-Geng. On design of H2/H∞ mixed RMPC based on multi-step control strategy. Acta Automatica Sinica, 2012, 38(6): 944-950 http://www.aas.net.cn/CN/abstract/abstract13713.shtml [28] Al-Gherwi W, Budman H, Elkamel A. Robust distributed model predictive control: a review and recent developments. The Canadian Journal of Chemical Engineering, 2011, 89(5): 1176-1190 doi: 10.1002/cjce.v89.5 [29] 沈国江, 衷卫声, 刘翔, 孙优贤.典型大时变时滞系统的鲁棒fuzzy-PID控制及应用.控制理论与应用, 2002, 19(6): 892-896 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY200206013.htmShen Guo-Jiang, Zhong Wei-Sheng, Liu Xiang, Sun You-Xian. Robust fuzzy-PID for a class of typical systems with large time varying time delay and its application. Control Theory and Applications, 2002, 19(6): 892-896 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY200206013.htm [30] 桂卫华, 谢永芳, 吴敏, 陈宁.基于LMI的不确定性关联时滞大系统的分散鲁棒控制.自动化学报, 2002, 28(1): 155-159 http://www.aas.net.cn/CN/abstract/abstract16478.shtmlGui Wei-Hua, Xie Yong-Fang, Wu Min, Chen Ning. Decentralized robust control for uncertain interconnected systems with time-delay based on LMI approach. Acta Automatica Sinica, 2002, 28(1): 155-159 http://www.aas.net.cn/CN/abstract/abstract16478.shtml [31] 戴连奎, 吕勇哉.催化裂化反应再生系统的分散鲁棒控制.信息与控制, 1988, (1): 5-10 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK198801001.htmDai Lian-Kui, Lv Yong-Zai. Decentralized robust control for a reactor-regenerator system in fluidized catalytic cracking unit. Information and Control, 1988, (1): 5-10 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK198801001.htm [32] 陈星, 李东海, 朱民, 田玲玲, 王维杰.基于观测器的燃烧振荡鲁棒控制.中国电机工程学报, 2009, 29(11): 96-104 doi: 10.3321/j.issn:0258-8013.2009.11.017Chen Xing, Li Dong-Hai, Zhu Min, Tian Ling-Ling, Wang Wei-Jie. Robust control of combustion oscillation based on observer. Proceedings of the CSEE, 2009, 29(11): 96-104 doi: 10.3321/j.issn:0258-8013.2009.11.017 [33] Richaje J, Rault A, Testud J L, Papon J. Model predictive heuristic control: applications to industrial processes. Automatica, 1978, 14(5): 413-428 doi: 10.1016/0005-1098(78)90001-8 [34] Cutler C R, Remaker B L. Dynamic matrix control——a computer control algorithm. In: Proceedings of the 1980 Joint Automatic Control Conference. New York, USA: IEEE, 1980. [35] Rouhani R, Mehra R K. Model algorithmic control (MAC): basic theoretical properties. Automatica, 1982, 18(4): 401-414 doi: 10.1016/0005-1098(82)90069-3 [36] Qin S J, Badgwell T A. A survey of industrial model predictive control technology. Control Engineering Practice, 2003, 11(7): 733-764 doi: 10.1016/S0967-0661(02)00186-7 [37] 席裕庚.预测控制.北京:国防工业出版社, 1993.Xi Yu-Geng. Predictive Control. Beijing: National Defense Industry Press, 1993. [38] 袁璞.生产过程动态数学模式及其在线应用.北京:中国石化工出版社, 1994.Yuan Pu. Dynamic Mathematical Model of Production Process and Its Application. Beijing: China Petrochemical Publishing House, 1994. [39] 席裕庚, 张钟俊.一类新型计算机控制算法:预测控制算法.控制理论与应用, 1985, 2(3): 1-9 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY198503000.htmXi Yu-Geng, Zhang Zhong-Jun. A new type of computer control algorithm: predictive control algorithm. Control Theory and Applications, 1985, 2(3): 1-9 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY198503000.htm [40] 袁璞.预估控制及其在石油化工过程的应用.工业过程模型化与控制.杭州:浙江大学出版社, 1987.Yuan Pu. Predictive control and its application in petrochemical process. Industrial Process Modeling and Control. Hangzhou: Zhejiang University Press, 1987. [41] 袁著祉.递推广义预测自校正控制器.自动化学报, 1989, 15(4): 348-351 http://www.aas.net.cn/CN/abstract/abstract14880.shtmlYuan Zhu-Zhi. Recursive generalized predictive STC. Acta Automatica Sinica, 1989, 15(4): 348-351 http://www.aas.net.cn/CN/abstract/abstract14880.shtml [42] 张园, 孙明玮, 陈增强, 袁著祉.基于扩张状态观测器的广义预测控制.