演示文稿化工过程智能建模与优化

演示文稿化工过程智能建模与优化当前第1页\共有204页\编于星期二\10点化工过程智能建模与优化当前第2页\共有204页\编于星期二\10点主要中文参考书目：[1]胡上序，陈海主编《化工过程的建模、仿真和优化》[2]邢文训等《现代优化计算方法》[3]阎平凡，张长水编《人工神经网络与模拟进化计算》[4]任选一本关于《支持向量机回归建模》的参考书[5]胡上序等《观测数据的分析与处理》成绩组成：[1]平时上课表现[2]大作业[3]大论文当前第3页\共有204页\编于星期二\10点作业：（1）阅读人工神经网络的误差反传算法（BP）算法。（2）编程基础准备：MATLAB编程。为大作业做准备。当前第4页\共有204页\编于星期二\10点化工过程智能建模与优化一、石油化工过程建模与优化的重要性二、智能建模、混合智能建模方法三、现代智能优化算法当前第5页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性名目产量同比增长原油1.83676亿吨1.7%天然气585.5亿立方米19.2%烧碱1511.8万吨19%纯碱1597.2万吨10.8%电石1177.1万吨27.7%乙烯941.2万吨22.2%合成树脂2528.7万吨17.6%2006年我国石油化工工业的发展状况：当前第6页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性石油化工工业在国民经济中的地位:2006年，石油化工行业占我国工业经济总量的20%，累计实现利润达到4345亿，较上年增长了17.9%。2008年石油化工生产总值约为6.58万亿元，占国民经济21.9%。2009年石油化工生产总值约为6.63万亿元。2010年石油化工生产总值约为8.88万亿元。当前第7页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性石油化工工业在国民经济中的地位:石油化工是我国的基础支柱产业之一，其发展状况直接影响国家的经济基础！当前第8页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性石油化工工业现状：生产工艺普遍采用国外专利技术。技术引进后，消化、吸收少，国产化程度低，因此，在若干年后，其技术水平、装置规模又落后于国际水平。如，从七十年代开始我国先后重复引进了17套大中型乙烯装置，19套聚丙烯装置，18套聚乙烯装置，11套环氧丙烷装置，24套大型精对苯二甲酸装置等。如，美国、英国炼厂原油加工损失率分别为0.2%、0.3%，中石化平均加工损失率为1.29%。当前第9页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性石油化工工业现状：石油化工工业也是高能耗、高消耗的产业，总能耗约占全国工业总能耗的15％左右，能源成本在生产成本中占有很高的比例，通常为20%～30%，高耗能产品甚至达到60%～70%。在国家确定的千家重点节能企业中，石油化工企业占了340家，约为1/3。与国际先进水平相比，在生产装置能耗方面仍存在较大的差距，如主要产品单位能耗仍高40%，能源利用率低10%。

当前第10页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性石油化工工业现状：高能耗、高消耗、污染大、技术水平普遍低于国际先进水平，国家支柱产业之一。当前第11页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性建模与优化的重要性：（Chemshare公司）当前第12页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性建模与优化的重要性：AspenTech：通过过程模拟可以增加产量、减少能耗和原材料消耗、以最低的操作成本生产出合格的产品、提高生产率等，每年效益在100~500万美元；先进控制和过程优化可以增加产量2%~5%，减少冷端消耗5%~10%，提高加热炉效率1%~2%，提高操作工的技能，更加安全等，每年效益为300万~1000万美元。

Foxboro公司：效益比例是：DCS设为1，则ARC（AdvancedRegulatoryControl）为3，先进控制为5，优化为9。当前第13页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性建模与优化的重要性：世界各国石化企业的经验表明：石油化工过程流程模拟、先进控制与过程优化技术，是提高企业的经济效益、降低生产成本、提高其在国际市场中的创新力、应变力、适应力和综合竞争力的主要技术手段之一。当前第14页\共有204页\编于星期二\10点一、石油化工过程建模与优化的重要性建模与优化的重要性：石油化工过程模拟与优化软件和技术形成垄断：AspenTech公司、SimSci公司、Honeywell公司、英国KBC公司、美国NeuralWare公司、HyproTech公司等相关产品，已在几百家大型石化、化工、炼油、钢铁等工厂企业中推广应用，取得了巨额利润，并通过兼并、扩张形成垄断。当前第15页\共有204页\编于星期二\10点化工过程智能建模与优化一、石油化工过程建模与优化的重要性二、智能建模、混合智能建模方法三、现代智能优化算法当前第16页\共有204页\编于星期二\10点二、智能建模、混合智能建模方法模型是用以表达自变量和因变量之间的定量关系。主要分为三（或四）大类：[1]确定性方程（机理模型、白箱模型）从比较成熟的理论导出的明确关系[2]不确定性方程（智能模型、黑箱模型）根据测试取得的观测数据，用数理统计方法找出经验式[3]半确定性方程（半机理模型、经验模型、灰箱模型）介于两者之间，先由近似理论引出关系方程的大体形式，再根据观测数据用统计方法确定方程式中的系数

