摘要：摘要：智能优化控制技术是以数学、计算机为基础，用于求解各种工程问题优化解的应用技术。简单介绍了模式识别、神经网络和专家系统等智能优化技术及其在石油炼制过程中的应用。关键词：智能优化控制；模式识别；神经网络；专家系统；石油炼制 Abstract: Based on mat..
|
摘要：智能优化控制技术是以数学、计算机为基础，用于求解各种工程问题优化解的应用技术。简单介绍了模式识别、神经网络和专家系统等智能优化技术及其在石油炼制过程中的应用。 Abstract: Based on mathematics and computer technology, an intelligent optimization control technology is used to find the optimized solution of many engineering projects. In this paper, some intelligent optimization control technologies, such as pattern recognition, neural network and expert system, and their application on the process of oil making are discussed. 1 引言 智能优化控制应用在工业生产过程的前景十分广阔，因为工业生产过程的生产操作基于对工艺的研究和其他同类企业的经验，随着时间的推移都有不同程度的改善和提高。但由于原料、设备、产品等生产条件的种种变化，使得实际的生产过程仍然需要不断地选择新的优化操作条件，建立有效的生产过程模型。现代化企业的生产概念，不仅是要生产出优质的产品，还应该是在生产过程中生产出大量的“数据”和“经验”。对“数据”和“经验”的不断分析和总结，才能使工业生产过程的效益得到充分的提高。在以往相当长的一段时间里，此领域内的方法通常建立在单因素分析的基础上，以便能容易地建立起公式化的关系，并便于直观显示和理解。然而许多工业生产过程却又都是多因素的复杂体系，生产过程的建模和优化应该而且必须“智能”地考虑其间的“多元”信息，以及它们之间的相互关系。 2 基本原理 目前，智能优化控制技术具体的方式方法很多，本文介绍笔者常用的模式识别技术、神经网络技术和专家系统技术等，以及它们的综合应用情况。 2.1 模式识别技术 工业生产过程模式识别优化控制的理论基础是将复杂的多元体系表象为各种状态的模式，并且研究和确定这些模式在多维测量空间的分布规律。以生产工艺参数为特征变量构筑模式空间，设生产工艺由M个工艺参数表示，M个工艺参数（特征变量）组成M维模式空间，一种工况即一个模式点，对应于M维空间中的一个点X，称之为样本点，N个样本点组成一M维数据集X＝(X1，X2，……，Xn)T，以优化目标作为划分样本类别属性的依据，将目标分为若干类，通过对数据集X的模式识别处理，找出优类样本子集在M维模式空间中的分布区域，建立优化控制模型改进生产操作，并根据反馈信息不断进行调整，从而达到改善一个企业的技术经济指标、提高产品收率、降低能耗、改进质量和降低成本等目的。 电脑的飞速发展，使其的计算功能已远远超过人脑。但在处理视觉、听觉、联想和类比等那些还找不到明确的计算方法的问题，电脑仍然不能全面达到人的功能，这似乎表明人脑思维机制和目前的电脑运作机理不完全是一回事。而实际上人脑对信息的处理具有并行直观和串行逻辑两个方面，这导致了人们设法了解人脑功能，企图用人造的神经网络系统模仿人脑进行并行分布处理信息和学习。因此神经网络技术是用计算机软件或硬件模拟人脑神经网络功能的产物。 2.3 专家系统技术 统计、模拟等数学方法一般能定量地给出计算结果，但在闭环控制系统中往往需要专家经验在实施控制时作出定性的决策。专家系统把专家的智慧和专家对问题做决定时的推断能力归纳为一系列相互关系的一般规则，并将汇集多方面的大量的信息资源，用多种复杂方式分析生产过程的现场状况，实时为系统进行决策过滤。其自学习能力将保障专家系统动态地跟踪生产系统，调整自身经验。 3 应用实践 在工业生产过程中，石油化工企业应用智能优化控制有着特殊的意义。因为石油化工企业一般加工量大，生产效率只要略有提高，就能带来极大的经济效益。而且石油化工企业的控制系统一般也比较完善，适合进行智能优化控制。 3.1 离线或在线开环的智能优化 工业生产过程如果尚未具备先进的控制系统如DCS，则可考虑离线或在线开环的优化。即利用手工记录的历史操作数据或简单的数据采集系统收集的在线实时数据，经过智能优化计算给出生产操作模型，以定期打印或屏幕显示的方法，指导生产操作人员调整控制参数。
从图中可见，优类（3类）、中间类（2类）与差类（1类）的子空间具有明显的切割面，常压子系统主要判别矢量为：f1=[0.43 0.28 -0.33 0.17 0.22 0.09 -0.20 0.16]-1，减压子系统主要判别矢量为：f1=[-0.07 0.15 0.23 0.37 0.11 -0.31 0.18]-1。 表1 常减压蒸馏优化前后对比表
3.2 在线闭环的智能优化控制 图3为催化裂化智能优化控制结构简图，智能优化工作主要通过一台与DCS联网的微机进行。上位机通过网络向微机实时提供下位机取得的生产操作数据，微机将智能优化控制参数通过网络传送给上位机，再由下位机驱动执行部件。
智能优化控制系统利用人机对话窗口取得原料性质的分析数据，根据专家系统给出最适合当前原料情况的操作条件，同时更新专家系统中的内容。由于原料性质的分析数据往往不能很及时地给出，因此当原料性质的变化在生产过程中有较明显的体现时，专家系统将会对生产操作条件进行预调，直至收到原料性质的分析数据后再对生产操作条件进行部署。 表2 智能优化控制典型事例之一
表3 智能优化控制典型事例之二
典型的神经网络模型权系数矩阵和偏置权系数矩阵分别为
图4和图5分别为神经网络质量模拟预测汽油10%点的质量和专家系统预测干气中C3及以上含量的比较图。
如上所述进行优化控制，收率提高了1%左右，年增经济效益近2000万元人民币。 4 结语 作为衡量工业生产过程控制现代化的重要标志之一，智能优化控制无疑是今后发展的方向，即要打破局部参数孤立控制操作的老习惯，建立起全装置多参数综合操作的概念。不仅要向着操作的精确性、安全性、稳定性发展，而且还要向着操作的预见性等方面发展。智能优化控制技术不做试验，不改设备，不干扰生产，方便实用，具有很强的通用性，可方便的移植到其它配有DCS的生产装置上，通过自学习现场操作数据，控制生产的发展方向。 |
。将神经元作为有向图的节点，就可连成神经网络。从连接形式上神经网络可区分为数十种各具特点的模型，它们各自有某些特定的用途。