系统科学与数学, 2014, 34(11): 1366-1378 http://www.cnki.com.cn/Article/CJFDTOTAL-STYS201411009.htmZhang Yuan, Sun Ming-Wei, Chen Zeng-Qiang, Yuan Zhu-Zhi. Generalized predictive control algorithm based on extended state observer. Journal of Systems Science and Mathematical Sciences, 2014, 34(11): 1366-1378 http://www.cnki.com.cn/Article/CJFDTOTAL-STYS201411009.htm [43] 舒迪前, 刘立, 轷一顺.多变量自校正调节器及其在电加热炉上的应用.自动化学报, 1985, 11(1): 21-29 http://www.aas.net.cn/CN/abstract/abstract15261.shtmlShu Di-Qian, Liu Li, Hu Yi-Shun. Multivariable self-tuning regulator and its application to electrically heated furnaces. Acta Automatica Sinica, 1985, 11(1): 21-29 http://www.aas.net.cn/CN/abstract/abstract15261.shtml [44] 唐朝晖, 王伟, 刘金平, 桂卫华, 阳春华.基于泡沫尺寸PDF模型的铜粗选过程加药量预测控制.中南大学学报(自然科学版), 2015, 46(3): 856-863 doi: 10.11817/j.issn.1672-7207.2015.03.013Tang Zhao-Hui, Wang Wei, Liu Jin-Ping, Gui Wei-Hua, Yang Chun-Hua. Predictive control of reagent-addition amount based on PDF model of bubble size in copper roughing flotation process. Journal of Central South University (Science and Technology), 2015, 46(3): 856-863 doi: 10.11817/j.issn.1672-7207.2015.03.013 [45] 袁震东.基于ARMAX模型的广义预测控制.控制理论与应用, 1988, 5(1): 12-17 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK198701018.htmYuan Zhen-Dong. Generalized predictive control based on an ARMAX model. Control Theory and Applications, 1988, 5(1): 12-17 http://www.cnki.com.cn/Article/CJFDTOTAL-XXYK198701018.htm [46] 王伟.广义预测自适应控制的直接算法及全局收敛性分析.自动化学报, 1995, 21(1): 57-62 http://www.aas.net.cn/CN/abstract/abstract14013.shtmlWang Wei. A direct adaptive generalized predictive control algorithm and global convergence analyses. Acta Automatica Sinica, 1995, 21(1): 57-62 http://www.aas.net.cn/CN/abstract/abstract14013.shtml [47] 王伟.一种广义预测自适应控制的直接方法.自动化学报, 1996, 22(3): 270-277 http://www.aas.net.cn/CN/abstract/abstract17172.shtmlWang Wei. A direct method of generalized adaptive predictive control. Acta Automatica Sinica, 1996, 22(3): 270-277 http://www.aas.net.cn/CN/abstract/abstract17172.shtml [48] 王伟, 杨建军.广义预测控制:理论、算法与应用.控制理论与应用, 1997, 14(6): 777-786 http://cdmd.cnki.com.cn/Article/CDMD-10532-2002101623.htmWang Wei, Yang Jian-Jun. Generalized predictive contol: theory, algorithm and application. Control Theory and Applications, 1997, 14(6): 777-786 http://cdmd.cnki.com.cn/Article/CDMD-10532-2002101623.htm [49] 王伟, 杨建军.输入受限系统的滚动时域预测控制.自动化学报, 2002, 28(2): 251-255 http://www.aas.net.cn/CN/abstract/abstract15519.shtmlWang Wei, Yang Jian-Jun. Receding horizon predictive control for systems with input constraints. Acta Automatica Sinica, 2002, 28(2): 251-255 http://www.aas.net.cn/CN/abstract/abstract15519.shtml [50] 王伟.具有Hammerstein形式的非线性系统广义预测控制.控制理论与应用, 1994, 11(6): 672-680 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY406.003.htmWang Wei. Generalized predictive control of nonlinear systems of the Hammerstein form. Control Theory and Applications, 1994, 11(6): 672-680 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY406.003.htm [51] 郭戈, 王伟, 柴天佑.一种鲁棒预测控制方法及其在连铸中的应用.钢铁研究学报, 1998, 10(3): 21-24 http://www.cnki.com.cn/Article/CJFDTOTAL-IRON803.005.htmGuo Ge, Wang Wei, Chai Tian-You. A robust predictive control method and its application in continuous casting process. Journal of Iron and Steel Research, 1998, 10(3): 21-24 http://www.cnki.com.cn/Article/CJFDTOTAL-IRON803.005.htm [52] 张明, 王诗宓.基于预测偏差的模型算法控制.清华大学学报(自然科学版), 1990, 30(1): 89-95 http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB199001011.htmZhang Ming, Wang Shi-Fu. Predicted-error-based model algorithm control. Journal of Tsinghua University, 1990, 30(1): 89-95 http://www.cnki.com.cn/Article/CJFDTOTAL-QHXB199001011.htm [53] 袁璞.单值预估控制.石油大学学报(自然科学版), 1992, 16(5): 100-109 http://www.cnki.com.cn/Article/CJFDTOTAL-SYDX199205020.htmYuan Pu. Single prediction predictive control. Journal of the University of Petroleum, China, 1992, 16(5): 100-109 http://www.cnki.com.cn/Article/CJFDTOTAL-SYDX199205020.htm [54] 郑海涛, 袁璞.