化工过程运行优化研究进展

首先介绍了化工过程运行优化的历史发展,阐述了工业过程运行优化的系统结构,对常规控制层、先进控制层、实时优化层、调度层和计划层分别作了说明,重点讨论了实时优化的研究热点;接着分析了实时优化和调度计划层的三类典型优化问题,即多目标优化、混合整数非线性规划以及动态优化;最后探讨了运行优化研究与应用在大规模化工过程建模和协同优化控制等方面所面临的挑战。     

基于自适应采样算法的芳烃异构化代理模型

异构化是芳烃生产中的重要环节，提高异构化环节的建模和优化效率对工业生产有着重要意义。但是，直接使用机理模型的优化过程耗时较长，优化效率低。代理模型可以有效地对机理模型进行近似，而代理模型采样方法对模型精度有很大影响。提出了一种新的基于稀疏度和最邻近期望的自适应采样算法，该方法可以平衡全局搜索和局部搜索，通过求解优化问题找到反映函数关键信息的新采样点，再加入原始样本集中，使得代理模型精度不断提高。多个测试函数结果表明，相比于其他自适应采样算法，该算法能有效提升代理模型精度和建模效率。该算法在芳烃异构化环节代理模型中也得到了有效验证，与本文中其他算法对比，该算法模型误差减少5%以上，建模时间缩短30%以上。     

助燃空气对乙烯裂解炉NOx排放的影响

乙烯裂解炉内复杂物理化学过程耦合模拟与优化能够满足乙烯装置对高效率、低污染和低成本的设计和操作要求，对提高乙烯工业的竞争力具有重要意义。针对简单燃烧机理难以准确预测炉膛燃烧生成NO_x浓度分布的弊端，提出了在裂解炉使用更准确的简化GRI-Mesh 3.0机理结合涡耗散概念(EDC)模型的方法，并对Sandia Flame D的燃烧过程进行计算流体力学(CFD)模拟，验证了此耦合模型的可靠性。在已建立的燃烧模型的基础上，研究了助燃空气对降低裂解炉NO排放的影响，结果表明：在满足裂解炉热效率的情况下，空气预热温度为300~600 K、过量空气系数为1.1时降低NO的效果最佳。     

基于特征空间降维的溶剂脱水分离过程监控

针对传统化工过程中检测变量具有的非线性和非高斯性等特点,提出将改进的核主元分析(KPCA)和支持向量数据描述(SVDD)相结合的化工过程故障诊断方法.根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力.在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性.采用SVDD描述经过聚类降维后的特征空间分布,提出新的监控指标描述过程的非高斯特性.将该方法应用在一个实际的溶剂脱水化工精馏过程中,仿真结果验证了该方法能够及时有效地检测系统产生的故障.     

在线自适应波长选择方法及其在汽油调和过程中的应用

近红外光谱分析技术作为一种非侵入性的分析手段在工业上得到了广泛应用。然而,大多数近红外模型的波长选择方法是离线建立的,无法有效跟踪过程特性的变化。提出了一种新的在线自适应波长选择方法——在线自适应区间高斯过程回归波长选择方法（adaptive interval Gaussian process regression, AIGPR）,并用于汽油调和过程中的近红外模型的建立。该方法可以根据待测样本的特性对波长结构进行调整。为了降低在线应用的计算成本,该方法分为离线和在线两个部分,离线部分将光谱分割成若干个波长区间,并在每个波长区间上建立局部模型,为在线应用做准备;在线部分中根据划分规则将采样得到待测样本光谱进行分割并代入相应的局部模型中计算波长区间重要性指标,获得最优波长区间。在汽油辛烷值的光谱数据上证明了该方法的有效性。与重要变量投影法和改进的相关系数法相比,该方法具有更好的性能。     

改进鲸鱼优化算法及其在渣油加氢参数优化的应用

针对智能优化算法在处理非线性优化问题中存在的容易陷入局部最优和收敛精度差等问题,提出了一种基于结合差分进化和精英反向学习的改进鲸鱼算法（DEOBWOA）。该算法引入对立搜索初始化、精英反向学习,并结合差分进化进行变异修正,显著有效地提高WOA算法的收敛精度和收敛速度,提高其跳出局部最优的能力。之后采用8个标准测试函数进行仿真实验,结果表明：DEOBWOA算法与标准WOA、HCLPSO、DE算法相比,全局搜索能力和收敛速度都有较大提升。最后建立了渣油加氢动力学模型,考虑到渣油加氢过程中存在诸多典型的非线性约束问题,以某炼化厂渣油加氢装置为例,应用DEOBWOA对渣油加氢反应动力学模型参数进行优化,结果表明该算法能较好地处理实际工程优化问题。     

直觉模糊多核聚类算法及其在乙烯原料属性聚类中的应用

随着乙烯裂解原料种类的日益增多,原料分析仪价格昂贵,因此根据乙烯裂解原料属性进行在线聚类,对实现乙烯收率建模,优化乙烯产率、节能减耗具有重要现实意义。为了提高原料在聚类的准确性,提出了一种基于直觉模糊集理论的核聚类算法。即在定义直觉模糊集隶属度时通过引入犹豫度来表征数据的不确定信息,同时利用直觉模糊熵对多核聚类算法的损失函数重新定义,使类簇中的数据点最优化;进一步地,使用随机森林对裂解原料属性进行特征选择,依据对乙烯产率的贡献度选取聚类的主要特征属性。最后根据实际工业裂解的石脑油数据验证了所述算法的有效性。     

基于Aspen Plus的气流床煤气化炉三段平衡模型(英文)

A three stage equilibrium model is developed for coal gasification in the Texaco type coal gasifiers based on Aspen Plus to calculate the composition of product gas, carbon conversion, and gasification temperature. The model is divided into three stages including pyrolysis and combustion stage, char gas reaction stage, and gas phase reaction stage. Part of the water produced in the pyrolysis and combustion stage is assumed to be involved in the second stage to react with the unburned carbon. Carbon conversion is then estimated in the second stage by steam participation ratio expressed as a function of temperature. And the gas product compositions are calculated from gas phase reactions in the third stage. The simulation results are consistent with published experimental data.     

Modeling and Optimization of the Steam Turbine Network of an Ethylene Plant

In this paper, we developed a hybrid model for the steam turbines of a utility system, which combines an improved neural network model with the thermodynamic model. Then, a nonlinear programming (NLP) model of the steam turbine network is formulated by utilizing the developed steam turbine models to minimize the total steam cost for the whole steam turbine network. Finally, this model is applied to optimize the steam turbine network of an ethylene plant. The obtained results demonstrate that this hybrid model can accurately estimate and evaluate the performance of steam turbines, and the significant cost savings can be made by optimizing the steam turbine network operation at no capital cost.