[4]混合智能模型采用多种模型化方法有机智能融合与集成，将不同性质的数学模型、不同来源的数据、不同结构的信息和知识进行融合描述。当前第17页\共有204页\编于星期二\10点二、智能建模、混合智能建模方法1、各种模型参数估计方法2、神经网络建模

误差反向传播算法（BP算法）3、混合智能建模

应用实例（反应过程混合智能建模与优化）4、回归分析5、支持向量机回归当前第18页\共有204页\编于星期二\10点1、各种模型参数估计方法估计准则和最优估计基本概念，常见的状态估计与参数估计方法。（1）估计

从带有随机干扰的观测数据中提取有用信息。被估计量其观测量观测噪声向量已知的向量函数观测量与被估计量之间具有如下关系所谓估计问题，就是在时间区间内对进行观测，而在得到的观测数据的情况下，要求构造一个观测数据的函数来估计的问题，并称是的一个估计量，或称的估计为。当前第19页\共有204页\编于星期二\10点1、各种模型参数估计方法所谓估计问题估计理论是概率论和数理统计的一个重要分支。它所研究的对象是随机现象，它是一种根据受干扰的观测数据来估计关于随机变量、随机过程或系统的某一特性的数据方法。估计问题：状态估计和参数估计两大类。状态估计：随时间变化的随机过程/序列，是动态估计。参数估计：不随时间变化的或只随时间缓慢变化的随机变量，是静态估计。收集数据构造函数关系计算估计量的当前第20页\共有204页\编于星期二\10点1、各种模型参数估计方法（2）估计准则人们总希望估计出来的参数和状态变量越接近实际值越好，为了衡量估计的好坏，必须要有一个衡量的标准，这个衡量标准就是估计准则。估计常常是以“

”作为标准的。常见的估计准则有最小方差准则、极大似然准则、极大验后准则、线性最小方差准则、最小二乘准则等。估计准则在很大程度上将决定估计的性能、求解估计问题所使用的估计方法及估计量的性质（是线性的还是非线性的）等。使估计的性能指标达到极值当前第21页\共有204页\编于星期二\10点1、各种模型参数估计方法（3）最优估计所谓最优估计，是指在某一确定的估计准则条件下，按照某种统计意义，使估计达到最优。最优估计是针对某一估计准则。某一估计对某一估计准则为最优估计，但换一个估计准则，这一估计值就不一定是最优的了，这就是说，最优估计不是唯一的。当前第22页\共有204页\编于星期二\10点1、各种模型参数估计方法（4）估计方法选取不同的估计准则，就有不同的估计方法，估计方法和估计准则是紧密相关的。根据观测与被估计值的统计特性的掌握程度，可有下列一些估计方法。1）最小方差估计2）极大似然估计3）极大验后估计4）线性最小方差估计5）最小二乘估计当前第23页\共有204页\编于星期二\10点1、各种模型参数估计方法（4）估计方法——1）最小方差估计最小方差估计是以估计误差的方差达到最小为估计准则的。按照这种准则求得的最优估值叫做最小方差估计。为了进行最小方差估计，需要知道被估计值和观测值的条件概率密度值、，以及它们的联合概率分布密度。

当前第24页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计被估计量其观测值向量概率及联合概率分布密度没有明确的函数关系，只有概率上的联系。选择估计误差的二次型函数为代价函数对称非负定的加权矩阵。

若有估计量，使得贝叶斯风险最小，即则称为最小方差估计。

当前第25页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计按最小方差估计的定义，当时，需有贝叶斯风险最小当前第26页\共有204页\编于星期二\10点非负函数（4）估计方法——1）最小方差估计非负定在内积分号内

当前第27页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计等价于在条件下，贝叶斯的条件风险为极小这一等价的价值在于求贝叶斯风险最小时的重积分，就简化贝叶斯条件风险最小时的重积分，从而简化了积分运算。

当前第28页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计当，并使必要条件是当前第29页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计因为为非负定的，所以有具有最小值当前第30页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计由此可见，随机向量的最小方差估计是在观测向量为的条件下数学期望。因此，有时也称最小方差估计为条件期望估计。当前第31页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计最小方差估计的几点说明（1）最小方差估计量是无偏估计当前第32页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计（2）最小方差估计这个结果，只要求加权阵是非负定的，而与其他具体形式无关，因此，它可以选为任意非负定阵，一般常选为单位阵。

