（控制理论与控制工程专业论文）神经网络技术在石油化工过程中的应用.pdf

摘要 神经网络技术在石油化工过程中的应用 摘要 石油化工过程是十分典型的复杂大系统，在工艺过程与装置确定的情 况下，基于生产数据驱动的生产运行优化的研究与应用具有重要的现实意 义。一方面由于现场生产数据具有海量、高维、强藕合性、不确定性、不 完备性、不一致性、多时标性和数据类型多样性、多模态性，又由于工作 环境复杂，电、磁、噪声干扰使数据易受污染。因此，基于数据驱动的任 何研究、设计、运行工作首先都需要进行数据处理工作。另一方面由于石 油化工过程的非线性、不确定性、大时滞、参数分布性和时变性等内在的 复杂机理问题，导致工业过程建模困难。基于神经网络技术的工业数据处 理与智能建模是重要的研究方向。 本文在综述工业数据预处理和建模技术的基础上，分析了具有特殊结 构的自联想神经网络和递级神经网络，提出采用自联想神经网络进行工业 数据滤波和输入空间压缩、用递级神经网络实现建模的工业智能实用思 路，在模拟数据验证的基础上，对中石化某工业p t a 装置和中石油某高密 度聚乙烯装置进行了应用，验证了神经网络工业应用的有效性和实用性， 为优化操作奠定了基础。 关键词：精对苯二甲酸，高密度聚乙烯，数据预处理，自联想神经网络， 递阶神经网络 a b s t r a c t a p p l i c a t i o n so fa r t i f i c i a ln e u r a ln e t w o r k t e c h n o l o g i e si np e t r o c h e m i c a lp r o c e s s a b s t r a c t t h e p e t r o c h e m i c a la n dc h e m i c a lp r o g r e s si sat y p i c a la n dc o m p l e xs y s t e m i t s v e r yi m p o r t a n t f o rt h er e s e a r c ha n d a p p l i c a t i o n o nm a n u f a c t u r e d a t a d r i v e nr u n n i n go p t i m i z a t i o n ，w h e nt h ei n d u s t r i a lf l o wa n de q u i p m e n t a r ed e c i d e d d u et ot h em a g n a n i m i t y ，h i g h d i m e n s i o n ， s t r o n g - c o u p l i n g ， u n c e r t a i n t y ，i m p e r f e c t n e s s ，i n c o n s i s t e n c ya n dm u l t i s c a l eo fl o c a ld a t a ， a l o n gw i t ht h ev a r i e t ya n dm u l t i m o d eo fd a t at y p e s ， i n d e e dt h en e g a t i v e e f f e c to fe l e c t r i c a l ， m a g n e t i ca n dn o i s ep o l l u t i o n ，t h ef i r s ts t e po f m a n u f a c t u r ed a t a - d r i v e nw o r ki st od a t ap r o c e s s i n g b e s i d e s ，i t sm o d e l i n g b e c o m e sm o r ed i f f i c u l t ，b e c a u s eo ft h ei n h e r e n ta n dc o m p l e xm e c h a n i s m p r o b l e m s ， s u c ha sn o n l i n e a r i t y ， u n c e r t a i n t y ，l a r g et i m e l a go f i n d u s t r i a l o b j e c t ， a n dd i s t r i b u t i o n ，t i m e - v a r y i n go fp a r a m e t e r s s oi n d u s t r i a ld a t a p r o c e s s i n ga n di n t e l l i g e n tm o d e l i n gb a s e do nn e u r a ln e t w o r kt e c h n o l o g yi sa n i m p o r t a n tr e s e a r c hd i r e c t i o n i nt h i s p a p e r , w es u m m a r i z e t h ei n d u s t r i a ld a