化工过程智能建模与优化-

《化工过程智能建模与优化-》由会员分享，可在线阅读，更多相关《化工过程智能建模与优化-（205页珍藏版）》请在金锄头文库上搜索。

1、化工过程智能建模与优化,颜学峰 研究生楼1105西房间 Email： Tel: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

2、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,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

3、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

4、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）,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： Aspen Tech：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

5、出合格的产品、提高生产率等，每年效益在100500万美元；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（Advanced Regulatory Control）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。,

6、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：Aspen Tech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

7、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、

8、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 。,1、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

9、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。,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

10、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

11、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 。,（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。,（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,非负函数,（4）估计方法1）最小方差估计,非负定,在内积分号内,

12、（4）估计方法1）最小方差估计,等价于在 条件下，贝叶斯的条件风险为极小,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。,（4）估计方法1）最小方差估计,当 ，并使 必要条件是,（4）估计方法1）最小方差估计,因为 为非负定的，所以有,具有最小值,（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。,（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,（4）估计方法1）最小方差估计,（2）最小方差估计这

13、个结果 ，只要求加权阵 是非负定的，而与其他具体形式无关，因此，它可以选为任意非负定阵，一般常选为单位阵。,S 选为单位矩阵,（4）估计方法1）最小方差估计,（3）由于 是 的无偏估计，估计的方差 就是估计误差的方差阵，其表达式为,（4）估计方法1）最小方差估计,（4）如果设 的其他任意估计为 其均方误差方差阵为 并且，当 时，上式取等号。,表明：任何其他估计的均方误差阵或任何其他无偏估计的方差阵都将大于最小方差估计的误差方差阵。,（4）估计方法1）最小方差估计,最小方差估计的几点说明,由于无偏估计的误差方差阵，亦即估计误差的二阶矩表示了误差分布在零附近的密集程度。 因此，最小方差估计 是一种

14、最接近真值 的估计。,1、各种模型参数估计方法,（4）估计方法2）极大似然估计,极大似然准则是使条件概率分布密度 达到极大的那个 值作为估值的。按照这种估计准则求得 的最优估值便成为极大似然估计。 求极大似然估计，需要知道条件概率分布密度 。,（4）估计方法2）极大似然估计,被估计量 其观测值向量 观测集,条件概率密度函数 应该是 和 两者的函数，但是对于具体的观测值 来说，是 的函数，并称它为似然函数，记为,表示被估计量取值为 的条件下， 的概率分布函数。如果 时的 要比 时的 大，表明 是准确值的可能性要比 是准确值的可能性大。,（4）估计方法2）极大似然估计,如果对所有可能的 值， 是

15、的最大值，那么， 是准确值的可能性就最大，这时就称 是 的极大似然估计，并记为 。 可见，极大似然估计 是使似然函数 达到极大值的一种最优估计。 最优估计准则“似然函数达到极大值”,（4）估计方法2）极大似然估计,对数函数是单调增加函数,必要条件,求解似然方程,（4）估计方法2）极大似然估计,几点说明： （1）采用极大似然估计的条件是 知道（对数）似然函数 （2）在极大似然估计中，被估计量可以是随机量，也可以是非随机的参数，适用范围较广。 （3）可以证明，当观测次数 趋于无限时，极大似然估计量是一种无偏估计量，亦即它是一种渐进无偏估计量。,1、各种模型参数估计方法,（4）估计方法3）极大验后估计,极大验后准则是使验后概率分布密度 达到极大的那个 值作为估值的。按这种估计准则求得的 的最优估值就是极大验后估计。 为了求出极大验后估计，需要知道验后概率分布密度 。,（4）估计方法3）极大验后估计,对观测值取 条件下 的条件概率密度 （ 的验后概率密度），均有 则称 为 的极大验后估计。 极大验后估计的物理意义是：在观测值取 的情况下，被估计量 出现可能性最大的值，即随机向量 落在 的领域内的概率将比其落在其他任何值的相同领域内的概率要大。,（4）估计方法3）极大验后估计,解验后