S选为单位矩阵当前第33页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计（3）由于是的无偏估计，估计的方差就是估计误差的方差阵，其表达式为当前第34页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计（4）如果设的其他任意估计为其均方误差方差阵为并且，当时，上式取等号。表明：任何其他估计的均方误差阵或任何其他无偏估计的方差阵都将大于最小方差估计的误差方差阵。当前第35页\共有204页\编于星期二\10点（4）估计方法——1）最小方差估计最小方差估计的几点说明由于无偏估计的误差方差阵，亦即估计误差的二阶矩表示了误差分布在零附近的密集程度。因此，最小方差估计是一种最接近真值的估计。当前第36页\共有204页\编于星期二\10点1、各种模型参数估计方法（4）估计方法——2）极大似然估计极大似然准则是使条件概率分布密度达到极大的那个值作为估值的。按照这种估计准则求得的最优估值便成为极大似然估计。求极大似然估计，需要知道条件概率分布密度。极大当前第37页\共有204页\编于星期二\10点（4）估计方法——2）极大似然估计被估计量其观测值向量观测集

条件概率密度函数应该是和两者的函数，但是对于具体的观测值来说，是的函数，并称它为似然函数，记为表示被估计量取值为的条件下，的概率分布函数。如果时的要比时的大，表明是准确值的可能性要比是准确值的可能性大。当前第38页\共有204页\编于星期二\10点（4）估计方法——2）极大似然估计如果对所有可能的值，是的最大值，那么，是准确值的可能性就最大，这时就称是的极大似然估计，并记为。可见，极大似然估计是使似然函数达到极大值的一种最优估计。最优估计准则“似然函数达到极大值”

当前第39页\共有204页\编于星期二\10点（4）估计方法——2）极大似然估计对数函数是单调增加函数

必要条件

求解似然方程

当前第40页\共有204页\编于星期二\10点（4）估计方法——2）极大似然估计几点说明：（1）采用极大似然估计的条件是知道（对数）似然函数（2）在极大似然估计中，被估计量可以是随机量，也可以是非随机的参数，适用范围较广。（3）可以证明，当观测次数趋于无限时，极大似然估计量是一种无偏估计量，亦即它是一种渐进无偏估计量。当前第41页\共有204页\编于星期二\10点1、各种模型参数估计方法（4）估计方法——3）极大验后估计极大验后准则是使验后概率分布密度达到极大的那个值作为估值的。按这种估计准则求得的的最优估值就是极大验后估计。为了求出极大验后估计，需要知道验后概率分布密度。极大当前第42页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计对观测值取条件下的条件概率密度（的验后概率密度），均有则称为的极大验后估计。极大验后估计的物理意义是：在观测值取的情况下，被估计量出现可能性最大的值，即随机向量落在的领域内的概率将比其落在其他任何值的相同领域内的概率要大。当前第43页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计解验后方程就可得到极大验后估计当前第44页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计几点说明：（1）由于与无关当前第45页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计（2）如果估计量没有任何验前知识，即取任何值的可能性均相等

则验前密度就可以认为是方差阵趋于无限大的正态分布

其中，当前第46页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计当前第47页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计由此可见，在对没有任何验前统计知识的情况下，极大验后估计就退化为极大似然估计。极大似然估计是一种特殊的极大验后估计。当前第48页\共有204页\编于星期二\10点（4）估计方法——3）极大验后估计（3）极大验后估计比极大似然估计的估计效果好由于被估计量有可能是未知的非随机向量，一般情况下也并不知道其验前概率密度；并且确定验后概率密度函数（或联合概率密度函数）要比确定似然函数困难。但在工程实践中，由于求得似然函数并不十分困难，极大似然估计仍得到了广泛的应用。

当前第49页\共有204页\编于星期二\10点只知道观测值和被估计值的一、二阶矩即，，，，和在这种情况下，为了得到有用的结果，必须对估计量的函数形式加以限制。若限定所求的估计量是观测值的线性函数，并以估计误差的方差达到最小作为最优估计准则，则按这种方法求得的最优估值称为线性最小方差估计。1、各种模型参数估计方法（4）估计方法——4）线性最小方差估计在实际应用中需要放松对概率知识的要求。当前第50页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计被估计随机向量，观测向量