t a p r e t r e a t m e n t a n d m o d e l i n gt e c h n o l o g y , a n a l y z ea u t o a s s o c i a t i v en e u r a ln e t w o r k ( a a n n ) a n d 北京化t 人学硕i ：学位论文 h i e r a r c h i c a ln e u r a ln e t w o r k s ( h n n ) w ea l s og e ta ni n t e l l i g e n ta n da v a i l a b l e i d e af r o mt h ea a n ns t u d yo nd a t af i l t e r i n ga n dt h ei n p u t - c o m p r e s s i o n n e t w o r k ，f r o mt h eh n ns t u d yo nd a t am o d e l i n g a f t e rt h et h e o r e t i cs t u d y , t h e i d e ai s a p p l i e do no n es i n o p e cp t ae q u i p m e n ta n do n ec n p ch d p e e q u i p m e n t t h er e s u l t ss h o w t h ev a l i d i t ya n dp r a c t i c a b i l i t yo fn n a p p l i c a t i o n ， a n dg i v eab a s i so f o p ! ：i m i z e dw o r k k e yw o r d s ：p t a ，h d p e ，d a t a p r e p r o c e s s i n g ， a a n n ，h n n 北京化工大学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立 进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含 任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重 要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 作者签名： 盈勉 日期： 关于论文使用授权的说明 学位论文作者完全了解北京化工大学有关保留和使用学位论文的 规定，即：研究生在校攻读学位期间论文工作的知识产权单位属北京 化工大学。学校有权保留并向国家有关部门或机构送交论文的复印件 和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文的全部 或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学 位论文。 保密论文注释：本学位论文属于保密范围，在土年解密后适用本授 权书。非保密论文注释：本学位论文不属于保密范围，适用本授权书。 作者签名：爿篁熟 曰期：趟：笸! l 导师签名：二霉擎曰期：三与l 生一 第一章绪论 第一章绪论 1 1 工业过程与现场数据的复杂性 随着世界经济的全球化发展趋势，石化过程工业的发展对于任何国家的国民经济 发展都有着重大的影响【1 1 。石化过程工业除了需要满足以往传统的三项要求：安全性、 稳定性和经济性外，还要实现可持续发展要求、环保要求、侧重对产品( 而不是过程) 的设计要求。世界各国都注重石化过程工业在国民经济中的地位，采用高新技术改造 和加快连续过程工业的发展。 石化工业过程是一个十分典型的复杂大系统，通常伴随着物理化学反应、生化反 应、相变过程、物质与能量的转换和传递。石化工业生产过程强调整体性、实时性， 各生产装置间存在复杂的耦合、制约关系，要求从全局协调，以求整个生产装置运行 平稳、高效。这些都对生产过程控制、优化与集成提出了新的要求。同时石化工业过 程的先进控制、测量、过程优化、调度与管理等都是以建模为基础的。然而，随着过 程工业的大型化、综合化、复杂化，工业过程的建模难度也愈来愈大。它涉及到工业 对象的非线性、不确定性、大时滞、参数分布性和时变性等内在的复杂机理问题。 随着计算机应用领域的不断扩大，人们所面临的系统建模问题也变得越来越复 杂。目前主要存在两个方面的问题【2 】；一是建模对象复杂，存在着多种不确定性以及 难以确定描述的非线性特性，要想建立完整的数学模型时相当困难，有时甚至是不可 能的，即存在着知识获取瓶颈；二是对系统建模的要求越来越高，迫切需要提高系统 模型的描述能力和建模方法的灵活性、普适性以及智能水平。由于上述问题的存在导 致目前的建模方法( 机理建模方法和辨识建模方法) 无法顺利进行。 近年来，神经网络【3 l 作为智能建模方法的代表，以其强大的非线性拟合能力、并 行信息处理能力和自学习能力，而得到越来越多的应用人工神经网络是模拟生物脑 神经系统的信息处理机制建立起来的一种智能信息处理模型，具有很强的适应于复杂 环境和多目标控制要求的自学习能力，并具有可以任意精度逼近任意非线性连续函数 的特性。 