基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法（MIC）的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小（平均偏差1.193%）,说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统（CPS）中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。     

基于差分进化粒子群混合优化算法的软测量建模

针对乙烯生产过程中,用传统方法难以直接完成对乙烯收率的在线测量的问题,提出了一种新型差分进化粒子群混合优化算法,建立了乙烯收率软测量建模。改进算法将优化过程分成两阶段,两分群分别采用粒子群算法和差分进化算法同时进行。迭代过程中引入进化速度因子进行算法局部收敛性判断,通过两个群体间的信息交流阻止算法陷入局部最优。对高维复杂函数寻优测试表明,算法的整体优化性能均强于基本粒子群算法和差分进化算法。应用结果表明,基于改进算法的软测量模型具有测量精度较高、泛化性能较好等优点。     

基于混合建模技术的聚氯乙烯粒径分布预测

针对聚氯乙烯粒径分布在线软测量问题,提出了一种基于机理分析和神经网络的混合建模方法,并将该建模方法应用于聚氯乙烯粒径分布建模研究中。混合模型由机理模型和误差补偿模型所组成。通过机理分析建立氯乙烯悬浮聚合过程的单体液滴群体平衡(Population Balance Equation,简称PBE)模型,由于聚氯乙烯成粒过程的复杂性和强非线性,单纯的机理模型预测与实际分析值相比仍存在一定偏差,因此利用人工神经网络建模方法建立了基于BP神经网络的单体液滴群体平衡模型修正模型,对单体液滴群体平衡模型的输出进行修正,由此建立起聚氯乙烯粒径分布混合模型。由于混合模型既能按照液滴分散与聚并机理对聚氯乙烯颗粒的成长过程进行描述,同时又充分利用了生产现场数据对模型误差进行修正,应用到聚氯乙烯生产过程的测试结果表明,与单纯机理模型相比,聚氯乙烯粒径分布混合模型具有更佳的预测效果。     

利用结构逼近式混合神经网络实现间歇反应器的建模

提出了一种新的混合神经网络建模方法——结构逼近式混合神经网络。基于此结构建立的混合神经网络可以充分利用已知非线性系统的结构信息,使神经网络“灰盒”化,更好地解释和描述系统各变量间的因果关系,从而提高网络的建模精度和模型的可靠性。本文介绍了这类神经网络的基本特性、拓扑结构和训练方法。报告了一个典型放热液相二级平行间歇反应的建模过程;并针对间歇反应过程测量滞后的情况,与两种不同的混合神经网络模型作了比较,仿真和比较结果证明了方法的有效性。     

聚合物生产分子量分布建模与控制研究

分子量分布是关系聚合物性质的重要性能指标 ,针对聚合过程分子量分布的建模和控制关键技术进行了分析和综述 ,指出各自的优缺点 ,给出了这一领域今后的研究方向     

基于混合逻辑动态法的污水处理除氮过程的优化控制

应用混合逻辑动态系统法（MLD）,对活性污泥1号模型（ASM1）进行了简化,利用有关活性污泥法的专家经验,建立了连续进水间歇曝气活性污泥法除氮动态模型.再采用预测控制的方法对该过程进行优化控制,通过仿真结果可知：将MLD法应用到活性污泥法建模和优化控制中,可以更加深入地挖掘相关的专家经验知识,并将这些专家经验知识和连续变量模型相结合,使模型更加精确,控制和优化的效果更好.为污水处理领域研究提供了一条新的途径.     

基于遗传算法的原油混合优化研究

对原油混合优化问题进行了研究,在模型建立过程中综合考虑了原油的储运调度约束和混合原油属性约束,并计入了装置加工的可变成本,使之更加符合生产实际,采用遗传算法来求解模型,通过实例分析,证明了模型和算法的有效性。     

一种基于混合建模技术的MIMO软测量建模方法

针对复合肥产品中几种养分含量需要同时预报的一类多输入/多输出(MIMO)软测量建模问题,提出一种基于混合建模方法的复合肥养分含量MIMO软测量模型。该混合模型首先对几个不能实时测量的关键辅助变量采用基于限定记忆部分最小二乘算法的数据驱动建模方法建立自适应软测量模型,然后采用简化机理模型实时计算三种养分含量。基于实际工业过程数据的仿真结果表明,所建模型运算速度快、预测精度高,可以满足复合肥养分含量在线预报的要求。     

基于混合模型的气流床气化炉建模

为了提高在煤质改变及工艺参数波动条件下气流床气化炉出口结果的预测精度,分别采用机理模型、广义回归神经网络（GRNN）模型以及混合模型对气化炉进行建模,其中混合模型由GRNN模型和机理模型构建,结合两种不同的煤样对三种模型的预测结果进行分析。结果表明：三种模型均可以较好地对气化过程进行模拟;其中在煤种固定的情况下混合模型关于气化温度和CO、CO₂及H₂含量的预测误差为0.18%和0.25%、1.72%及0.43%,与机理模型和GRNN模型相比误差更小;在煤种改变的情况下混合模型关于出口气体结果的预测最接近实际生产数据,误差为0.81%和0.11%、2.53%及0.42%。证明混合模型在煤种改变及工艺参数波动条件下可以有效地对气化过程进行模拟,在很大程度上提高了机理模型和GRNN模型的预测精度。     

催化重整装置反应器的建模与仿真

针对催化重整装置的流程模拟,基于集总理论与催化重整反应机理,提出了一种反应器的模型。该模型的反应网络较全面地考虑了烷烃、环烷烃及芳烃之间的反应关系,覆盖了重整反应过程中的大部分反应。为了降低参数估计的难度,通过合理假设将待估参数数量减少至99个,并将复杂的反应网络依据碳原子数划分为C₆~C₁₁₊六个反应子网络,再采用BFGS算法与SQP算法相结合的分组迭代估计方法以降低参数估计的误差。通过催化重整装置的模拟计算对模型进行了验证,结果表明,模型能够对反应产物组成进行较准确的预测,可满足现代工业应用对模型精度的需求。     

