摘要：智能優化控制技術是以數學、計算機為基礎，用于求解各種工程問題優化解的應用技術。簡單介紹了模式識別、神經網絡和專家系統等智能優化技術及其在石油煉制過程中的應用。
關鍵詞：智能優化控制；模式識別；神經網絡；專家系統；石油煉制

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

    智能優化控制應用在工業生產過程的前景十分廣闊，因為工業生產過程的生產操作基于對工藝的研究和其他同類企業的經驗，隨著時間的推移都有不同程度的改善和提高。但由于原料、設備、產品等生產條件的種種變化，使得實際的生產過程仍然需要不斷地選擇新的優化操作條件，建立有效的生產過程模型。現代化企業的生產概念，不僅是要生產出優質的產品，還應該是在生產過程中生產出大量的“數據”和“經驗”。對“數據”和“經驗”的不斷分析和總結，才能使工業生產過程的效益得到充分的提高。在以往相當長的一段時間里，此領域內的方法通常建立在單因素分析的基礎上，以便能容易地建立起公式化的關系，并便于直觀顯示和理解。然而許多工業生產過程卻又都是多因素的復雜體系，生產過程的建模和優化應該而且必須“智能”地考慮其間的“多元”信息，以及它們之間的相互關系。
    計算機技術的發展，對工業生產過程的安全、平穩、長周期、滿負荷生產有很大的促進作用，具有傳統常規儀表無法替代的優點，并使工業生產過程的智能優化控制成為可能。從目前情況來看，工業生產過程中多采用人為給定值的計算機控制，有時通過先進控制技術來達到和完善控制結果。也就是說，“手”或“腳”變得更靈活了，但“腦”的功能有待進一步開發。在生產工藝已很成熟而不指望能有大的提高的前提下，如何在計算機上搞好深層次開發，挖掘出工業生產過程中的效益就是一個重要而又迫切的課題，而智能優化技術則是解決這一課題“物美價廉”的手段。

2  基本原理

    目前，智能優化控制技術具體的方式方法很多，本文介紹筆者常用的模式識別技術、神經網絡技術和專家系統技術等，以及它們的綜合應用情況。

2.1  模式識別技術

    工業生產過程模式識別優化控制的理論基礎是將復雜的多元體系表象為各種狀態的模式，并且研究和確定這些模式在多維測量空間的分布規律。以生產工藝參數為特征變量構筑模式空間，設生產工藝由M個工藝參數表示，M個工藝參數（特征變量）組成M維模式空間，一種工況即一個模式點，對應于M維空間中的一個點X，稱之為樣本點，N個樣本點組成一M維數據集X＝(X₁，X₂，……，X_n)^T，以優化目標作為劃分樣本類別屬性的依據，將目標分為若干類，通過對數據集X的模式識別處理，找出優類樣本子集在M維模式空間中的分布區域，建立優化控制模型改進生產操作，并根據反饋信息不斷進行調整，從而達到改善一個企業的技術經濟指標、提高產品收率、降低能耗、改進質量和降低成本等目的。
    在科學技術許多領域的發展過程中，經常運用進行判別和分類的方法。但當所需決策的問題涉及的因素眾多或數據量很大，且牽涉到多種因素的交互作用時，現有理論一時難以提供精確的定量關系，決策的依據只能是關于目標與某些變量之間模糊的因果推測，以及從不同角度觀察所得的大量實測信息。按模式識別“物以類聚”的前提，據有相同特性的被觀察體應具有相似的模式，即具有數據結構上的類同性。這種類同性使它們在同一模式空間中聚集，且不同的類應占據不同的空間區域。因此，可以借助定義某些相似性的度量標準和判別規則來確定群體的特征，辨認各個模式的類別，選擇描述群體特性的基本單元或本征參量，作出最佳的分類決策。
    因此，人們所研究的特定問題，如工業生產過程的產品收率問題，可轉化為建立某個模式空間，在此空間中劃分出高收率產品所占據的空間范圍，從而得到相應的優化控制模型。若在已建立的模式空間中無法分割出對應的優級區，則可通過一定的空間變換或參量組合得到，否則便能判定該組參量尚未反映產品收率的基本特征。