在工业建模过程中，无论是数理统计的建模方法，还是智能系统( 如人工神经网 络) 的方法，对建模所需数据的质量都有一定的要求，同时生产过程中的数据由于工 作环境复杂，并受到电、磁、噪声等干扰，使得工业过程数据中存在很多噪声数据、 冗余数据、缺失数据和不一致数据。生产现场数据又具有海量、高维、强藕合性、不 确定性、不完备性、不一致性、多时标性和数据类型多样性、多模态性等特点，因此 这些数据不能反映过程的真实情况，所以会给数据分析和建模等操作带来困难，影响 北京化t 大学硕士学位论文 数据分析和建模的效率，同时也会影响模型的精度。因此，对生产过程数据进行预处 理以保证数据的质量是非常必要的。 1 2 数据处理方法 1 2 1 数据处理 神经网络建模是实用性很强的应用技术，因此其设计必须满足工程应用的简易 性、有效性、可靠性要求。因此对数据质量的要求会非常高。因此在神经网络建模前 需要对数据进行处理1 4 9 j 。 ( 1 ) 输入变量的初选 根据系统工作机理，在可测的变量集中初步选择所有与被估计变量有关的原始辅 助变量，这些变量中部分可能是彼此相关的变量。 ( 2 ) 现场数据采集与处理 在进行数据进行采集时，首先需要详细研究系统的各种操作工况，确定各个变量 可能的取值范围。采集样本的空间要尽量覆盖整个操作范围，且注意选择的每一个样 本在样本空间内要有一定的代表性。在整个样本空间内，要选择合适的样本量，样本 数据要均匀。切不可在样本空间的某一段选取大量重复的数据，一方面不利于网络学 习另一方面采集的样本数量大，很难保证数据相互之间保持一致性。不一致的数据 可能是由于过程噪声或干扰影响，也有可能属于过失误差，将这些数据用于建模即使 有好的训练精度也往往泛化结果不好。类似的，不可在样本空间的边缘只选取零星的 几个数据，这样采集的数据用于建模以后往往泛化结果很差。当然，若采集到的数据 真正满足上述的均匀性、代表性、精简性的原则，理论上讲样本越多，越能更好的反 应过程的特性。 石油化工过程是十分典型的复杂大系统，在工艺过程与装置确定的情况下，基于 生产数据驱动的生产运行优化的研究与应用具有重要的现实意义。由于生产现场数据 具有海量、高维、强藕合性、不确定性、不完备性、不一致性、多时标性和数据类型 多样性、多模态性，又由于工作环境复杂，电、磁、噪声干扰使数据易受污染。因此， 基于数据驱动的任何研究、设计、运行工作首先都需要进行数据处理工作 数据处理就是在对数据进行数据建模前，先对原始数据进行必要的清洗、集成、 转换、离散和归约等等一系列的处理工作，使之达到建模所要求的最低规范和标准。 通过数据预处理工作，可以使残缺的数据完整，将错误的数据纠正，将多余的数据去 除，将所需的数据挑选出来并且进行数据集成，将不适应的数据格式转换为所要求的 格式，还可以消除多余的数据属性，从而达到数据类型相同化、数据格式一致化、数 据信息精练化和数据存储集中化。由于神经网络建模一般用于静态估计，应该采集系 2 第一章绪论 统平稳运行时的数据，并注意纯滞后的影响。 本论文的数据处理部分主要进行的是数据滤波工作，下面将对数据滤波做简单介 绍。 石化工业系统中的大型系统或是小型设备，均含有各种噪声和干扰。这些干扰来 自于信号源本体、传感器或者外界干扰。为了进行准确建模，必须消除被测数据中的 噪声和干扰。尤其是随着自动化程度的提高，许多控制功能通过自动闭环调节来完成， 设备控制的效果取决于外部模拟量采集、执行输出、控制算法等等环节，由于多方干 扰导致得到的数据失真、波动，因此在建模前要进行数据滤波。当前的数据滤波方法 主要有硬件滤波和软件滤波【协1 5 1 。 硬件滤波如常见的r c 滤波，l c 滤波。优点在于我们不需要进行复杂的程序处理， 而且数据变化响应性高。传统的设计方法是加入定的硬件抗干扰滤波线路，但是由 于一种硬件线路针对某一类干扰作用才明显，要想尽可能地消除多种干扰，就意味着 增加更多的硬件线路，这样不仅使成本大大提高，而且使系统变得更加复杂。另外， 硬件器件本身也存在一定的缺陷，这又引入了新的不精确因素。更主要的是硬件线路 对与有用信号频率相当的干扰往往显得无能为力。 因此在工艺过程与装置确定的情况下就要进行软件滤波。软件滤波的优势在于不 需要硬件的投入，简化了电路设计，对于不同的信号干扰可以很方便的调整软件参数 达到滤波效果，虽然有些方法在信号处理上会有一定的滞后，但只要合理使用各种不 同的滤波方式则完全避免因此而带来的影响。 采样信号中常见的干扰噪声有两大类：一类为周期性；另一类为不规则的非周期 性干扰信号，即随机干扰。对于不同性质的干扰，相应的滤波对策是不同的。常用的 软件滤波的方法有很多种，如限幅滤波法、中位值滤波法、算数平均滤波法、递推平 均滤波法、一阶滞后滤波法l 、消抖滤波法、卡尔曼滤波法、运用小波变换的滤波方法、 基于b p 神经网络的滤波方法，基于r b f 的神经网络滤波方法等等。 滤波问题是一个涉及面非常广泛的问题，在系统的整个设计过程中都应贯彻这种 思想。软件数字滤波技术相对于过程控制系统中众多的抗干扰措施而言是非常简单且 容易实现的一个环节，但仅从理论上去研究和制订算法是有局限性的，必须从控制实 际中、从信号特点上进行算法的选择、改进以及参数的配备，只有理论和实践相结， 才能达到完美的控制效果。 ( 3 ) 辅助变量精选一输入数据集降维 通过机理分析，可以在原始辅助变量中找出相关的变量，选择响应灵敏、测量精 度高的变量为最终辅助变量。同时还可以应用主元分析法进行数据集的降维。 1 2 1 本文提到的误差计算公式 北京化t 人学硕二i ：学位论文 相对误差计算公式： 绝对误差计算公式： 标准偏差计算公式： 岛2 半1 0 0 ( 1 - 1 ) e = i x ，一x 唧l ( i - 2 ) s = 防一， 其中，置为网络计算值，以冲为期望值， e 叫做平均相对误差为巳的平均值。 1 3 工业建模方法 模型是描述某种特定性能的一种抽象形式，其实质是用某种形式来近似地描述或 模拟所研究的对象和过程。模型可以描述系统的本质和各种变量及状态内在的关系， 达到对实际系统的认识。 模型的表达形式一般分为物理模型和数学模型两大类。物理模型与实际系统有相 似的物理性质，可以是按比例缩小的实物或用其它现象和过程来描述所研究的系统， 用模型的性质来代表原系统的性质。数学模型是描述系统某种本质特征的数学表达 式，即用数学公式( 如函数式、代数方程、常微分方程、偏微分方程( 组) 、差分方程等) 来描述或模拟所研究的客观对象或系统中某一方面的规律，通过对系统数学模型的研 究以揭示系统的内在运动规律和系统的动态性质。根据数学表达式是否依赖于时间变 化，数学模型分为静态模型和动态模型两大类。静模型是指系统属性随时间而发生变 化，又可分为连续时间模型、离散时间模型及连续一离散混合模型。 4 第一章绪论 一个实际的系统往往是非常复杂的，其影响因素众多，因此实际建立起来的模型 要考虑到模型的精确性、合理性、复杂性、应用性以及鲁棒性等因素。目前，常用的 建模方法有三大类：机理建模法、辨识建模方法和智能建模方法( 如人工神经网络) 。 机理建模方法就是根据实际系统工作的物理过程的机理，在某种假定条件下，按 照相应的理论( 如质量守恒、能量守恒定律、运动学、动力学、热力学、流体力学的基 本原理等) ，写出代表其物理过程的方程，结合其边界条件与初始条件，再采用适当的 数学处理方法，来得到能够正确反映对象动静态特性的数学模型。其模型形式有代数 方程、微分方程、差分方程、偏微分方程等。系统可以是线性系统、非线性系统、离 散系统、分布参数系统等。 采用机理建模方法时，必须对实际系统进行深入地分析、研究，善于提取本质、 主流方面的因素，忽略一些非本质、次要的因素，合理确定对系统模型准确度有决定 性影响的物理变量及其相互作用关系，适当舍弃对系统性能影响微弱的物理变量和相 互作用关系，避免出现冗长、复杂、繁琐的公式方程堆砌。最终目的是要建造出既简 单清晰，又有相当精度，基本反映实际物理变化过程的系统模型。 一般来说，采用机理建模方法所建系统模型，其定性结论都是正确的。然而，机 理模型也都是在一定假设或简化条件下得到的，有时虽然模型的定性结论正确，但精 度也不一定能够满足要求。另外，有些实际系统的机理过程可能非常复杂，还有些系 统的机理过程人们不十分清楚，此时，采用机理建模方法往往也难以奏效。 辨识建模方法就是采用系统辨识技术，根据系统实际运行或试验过程中所取得的 输入输出数据，利用各种辨识算法来建立系统的动静态数学模型。 线性系统的辨识主要方法有：最小二乘法、递推最小二乘法、广义最小二乘法、增 广最小二乘法、辅助变量法、卡曼滤波法、极大似然法等。非线性系统的辨识一般有： 多项式逼近法、v o l t e r r a 级数展开法( 包括h a m m e r s t e i n 模型、w i e n e r 模型) 等。 目前，线性系统的辨识理论比较成熟，而非线性系统的辨识还没有构成完整的科 学体系，在理论上和应用上都没有线性系统那样完善。所有对非线性系统辨识进行的 研究一般都是针对具体的系统。非线性系统的辨识方法仍然有许多理论问题没有很好 地解决，有待于进一步的研究与探讨。 近年来，神经网络【1 6 - 2 0 作为智能模型的代表，以其强大的非线性拟合能力、并行 信息处理能力和自学习能力，而得到越来越多的应用。 生物科学研究表明，入脑是由大量基本单元( 生物神经元) 经过复杂的相互连接而 成的一种高度复杂、非线性、并行处理的信息处理系统，每一个神经细胞都是一个简 单的信息处理单元，它可由自身机制与外部环境决定它的状态，形成一定的输入输出 规则。人的神经系统具有记忆、计算、逻辑推理、对环境的感知和学习、进化以及思 维等能力。因此，从模仿人脑的组织结构和运行机制的角度出发，来探寻新的信息表 示、存储和处理方式，构造一种更接近于人类智能的信息处理系统来解决实际工程和 s 北京化丁人学顾： j 学位论文 科学研究中由传统冯诺伊曼计算机难以解决的问题，必将大大扩展计算机的应用领域 和促进科学技术的进步。 1 9 4 3 年，生理学家m c c u l l o c h 与数学家p i t t s 将生物神经元模型化，提出了第一 个人工神经元m p 模型，标志着人工神经网络研究的开始，至今已走过了6 0 多年的 坎坷道路。这期间人们曾提出了几十种较有影响力的神经元网络模型，如p e r c e p t r o n ( 感 知机) ，a d a l i n e 自适应线性元件g r o s s b e r g 的自适应理论，a n d e r s o n 的b s b 模型。 