广义预估控制的稳定性研究.自动化学报, 1993, 19(4): 493-496 http://www.aas.net.cn/CN/abstract/abstract14206.shtmlZheng Hai-Tao, Yuan Pu. Research on stability of generalized predictive control. Acta Automatica Sinica, 1993, 19(4): 493-496 http://www.aas.net.cn/CN/abstract/abstract14206.shtml [55] 袁璞, 左信, 郑海涛.状态反馈预估控制.自动化学报, 1993, 19(5): 569-577 http://www.aas.net.cn/CN/abstract/abstract14202.shtmlYuan Pu, Zuo Xin, Zheng Hai-Tao. State variable feedback predictive control. Acta Automatica Sinica, 1993, 19(5): 569-577 http://www.aas.net.cn/CN/abstract/abstract14202.shtml [56] 黄德先, 田学民, 袁璞, 周湘云, 李华, 杨名滨.预估控制策略在大纯滞后过程中的应用.化工自动化及仪表, 1995, 22(6): 10-14 http://www.cnki.com.cn/Article/CJFDTOTAL-HGZD506.001.htmHuang De-Xian, Tian Xue-Min, Yuan Pu, Zhou Xiang-Yun, Li Hua, Yang Ming-Bin. A control strategy for time delay process. Control and Instruments in Chemical Industry, 1995, 22(6): 10-14 http://www.cnki.com.cn/Article/CJFDTOTAL-HGZD506.001.htm [57] 田学民, 黄德先, 袁璞.多变量约束过程的预估协调控制.石油大学学报, 1995, 19(6): 102-105 http://www.cnki.com.cn/Article/CJFDTOTAL-SYDX506.019.htmTian Xue-Min, Huang De-Xian, Yuan Pu. Coordination controller for multivariable constraints process. Journal of the University of Petroleum, China, 1995, 19(6): 102-105 http://www.cnki.com.cn/Article/CJFDTOTAL-SYDX506.019.htm [58] Zhu X F, Seborg D E. Nonlinear predictive control based on Hammerstein models. Control Theory and Applications, 1995, 11(5): 564-575 [59] 陈悦, 安燮南, 高东杰.内模统一预测控制的进一步分析.自动化学报, 1999, 25(4): 441-448 http://www.aas.net.cn/CN/abstract/abstract16705.shtmlChen Yue, An Xie-Nan, Gao Dong-Jie. Further research on unified predictive control using internal model structure. Acta Automatica Sinica, 1999, 25(4): 441-448 http://www.aas.net.cn/CN/abstract/abstract16705.shtml [60] 席裕庚, 李德伟, 林姝.模型预测控制——现状与挑战.自动化学报, 2013, 39(3): 222-236 http://www.aas.net.cn/CN/abstract/abstract17874.shtmlXi Yu-Geng, Li De-Wei, Lin Shu. Model predictive control-status and challenges. Acta Automatica Sinica, 2013, 39(3): 222-236 http://www.aas.net.cn/CN/abstract/abstract17874.shtml [61] Li S Y, Xi Y G, Chen Z Q, Yuan Z Z. Cascade generalized predictive control applied to biaxial film production process. Control Theory and Applications, 2001, 18(6): 876-881 [62] 谢亚军, 丁宝苍, 陈桥.状态空间模型的双层结构预测控制算法.控制理论与应用, 2017, 34(1): 69-74 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201701009.htmXie Ya-Jun, Ding Bao-Cang, Chen Qiao. Double-layered model predictive control of state-space model. Control Theory and Applications, 2017, 34(1): 69-74 http://www.cnki.com.cn/Article/CJFDTOTAL-KZLY201701009.htm [63] 黄德先, 叶心宇, 竺建敏, 李秀改.化工过程先进控制.北京:化学工业出版社, 2006.Huang De-Xian, Ye Xin-Yu, Zhu Jian-Min, Li Xiu-Gai. Advanced Control of Chemical Process. Beijing: Chemical Industry Press, 2006. [64] 张广凡, 陈绍东, 李成东, 邵惠鹤.多变量约束控制在大型FCCU装置中的应用(下)——在线优化控制.化工自动化及仪表, 1999, 26(3): 4-8 http://www.cnki.com.cn/Article/CJFDTOTAL-HGZD903.001.htmZhang Guang-Fan, Chen Shao-Dong, Li Cheng-Dong, Shao Hui-He. Application of multivariable constrained control on Largescale FCCU——online control and optimization. Control and Instruments in Chemical Industry, 1999, 26(3): 4-8 http://www.cnki.com.cn/Article/CJFDTOTAL-HGZD903.001.htm [65] 王京春, 金以慧, 顾健, 李延亭.非线性先进控制软件SMART-NLS及其应用.自动化学报, 2000, 26(SB): 135-139 http://www.aas.net.cn/CN/abstract/abstract16117.shtmlWang Jing-Chun, Jin Yi-Hui, Gu Jian, Li Yan-Ting. Nonlinear advanced control software SMART-NLS and its application. Acta Automatica Sinica, 2000, 26(SB): 135-139 http://www.aas.net.cn/CN/abstract/abstract16117.shtml [66] 张日东, 王树青, 李平.基于支持向量机的非线性系统预测控制.