概述

機理模型法

統計模型法智能模型法9/17/2023化工過程操作工況調優9/17/2023概述

尋找最佳操作方案目的和意義回目錄頁下一頁適應

操作環境的變化

獲得顯著經濟效益適應經濟技術條件的變化9/17/2023離線調優調優方式回目錄頁下一頁模型與裝置分離計算數據取報表記錄調優結果指導生產在線開環調優模型與裝置相連計算數據為實時檢測數據調優結果指導生產在線閉環調優模型與裝置相連計算數據為實時檢測數據調優結果直接返回控制系統概述9/17/2023模型描述方法特點機理模型過程的物理、化學本質和機理結果精確機理不清或復雜時建模難統計模型輸入－輸出關系模型關系式簡單外延性差智能模型輸入－輸出關系尋優快，自學習、自適應能力強適于多目標函數調優方法回目錄頁概述9/17/2023智能模型法－基于人工神經網絡的智能模型法智能模型法回目錄頁人工神經網絡概述BP網絡建模依據BP算法及BP網絡的應用過程系統優化模型建模實例乙苯脫氫反應器操作工況的模擬與調優9/17/2023人工神經網絡概述神經元x1x2xnyjx1x2x3123123121234y1y2神經網絡回目錄頁下一頁智能模型法9/17/2023建模依據神經元數學模型下一頁x1x2xnyjBP神經網絡w1jw2jw3j回目錄頁9/17/2023建模依據下一頁區間線性型x1yx階躍型1-1y1yxx1-1ySigmoid型回目錄頁9/17/2023建模依據神經網絡數學模型下一頁x1x2x3123123121234y1y2層數1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第1層回目錄頁Wji2,1Wji3,2Wji4,3建模依據神經網絡數學模型下一頁x1x2x3123123層數1O1O2O3第1層第1個第2個第3個O1O2O3[Oj]2[Oj]12回目錄頁9/17/2023建模依據神經網絡數學模型下一頁x1x2x3123123層數12O1O2O3第2層第1個第2個第3個O1O2O3[Oj]1[Oj]2回目錄頁9/17/2023建模依據神經網絡數學模型下一頁x1x2x3123123層數12O1O2O3第2層O1O2O3[Oj]1[Oj]2回目錄頁9/17/2023建模依據神經網絡數學模型下一頁x1x2x3123123121234y1y2層數1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第3層回目錄頁9/17/2023建模依據神經網絡數學模型下一頁x1x2x3123123121234y1y2層數1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第4層回目錄頁9/17/2023建模依據下一頁第4層第3層第2層第1層回目錄頁9/17/2023建模依據黑箱模型x1yBP神經網絡xn統計模型多元線性回歸ANN模型回目錄頁9/17/2023BP算法下一頁BP神經網絡算法原理1.選取樣本數據3.用梯度法迭代計算w2.設置

w的初值一組xy

數據BackPropagation回目錄頁9/17/2023BP算法下一頁BP算法公式核心公式i－k層神經元p－樣本組數j－k+1層神經元Ｏpj－利用第p組樣本數據計算出的第k+1層神經元j的輸出值

－

學習步長（0~1）x1x3y1y2x2ijk+1層k層

pj－誤差回目錄頁9/17/2023BP算法下一頁BP算法公式x1x3x2ijk+1層k層取轉換函數對于輸出層對于隱含層神經元輸出回目錄頁9/17/2023BP算法小結下一頁O=f(X)XYWWx1x3x2y1y2y3y4O=f(WX)O=f(WX)O

pj=Y-O

pjErrorBack回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題數據來自實驗或生產記錄樣本個數適量取值全面分布均勻回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題輸入節點數=已知變量數輸出節點數=目標變量數隱含層數及各層節點數靠經驗取值回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題學習步長

動量因子

允許誤差

迭代次數回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題隨機取權值的初始值取值通常為0附近或-0.5~0.5回目錄頁9/17/2023BP算法應用下一頁分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題回目錄頁9/17/2023BP算法應用分析問題，確定已知變量，目標變量選取樣本確定網絡結構參數樣本數據預處理（歸一化）確定學習參數初始化權值迭代計算權值學習結束，數據還原樣本優化網絡結構優化調整學習參數重新分析問題回目錄頁9/17/2023優化模型x1yBP神經網絡Wxn確定自變量值指定目標變量值模擬模型優化模型回目錄頁9/17/2023建模實例下一頁BP神經網絡建立鋼線含碳量與電阻效應的關系式變量變量名稱樣本數據(實驗值)

1234567已知變量碳含量x%0.10.30.40.550.60.80.95目標變量電阻R1518192122.623.826回目錄頁建模實例網絡結構:1:3:15:1學習參數:

=0.9

=0.9

1=10-4

2=10-5經過6900次學習計算輸出的誤差達到要求變量學習結果與樣本比較

1234567輸入

x0.10.30.40.550.60.80.95計算輸出15.1517.8619.1920.8922.5523.9325.79樣本輸出1518192122.623.826利用建好的網絡作計算(稱為預測)x=0.45

R=19.79

計算得到對比

統計模型

R=13.96+12.55x

x=0.45R=19.60回目錄頁工程實例下一頁BP神經網絡乙苯脫氫反應器操作工況的模擬乙苯苯乙烯蒸汽乙苯+水蒸汽苯乙烯脫氫回目錄頁工程實例下一頁操作參數名稱單位t催化劑使用時間天F乙苯進料量NM3/hT1第一級反應器入口溫度℃T2第二級反應器入口溫度℃SOR蒸汽／EB重量比

P一、二級反應器出口壓差Mpa控制目標名稱y1一段出口轉化率y2一段出口轉化率y總收率回目錄頁工程實例下一頁樣本號TSORFT1T2Py1y2y131.718.066056070.04431.1542.0759.682581.412.536136160.05834.7835.5557.7631601.5616.26156210.04437.8939.7362.2142091.519.266276280.04239.5540.4663.7852581.3918.836216240.04941.1540.3662.4363501.5519.676296370.05438.636.6460.8173921.5417.176306250.05233.3633.4155.61回目錄頁工程實例網絡結構:6:10:3學習參數:

=0.9

=0.7

1=10-2

2=10-3經過10000次學習計算輸出的誤差達到要求