f u k u s h i m a 的神经认知网络理论，k o h o n e n 的自组织映射网络等。进入8 0 年代，h o p f i e l d 的反馈神经网络模型以及多层b p 网络的研究使人工神经元网络再次进入蓬勃发展阶 段。特别是在1 9 8 9 年，h e c h t n i e l s o n ，h o m i k ，f u n a h a s h i 等人分别独立给出了多 层b p 网络的逼近能力和计算能力定理，奠定了神经网络作为函数的一致逼近器和模 式分类器的理论基础。之后，涌现出一些具有实用意义的神经元网络模型，如b o l t z m a n 机、径向基函数网络( r b f ) 、小脑模型控制网络( c m a c ) 等，并成功地应用于模式识别、 系统仿真建模、优化计算、自动控制等实际领域。2 0 0 0 年，何新贵院士提出了过程神 经元网络的理论和模型，使人工神经网络同时具备了处理时空二维信息的能力，对于 与过程有关的问题的解决有着广泛的应用前景。 人工神经网络是模仿脑细胞的结构、功能和脑神经结构以及思维处理问题等脑功 能的新型信息系统。由于人工神经网络具有复杂的动力学特性、并行处理机制、学习、 联想和记忆等功能，以及它的高度自组织、自适应能力和灵活性，目前受到世界范围 的高度重视。 神经网络模型具有以下优点：( 1 ) 神经网络在理论上能逼近任意的非线性映射，在 非线性控制领域中有着良好的前景；( 2 ) 并行分布式处理；( 3 ) 多信息融合，神经网络可 同时处理定性和定量数据；( 4 ) 多变量系统，神经网络本质上善于处理多输入多输出问 题；( 5 泊学习与自适应性，神经网络由所研究系统过去的数据记录训练而成，并可用 于未来数据继续学习、训练。这些特点显示了神经网络在解决高度非线性和严重不确 定性系统的控制方面的巨大潜力，因此，把神经网络引入这一领域也是发展的必然趋 势。 以神经网络为预测模型的预测控制被称为神经网络预测控制。神经网络预测控制 近年来获得了迅速的发展，目前被认为是非线性过程控制的主要方法之一。其利用作 为对象辨识模型的神经网络产生预测信号，然后利用优化算法求使目标函数取最小值 的控制矢量，从而实现非线性系统的预测控制。 1 4 本文的主要工作 本文主要研究工业过程数据预处理和智能建模问题。由于石油化工过程工艺和生 产现场数据的复杂性，在进行基于数据驱动的过程模型化、模拟、优化与先进控制等 6 第一章绪论 工作均需要先进行数据预处理和建模。因此，本文在进行大量文献查阅的基础上，着 重开展基于神经网络的智能数据滤波和智能建模的研究。在分析自联想神经网络和递 阶神经网络的基础上，提出采用自联想神经网络实现数据滤波和输入空间的压缩，采 用递阶神经网络实现过程工业装置的智能建模。最后在p t a 和h d p e 等工业过程数 据滤波和建模中应用，以验证本文所提方法的可行性和有效性。 7 第二章神经网络概述 第二章神经网络概述 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，简称a n n ) 2 1 - 2 3 技术是一种全新的模拟 人脑功能的信息处理系统。它主要借鉴了人脑神经系统处理信息的过程，以数学网络 拓扑为理论基础，以大规模并行性、高度的容错能力以及自适应、自学习、自组织等 功能为特征，集信息加工与存储一体化，具有广泛的应用前景。人工神经网络的研究 涉及到计算机科学、控制论、信息科学、微电子学、心理学、认知科学、物理学、数 学与力学等学科。 8 0 年代中期以来，神经网络以其独特的优点引起了人们的极大关注。其基本思想 是从仿生学的角度对人脑的神经系统进行模拟，使机器具有人脑那样的感知、学习和 推理等智能。神经网络的优势 2 4 2 7 】在于： ( 1 ) 神经网络是本质的非线性系统。理论分析表明，多层前馈神经网络能够以任意 精度逼近任意非线性映射，这种能力使非线性系统的描述有了统一的数学模型； ( 2 ) 神经网络是本质的并行结构，在快速实现大量复杂算法及处理实时性要求高的 系统时极具潜力； ( 3 ) 神经网络的固有学习能力使它可以处理那些难以用模型或规则描述的过程或 系统，降低了系统的不确定性，带来了适应环境变化的泛化能力； ( 4 ) 神经网络具有分布式信息存储与处理结构，可以从不完善的数据和图形中进行 联想，从而在己存储的信息中寻找与该输入匹配最好的存储信息为其解，这种能力使 其具有很强的鲁棒性和容错性； ( 5 ) 神经网络具有很强的综合推理能力，能够同时融合定量与定性数据，能很好地 解决输入信息之间的互补性与冗余性问题，并能恰当地协调互相矛盾的输入信息； ( 6 ) 对多变量系统，神经网络可以很自然地处理多个输入输出变量问题。 神经网络建模是实用性很强的应用技术，因此其设计必须满足工程应用的简易 性、有效性、可靠性要求神经网络模型的工程化设计、实施一般分以下几个步骤： ( 1 ) 辅助变量的初选 根据系统工作机理，在可测的变量集中初步选择所有与被估计变量有关的原始辅 助变量，这些变量中部分可能是彼此相关的变量。 ( 2 ) 现场数据采集与处理 采集被估计变量和原始辅助变量的历史数据。