自动化学报, 2007, 33(10): 1066-1073 http://www.aas.net.cn/CN/abstract/abstract13412.shtmlZhang Ri-Dong, Wang Shu-Qing, Li Ping. Support vector machine based on predictive control for nonlinear systems. Acta Automatica Sinica, 2007, 33(10): 1066-1073 http://www.aas.net.cn/CN/abstract/abstract13412.shtml [67] 黄德先, 王京春, 金以慧.多变量预测控制器(SMART)的研究及在常减压装置上的应用.中国石油化工——科技信息指南. 2001. 105-108 http://www.cnki.com.cn/Article/CJFDTOTAL-JSYA200203010.htmHuang De-Xian, Wang Jing-Chun, Jin Yi-Hui. Research on multivariable predictive controller (SMART) and its application in atmospheric and vacuum distillation unit. China Petrochemical——Science and Technology Information Guide. 2001. 105-108 http://www.cnki.com.cn/Article/CJFDTOTAL-JSYA200203010.htm [68] 赵均, 李田鹏, 钱积新.模型预测控制工程软件关键技术及其工业应用.吉林大学学报(信息科学版), 2004, 22(4): 341-345 http://www.cnki.com.cn/Article/CJFDTOTAL-CCYD200404012.htmZhao Jun, Li Tian-Peng, Qian Ji-Xin. Key technology and industrial application of model predictive control engineering software. Journal of Jilin University (Information Science Edition), 2004, 22(4): 341-345 http://www.cnki.com.cn/Article/CJFDTOTAL-CCYD200404012.htm [69] 苏宏业, 褚健.流程工业生产过程先进控制软件的开发与应用.自动化博览, 2003, 20(S): 63-67 http://www.cnki.com.cn/Article/CJFDTOTAL-ZDBN2003S1017.htmSu Hong-Ye, Chu Jian. Development and application of advanced control software in production process of process industry. Automation Panorama, 2003, 20(S): 63-67 http://www.cnki.com.cn/Article/CJFDTOTAL-ZDBN2003S1017.htm [70] 吕文祥, 张金柱, 江奔奔, 栾志业, 黄德先, 热集成耦合的精馏过程控制, 化工学报, 2013, 6412: 4319-4324 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201312007.htmLv Wen-Xiang, Zhang Jin-Zhu, Jiang Ben-Ben, Luan Zhi-Ye, Huang De-Xian. Thermal-coupling-oriented integrated control and optimization of distillation process. CIESC Journal, 2013, 64(12): 4319-4324 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201312007.htm [71] Zhang W Y, Huang D X, Wang Y D, Wang J C. Adaptive state feedback predictive control and expert control for a delayed coking furnace. Chinese Journal of Chemical Engineering, 2008, 16(4): 590-598 doi: 10.1016/S1004-9541(08)60126-3 [72] Yu X D, Huang D X, Jiang Y H, Jin Y H. Iterative learning belief rule-base inference methodology using evidential reasoning for delayed coking unit. Control Engineering Practice, 2012, 20(10): 1005-1015 doi: 10.1016/j.conengprac.2012.02.006 [73] Qi L G, Gao X Y, Huang D X, Wang L, Wang H J, Song S G. A novel comprehensive solution for furnace integrating outlet parametric variable control and online thermal efficiency optimization. In: Proceedings of the 34th Chinese Control Conference (CCC). Hangzhou, China: IEEE, 2015. 4139-4144 [74] van den Bos A, Eykhoff P. Model building and parameter estimation as means for intelligent measurement. Measurement, 1988, 6(1): 25-32 doi: 10.1016/0263-2241(88)90035-8 [75] Brosilow C, Tong M. Inferential control of processes: part Ⅱ. The structure and dynamics of inferential control systems. AIChE Journal, 1978, 24(3): 492-500 doi: 10.1002/(ISSN)1547-5905 [76] 俞金寿.软测量技术及其应用.自动化仪表, 2008, 29(1): 1-7 http://www.cnki.com.cn/Article/CJFDTOTAL-SPKX200208113.htmYu Jin-Shou. Soft sensing technology and its application. Process Automation Instrumentation, 2008, 29(1): 1-7 http://www.cnki.com.cn/Article/CJFDTOTAL-SPKX200208113.htm [77] 俞金寿, 刘爱伦, 张克进.软测量技术及其在石油化工中的应用.北京:化工出版社, 2000.Yu Jin-Shou, Liu Ai-Lun, Zhang Ke-Jin. Soft Measurement Technology and Its Application in Petrochemical Industry. Beijing: Chemical Publishing House, 2000. [78] 李海青, 黄志尧.软测量技术原理及应用.