限定估计量是观测量的线性函数，即选择向量和矩阵，使得下列二次型性能指标达到最小，这时所得到的的最优估计，就称为线性最小估计，并记为。当前第51页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计将使达到极小的和分别记为和，则对应的线性最小方差估计为只要对和求导，并分别令其所得结果为零，就可解得和。当前第52页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计两式均等于零当前第53页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计几点说明：（1）线性最小方差估计是无偏估计（2）估计误差的方差阵为当前第54页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计（3）任意线性估计则此估计的均方误差方差阵为令任何一种其他线性估计的均方误差方差阵都将大于线性最小方差估计的误差方差阵。当前第55页\共有204页\编于星期二\10点（4）估计方法——4）线性最小方差估计（4）由于因此随机向量本来并不是与正交随机向量与正交。当前第56页\共有204页\编于星期二\10点1、各种模型参数估计方法（4）估计方法——5）最小二乘估计当既不知道和的概率分布，也不知道它们的一、二阶矩时，就只能采用高斯提出的最小二乘法进行估计。最小二乘估计是以残差的平方和最小作为估计准则的。

（将在回归估计中进行重点介绍。）当前第57页\共有204页\编于星期二\10点2、神经网络建模（1）生物神经元模型神经元是脑组织的基本单元，人脑是由大约1012（140多亿）个神经元组成的巨系统。神经元的结构如下图所示：当前第58页\共有204页\编于星期二\10点2、神经网络建模（1）生物神经元模型神经元包括：细胞体、树突、轴突（神经末梢）、突触细胞体：新陈代谢的中心，接受与处理信息的部件。当前第59页\共有204页\编于星期二\10点（2）神经元的突触(两个细胞之间连接的基本单元)每个细胞约有个突触。突触主要有两种连接方式：(1)一个神经元的神经末梢与另一个神经元的树突发生接触；(2)一个神经元的神经末梢与另一个神经元的细胞体接触。当前第60页\共有204页\编于星期二\10点（2）神经元的突触(两个细胞之间连接的基本单元)突触有两种类型：兴奋型和抑制型。突触的界面具有脉冲/电位信号转换功能，它能将沿神经纤维传递的等幅、恒宽、编码的离散脉冲信号，转换为细胞膜可以处理的连续电位信号。当前第61页\共有204页\编于星期二\10点（3）突触动力学突触能够传递神经冲动。树突从四方收集由其它神经元传来的信息，信息流由树突出发，经过细胞体，然后由轴突输出，实现神经元之间信息的传递。当前第62页\共有204页\编于星期二\10点2、神经网络建模（4）生物神经网络系统生物神经网络是由很多神经元相互连接的，形式包括：

幅散式聚合式链锁式环式当前第63页\共有204页\编于星期二\10点2、神经网络建模（4）生物神经网络系统特点：神经网络系统是一个极为庞大错综复杂的系统。每个神经元虽然都十分简单，但是，大量神经元之间非常复杂的连接却可以演化出丰富多彩的行为方式（思维认知）。研究目的：1、揭示大脑神经系统的生理特征和思维活动的机能。2、通过对大脑神经网络系统的结构、功能及信息处理机理的探索，构造出与大脑智能相近的人工神经网络，并应用于工程或其他领域。当前第64页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经元模型生物神经元：1、多输入、单输出2、脉冲密度越大，则对细胞体作用越强3、各输入通道都对细胞体产生影响4、综合作用超过细胞的阈值电位，脉冲沿轴突输出当前第65页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经元模型常见的人工神经元模型：输入信号（突触）权（突触传递强度的一个比例系数）输入信号累加神经元阈值神经元响应函数当前第66页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经元模型数学表达式：当前第67页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经元模型响应函数：阈值单元线性单元非线性单元（S型函数）Sigmoid函数当前第68页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络结构单个神经元的功能是很有限的，只有用许多神经元按一定规则连接构成的神经网络才具有强大的功能。

神经网络的特性及能力主要取决于网络的拓扑结构及学习方法。网络连接的基本形式：前向网络有反馈的前向网络层内互连前向网络互连网络当前第69页\共有204页\编于星期二\10点2、神经网络建模前向网络