2.2  神經網絡技術

    電腦的飛速發展，使其的計算功能已遠遠超過人腦。但在處理視覺、聽覺、聯想和類比等那些還找不到明確的計算方法的問題，電腦仍然不能全面達到人的功能，這似乎表明人腦思維機制和目前的電腦運作機理不完全是一回事。而實際上人腦對信息的處理具有并行直觀和串行邏輯兩個方面，這導致了人們設法了解人腦功能，企圖用人造的神經網絡系統模仿人腦進行并行分布處理信息和學習。因此神經網絡技術是用計算機軟件或硬件模擬人腦神經網絡功能的產物。
    神經元是神經網絡系統的基本單元，它接受N個信息的輸入，輸入信號的強度為X=(X₁，X₂，…，X_n)。經過加權w=(w₁，w₂，…，w_n)和閾值θ及函數f的作用后，產生神經興奮和沖動的輸出。將神經元作為有向圖的節點，就可連成神經網絡。從連接形式上神經網絡可區分為數十種各具特點的模型，它們各自有某些特定的用途。
    神經網絡中，各神經元之間的權重矩陣w是反映信息的關鍵量。在網絡結構確定后，就要對已有知識進行學習，修改權重矩陣w，使網絡對確定性輸入擁有正確響應的能力，符合實際應用的要求。神經網絡理論上可以擬合任何非線性函數而不需要關于函數形式的先驗假設，并從復雜的信息集中總結出數學模型，進而預報未知。
    對于工業生產過程控制而言，把生產過程中的信息量（如不同控制點的溫度、壓力、流量等），加載到已經訓練的神經網絡后，網絡將能及時預報異常情況的出現，通過調整控制點的方法制止異常情況的發展。

2.3  專家系統技術

    統計、模擬等數學方法一般能定量地給出計算結果，但在閉環控制系統中往往需要專家經驗在實施控制時作出定性的決策。專家系統把專家的智慧和專家對問題做決定時的推斷能力歸納為一系列相互關系的一般規則，并將匯集多方面的大量的信息資源，用多種復雜方式分析生產過程的現場狀況，實時為系統進行決策過濾。其自學習能力將保障專家系統動態地跟蹤生產系統，調整自身經驗。
    例如在工業生產過程中，一般原料屬于不可控制的因素，因此較為理想的辦法是利用在線分析儀表，隨時監測、分析原料的性質和它的變化狀況。這種辦法得到的結果比較及時和可靠，能為生產控制提供準確的原料狀況數據，但它的硬件價格昂貴，維護較為困難，而且本身就是一個大的課題。其次的辦法是利用專家系統優化技術對原料性質進行估算，這里的工作主要是指根據生產結果的反饋，通過優化計算和結合專家系統的經驗，來推斷應采用何種生產操作條件以適應當前原料的性質。這種純軟件的辦法需要大量準確的歷史生產操作數據為基礎，以及相當豐富可靠的生產工藝經驗為保證。

3  應用實踐

    在工業生產過程中，石油化工企業應用智能優化控制有著特殊的意義。因為石油化工企業一般加工量大，生產效率只要略有提高，就能帶來極大的經濟效益。而且石油化工企業的控制系統一般也比較完善，適合進行智能優化控制。

3.1 離線或在線開環的智能優化

    工業生產過程如果尚未具備先進的控制系統如DCS，則可考慮離線或在線開環的優化。即利用手工記錄的歷史操作數據或簡單的數據采集系統收集的在線實時數據，經過智能優化計算給出生產操作模型，以定期打印或屏幕顯示的方法，指導生產操作人員調整控制參數。
    常減壓蒸餾是石油煉制生產的重要裝置，產品收率歷來得到企業的關注。對于常壓生產汽油、航煤、柴油的子系統和減壓生產潤滑油料的子系統分別進行優化處理，選擇了包括塔頂溫度等在內的15個對生產過程起主要作用的控制變量，構筑判別模式空間。通過面向顯示的映射，得到判別分類圖，如圖1和圖2所示。

圖1  常壓子系統判別分類圖    圖2 減壓子系統判別分類圖

    從圖中可見，優類（3類）、中間類（2類）與差類（1類）的子空間具有明顯的切割面，常壓子系統主要判別矢量為：f1=[0.43 0.28 -0.33 0.17 0.22 0.09 -0.20 0.16]^-1，減壓子系統主要判別矢量為：f1=[-0.07 0.15 0.23 0.37 0.11 -0.31 0.18]^-1。
    將生產過程控制參數指定在優類子空間的范圍，綜合分析生產結果的反饋信息微調控制參數，循環往復跟蹤尋優，使產品的總收率提高了0.63，增加經濟效益數百萬元。

表1  常減壓蒸餾優化前后對比表

圖4  汽油10%點比較圖        圖5  干氣C3含量比較圖

    如上所述進行優化控制，收率提高了1%左右，年增經濟效益近2000萬元人民幣。

4  結語

    作為衡量工業生產過程控制現代化的重要標志之一，智能優化控制無疑是今后發展的方向，即要打破局部參數孤立控制操作的老習慣，建立起全裝置多參數綜合操作的概念。不僅要向著操作的精確性、安全性、穩定性發展，而且還要向著操作的預見性等方面發展。智能優化控制技術不做試驗，不改設備，不干擾生產，方便實用，具有很強的通用性，可方便的移植到其它配有DCS的生產裝置上，通過自學習現場操作數據，控制生產的發展方向。