北京:化工出版社, 2000.Li Hai-Qing, Huang Zhi-Yao. The Principle and Application of Soft Measurement Technology. Beijing: Chemical Publishing House, 2000. [79] Nomikos P, MacGregor J F. Monitoring batch processes using multiway principal component analysis. AIChE Journal, 1994, 40(8): 1361-1375 doi: 10.1002/(ISSN)1547-5905 [80] Qin S J. Recursive PLS algorithms for adaptive data modeling. Computers and Chemical Engineering, 1998, 22(4-5): 503-514 doi: 10.1016/S0098-1354(97)00262-7 [81] Camacho J, Picó J, Ferrer A. Bilinear modelling of batch processes. Part Ⅱ: a comparison of PLS soft-sensors. Journal of Chemometrics, 2008, 22(10): 533-547 doi: 10.1002/cem.v22:10 [82] Zamprogna E, Barolo M, Seborg D E. Estimating product composition profiles in batch distillation via partial least squares regression. Control Engineering Practice, 2004, 12(7): 917-929 doi: 10.1016/j.conengprac.2003.11.005 [83] Zamprogna E, Barolo M, Seborg D E. Optimal selection of soft sensor inputs for batch distillation columns using principal component analysis. Journal of Process Control, 2005, 15(1): 39-52 doi: 10.1016/j.jprocont.2004.04.006 [84] Sharmin R, Sundararaj U, Shah S, Van de Griend L, Sun Y J. Inferential sensors for estimation of polymer quality parameters: industrial application of a PLS-based soft sensor for a LDPE plant. Chemical Engineering Science, 2006, 61(19): 6372-6384 doi: 10.1016/j.ces.2006.05.046 [85] Kaneko H, Arakawa M, Funatsu K. Development of a new soft sensor method using independent component analysis and partial least squares. AIChE Journal, 2009, 55(1): 87-98 doi: 10.1002/aic.v55:1 [86] Yan W W, Shao H H, Wang X F. Soft sensing modeling based on support vector machine and Bayesian model selection. Computers and Chemical Engineering, 2004, 28(8): 1489-1498 doi: 10.1016/j.compchemeng.2003.11.004 [87] Desai K, Badhe Y, Tambe S S, Kulkarni B D. Soft-sensor development for fed-batch bioreactors using support vector regression. Biochemical Engineering Journal, 2006, 27(3): 225-239 doi: 10.1016/j.bej.2005.08.002 [88] Wang X D, Luo R F, Shao H H. Designing a soft sensor for a distillation column with the fuzzy distributed radial basis function neural network. In: Proceedings of the 35th IEEE Conference on Decision and Control. Kobe, Japan: IEEE, 1996, 2: 1714-1719 [89] de Assis A J, Filho R M. Soft sensors development for on-line bioreactor state estimation. Computers and Chemical Engineering, 2000, 24(2-7): 1099-1103 doi: 10.1016/S0098-1354(00)00489-0 [90] Qin S J. Neural networks for intelligent sensors and control-practical issues and some solutions. Neural Systems for Control. San Diego: Academic Press, 1997. 213-234 [91] 张笑天, 颜学峰, 钱锋.基于多神经网络模型的石脑油干点软测量.控制工程, 2004, 11(S): 52-54, 64 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF2004S2016.htmZhang Xiao-Tian, Yan Xue-Feng, Qian Feng. Soft sensor of PDU naphtha dry point based on multiple neural network. Control Engineering of China, 2004, 11(S): 52-54, 64 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF2004S2016.htm [92] Zhang J. Inferential feedback control of distillation composition based on PCR and PLS models. In: Proceedings of the 2001 American Control Conference. Arlington, VA, USA: IEEE, 2001, 2: 1196-1201 [93] 吕文祥, 黄德先, 金以慧.常压蒸馏产品质量软测量改进方法及应用.控制工程, 2004, 11(4): 296-298, 324 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200404002.htmLv Wen-Xiang, Huang De-Xian, Jin Yi-Hui. Improved soft-sensor method and its applications to crude unit product quality. Control Engineering of China, 2004, 11(4): 296-298, 324 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200404002.htm [94] 吕文祥, 摆亮, 黄德先, 江永亨, 刘先广, 朱朝宾, 李占龙, 张代欣.针对原油性质变化的常减压先进控制研究与应用.化工学报, 2009, 60(10): 2522-2528 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ200910019.htmLv Wen-Xiang, Bai Liang, Huang De-Xian, Jiang Yong-Heng, Liu Xian-Guang, Zhu Chao-Bin, Li Zhan-Long, Zhang Dai-Xin. Advanced process control of CDU aiming to diversity of crude oil. CIESC Journal, 2009, 60(10): 2522-2528 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ200910019.htm [95] Zhou C, Liu Q Y, Huang D X, Zhang J. Inferential estimation of kerosene dry point in refineries with varying crudes. Journal of Process Control, 2012, 22(6): 1122-1126 doi: 10.1016/j.jprocont.2012.03.011 [96] 朱鹰, 刘祁跃, 吕文祥, 江永亨, 黄德先.