生物反应过程的在线支持向量机建模优化

针对生物反应过程具有较强的非线性、时变性,建立准确的机理模型较为困难,并且复杂的机理模型也无法用于在线控制和优化。将在线支持向量机和机理模型结合,提出串并联在线自校正混合建模方法。通过对典型生化过程谷氨酸的生产过程分析,找到影响谷氨酸浓度的关键参数;从现场历史数据中选取样本,建立基于在线向量机的软测量模型。实验结果表明该模型对谷氨酸浓度预测效果较好。     

Set-point optimization of an adiabatic trickle-bed reactor system

A combined system parameter estimation and deactivation model identification procedure is proposed to create a grey model of an adiabatic residue hydrodesulfurization (RDS) trickle-bed reactor. Using the resulting grey model, a precomputed set-point table is used to optimize the set-point of the RDS reactor unit. The objective function chosen is the predetermined reactor outlet sulfur content and the optimal set-point is the reactor inlet temperature. Five crucial case studies using a dynamic simulator of an adiabatic RDS trickle-bed reactor demonstrate the applicability of the proposed algorithm in developing optimal set-points for a commercial process.     

Multistream heat exchangers: Equation‐oriented modeling and flowsheet optimization

Multistream heat exchangers (MHEXs), typically of the plate‐fin or spiral‐wound type, are a key enabler of heat integration in cryogenic processes. Equation‐oriented modeling of MHEXs for flowsheet optimization purposes is challenging, especially when streams undergo phase transformations. Boolean variables are typically used to capture the effect of phase changes, adding considerable difficulty to solving the flowsheet optimization problem. A novel optimization‐oriented MHEX modeling approach that uses a pseudo‐transient approach to rapidly compute stream temperatures without requiring Boolean variables is presented. The model also computes an approximate required heat exchange area to determine the optimal tradeoff between operating and capital expenses. Subsequently, this model is seamlessly integrated in a previously‐introduced pseudo‐transient process modeling and flowsheet optimization framework. Our developments are illustrated with two optimal design case studies, an MHEX representative of air separation operation and a natural gas liquefaction process. © 2015 American Institute of Chemical Engineers AIChE J, 61: 1856–1866, 2015     

基于杂交粒子群算法的多元线性回归参数估计及预测区间研究

为了提高多元线性回归分析模型预测混凝土28 d抗压强度的准确性和可靠性,采用杂交粒子群优化算法估算模型系数,依据正态分布和t分布求出预测点置信度为95%的预测区间。实验结果表明:此模型的预测精度优于传统基于最小二乘估算的回归分析模型,且预测结果可以是相关量的取值范围,扩大了相关量的适用范围,提高了预测的可靠性。     

基于优化理论的藻类生长模型及在水华预测中的应用

在对水华产生机理分析和研究的基础上,建立了用于藻类生长模型,研究了有约束条件的非线性极小值问题求取最优参数估计值的方法。结合实验数据对模型中涉及的参数,运用多参数同时估计法进行估计并验证。仿真与实验结果表明了该模型能够较好地描述水华从产生到爆发过程的变化规律,为水华的预警及治理提供参考依据。     

Process modeling and optimization of industrial ethylene oxide reactor by integrating support vector regression and genetic algorithm

This article presents an artificial intelligence‐based process modeling and optimization strategies, namely support vector regression–genetic algorithm (SVR‐GA) for modeling and optimization of catalytic industrial ethylene oxide (EO) reactor. In the SVR‐GA approach, an SVR model is constructed for correlating process data comprising values of operating and performance variables. Next, model inputs describing process operating variables are optimized using Genetic Algorithm (GAs) with a view to maximize the process performance. The GA possesses certain unique advantages over the commonly used gradient‐based deterministic optimization algorithms The SVR‐GA is a new strategy for chemical process modeling and optimization. The major advantage of the strategies is that modeling and optimization can be conducted exclusively from the historic process data wherein the detailed knowledge of process phenomenology (reaction mechanism, kinetics, etc.) is not required. Using SVR‐GA strategy, a number of sets of optimized operating conditions leading to maximized EO production and catalyst selectivity were obtained. The optimized solutions when verified in actual plant resulted in a significant improvement in the EO production rate and catalyst selectivity.     

瓶用聚酯装置酯化段软测量模型及参数估计

为开发瓶用聚酯装置酯化段先进控制软件 ,从工程角度出发分析研究了对苯二甲酸与乙二醇直接酯化过程 ,建立了简化有效的酯化过程主、副反应动力学模型。结合无约束非线性最优化方法 ,利用现场分析数据对模型进行了参数估计和校验 ,仿真结果表明所建模型是合理和有效的     

Stochastic modeling and multi-objective optimization for the APECS system

The Advanced Process Engineering Co-Simulator (APECS), developed at the U.S. Department of Energy's (DOE) National Energy Technology Laboratory, is an integrated software suite that enables the process and energy industries to optimize overall plant performance with respect to complex thermal and fluid flow phenomena. The APECS system uses the process-industry standard CAPE-OPEN (CO) interfaces to combine equipment models and commercial process simulation software with powerful analysis and virtual engineering tools. The focus of this paper is the CO-compliant stochastic modeling and multi-objective optimization capabilities provided in the APECS system for process optimization under uncertainty and multiple and sometimes conflicting objectives. The usefulness of these advanced analysis capabilities is illustrated using a simulation and multi-objective optimization of an advanced coal-fired, gasification-based, zero-emissions electricity and hydrogen generation facility with carbon capture.