现场数据必须经过过失误差检测和 数据协调，保证数据的准确性。由于神经网络建模一般用于静态估计，应该采集系统 平稳运行时的数据，并注意纯滞后的影响。 ( 3 ) 辅助变量精选输入数据集降维 9 北京化工人学颂i j 学位论文 通过机理分析，可以在原始辅助变量中找出相关的变量，选择响应灵敏、测量精 度高的变量为最终的辅助变量更为有效的方法是主元分析法，即利用现场的数据作 统计分析计算，将原始辅助变量与被测量变量的关联度排序，实现变量精选。 ( 4 ) 神经网络模型的结构选择 根据系统特点选择模型的类型，即线性、非线性和混合型等。 ( 5 ) 模型参数的估计 利用样本数据对网络进行训练为了检验模型的有效性，一般将历史数据集中分 为两部分，一部分用于参数估计，另一部分用于模型检验若检验表明模型达到了预 定精度，即可将模型投用。 ( 6 ) 神经网络模型实施 利用软、硬件实现神经网络模型。 ( 7 ) 在线数据预处理 辅助变量的在线测量数据，必须经过除噪滤波，显著误差检测及数据校正，方可 作为神经网络模型的输入。 本文主要介绍b p 神经网络，a a n n 以及h n n 。 2 1b p 神经网络 2 1 1 标准b p 算法 b p ( b a c kp r o p a g a t i o n ) 2 8 - 3 1 】神经网络是d e r u m e l h a r t 和j l m c c e l l a n d 及其研究 小组在1 9 8 6 年研究并设计出来的，其网络结构简单，算法成熟，且具有精确寻优等 优点。 人们已经证明，b p 神经网络能用于实现任何非线性的连续映照，对于一般的化工 过程，由于系统的复杂性，有时甚至连要建立起能确切反映系统行为的微分方程组也 是困难的，而使用神经网络的方法，可以绕丌许多细节性的问题，直接建立起系统输 入与输出的联系，因而越来越受到人们的重视。 1 0 第二章神经网络概述 a 展 蠢寺层簟出最 信矗嚣 图2 1b p 神经网络结构 b p 人工神经网络是一种三层或者三层以上的网络结构，b p 网络的结构如图2 1 。 包括输入层隐含层和输出层，相邻层之间通过权重实现联结。当一对学习样本提供给 网络后，神经元的激活值从输入层经隐含层向输出层前馈传播，输出层的各神经元获 得网络的输入响应，然后，按照减小希望输出和实际输出误差的方向，从输出层经隐 含层逐层修正各连接权，最后到输入层。随着误差反传的不断进行，对输入的响应正 确率也不断上升，b p 算法的基本思想如下： 假设b p 网络每层具有个处理单元，训练数据集包括m 个样本模式对( 石。，k ) 。 对第p 个训练样本，单元_ ，的输出总和记为n e t 珂，输出记为d 彬，则 r n e t = o p j ( 2 1 ) j = o 0 = f ( n e t ) ( 2 - 2 ) 式中w j i 为神经节点f ，之间的权重；f 为作用函数，采用s i g m o i d 函数，即 m ) = 专( 2 - 3 ) 人援式 北京化工大学硕二i 二学位论文 如果任意设置网络初始权重，那么对每一个输入模式p ，网络输出与期望输出一 般总有误差，定义网络误差为 e = e p ( 2 4 ) p 印= 1 ，( d p j - o p j ) 2 ( 2 一翟 式中d 西为第p 个输入模式输出单元j 的期望输出。学习规则的实质是利用梯度最速下 降法，使权值沿误差函数的负梯度方向变化。b p 算法权值修正公式可以表示为 w j , ( f + 1 ) = ( f ) + r l 厶0 ( 2 - 6 ) f 。( n e t ) ( d 一o ) 对于输出单元 如2 厂t ( ，l 甜) 对于隐含层单元 ( 2 - 7 ) l 七 式中t 为学习次数；r 为学习因子。 2 1 2b p 算法的改进 在传统的b p 算法中，普遍存在以下问题【3 2 】 ( 1 ) 误差下降缓慢，迭代次数多，调整时间长，影响收敛速度，造成收敛速度慢， 若加快收敛速度易产生振荡。 ( 2 ) 存在局部极小问题，得不到全局最优。训练会因陷入某个局部极小点而不能自 拔，使训练难以收敛于给定的误差。 ( 3 ) 泛化能力差。 ( 4 ) 隐含层节点数和初始值的选取缺乏理论指导。 ( 5 )未考虑样本选择对系统学习的影响。 b p 算法改进方法主要分为两类：一种是基于非线性无约束极值理论的算法改进， 基于这一理论的算法改进成为了b p 算法改进的主流。第二种是基于新理论的算法改 进。 基于非线性无约束极值理论的算法改进主要分为以下两类： ( 1 ) 在梯度法的基础上改进b p 网络的学习算法。主要方法有改进误差函数和学习步 长q 的自适应调整。改进误差函数的方法有熵函数法、基于最大似然法对标准b p 算 法的误差函数的改进、和通过分析常用的l s 型误差函数并基于一个结构性定理，给 出了构造特殊能量函数的一般方法等等。学习步长t 1 的自适应调整方法有很多，t 1 可 1 2 第二章神经网络概述 以通过h e s s e s 矩阵直接求解；另外利用非单调线性搜索的基本方法，引入一个自适应 预估和调整学习步长的策略。 ( 2 ) 基于其它无约束极值求解方法的算法改进。