基于分片线性近似方法的煤油干点估计.化工学报, 2010, 61(8): 2035-2039 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201008029.htmZhu Ying, Liu Qi-Yue, Lv Wen-Xiang, Jiang Yong-Heng, Huang De-Xian. Inferential estimation of kerosene dry point via piecewise linear approximation. CIESC Journal, 2010, 61(8): 2035-2039 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201008029.htm [97] Shang C, Yang F, Huang D X, Lv W X. Data-driven soft sensor development based on deep learning technique. Journal of Process Control, 2014, 24(3): 223-233 doi: 10.1016/j.jprocont.2014.01.012 [98] Yuan P, Huang D X, Cong S B. On-line applications of dynamic model for FCCU. In: Proceedings of the 1991 ADCHEM. France, 1991. [99] 王伟, 杨建军, 吕博.基于观测器的鲁棒模型预测控制算法.控制与决策, 2001, 16(5): 557-560, 564 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC200105009.htmWang Wei, Yang Jian-Jun, Lv Bo. Robust model predictive control method based on state observer. Control and Decision, 2001, 16(5): 557-560, 564 http://www.cnki.com.cn/Article/CJFDTOTAL-KZYC200105009.htm [100] Kaspar M H, Ray W H. Chemometric methods for process monitoring and high-performance controller design. AIChE Journal, 1992, 38(10): 1593-1608 doi: 10.1002/(ISSN)1547-5905 [101] Kano M, Miyazaki K, Hasebe S, Hashimoto I. Inferential control system of distillation compositions using dynamic partial least squares regression. Journal of Process Control, 2000, 10(2-3): 157-166 doi: 10.1016/S0959-1524(99)00027-X [102] Facco P, Doplicher F, Bezzo F, Barolo M. Moving average PLS soft sensor for online product quality estimation in an industrial batch polymerization process. Journal of Process Control, 2009, 19(3): 520-529 doi: 10.1016/j.jprocont.2008.05.002 [103] Himmelblau D M. Accounts of experiences in the application of artificial neural networks in chemical engineering. Industrial and Engineering Chemistry Research, 2008, 47(16): 5782-5796 doi: 10.1021/ie800076s [104] Shakil M, Elshafei M, Habib M A, Maleki F A. Soft sensor for NOx and O2 using dynamic neural networks. Computers and Electrical Engineering, 2009, 35(4): 578-586 doi: 10.1016/j.compeleceng.2008.08.007 [105] Shang C, Huang X L, Suykens J A K, Huang D X. Enhancing dynamic soft sensors based on DPLS: a temporal smoothness regularization approach. Journal of Process Control, 2015, 28: 17-26 doi: 10.1016/j.jprocont.2015.02.006 [106] Shang C, Gao X Q, Yang F, Lv W X, Huang D X. A comparative study on improved DPLS soft sensor models applied to a crude distillation unit. IFAC-PapersOnLine, 2015, 48(8): 234-239 doi: 10.1016/j.ifacol.2015.08.187 [107] Shang C, Huang B, Yang F, Huang D X. Probabilistic slow feature analysis-based representation learning from massive process data for soft sensor modeling. AIChE Journal, 2015, 61(12): 4126-4139 doi: 10.1002/aic.v61.12 [108] Shang C, Yang F, Gao X Q, Huang D X. Extracting latent dynamics from process data for quality prediction and performance assessment via slow feature regression. In: Proceedings of the 2015 American Control Conference (ACC). Chicago, IL, USA: IEEE, 2015. 912-917 [109] Narendra K S, Parthasarathy K. Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, 1990, 1(1): 4-27 doi: 10.1109/72.80202 [110] Shaw A M, Doyle Ⅲ F J, Schwaber J S. A dynamic neural network approach to nonlinear process modeling. Computers and Chemical Engineering, 1997, 21(4): 371-385 doi: 10.1016/S0098-1354(96)00281-5 [111] 罗健旭, 邵惠鹤.应用多神经网络建立动态软测量模型.化工学报, 2003, 54(12): 1770-1773 doi: 10.3321/j.issn:0438-1157.2003.12.013Luo Jian-Xu, Shao Hui-He. Developing dynamic soft sensors using multiple neural networks. Journal of Chemical Industry and Engineering (China), 2003, 54(12): 1770-1773 doi: 10.3321/j.issn:0438-1157.2003.12.013 [112] 毛帅, 熊智华, 徐用懋, 庄爱霞, 黄海龙, 王立群.