催化精馏过程模拟稳态模型的研究进展

对催化精馏过程模拟的平衡级模型、非平衡级模型和非平衡池模型3个常用的稳态模型及其求解方法进行了综述,并简要分析了各模型和求解方法的优缺点,讨论了催化精馏过程模拟的稳态模型及其求解方法未来的发展方向。     

基于一类过程先验信息的模型化方法及其应用

根据单值预测控制算法的特点,给出了基于一类过程先验信息的模型化方法:利用工程技术人员熟知的过程先验信息,确定预测控制算法中的模型参数,从而大大降低了模型化的难度。结合先进控制项目案例,将这种方法应用于石油加热炉的模型化。应用结果表明:对一类生产过程,本文的模型化方法是有效的。     

基于Logistic和ARMA模型的过程报警预测

提出了一种基于Logistic回归模型和ARMA模型相结合的过程报警事件预测方法,从历史数据中提取过程报警事件序列,并分解成报警状态及报警状态的持续时间,对应建立Logistic回归模型和ARMA模型分别对其进行预测,最终实现对过程报警事件的预测。通过数值实例分析和工业过程数据进行了验证,表明该方法能够准确地预测过程报警事件。     

综合可靠性优化的化工过程参数优化

首先针对化工过程进行参数优化过程,考虑系统可靠性问题,提出了一种综合可靠性优化的参数优化模型,利用系统可用性对过程产品产量进行修正,从而将系统可用性加入到过程模型当中。其次在优化过程中。为了避免因过程模型太复杂而导致计算量大的问题,提出了结合Unisim模拟软件的优化实现方法,利用Unisim计算每次迭代过程中的过程模型和目标函数值,直至优化过程收敛。最后将以上方法应用在某天然气处理过程中。结果表明：综合可靠性优化的参数优化模型,提高了化工过程的经济效益;基于Unisim的优化过程,不需要简化过程模型,能简单、快速、有效地得到优化结果。     

基于过程迁移的间歇过程终点质量预报方法

提出了一种基于过程迁移的间歇过程质量预报方法,旨在解决新间歇过程数据不足难以建立准确预报模型的问题。该方法基于多元统计回归分析模型,通过构建相似间歇过程间的共同潜变量空间,将已有相似间歇过程的数据信息迁移应用到未建模的新间歇过程中,实现新间歇过程的快速建模和质量预报。在线应用时,利用在线数据不断更新过程迁移模型;同时,实时估计模型预测误差的置信区间,判断预报模型预测误差的稳定性;为克服相似过程间可能存在的差异给迁移模型带来的不利影响,根据数据相似度逐步剔除相似间歇过程数据。最后,通过仿真实验验证了所提方法的有效性。     

基于元模型的过程系统优化

应用均匀实验设计和支持向量机方法构建复杂过程系统的经验模型(元模型),并将其作为适应度函数与遗传算法结合,建立了该系统的优化方法. 该方法只需采用少量仿真模型计算数据便可建立复杂过程系统的元模型,可显著降低复杂过程系统模型的计算过程,便于复杂过程系统的优化. 将该方法用于普光高含硫天然气净化装置全流程操作参数优化,在操作参数优化空间内均匀选取10个实验点,建立了净化装置全流程元模型,其预测值的相对误差小于4%. 优化结果表明,在优化操作点,净化装置有效能效率提高了6.6%.     

基于流程拓扑信息的统计过程监测方法

传统数据驱动的过程监测方法主要基于历史数据和统计学知识建立,往往忽视了对过程机理的考虑。基于预测残差的过程监测方法则通过数据驱动的回归模型实现对局部过程机理的近似,在预测残差的基础上建立监测模型实现了对过程偏离更好的识别。但其建立回归模型实现对局部过程机理的近似时主要基于数据,很少考虑具体流程信息。作为流程信息的一种表现形式,流程拓扑结构常被用来提取变量间的进程与因果关系,如果在建立回归模型时结合流程的拓扑结构,则可使得所建立的回归模型中包含一定的流程信息,使其对局部机理的近似更为准确。基于此,本文提出一种基于流程拓扑信息的统计过程监测方法。该方法利用流程的拓扑结构,提取变量间的进程与因果关系,建立回归模型实现对局部过程机理的近似。在此基础上建立基于预测残差的过程监测模型,实现对过程偏离的监测。该方法被应用于某连续重整装置的过程监测中,结果表明其监测效果要优于基于主元分析和基于预测残差的过程监测方法。     

