傅永峰[1]2007年在《软测量建模方法研究及其工业应用》文中研究表明现代工业过程对控制系统越来越高的要求促进了软测量技术的发展，作为解决现代复杂工业过程中较难甚至无法由硬件在线检测参量的实时估计问题的有效手段，软测量已经成为目前过程控制领域的研究热点之一，受到了国内外学者和生产企业的广泛关注。本文以实际工业过程为背景，结合化工过程的工艺知识，对软测量建模若干方法进行了深入的研究，并对软测量技术在实际工业过程中的应用进行了探讨和实践。本文的主要研究工作如下：1)提出了一种基于改进的FasBack模糊神经网络的新型软测量建模方法。改进方法采用收敛性较好的Levenberg-Marquardt算法训练FasBack模糊神经网络模型中的部分参数，其余参数仍然采用原BP算法进行训练。由于FasBack模糊神经网络既有神经网络的非线性拟合能力，又具有较强的分类能力，因此，既适用于多输入／单输出(MISO)情况下的软测量建模又适用于多输入／多输出(MOMO)情况下的软测量建模。将所提出的建模方法分别用于MISO情况下精对苯二甲酸(PTA)生产过程中的4-CBA含量软测量建模和MIMO情况下的复合肥养分含量：氮、五氧化二磷、氧化钾含量软测量建模，经实际工业过程数据验证表明，提出的MISO和MIMO软测量模型学习速度快、预测精度高、鲁棒性强，不仅为实现PTA生产过程中4-CBA含量的实时、精确控制提供了一条有效的途径，而且为MIMO软测量建模方法进行了一次有益的尝试。2)针对复合肥生产过程中产品的几种养分含量需要同时预报的一类多输入／多输出(MIMO)软测量建模问题，提出了一种基于混合建模技术的复合肥养分含量MIMO软测量建模方法。该方法充分利用了过程的工艺知识，将简化机理建模方法与数据驱动建模方法结合起来建立复合肥养分含量的MIMO软测量模型；同时，充分考虑了MIMO系统采集数据的严重相关性和大量冗余信息的存在，所以数据驱动建模方法选用了具有强大的处理相关和冗余信息能力的PLS算法；此外，在该算法中采用了一种新的方差递推算法，从而实现PLS模型的在线更新以克服模型在线应用时的老化现象。该算法充分利用了两种建模方法的优点，克服了其各自的局限性，基于实际工业过程数据的仿真结果表明，所建模型运算速度快、预测效果良好，模型预测结果与化验室分析结果趋势比较吻合，预测精度高，可以满足复合肥各养分含量在线预报要求。3)将基于混合建模方法的复合肥养分含量MIMO软测量模型应用于实际工业过程中复合肥养分：氮、五氧化二磷、氧化钾含量的实时估计，通过对数据采集、预处理、时序匹配、软测量建模以及在线校正环节的精心实施，实现了过程的实时监控，在复合肥生产中起了重要的指导作用。实际运行结果显示所采用的软测量方法不仅实现简单，而且运算速度快、模型预测结果与化验室分析结果趋势较为吻合，满足了复合肥各养分含量在线实时预报的要求。4)提出了一种基于混合建模技术的自适应软测量建模方法以解决软测量模型实际运行后的模型老化现象。该混合建模方法首先采用模糊C均值聚类(FCM)算法对训练样本进行聚类，并对每一类分别采用支持向量机进行训练建立子模型以提高模型的预测精度。当新增样本到来时，对支持向量机进行增量学习以便显着减少运算时间并提高模型适应工况变化的能力。由于支持向量机运算的复杂性取决于支持向量的个数，因此，当增加一个支持向量时，采用启发式策略去掉支持向量机工作集中的一个老的支持向量并进行减量学习，从而可以在软测量模型中不断增加能够代表新工况的信息样本的同时控制工作样本集的规模。将所提出的软测量建模方法用于对二甲苯(PX)吸附分离过程纯度的预测，仿真结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力，提高其预测精度。
