智能优化控制应用概述
责任编辑:lng    浏览:4598次    时间: 2008-01-31 08:32:51    | 来源:采集所得   

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..

分享到:

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 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.
Key words: Intelligent optimization control; Pattern recognition; Neural network; Expert system; Petroleum refining

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。
    计算机技术的发展,对工业生产过程的安全、平稳、长周期、满负荷生产有很大的促进作用,具有传统常规仪表无法替代的优点,并使工业生产过程的智能优化控制成为可能。从目前情况来看,工业生产过程中多采用人为给定值的计算机控制,有时通过先进控制技术来达到和完善控制结果。也就是说,“手”或“脚”变得更灵活了,但“脑”的功能有待进一步开发。在生产工艺已很成熟而不指望能有大的提高的前提下,如何在计算机上搞好深层次开发,挖掘出工业生产过程中的效益就是一个重要而又迫切的课题,而智能优化技术则是解决这一课题“物美价廉”的手段。

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。
    在科学技术许多领域的发展过程中,经常运用进行判别和分类的方法。但当所需决策的问题涉及的因素众多或数据量很大,且牵涉到多种因素的交互作用时,现有理论一时难以提供精确的定量关系,决策的依据只能是关于目标与某些变量之间模糊的因果推测,以及从不同角度观察所得的大量实测信息。按模式识别“物以类聚”的前提,据有相同特性的被观察体应具有相似的模式,即具有数据结构上的类同性。这种类同性使它们在同一模式空间中聚集,且不同的类应占据不同的空间区域。因此,可以借助定义某些相似性的度量标准和判别规则来确定群体的特征,辨认各个模式的类别,选择描述群体特性的基本单元或本征参量,作出最佳的分类决策。
    因此,人们所研究的特定问题,如工业生产过程的产品收率问题,可转化为建立某个模式空间,在此空间中划分出高收率产品所占据的空间范围,从而得到相应的优化控制模型。若在已建立的模式空间中无法分割出对应的优级区,则可通过一定的空间变换或参量组合得到,否则便能判定该组参量尚未反映产品收率的基本特征。

2.2  神经网络技术

    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。
    神经元是神经网络系统的基本单元,它接受N个信息的输入,输入信号的强度为X=(X1,X2,…,Xn)。经过加权w=(w1,w2,…,wn)和阈值θ及函数f的作用后,产生神经兴奋和冲动的输出。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。
    神经网络中,各神经元之间的权重矩阵w是反映信息的关键量。在网络结构确定后,就要对已有知识进行学习,修改权重矩阵w,使网络对确定性输入拥有正确响应的能力,符合实际应用的要求。神经网络理论上可以拟合任何非线性函数而不需要关于函数形式的先验假设,并从复杂的信息集中总结出数学模型,进而预报未知。
    对于工业生产过程控制而言,把生产过程中的信息量(如不同控制点的温度、压力、流量等),加载到已经训练的神经网络后,网络将能及时预报异常情况的出现,通过调整控制点的方法制止异常情况的发展。

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。
    例如在工业生产过程中,一般原料属于不可控制的因素,因此较为理想的办法是利用在线分析仪表,随时监测、分析原料的性质和它的变化状况。这种办法得到的结果比较及时和可靠,能为生产控制提供准确的原料状况数据,但它的硬件价格昂贵,维护较为困难,而且本身就是一个大的课题。其次的办法是利用专家系统优化技术对原料性质进行估算,这里的工作主要是指根据生产结果的反馈,通过优化计算和结合专家系统的经验,来推断应采用何种生产操作条件以适应当前原料的性质。这种纯软件的办法需要大量准确的历史生产操作数据为基础,以及相当丰富可靠的生产工艺经验为保证。

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。
    常减压蒸馏是石油炼制生产的重要装置,产品收率历来得到企业的关注。对于常压生产汽油、航煤、柴油的子系统和减压生产润滑油料的子系统分别进行优化处理,选择了包括塔顶温度等在内的15个对生产过程起主要作用的控制变量,构筑判别模式空间。通过面向显示的映射,得到判别分类图,如图1和图2所示。


图1  常压子系统判别分类图    图2 减压子系统判别分类图

    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
    将生产过程控制参数指定在优类子空间的范围,综合分析生产结果的反馈信息微调控制参数,循环往复跟踪寻优,使产品的总收率提高了0.63,增加经济效益数百万元。

表1  常减压蒸馏优化前后对比表

变量

X1

X2

X3

X4

X5

X6

X7

X8

优化前

103.8

32.19

76.47

51.79

12.13

110.6

25.34

77.35

优化后

108.3

34.77

72.54

54.50

18.21

111.1

24.07

77.63

变量

X9

X10

X11

X12

X13

X14

X15

总收率

优化前

47.83

45.89

45.55

177.9

259.1

174.2

318.7

61.94

优化后

44.58

50.10

47.31

187.67

260.7

169.7