常压塔柴油凝点动态软测量模型的研究.控制工程, 2005, 12(4): 342-345 http://cpfd.cnki.com.cn/Article/CPFDTOTAL-SJUD200508002090.htmMao Shuai, Xiong Zhi-Hua, Xu Yong-Mao, Zhuang Ai-Xia, Huang Hai-Long, Wang Li-Qun. Dynamic soft-sensor model of diesel oil solidifying point on a crude distillation unit. Control Engineering of China, 2005, 12(4): 342-345 http://cpfd.cnki.com.cn/Article/CPFDTOTAL-SJUD200508002090.htm [113] 杜文莉, 官振强, 钱锋.一种基于时序误差补偿的动态软测量建模方法.化工学报, 2010, 61(2): 439-443 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201002029.htmDu Wen-Li, Guan Zhen-Qiang, Qian Feng. Dynanic soft sensor modeling based on time series error compensation. CIESC Journal, 2010, 61(2): 439-443 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201002029.htm [114] 吴瑶, 罗雄麟, 袁志宏.多频率系统动态插值神经网络软测量建模.化工进展, 2009, 28(8): 1323-1327 http://www.cnki.com.cn/Article/CJFDTOTAL-HGJZ200908008.htmWu Yao, Luo Xiong-Lin, Yuan Zhi-Hong. Soft sensor modeling with dynamic interpolation neural network for multirate system. Chemical Industry and Engineering Progress, 2009, 28(8): 1323-1327 http://www.cnki.com.cn/Article/CJFDTOTAL-HGJZ200908008.htm [115] 马勇, 黄德先, 金以慧.动态软测量建模方法初探.化工学报, 2005, 56(8): 1516-1519 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ200508032.htmMa Yong, Huang De-Xian, Jin Yi-Hui. Discussion about dynamic soft-sensing modeling. Journal of Chemical Industry and Engineering (China), 2005, 56(8): 1516-1519 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ200508032.htm [116] Lv W X, Yang Q, Huang D X, Jin Y H. A dynamic soft-sensing method based on impulses response template and parameter estimation with modified DE optimization. IFAC Proceedings Volumes, 2008, 41(2): 10983-10988 doi: 10.3182/20080706-5-KR-1001.01860 [117] Gao X Q, Yang F, Huang D X, Ding Y J. An iterative two-level optimization method for the modeling of wiener structure nonlinear dynamic soft sensors. Industrial and Engineering Chemistry Research, 2014, 53(3): 1172-1178 doi: 10.1021/ie4020793 [118] Shang C, Gao X Q, Yang F, Huang D X. Novel Bayesian framework for dynamic soft sensor based on support vector machine with finite impulse response. IEEE Transactions on Control Systems Technology, 2014, 22(4): 1550-1557 doi: 10.1109/TCST.2013.2278412 [119] Kane L A. Process Control and Optimization: Handbook for the Hydrocarbon Processing Industries. Houston: Gulf, 1980. [120] Khor C S, Varvarezos D. Petroleum refinery optimization. Optimization and Engineering, 2016. DOI: 10.1007/s11081-016-9338-x [121] 袁璞, 郑远扬, 黄德先, 吴峰, 从松波, 江青茵. 催化裂化反应深度的观测与控制方法, 中国专利90108193. 0, 1992.Yuan Pu, Zheng Yuan-Yang, Huang De-Xian, Wu Feng, Cong Song-Bo, Jiang Qing-Yin. Observation and Control of Depth of Catalytic Cracking Reaction, China Patent 90108193.0, 1992. [122] 袁璞, 孙德祥, 左信, 黄文伟, 林洪泉. 催化裂化装置裂化反应深度的实时优化控制方法, 中国专利97100141. 3, 1997.Yuan Pu, Sun De-Xiang, Zuo Xin, Huang Wen-Wei, Lin Hong-Quan. Real-time Optimization Control Method for Cracking Reaction Depth of Catalytic Cracking Unit, China Patent 97100141.3, 1997. [123] 王强, 刘勇, 刘俊峰.先进控制与实时优化技术在催化裂化装置上的应用.石油化工自动化, 2006, (6): 23-27 http://www.cnki.com.cn/Article/CJFDTOTAL-LYHG200606007.htmWang Qiang, Liu Yong, Liu Jun-Feng. The application of advanced process control and real-time optimization technology on FCCU. Automation in Petro-chemical Industry, 2006, (6): 23-27 http://www.cnki.com.cn/Article/CJFDTOTAL-LYHG200606007.htm [124] 王建. 相关积分法酮苯脱蜡装置蜡收率在线优化控制系统, 中国专利02130769. 5, 2003.Wang Jian. On-line Optimization Control System for Wax Yield of Ketone Benzene Dewaxing Unit, China Patent 021 30769.5, 2003. [125] 黄德先, 吕文祥, 王宇红, 金以慧. 精馏塔的一种自动控制和优化方法, 中国专利200510086612. 