当前第70页\共有204页\编于星期二\10点2、神经网络建模有反馈的前向网络当前第71页\共有204页\编于星期二\10点2、神经网络建模层内互连前向网络当前第72页\共有204页\编于星期二\10点2、神经网络建模互连网络当前第73页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习为了使人工神经网络具有某种智能特性，必须进行学习。学习：就是对信息进行编码,其目的就是通过向有限个例子（训练样本）的学习来找到隐藏在例子背后（即产生这些例子）的规律（如函数形式）。学习方法：人工神经网络研究中的核心问题，本质就是网络连接权的调整方法。当前第74页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习死记式学习有监督学习无监督学习强化学习当前第75页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习有监督学习（学习规则）环境教师神经元网络∑网络输出正确输出误差信号+-观测信号有监督学习框图当前第76页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习无监督学习(自组织的学习，如SOM、ART网络)环境神经元网络观测信号无监督学习框图当前第77页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习强化学习强化学习框图环境神经元网络观测信号输出评价当前第78页\共有204页\编于星期二\10点2、神经网络建模（5）人工神经网络的学习——学习规则方法：用已知例子（样本）作为教师（训练样本）对网络的权进行学习（训练）。规则：通过神经网络理想输出和实际输出之间的误差来修正网络的权值。例子：在很多神经网络中，都采用了这种学习方法，如Perceptron，Adaline和误差反传算法（Back-propagation算法，简称BP算法）等。当前第79页\共有204页\编于星期二\10点2、神经网络建模-BP算法算法步骤：（1）收集训练样本（2）确定网络结构（3）训练（对训练样本进行学习）（4）建立神经网络模型当前第80页\共有204页\编于星期二\10点2、神经网络建模-BP算法-训练样本设自变量（输入变量）可以用输入变量矢量表示=[]因变量（期望输出变量）可以用期望输出变量矢量表示=[]则采集的每个样本为[]采集n个样本思考怎样采集到好样本？当前第81页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构多层前向型神经网络

当前第82页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构它由层组成开始层（第0层）为输入层最后一层（第层）为输出层其它层为隐含层设第层有个神经元则输入层神经元个数为，等于输入矢量的维数输出层神经元个数为，等于期望输出矢量的维数当前第83页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构神经元模型当前第84页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构：层中第个神经元的函数输出，其中。：层中第个神经元到层中第个神经元的连接权值，其中定义为层第个神经元的阈值。：第层第个神经元的和输出。：神经元激活函数。符号说明：当前第85页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构（1）权值为正表示激活，为负表示抑制。（2）求和单元，用于求取各输入信号的加权和（3）非线性激活函数，起非线性映射作用神经元模型的数学表达当前第86页\共有204页\编于星期二\10点2、神经网络建模-BP算法-网络结构网络结构：（1）多层前向型神经网络（2）输入层节点个数=训练样本自变量个数（3）输出层节点个数=训练样本因变量个数（4）确定隐含层层数、每层节点个数（5）确定神经元激活函数当前第87页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第88页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习符号说明：当前第89页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习

计算（设在第t次迭代中）第层所有神经元输出信号的加权和（线性组合）

通过非线性激活函数，得第个神经元的输出当前第90页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习设在第次迭代中（随机选择某个样本）输出层（即第层）第个神经元的输出为其期望输出为则该单元的误差信号为定义第个神经元的平方误差为则在第次迭代中，输出层（即第层）所有神经元的输出端总的平方误差瞬时值为当前第91页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习网络的学习目标函数为学习的目的使达到最小是网络权值和阈值以及输入信号的函数当前第92页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习求对的梯度当前第93页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第94页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习权值（或阈值）的修正量为：其中负号表示修正量按梯度下降方向，：学习速率。局部梯度当前第95页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第96页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习符号说明：当前第97页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习计算（设在第t次迭代中）第层所有神经元输出信号的加权和（线性组合）

通过非线性激活函数，得第个神经元的输出当前第98页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习求对的梯度当前第99页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第100页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第101页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第102页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习当前第103页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习求对的梯度当前第104页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习权值（或阈值）的修正量为：当前第105页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习（3）第层第个神经元与第层第个神经元之间连接权的调整当前第106页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习总结以上推导，得：权值修正量学习步长局部梯度单元的输入信号当前第107页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习（1）工作信号（用实线表示），它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。（2）误差信号（用虚线表示），网络实际输出与应有输出间有差值即为误差，它由输出端开始逐层向后传播。当前第108页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习（1）初始化。迭代次数。（2）前向计算。设在第次迭代中，随机挑选输入样本第层第个神经元计算训练步骤：当前第109页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习（3）反向计算

（4）修改权值（5）END当前第110页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习网络的调用：设输入矢量为则通过建立网络计算其因变量（即输出向量）为：当前第111页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习改进反向传播算法收敛速度的措施

1、加入动量项2、高阶导数的利用

BP算法中只用了一阶导数——梯度。

3、共轭梯度法按“共轭梯度方向”修正权值。

当前第112页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习

4、递推最小二乘法当样本顺序输入时，可把误差纠正学习算法看作是用一个自适应滤波算法去辩识一个非线性系统，可采用扩展Kalmann滤波算法完成这一任务。

5、神经元空间搜索法不在权空间搜索，而改在神经元空间搜索（下降）。当前第113页\共有204页\编于星期二\10点2、神经网络建模-BP算法-学习大作业：人工神经网络（BP）实现实现异或门（XOR）。具体要求见WORD文档。当前第114页\共有204页\编于星期二\10点3、混合智能建模

