基于递归神经网络的石化生产软测量建模方法研究

摘要

随着现代石化企业对控制、计量、节能增效和运行可靠性等要求的不断提高，各种测量要求也日益增多。生产过程检测的内涵和外延较之以往均有较大的深化和拓展。一方面，不仅需要获取各种常规控制过程的参数信息，更重要的是要实时获得诸如产品质量等与优化控制密切相关的各类参数信息；另一方面，测量的精度、实时性要求越来越高，测量从静态向动态发展。 解决现代石化生产过程的测量要求通常有两条途径：一是沿袭传统检测技术的发展思路，通过研制新型的过程测量仪表，以硬件形式实现过程参数的直接在线测量；二是利用近年来在过程控制和检测领域涌现出来的软测量技术构造软仪表，采用间接测量的思路，以计算机软件代替硬仪表的功能，通过计算来实现对难以直接测量的被检测量的估计。 软测量技术目前已成为自动检测和过程优化的有力工具，并被著名国际过程控制专家Mcavoy教授列为未来控制领域需要重点研究的几大方向之一，具有广阔的应用前景。因此软测量技术近年来受到了人们的广泛关注与重视。 本文在对软测量技术和人工神经网络理论进行深入分析的基础上，提出采用递归神经网络实现石化生产过程软测量建模的思想，开发了一种新型的递归神经网络模型-HF Elman，并构造了相应的混沌训练算法，将所提出的网络模型用于兰州石化厂600kt乙烯生产线产品质量指标的软测量建模，仿真结果表明，新的模型和算法有效地改善了网络的学习效率，提高了网络的训练速度及预测精度。 论文的主要工作和研究成果如下： 1.对各种软测量建模方法和神经网络理论进行了比较系统的分析研究，针对乙烯这一连续、复杂、时滞的石化生产过程，采用神经网络模型对其进行软测量建模。 2.针对静态前馈神经网络在处理动态问题上的不足，提出采用递归神经网络的软测量建模方法。并在典型递归网络模型-Elman网络的基础上提出了一种新的改进的网络模型，HF Elman(Hybrid Feedback Elman)网络模型，从数学上证明了新模型的稳定性。 3.针对传统BP(DBP)算法的缺陷，利用混沌机制，构造了两种混沌优化算法用于网络权值的训练，通过仿真实验验证了新算法的有效性。 4.研究了乙烯生产线的工艺流程，对从现场采集到的数据进行了PCA预处理，建立了乙烯装置主要出口产品质量指标的软测量模型，仿真结果表明，新的模型及算法能够很好地满足生产过程对产品质量实时监测的要求，为企业实现优化控制奠定了基础。

目录

文摘

英文文摘

声明

1引言

1.1选题的背景及意义

1.2国内外研究现状

1.3本文的研究工作

1.4论文内容安排

2软测量技术概述

2.1软测量技术数学的描述

2.2软测量技术的组成要素

2.2.1辅助变量的选择

2.2.2过程数据的预处理

2.2.3在线校正方法

2.3软测量建模方法

2.3.1基于机理模型方法

2.3.2基于自适应推理模型方法

2.3.3基于回归分析方法

2.3.4基于人工智能方法

3人工神经网络理论

3.1人工神经网络概念

3.2人工神经元模型

3.3人工神经网络模型及学习方式

3.4几种典型的神经网络模型及其学习算法

3.4.1 BP神经网络

3.4.2 RBF神经网络

3.4.3 Elman神经网络

3.4.4几种典型神经网络模型的比较

4改进的Elman网络模型及混沌优化方法

4.1改进的Elman神经网络模型

4.1.1 Pham提出的改进的Elman网络模型

4.1.2 OIF Elman网络和OHF Elman网络

4.1.3Gao 提出的改进的Elman网络模型

4.1.4本文提出的HF Elman网络模型

4.1.5 HF Elman网络稳定性证明

4.2混沌学基本理论

4.2.1混沌的定义

4.2.2混沌的特点

4.2.3混沌的产生

4.3混沌优化方法

4.3.1混沌优化方法的基本思想

4.3.2混沌优化方法的研究进展

4.3.3混沌优化方法的基本步骤

4.3.4基于优化网络权值的混沌优化算法

5 Elman网络在乙烯生产软测量建模中的应用

5.1引言

5.2生产工艺流程简介

5.2.1兰州石化厂大乙烯生产装置流程简介

5.2.2精馏塔工艺概述

5.3乙烯装置主要出口产品质量指标的软测量建模

5.3.1 乙烯精馏塔主要出口产品质量指标的软测量建模

5.3.2丙烯精馏塔主要出口产品质量指标的软测量建模

6结论与展望

6.1主要结论

6.2后续工作的展望

参考文献

攻读学位期间发表的学术论文

致谢