8, 2006.Huang De-Xian, Lv Wen-Xiang, Wang Yu-Hong, Jin Yi-Hui. An Automatic Control and Optimization Method for Distillation Column, China Patent 200510086612.8, 2006. [126] Lv W X, Zhu Y, Huang D X, Jiang Y H, Jin Y H. A new strategy of integrated control and on-line optimization on high-purity distillation process. Chinese Journal of Chemical Engineering, 2010, 18(1): 66-79 doi: 10.1016/S1004-9541(08)60325-0 [127] Harjunkoski I, Maravelias C T, Bongers P, Castro P M, Sebastian E, Grossmann I E, Hooker J, Méndez C, Sand G, Wassick J. Scope for industrial applications of production scheduling models and solution methods. Computers and Chemical Engineering, 2014, 62: 161-193 doi: 10.1016/j.compchemeng.2013.12.001 [128] Grossmann I. Enterprise-wide optimization: a new frontier in process systems engineering. AIChE Journal, 2005, 51(7): 1846-1857 doi: 10.1002/(ISSN)1547-5905 [129] 黄德先, 江永亨, 高小永, 余冰, 摆亮, 施磊, 吕文祥. 基于集成控制优化的炼油生产过程调度优化建模方法, 中国专利20121022813 8. 8, 2012.Huang De-Xian, Jiang Yong-Heng, Gao Xiao-Yong, Yu Bing, Bai Liang, Shi Lei, Lv Wen-Xiang. Optimization Method of Oilfield Production Process Scheduling Based on Integrated Control Optimization, China Patent 201210 228138.8, 2012. [130] 黄德先, 江永亨, 高小永, 余冰, 摆亮, 施磊, 吕文祥. 基于智能决策的炼油生产过程调度优化方法, 中国专利, 201210228649. X, 2012.Huang De-Xian, Jiang Yong-Heng, Gao Xiao-Yong, Yu Bing, Bai Liang, Shi Lei, Lv Wen-Xiang. Optimization of Oilfield Production Process Scheduling Based on Intelligent Decision, China Patent 201210228649.X, 2012. [131] Gao X Y, Jiang Y H, Chen T, Huang D X. Optimizing scheduling of refinery operations based on piecewise linear models. Computers and Chemical Engineering, 2015, 75: 105-119 doi: 10.1016/j.compchemeng.2015.01.022 [132] Gao X Y, Shang C, Jiang Y H, Huang D X, Chen T. Refinery scheduling with varying crude: a deep belief network classification and multimodel approach. AIChE Journal, 2014, 60(7): 2525-2532 doi: 10.1002/aic.v60.7 [133] 高小永, 江永亨, 黄德先.基于装置级优化控制与厂级调度优化集成的过程模型方法.化工学报, 2016, 67(12): 5105-5111 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201612023.htmGao Xiao-Yong, Jiang Yong-Heng, Huang De-Xian. Process modelling based on integration of unitwide optimal process control and plantwide scheduling, CIESC Journal, 2016, 67(12): 5105-5111 http://www.cnki.com.cn/Article/CJFDTOTAL-HGSZ201612023.htm [134] Shi L, Jiang Y H, Wang L, Huang D X. Efficient lagrangian decomposition approach for solving refinery production scheduling problems involving operational transitions of mode switching. Industrial and Engineering Chemistry Research, 2015, 54(25): 6508-6526 doi: 10.1021/acs.iecr.5b00290 [135] Shi L, Jiang Y H, Wang L, Huang D X. Refinery production scheduling involving operational transitions of mode switching under predictive control system. Industrial and Engineering Chemistry Research, 2014, 53(19): 8155-8170 doi: 10.1021/ie500233k [136] 柴天佑, 金以慧, 任德祥, 邵惠鹤, 钱积新, 李平, 桂卫华, 郑秉霖.基于三层结构的流程工业现代集成制造系统.控制工程, 2002, 9(3): 1-6 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200203000.htmChai Tian-You, Jin Yi-Hui, Ren De-Xiang, Shao Hui-He, Qian Ji-Xin, Li Ping, Gui Wei-Hua, Zheng Bing-Lin. Contemporary integrated manufacturing system based on three-layer structure in process industry. Control Engineering of China, 2002, 9(3): 1-6 http://www.cnki.com.cn/Article/CJFDTOTAL-JZDF200203000.htm [137] Qin S J. Process data analytics in the era of big data. AIChE Journal, 2014, 60(9): 3092-3100 doi: 10.1002/aic.v60.9 [138] 王飞跃.天命唯新:迈向知识自动化——《自动化学报》创刊50周年专刊序.自动化学报, 2013, 39(11): 1741-1743 http://www.aas.net.cn/CN/abstract/abstract18213.shtmlWang Fei-Yue. The destiny: towards knowledge automa-tion-preface of the special issue for the 50th anniversary of Acta Automatica Sinica. Acta Automatica Sinica, 2013, 39(11): 1741-1743 http://www.aas.net.cn/CN/abstract/abstract18213.shtml -