应用实例（反应过程混合智能建模与优化）石油化工生产过程通常包括：配料、反应、分离、提纯、回收等单元反应是石油化工生产过程的关键和核心：反应过程操作条件是否合适直接关系到最终产品的质量、产量、以及生产装置的物耗、能耗等。但反应过程生产工艺技术基本由国外专利商严格保密和垄断。当前第115页\共有204页\编于星期二\10点石油化工的反应过程非常复杂：1.通常是在高温高压（或超低温低压）下进行，通常涉及到气液的传热、传质、反应催化、固体结晶及淤浆悬浮等等化学工程问题。2.涉及操作变量多且相互影响。3.生产流程长，存在复杂的回收和物料循环，各操作单元间存在严重的耦合关系。4.各操作单元的操作周期呈现明显的差异。3、混合智能建模

应用实例（反应过程混合智能建模与优化）当前第116页\共有204页\编于星期二\10点反应过程建模：1.机理模型复杂性和人类目前认知水平的限制，真正的工业反应过程机理模型无法建立。2.统计（智能）模型样本数据总是有限的，并包含大量重复程度不同的冗余信息，且工业噪声的广泛存在。3.混合智能建模需要拓展单一模型的局限性，采用多种模型化方法有机智能融合与集成，将反应过程中不同性质的数学模型、不同来源的数据、不同结构的信息和知识进行融合描述。3、混合智能建模

应用实例（反应过程混合智能建模与优化）当前第117页\共有204页\编于星期二\10点反应过程混合智能建模：（基于工艺机理、能综合生产数据信息的反应过程工艺机理数学模型）①基于生产数据信息优化校正的反应过程工艺机理数学模型②基于生产数据信息挖掘的反应过程工艺机理数学模型③叠加机理模型与统计模型的反应过程工艺机理数学模型3、混合智能建模

应用实例（反应过程混合智能建模与优化）当前第118页\共有204页\编于星期二\10点反应过程智能优化：1.由于反应过程的复杂性，建立的反应过程模型将呈高维、高度非线性、微分和代数混合描述等特征，对于这类复杂系统的优化也必须具有全局寻优的能力，否则难以实现装置的最佳运行。

2.智能优化算法（如遗传算法等）在这类复杂系统全局优化方面的应用获得突出的进展。3、混合智能建模

应用实例（反应过程混合智能建模与优化）当前第119页\共有204页\编于星期二\10点3、工业应用实例对二甲苯氧化反应过程智能建模与优化当前第120页\共有204页\编于星期二\10点PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作3、工业应用实例对二甲苯氧化反应过程智能建模与优化当前第121页\共有204页\编于星期二\10点Ι.PX氧化反应过程模型的建立PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析当前第122页\共有204页\编于星期二\10点PX氧化反应步骤的确定CH3CH3CH3CHOCH3COOHCHOCOOHCOOHCOOHPXTALDPT酸4-CBATAK1K2K3K4反应步骤：反应动力学模型：当前第123页\共有204页\编于星期二\10点Ι.PX氧化反应过程模型的建立PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析当前第124页\共有204页\编于星期二\10点动力学模型参数的确定（1）反应级数（n1、n2、n3、n4、m1、m2、m3、m4