采用非线性无约束极值求解和其它 方法，例如，共扼梯度法、变尺度法、步长加速法和单纯形法等来改进b p 网络的学 习算法。标准b p 算法和大部分的改进算法实质上都属于非线性无约束极值求解方法。 学习步长的调整也吸收了非线性无约束极值求解方法的成熟理论。考察梯度法在求解 非线性无约束极值问题中的实现情况，可以得出结论：标准b p 算法收敛速度慢的根 本原因在于算法本身，在梯度法的基础上改进b p 网络的学习算法收敛速度会有太明 显的提高。 通过深入分析b p 网络的结构特点和体会误差反向传播算法的实质，并结合其它 领域已成熟的优化算法和参数估计理论，提出各种基于新理论的反向传播算法。主要 算法有：利用推广卡尔曼滤波来实现b p 网络的学习算法改进、基于同伦论中零点路 径跟踪概念的算法改进、基于正交投影算法线性优化方法的算法改进等等。除了这些 以外还有一部分专门用于克服局部极小的改进算法，在这方面人们所作的工作不多， 比较有效的方法有模拟退火和遗传算法。这两种方法的学习时间比较长而且算法需 进一步改善，可以利用非线性函数总体极值方法来找到全局极小点。 2 2 自联想神经网络 自联想神经网络a a n n ( a u t o a s s o c i a t i v en e u r a ln e t w o r k s ) 是在1 9 8 7 年由b a l l a r d 针 对编码解码问题首先提出的，k r a m m e r j 匣用a a n n 进行化工过程非线性主元分析。 目前a a n n 在遥感图象主分量提取、发动机的测量参数滤波等方面开始应用1 3 9 】 自联想神经网络( a a n n ) 的结构见图2 2 。a a n n 结构包括一个输入层，几个隐层 和一个输出层。第一个隐层叫做映射层，映射层节点的传递函数为s i g m o i d 函数或其 它非线性函数，第二个隐层叫做瓶颈层，瓶颈层节点的传递函数可以是线性的或非线 性的。在网络中，瓶颈层的节点数应是最少的。第三个隐层叫做解映射层，其节点传 递函数是s i g m o i d 函数或其它非线性函数。从理论上讲a a n n 有三个隐含层是足够的。 但是在实际中a a n n 有更多的隐层，增加隐层有助于a a n n 更有效地映射变量之间 的关系，这样有助于提高网络性能。网络的输出就是经过处理的测量矢量，输出层的 节点数与输入层节点数相同。 1 3 北京化工大学硕士学位论文 x i 凇 唆辩簋 牧翳蓐 图2 - 2 自联想神经网络结构 f i g 2 - 2a a n ns t r u c t u r e 戳 张 a a n n 网络原型是一种具有对称拓扑结构的前馈传递网络，用误差反向传播算法 进行训练，具有比较明显的物理意义，a a n n 网络给出恒等映射，如公式( 2 8 ) 在 恒等映射中输入变量映射它们本身。每个输出应该是所有输入的一个函数。 i n ( m ) = o u t ( m ) ( 2 8 ) 例如在图2 - 3 中恒等映射必须使每个t0 = 1 ，2 ，3 ) 作为x l ，x 2 ，屯的函数。 x l & x ， 冬乏 三塞 图2 - 3 恒等映射 f i g 2 - 3i d e n t i t ym a p p i n g x l 砭 x 3 a a n n 是前馈神经网络，因此它的训练建立在反馈基础上。在训练过程中，可以 通过分析数据的协方差矩阵来分析网络学习的各变量之间是否相关。如果变量是不相 关的，a a n n 就不能找到任何关联。在这种情况下，网络将记忆数据。 训练对于神经网络是非常重要。好的训练效果能使训练后的网络具有很好的泛化 能力( 预测能力强) 并且具有较好的逼近能力。在训练过程中，网络必须学习输入与输 出之间的对应关系并要求达到一定的精度。但太高的精度要求可能得到较差的效果。 如果网络太精确地学习数据，它的泛化能力会下降。 a a n n 应用到数据检验问题时具有比较明显的物理意义，首先通过输入层、映射 层以及瓶颈层实现了输入数据信息的压缩。从网络输入的高维参数空间中提取了反映 系统结构的最具代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误 1 4 第二章神经网络概述 差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到 各个参数值，从而实现各测量数据的重构。为了达到信息压缩的目的，a a n n 网络 瓶颈层节点数目明显小于输入层。 2 3 递阶神经网络 递阶神经网络h n n ( h i e r a r c h i c a ln e u r a ln e t w o r k s ) 是把递阶控制思想和人工神 经网络结合而得到的 4 0 - 4 6 1 。 递阶控制的基本原理是把一个总体闯题p 分解成有限数量的子问题p 。总体问题 p 的目标应使复杂系统的总体准则取得极值。1 9 7 7 年，g n s a r i d i s 提出来一种分层递 阶智能控制系统理论，它由组织级、协调级和执行级三个层次组成，并按照自上而下 “精度递增伴随智能递减”的原则进行设计。根据递阶控制的基本思想，我们可以利用 人工神经元构造出递阶神经网络。 