化工过程智能建模与优化

化工过程智能建模与优化颜学峰研究生楼1105西房间Email：[e-mail]:13671876906华东理工大学信息学院自动化研究所二0一一年十一月主要中文参考书目：[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。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：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。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！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%。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%。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。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）0%10%20%30%40%50%60%70%80%DCS投资/效益复杂控制投资/效益先进控制投资/效益过程优化投资/效益一、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。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。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。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。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。1ntRx1mtRzt1mhR,,thtttzx0,tttx0,ttz=zzˆxztxˆxztxtxˆxz1、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。tx0,ttz=zˆxzˆxz收集数据构造函数关系计算估计量的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。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。xzPxzPzPx,zPxzPzPx,z（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。1nRx1mRz1Px2PzPx,zzxxSzxxzxxˆˆˆTfˆxxxznnRSminˆˆˆMVMVˆˆTˆˆzxzxzxzxzxxSzxxzxEzxMVˆzxMVˆ1nRx（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zxzxMVˆˆminˆMVˆˆzxzxzxminˆˆMVˆˆTzxzxzxxSzxxEmindd,ˆˆMVˆˆTzxzxzxzxzxxSzxxP非负函数（4）估计方法——1）最小方差估计mindd,ˆˆMVˆˆTzxzxzxzxzxxSzxxPmindd|ˆˆMVˆˆTzxzxzxzxzxxSzxxzPPzzxzxPPP|,mind|ˆˆMVˆˆTzxzxxzxzxxSzxxPSzxxSzxxˆˆTzx|PzP非负定在内积分号内zxˆ（4）估计方法——1）最小方差估计mind|ˆˆMVˆˆTzxzxxzxzxxSzxxP等价于在条件下，贝叶斯的条件风险为极小zzmind|ˆˆ|ˆMVMVˆˆTˆˆzxzxzxzxxzxzxxSzxxzzxP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。mnn（4）估计方法——1）最小方差估计当，并使必要条件是zxzxMVˆˆmin|ˆMVˆˆzxzxzzx0ˆ|ˆMVˆˆzxzxzxzzx0d|ˆ2d|ˆˆˆd|ˆˆˆMVMVMVˆˆˆˆTˆˆTzxzxzxzxzxzxxzxzxxSxzxzxxSzxxzxxzxzxxSzxxzxPPP（4）估计方法——1）最小方差估计因为为非负定的，所以有Sxzxxxzxzxd|d|ˆMVPP1d|xzxPzxxzxxzx|d|ˆMVEPSzxzxzzxzxzx2ˆˆ|ˆMVˆˆT2具有最小值zzx|ˆMVˆ|Exzxz（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。xzxMVˆzzzx|Ezx|E（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xxxxxzzzxxzzxzxxzxzxEPPPPPEEEddd|dd||ˆ1MVzxMVˆxzxEEMVˆ（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