）通过实验获得或采用普遍公认的值速率常数（k1、k2、k3、k4）影响速率常数的工艺操作参数：反应温度（X1）溶剂比（X2）钴浓度（X3）锰浓度（X4）溴浓度（X5）其他操作参数（进料含水量、抽出水流量、传质等）当前第125页\共有204页\编于星期二\10点动力学模型参数的确定（2）速率常数（k1、k2、k3、k4）模型采用神经网络技术建立速率常数模型各工艺操作参数对速率常数的影响当前第126页\共有204页\编于星期二\10点速率常数模型网络框图动力学模型参数的确定（3）当前第127页\共有204页\编于星期二\10点速率常数模型的拟合精度动力学模型参数的确定（4）K1K2K3K4当前第128页\共有204页\编于星期二\10点K—温度的关系趋势图动力学模型参数的确定（5）当前第129页\共有204页\编于星期二\10点K—PX浓度（PX/HAcmol/Kg）的关系趋势图动力学模型参数的确定（6）当前第130页\共有204页\编于星期二\10点K—Co浓度的关系趋势图动力学模型参数的确定（7）当前第131页\共有204页\编于星期二\10点K—Mn浓度的关系趋势图动力学模型参数的确定（8）当前第132页\共有204页\编于星期二\10点K—Br浓度的关系趋势图动力学模型参数的确定（9）当前第133页\共有204页\编于星期二\10点Ι.PX氧化反应过程模型的建立PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析当前第134页\共有204页\编于星期二\10点工业装置PX氧化反应过程模型的建立（1）收集文献数据动力学模型反应步骤确定速率常数模型广义速率常数模型通过实验获得反应级数或采用公认的反应级数样本数据采集工业装置历史数据工业装置PX氧化反应过程模型优化算法获得可以精确描述工业装置PX氧化反应过程模型工业装置模型建立过程框图当前第135页\共有204页\编于星期二\10点工业装置PX氧化反应过程模型的建立（2）模型的预测精度工业化过程模型与实验室模型对4-CBA含量预测结果对比当前第136页\共有204页\编于星期二\10点工业装置PX氧化反应过程模型的建立（3）模型的预测精度工业化过程模型与实验室模型对PT酸含量预测结果对比当前第137页\共有204页\编于星期二\10点Ι.PX氧化反应过程模型的建立PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析当前第138页\共有204页\编于星期二\10点工业装置PX氧化反应过程分析进料中Co2+浓度的影响进料中Mn2+浓度的影响进料中Br-浓度的影响进料中PX浓度的影响反应温度的影响反应器的液位当前第139页\共有204页\编于星期二\10点4-CBA(%)Co(ppm)进料中的钴离子浓度对PX氧化反应过程影响Co2+浓度对PX氧化反应过程的影响：当前第140页\共有204页\编于星期二\10点Mn2+浓度对PX氧化反应过程的影响：4-CBA(%)Mn(ppm)进料中的锰离子浓度对PX氧化反应过程影响当前第141页\共有204页\编于星期二\10点Br-浓度对PX氧化反应过程的影响：4-CBA(%)Br(ppm)进料中的溴离子浓度对PX氧化反应过程影响当前第142页\共有204页\编于星期二\10点PX浓度对PX氧化反应过程的影响：4-CBA(%)PX（%）进料中PX浓度对PX氧化反应过程影响当前第143页\共有204页\编于星期二\10点反应温度对PX氧化反应过程的影响：4-CBA(%)

反应温度（℃）反应温度对PX氧化反应过程影响当前第144页\共有204页\编于星期二\10点反应器液位对PX氧化反应过程的影响：4-CBA(%)

液位（%）反应器的液位对PX氧化反应过程影响当前第145页\共有204页\编于星期二\10点PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作3、工业应用实例对二甲苯氧化反应过程智能建模与优化当前第146页\共有204页\编于星期二\10点Ⅱ.醋酸和PX燃烧损失模型的建立反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析当前第147页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧醋酸燃烧产物

主要副产物：CO、CO2、乙酸甲酯；

其他副产物：甲烷、甲醇、甲酯等。

PX燃烧产物

主要副产物：CO、CO2

、苯甲酸；

其他副产物：偏苯三酸等醋酸和PX燃烧产物量的分析

CO2占60%，CO占16%，乙酸甲酯占10%，苯甲酸占7%，甲酸占3%

醋酸燃烧生成的COx约占总量61%，PX燃烧生成的COx约占总量39%当前第148页\共有204页\编于星期二\10点Ⅱ.醋酸和PX燃烧损失模型的建立反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析当前第149页\共有204页\编于星期二\10点尾气中COx含量关联模型（1）影响尾气中COx含量的主要工艺操作参数

反应温度（X1）、溶剂比（X2

）、钴催化剂浓度（X3

）、

锰催化剂浓度（X4

）、溴促进剂浓度（

X5）

中试装置尾气中COx含量的关联模型

洛阳PTA装置尾气中COx含量的关联模型当前第150页\共有204页\编于星期二\10点尾气中COx含量关联模型（2）当前第151页\共有204页\编于星期二\10点Ⅱ.醋酸和PX燃烧损失模型的建立反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析当前第152页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失模型醋酸燃烧损失模型

PX燃烧损失模型（Kg/吨.CTA）

（Kg/吨.CTA）

当前第153页\共有204页\编于星期二\10点Ⅱ.醋酸和PX燃烧损失模型的建立反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析当前第154页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（1）进料中Co2+浓度的影响进料中Mn2+浓度的影响进料中Br-浓度的影响进料中PX浓度的影响反应温度的影响反应器的液位当前第155页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（2）

