摘要: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 mat..
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。 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。 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,……,Xn)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。 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。 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。 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。
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。 表1 常減壓蒸餾優化前后對比表
3.2 在線閉環的智能優化控制 圖3為催化裂化智能優化控制結構簡圖,智能優化工作主要通過一臺與DCS聯網的微機進行。上位機通過網絡向微機實時提供下位機取得的生產操作數據,微機將智能優化控制參數通過網絡傳送給上位機,再由下位機驅動執行部件。
智能優化控制系統利用人機對話窗口取得原料性質的分析數據,根據專家系統給出最適合當前原料情況的操作條件,同時更新專家系統中的內容。由于原料性質的分析數據往往不能很及時地給出,因此當原料性質的變化在生產過程中有較明顯的體現時,專家系統將會對生產操作條件進行預調,直至收到原料性質的分析數據后再對生產操作條件進行部署。 表2 智能優化控制典型事例之一
表3 智能優化控制典型事例之二
典型的神經網絡模型權系數矩陣和偏置權系數矩陣分別為 圖4和圖5分別為神經網絡質量模擬預測汽油10%點的質量和專家系統預測干氣中C3及以上含量的比較圖。
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。 |