基于ELM的合成氨造气炉建模方法研究

摘要

造气炉是以焦炭（或无烟煤）为原料制取合成氨原料气（水煤气）的关键设备，造气生产是一个复杂、时变、非线性、多变量耦合的过程，具有化学、物理、材料、和热力变化，伴有高温、易燃、易爆、有毒、尘、焦油等介质的复杂过程，炉内各种参数难以测量。气化层的温度是造气炉的关键操作指标，代表造气炉的安全、稳定、高效地运行，但由于炉内环境恶劣，气化层位置游移不定，很难用常规的测量方法获得气化层温度较准确的数据，给工艺员提供操作指导，以得到最优的运行效果。　　基于神经网络的数据挖掘技术已在工业自动化得到的广泛应用，而利用极限学习机(ELM)精度高、泛化能力强、速度快的特点，采集与造气炉气化层温度密切相关参数，通过ELM神经网络技术对气化层温度进行智能化建模，能够实现气化层温度的实时监控，提高造气炉的运行效率。　　选取与气化层温度密切的热工参数作为辅助变量，经过主成分分析、小波包去噪、归一化等方法进行预处理;以半水煤气（造气炉产品）各组分含量在线分析数据，依照实验室曲线特征来计算实际的气化层温度作为主导变量，组成样本集，用ELM神经网络进行建模。　　基于ELM的模型特性，分别用BP网络、ELM网络的建模进行比对;而且由于ELM的初始权值和阈值都是随机选择的，对模型运算结果有较大的影响，为了选取更好的ELM仿真模型，利用遗传算法、粒子群算法、蜂群算法、差分等四种寻优算法对ELM模型进行参数寻优;并进行比对、分析其结果，以选取最佳的仿真模型。　　据上述的研究，利用ELM及其相关神经网络的仿真模型运算时间短、鲁棒性较好，泛化能力强的特点建立软测量模型，能够很好地满足气化层温度的测量要求，对造气炉的实际生产操作有极好的指导作用。

目录

声明

摘要

第一章 绪论

1．1 研究背景

1．2 造气炉工艺流程及反应原理

1．2．1 造气工段带控制点的工艺流程

1．2．2 固定层间歇法制半水煤气基本原理

1．2．3 半水煤气生产工艺条件

1．2．4 造气炉关键调控参数-气化层温度

1．3 国内外研究现状

1．3．1 造气炉气化温度测量研究现状

1．3．2 极限学习机研究现状

1．4 选题意义

1．5 本文的主要内容与论文结构

第二章 造气炉热工参数提取及处理

2．1 数据的提取和预处理

2．1．1 测量和数据

2．1．2 数据的预处理

2．1．3 采样数据的二次处理

2．2 样本数据分析与采集

2．2．1 样本数据采集

2．2．2 气化层温度相关数据分析

2．2．3 样本数据的划分

2．3 样本数据的预处理

2．3．1 粗大数据的处理

2．3．2 小波包降噪

2．3．3 中值滤波

2．3．4 主成分分析主成分分析(PCA)

2．3．5 标准归一化处理

2．4 本章小结

第三章 人工神经网络与极限学习机及优化

3．1 人工神经网络(Artificial Neutral Network)

3．1．1 人工神经网络结构

3．1．2 学习(训练)过程

3．1．3 神经网络模型及其学习算法

3．2 极限学习机

3．2．1 单隐层前馈神经网络(SLFNs)

3．2．2 极限学习机

3．3 遗传算法优化ELM

3．3．1 遗传算法原理

3．3．2 遗传算法参数

3．3．3 算法流程

3．3．4 算法实现

3．4 人工蜂群算法优化ELM

3．4．1 人工蜂群算法原理

3．4．2 人工蜂群算法步骤

3．4．3 人工蜂群算法流程

3．4．4 人工蜂群算法优化极限学习机(ABC-ELM)模型

3．5 差分演化算法(DE)优化ELM

3．5．1 DE基本算法

3．5．2 模型形式的确定

3．6 粒子群算法(PSO)优化ELM

3．6．1 标准粒子群算法

3．6．2 粒子群算法优化ELM(PSO-ELM)

3．7 本章小结

第四章 基于ELM的造气炉建模的实现与分析

4．1 ELM建模

4．1．1 样本集的采样与预处理

4．1．2 ELM参数的确定

4．1．3 模型评价指标

4．1．4 ELM参数分析

4．1．5 ELM建模运行效果及分析

4．2 BP、GNRR神经网络的对比

4．2．1 BP神经网络

4．2．2 GRNN神经网络

4．3 ELM软测量模型总结

4．3．1 神经网络系统ELM、BP、GRNN模型的数据对比

4．3．2 模型分析及总结

4．4 本章小结

第五章 ELM软测量模型的优化

5．1 人工蜂群算法(ABC)优化ELM

5．1．1 人工蜂群算法(ABC))参数选择

5．1．2 ABC-ELM源程序

5．1．3 运行结果及性能评价

5．1．4 ABC-ELM优化算法的指标分析

5．2 差分演化算法(DE)优化ELM

5．2．1 差分演化算法(DE)参数选择

5．2．2 DE-ELM源程序

5．2．3 运行结果及性能评价

5．2．4 DE-ELM优化算法的指标分析

5．3 遗传算法(GA)优化ELM

5．3．1 遗传算法(GA)参数选择

5．3．2 GA-ELM源程序

5．3．3 运行结果及性能评价

5．3．4 GA-ELM优化算法的分析

5．4．2 PSO-ELM源程序

5．4．3 运行结果及性能评价

5．4．4 PSO-ELM优化算法的指标分析

5．5 ABC、DE、GA、PSO以及ELM性能比较分析

5．5．1 ABC、DE、GA、PSO以及ELM的数据对比

5．5．2 ABC、DE、GA、PSO以及ELM的仿真数据各点误差分布图

5．5．3 ABC、DE、GA、PSO优化ELM效果分析

5．5．4 ABC、DE、GA、PSO优化算法的对比

5．6 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

攻读学位期间发表论文情况