离散单元法及其在流态化领域的应用

经过三十余年的发展,离散单元法(discrete element method,DEM)已经发展成为一种广泛应用于过程工程领域中颗粒体系研究的数值方法,特别是将DEM与计算流体力学(computational fluid dynamics,CFD)相结合形成的CFD-DEM耦合方法,已经在流态化研究领域得到广泛应用。首先对DEM模型进行了综述,包括DEM模型的基本原理、颗粒形状模型、接触力模型、非接触力模型、流体作用力模型等;然后对CFD-DEM耦合方法及其在流态化领域的一些主要应用进行了介绍,包括在流化床、气力输送以及过程工程领域里的一些其他应用。最后对DEM模型以及CFD-DEM耦合方法的发展趋势进行了预测,希望能促进DEM方法的发展,并推动其在过程工程领域中的应用。     

基于动态过程划分的熔融指数软测量建模

牌号切换过程是聚合反应过程节能降耗的关键环节,已有的模型往往因为质量样本较少而弱化甚至避开这一过程。因此,在之前专门针对牌号切换过程提出的三阶段分解方法的基础上,进一步面向整个生产过程,针对聚丙烯反应过程存在的同一牌号的稳定生产过程以及不同牌号间的切换过程具有不同动态过程的特性,按照不同的生产模式和生产牌号划分不同动态过程的样本,采用多模型的方法在各自的样本集上建立子模型,有针对性地把握相应的动态变化规律。为了实现多个子模型之间的切换,进一步基于反应条件和反应结果估计值构建了综合判断模型。最后,通过实际数据验证,三阶段多模型相对Kim多模型、单一模型来说,具有更好的预测结果。     

离散单元法及其在流态化领域的应用

经过三十余年的发展,离散单元法（discrete element method,DEM）已经发展成为一种广泛应用于过程工程领域中颗粒体系研究的数值方法,特别是将DEM与计算流体力学（computational fluid dynamics,CFD）相结合形成的CFD-DEM耦合方法,已经在流态化研究领域得到广泛应用。首先对DEM模型进行了综述,包括DEM模型的基本原理、颗粒形状模型、接触力模型、非接触力模型、流体作用力模型等;然后对CFD-DEM耦合方法及其在流态化领域的一些主要应用进行了介绍,包括在流化床、气力输送以及过程工程领域里的一些其他应用。最后对DEM模型以及CFD-DEM耦合方法的发展趋势进行了预测,希望能促进DEM方法的发展,并推动其在过程工程领域中的应用。     

过程工业软测量中的多模型融合建模方法

对多模型融合建模方法在过程工业软测量中的研究进展进行了系统总结。根据整体模型中子模型的不同,多模型融合建模方法主要可分成数据驱动融合建模方法和半参数建模方法。详细介绍了数据驱动融合建模方法和半参数建模方法的设计思想和国内外研究现状,分析了各类方法的优缺点,并提出了相应的改进方向。根据过程数据处理方法的不同,将数据驱动融合建模方法分为集成学习和聚类分析。根据模型结构形式的不同,将半参数建模方法分为串联结构和并联结构。最后对多模型融合建模方法的未来研究方向进行了展望,期望今后的研究工作能在改进数据驱动模型融合技术、提高半参数模型外推能力和解决双率数据问题等方面取得突破性进展,并指出采用多模型融合建模方法建立基于多源信息融合的软测量模型是实现过程工业中难测变量在线估计的有效方法。     

化工过程的智能混合建模方法及应用

随着人工智能技术和配套数据系统的快速发展,化工过程建模技术达到了新的高度,将多个机理模型和数据驱动模型以合理的结构加以组合的智能混合建模方法,可以综合利用化工过程的第一性原理及过程数据,结合人工智能算法以串联、并联或者混联的形式解决化工过程中的模拟、监测、优化和预测等问题,建模目的明确,过程灵活,形成的混合模型有着更好的整体性能,是近年来过程建模技术的重要发展趋势。本文围绕近年来针对化工过程的智能混合建模工作进行了总结,包括应用的机器学习算法、混合结构设计、结构选择等关键问题,重点论述了混合模型在不同任务场景下的应用。指出混合建模的关键在于问题和模型结构的匹配,而提高机理子模型性能,获取高质量宽范围的数据,深化对过程机理的理解,形成更有效率的混合建模范式,这些都是现阶段提高混合建模性能的研究方向。     

Active training sample selection and updating strategy for near-infrared model with an industrial application

Training sample selection is widely accepted as an important step in developing a near-infrared (NIR) spectroscopic model. For industrial applications, the initial training dataset is usually selected empirically. This process is time-consuming, and updating the structure of the modeling dataset online is difficult. Considering the static structure of the modeling dataset, the performance of the established NIR model could be degraded in the online process. To cope with this issue, an active training sample selection and updating strategy is proposed in this work. The advantage of the proposed approach is that it can select suitable modeling samples automatically according to the process information. Moreover, it can adjust model coefficients in a timely manner and avoid arbitrary updating effectively. The effectiveness of the proposed method is validated by applying the method to an industrial gasoline blending process.     