递阶神经网络h n n 的典型结构如图2 - 4 所示，它的输入向量被划分为不同的组， 不同的组对输出响应会产生相似影响。 图2 4 递阶神经网络结构 f i g 2 - 4h n n s t r u c t u r e 递阶神经网络h n n 有以下优点： ( 1 ) 为了提高效率，以尽可能少的权值使用更多的节点。这样，网络训练所需样本和 时间会更少。 ( 2 ) 有关变量定义明确的子网可以提供一些帮助网络正确学习的线索。 ( 3 ) 它是为完成同一任务的专家系统或基于模型算法的同构。我们可以把每一个有用 的子网映射到一条准则( 或小的准则集合) 或一个基于模型的局部分解。 北京化二r 大学硕士学位论文 在复杂系统控制应用中有两种递阶网络经常被使用：移动窗口网络和压缩输入网 络。在某些工业过程中，数据样本的输入量数是巨大的，而巨大的输入带来了大训练 量，压缩输入网络( 结构如图2 5 ) 就是可以较好的解决这个问题。压缩输入网络的输入 层由n 个特定组构成，每个组包含着对输出响应会产生相似影响的输入变量。每一特 定组被压缩为一个相应的子网直至在不丢失重要信息基础上产生一个更为紧凑的输 入变量表示。 1 1 1 l i d e n l 矾c r 3 ii1 h l d d e nl e r ： l i +i h n d d e nl a y e ri 嫩嫩 s u b g r o u p ( 1 )s u b g r o u p ( n ) 图2 - 5 压缩输入网络结构 f i g 2 , - 5i n p u t - c o m p r e s s i o nn e t w o r k ss t r u c t u r e 1 6 第三章工业装置介绍 第三章工业装置介绍 p t a 和h d p e 作为基础化工原料，应用领域非常广泛，涉及到国民经济的各个方面， 与人民的日常生活密切相关，因此研究p t a i 业生产过程具有重要的意义。 3 1p t a 工业过程介绍 p t a 即精对苯二甲酸，是生产聚酯薄膜、纤维及包装树脂的原料，也是一种应用 十分广阔的基础化工原料【4 h 9 】。 在我国，p t a 主要用来生产聚酯，而以聚酯为原料生产的聚酯纤维在合成纤维总 量中所占的比例已经超过了8 0 。此外，聚酯还可以用于生产非纤维产品( 如：聚酯 薄膜，包装树脂等) ，而非纤维产品对p t a 的需求近年来增长迅速。 目前，聚酯产品被广泛应用于服装、汽车轮胎、造纸、道路、建筑、包装、塑料 瓶、磁带、各种家电及日用品的塑料外壳等领域。这些领域涉及到国民经济的各个方 面，与人民的日常生活密切相关。 由于我国聚酯行业的迅速发展，使得我国对p t a 的需求量很大，而国内的p t a 生产量却远远满足不了需求，长期滞后于聚酯的生产发展，从而导致p t a 的进口量 猛增。由此可见，p t a 在我国拥有良好的市场前景。因此为了提高经济效益，很多 p t a 生产厂家都在大力对原有的p t a 设备进行增容扩建或新建其他p t a 生产装黄。 由于新建装置的成本很高，所以最经济的方法是首先改造原有的生产设备，提高其生 产能力。 近年来，各国p t a 生产商一直致力于在不断扩大装置的生产规模和不断降低装置 的物耗和能耗两方面发展p t a 生产技术。随着生产规模的不断扩大，装置的物耗和能 耗水平在更大程度上直接决定装置是否具有竞争力，成为衡量装置先进性的最重要的 指标。但是，目前我国很多p t a 厂对装置进行改造后，却导致物耗和能耗的增加，因 此需要对其生产工艺进行操作优化。 ( 1 ) 氧化单元工艺流程简介 某p t a 厂的p t a 生产采用的是日本三井化学( m p c ) 的工艺技术。该工艺技术 由两大单元组成：t a 生产单元( 氧化单元) 和p t a 生产单元( 加氢精制单元) 。本文 研究的是t a 生产单元中的某些装置的运行情况，并对其进行建模和操作优化。下面 将从整体上简要的介绍一下t a 生产单元( 氧化单元) 的工艺流程情况，在2 2 和2 3 节详细介绍其中的催化剂回收单元和溶剂回收单元的工艺流程。 t a 单元采用对二甲苯液相空气催化氧化法，来生产p t a 的原料c t a 。该单元 1 7 北京化工火学硕j ：学位论文 主要由进料配比、氧化、分离和干燥、溶剂和催化剂回收四大部分组成。 在进料配比阶段，将溴催化剂手工定量地加入至催化剂配制罐t d 。1 0 3 a 中，同 时按比例加入新鲜醋酸和稀醋酸，并搅拌均匀。将四水醋酸钴和四水醋酸锰定量地加 入至催化剂配制罐t d 1 0 3 b 中，同时按比例加入稀醋酸，并搅拌均匀。硅油由手工加 入至化学品贮罐t d 1 0 5 中。p x 由p x 储罐t t k - 1 0 1 提供，醋酸溶剂由循环醋酸罐 t d 1 0 2 a 倍提供。上述各物料经泵输送至混合管道中。 由对二甲苯、醋酸溶剂和催化剂溶液组成的液体原料在p x 进料预热器t e 1 0 1 入口处汇合，经泵进入氧化反应器t d 2 0 1 中。只在开停车时需给t e 1 0 1 供热。氧化 反应所使用的空气由辅助系统工艺空气压缩机t c 2 0 1 提供。 在氧化阶段：空气由氧化反应器的底部引入。通过调整氧化反应器的空气进料流 量，来控制氧化反应器顶部排出气体的氧含量在合适的范围内。反应器搅拌器t j 2 0