醋酸燃烧损失Kg.HAc/吨.CTACo(ppm)进料中的钴离子浓度对反应器中醋酸燃烧损失的影响当前第156页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（3）

反应器中PX燃烧损失Kg.PX/吨.CTACo(ppm)进料中的钴离子浓度对反应器中PX燃烧损失的影响当前第157页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（4）

醋酸燃烧损失Kg.HAc/吨.CTAMn(ppm)进料中的锰离子浓度对反应器中醋酸燃烧损失的影响当前第158页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（5）

反应器中PX燃烧损失Kg.PX/吨.CTAMn(ppm)进料中的锰离子浓度对反应器中PX燃烧损失的影响当前第159页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（6）

醋酸燃烧损失Kg.HAc/吨.CTABr(ppm)进料中的溴离子浓度对反应器中醋酸燃烧损失的影响当前第160页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（7）

反应器中PX燃烧损失Kg.PX/吨.CTABr(ppm)进料中的溴离子浓度对反应器中PX燃烧损失的影响当前第161页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（8）

醋酸燃烧损失Kg.HAc/吨.CTAPX（%）进料中的PX浓度对反应器中醋酸燃烧损失的影响当前第162页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（9）

反应器中PX燃烧损失Kg.PX/吨.CTAPX（%）进料中的PX浓度对反应器中PX燃烧损失的影响当前第163页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（10）

醋酸燃烧损失Kg.HAc/吨.CTA反应温度（℃）反应温度对反应器中醋酸燃烧损失的影响当前第164页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（11）

反应器中PX燃烧损失Kg.PX/吨.CTA反应温度（℃）反应温度对反应器中PX燃烧损失的影响当前第165页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（12）

醋酸燃烧损失Kg.HAc/吨.CTA液位（%）反应器的液位对反应器中醋酸燃烧损失的影响当前第166页\共有204页\编于星期二\10点反应器中醋酸和PX燃烧

损失分析（13）

反应器中PX燃烧损失Kg.PX/吨.CTA液位（%）反应器的液位对反应器中PX燃烧损失的影响当前第167页\共有204页\编于星期二\10点PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作3、工业应用实例对二甲苯氧化反应过程智能建模与优化当前第168页\共有204页\编于星期二\10点Ⅲ.催化剂系统模型的建立催化剂循环系统钴、锰、溴损失模型和分析新鲜催化剂配比模型当前第169页\共有204页\编于星期二\10点催化剂循环系统气体配料混合罐BD-105氧化反应单元结晶单元真空过滤机/干燥机高压吸收塔母液罐气体CTA醋酸回收系统新鲜催化剂新鲜促进剂新鲜醋酸母固回收①②③①：氧化反应单元BE-115部分凝液②：高压吸收塔的塔底洗涤液③：循环母液催化剂、促进剂循环系统新鲜PX催化剂、促进剂循环系统当前第170页\共有204页\编于星期二\10点Ⅲ.催化剂系统模型的建立催化剂循环系统钴、锰、溴损失模型和分析新鲜催化剂配比模型当前第171页\共有204页\编于星期二\10点钴、锰、溴损失模型和分析粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析当前第172页\共有204页\编于星期二\10点粗TA单元配料系统（1）当前第173页\共有204页\编于星期二\10点粗TA单元配料系统分析（2）当前第174页\共有204页\编于星期二\10点钴、锰、溴损失模型和分析粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析当前第175页\共有204页\编于星期二\10点循环母液流量和组成的关联模型（1）工艺机理分析

配料混合罐出来的流股经过一系列相对稳定的汽液平衡最终形成母液相关性分析BD-105出口流股母液线性相关程度流量总流量0.9421Co离子浓度Co离子浓度0.97246Mn离子浓度Mn离子浓度0.9685Br离子浓度Br离子浓度0.96144当前第176页\共有204页\编于星期二\10点循环母液流量和组成的关联模型（2）循环母液流量关联模型母液中Co离子浓度关联模型母液中Mn离子浓度关联模型母液中Br离子浓度关联模型当前第177页\共有204页\编于星期二\10点循环母液流量和组成的关联模型（3）母液总流量关联模型的拟合精度配料混合罐出口流量吨/Hr

母液总流量吨/Hr当前第178页\共有204页\编于星期二\10点循环母液流量和组成的关联模型（4）循环母液中钴离子浓度关联模型拟合精度配料混合罐出口流股中钴离子浓度ppm

母液中钴离子浓度ppm当前第179页\共有204页\编于星期二\10点循环母液流量和组成的关联模型（5）循环母液中锰离子浓度关联模型拟合精度配料混合罐出口流股中锰离子浓度ppm

母液中锰离子浓度ppm当前第180页\共有204