基于“场流”理论的面向对象建模方法初探

引　言工艺模拟开始进入面向方程法的时代[1].面向方程法在工艺设计和优化方面具有突出的优越性 ,然而基于面向方程法的软件一般必须由“专家”使用 ,普遍应用有较大限制 .在过程优化、动态仿真及复合过程 (如反应蒸馏和膜蒸馏等 )中应用面向方程法对建立充分透彻的过程模型也提出了更多要求[2 ].瓶颈在于传统的建模工具不能满足实际需要 ,模型可重用性不足[2～ 3].因此 ,计算机建模成为面向方程法亟需解决的最重要问题[4 ].当前解决建模问题的主要手段是面向对象技术[4～ 7].以面向对象技术为指导开发的商品化软件将代表物化关系的方程作为…     

基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network,FEAE-ESN）。传统回声状态网络(echo state network, ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。     

间歇过程动态SDG建模

目前用于间歇过程的SDG建模方式不能达到计算机辅助HAZOP的要求,本文在现有SDG-HAZOP理论基础上提出了面对间歇过程的动态SDG建模理论,并详细阐述了如何运用SDG对间歇过程进行建模的思路和方法,并运用该方法对一个煤制油流程的除灰工序进行建模和分析,同时解决了间歇过程SDG建模的模型接续性与故障和危险覆盖面最大化两方面问题。     

青霉素发酵过程中的混合建模

由于微生物发酵过程机理的复杂性和高度非线性,建立发酵过程的精确模型具有一定难度。传统的动力学模型预测虽然会与实际输出有一定偏差,但它在某种程度上反映了过程机理;神经网络建模方法属于"黑箱"方法,建模过程中没有用到任何先验知识,有一定的预测效果;因此单一的建模方法往往会不具备其他建模方法的优势。本文以传统的发酵动力学模型为基础,结合RBF神经网络进行混合建模的"灰箱"建模方法是一种比较好的建模思路,可以取得较满意的软测量效果。     

滚筒造粒过程建模与控制策略的发展与展望

介绍滚筒造粒过程控制的建模方法和控制策略两个方面的发展现状，造粒过程数学建模的发展趋势是集合平衡模型，因此建模部分主要是集合平衡模型的建立、降阶及求解等；控制部分根据控制方法分为优化控制、预测控制、容错控制及智能控制等。最后通过现状分析，给出可能的发展方向。     

基于复杂网络的化工过程层次符号有向图模型建立及关键节点识别

针对定性符号有向图（signed directed graph,SDG）在化工过程系统中建模复杂度高、故障分辨率低、容易忽略部分变量等问题,提出一种基于复杂网络理论构建层次SDG网络模型并识别关键节点的方法。首先利用层次分析法对化工过程系统划分递阶层次结构,建立基于子系统的系统SDG网络模型,选取度中心性、接近中心性等多个节点重要性评价指标,采用主成分分析法确定各指标权重并利用逼近理想排序法（technique for order preference by similarity to an ideal solution,TOPSIS）多属性决策方法得到节点重要性的综合评价值,初步识别关键节点所在的子系统;然后建立子系统的SDG模型并细化为有向网络,采用LeaderRank算法对节点重要性进行排序,进而在子系统网络模型中确定关键节点的位置。案例计算结果表明该方法可以有效地降低建模的复杂性,提高关键节点识别的全面性和准确性,从而改善化工过程系统的安全稳定性。     

基于受控混杂Petri网的事件逻辑驱动的炼油厂动态调度建模方法

将受控混杂Petri网同事件逻辑网和数学规划相结合提出了一种适用于炼油等流程工业生产调度的动态建模方法.作为事件逻辑网和数学规划模型之间连接的桥梁,受控混杂Petri网将离散变量和连续变量统一在一个模型中.用受控混杂Petri网建立整个生产流程的仿真模型,事件逻辑网响应生产过程中的突发事件并结合经验规则做出逻辑判断,产生新的调度指令.生产过程重新调整后,上层数学规划模型进行相应更新,产生的优化结果作为设备新的运行参数.该模型既可以响应突发事件,又能及时进行优化,具有更好的动态优化特性.