王寅[2]2000年在《化工过程混合建模问题研究》文中进行了进一步梳理过程建模是过程控制和过程优化的重要基础。近年来，随着市场竞争的日益加剧和环保要求的不断提高，迫切要求企业从有限的资源中不断挖掘潜力，提高经济效益，这给过程控制和过程优化提出了新的要求，从而也对过程建模提出了更高的要求。 由于传统的黑箱建模策略只能利用相对比较单一的信息源，从而限制了其性能。如何合理有效地利用各种过程信息，以提高模型的整体性能是混合建模研究的主要内容。本文着重研究了新的混合模型结构、辨识算法及其应用，具体包括以下几部分内容： 1．提出了一种基于神经网络的自组织模糊系统，它可以根据训练样本数据的分布情况来灵活地划分模糊集合，从而保证能够以较少的规则达到理想的建模精度。并针对这种模糊神经网络提出了一种两步混合学习算法，其收敛速度要比传统的BP算法快得多。加热炉数据的仿真结果和丙烯丙烷精馏塔的应用结果表明，这种模糊神经系统具有结构简单、学习速度快、规则数少、相对建模精度高等优点。 2．针对样本数据信噪比较低的场合，提出将部分最小二乘学习算法引入径向基网络（RBF），以提高模型的抗噪性和外延性。首先将所有训练样本数据均作为径向基网络隐含层的节点，从而构成一个全径向基网络；然后利用部分最小二乘算法，将这些关联的基函数和网络输出投影到一组主元上，在各个主元上分别建立它们之间的对应关系。这样就形成了一个简约的多输入多输出非线性模型。仿真结果表明，这种径向基网络外延性好，且对噪声具有较强的鲁棒性。 3．提出了一种模糊—线性复合模型，并给出了在线递推辨识算法，其中的线性模型离线得到，不进行在线修正。复合模型通过模糊模型的在线自学习来逼近非线性对象的动态特性。这种复合模型具有任意逼近能力。在此基础上，进一步提出了基于模糊—线性复合模型的非线性自适应预测控制算法，并将其应用于pH中和过程的仿真和非线性液位控制实验装置，仿真和实验结果表明这种预测控制算法能达到较好的控制效果，特别是在离线样本数据较少的情况下。—— 4．提出了一种结合专家经验的模糊灰箱建模策略，利用模糊逻辑，将专家经验、线性模型以及根据历史数据辨识生成的模糊模型统一在一个整体框架一摸糊混合模型内．由于模型中充分利用了各种有用信息，从而大大提高了模糊朋模型的外延性。pH中和过程的仿真结呆说明了其有效性． 5．提出了一种基于线性准穗态数据校正的的容锗模型，利用线性准稳态数据校正技术对测量数据进行预处理，然后再将处理后的数据作为。模型的输入，从而大大减少了测量误差，特别是显另误差对模型的影响，提高了模型的可靠性．并进一步分析了模型的腑范围。串联pH中和过程的仿真结果说明了其有效性。 6．提出了一种新的基于模糊模型的非线性预测控制策略．T－S模糊模型用于描迷对象的非线性动态特性，由于每条规则的结论部分是一个线性模型，因此鳌个模糊模型可以看作一个线性时变系统，从而将模糊预测控制器中的非线性优化问题转化为一个线性二次寻优问题，以方便求解。pH中和过程的仿真结果说明了其有效性。 最后，在总结全文的基础上，指出了混合建模芳干有待深入研究的问题。
潘泽林[3]2014年在《多模型融合建模方法研究及其在软测量中的应用》文中研究说明针对化工过程关键质量指标无法实现在线测量的问题,可采用软测量技术实现关键质量指标的在线预测,其中软测量技术研究的核心内容是建模方法。由于采用单一模型难以建立较准确的化工过程软测量模型,因此提出了一种多模型融合建模方法。本文通过合理融合多个单一神经网络模型构建了一种组合神经网络模型结构,并针对许多化工过程各变量间存在强非线性相关的特点,引入核主元分析对组合神经网络模型的输入变量进行非线性降维处理,最终建了一种基于核主元分析-组合神经网络(KPCA-SNNs)的软测量建模方法,并将其应用于聚丙烯熔融指数软测量建模研究中。具体研究内容如下：(1)影响化工过程的因素众多,且各变量间常存在相关性,若将这些辅助变量直接作为软测量模型的输入,则不仅会影响到模型的预测精度,还将大幅度增加模型的计算量。由于常规主元分析不适用于具有非线性特性的化工过程,因此充分利用了核主元分析的非线性特征提取能力,对软测量模型的输入变量进行非线性降维处理；(2)针对单一模型存在预测精度低和鲁棒性差等不足,通过合理融合多个神经网络模型,提出了一种组合神经网络建模方法。由于组合权重选取对模型性能影响较大,因此提出了两种组合权重计算方法,分别是岭回归分析方法和基于最小化最大绝对误差的最优线性组合权重计算方法。采用核主元分析对组合神经网络的输入样本数据进行前期处理,然后将其结果作为模型输入,从而建立了一种基于核主元分析-组合神经网络(KPCA-SNNs)的软测量建模方法；(3)将KPCA-SNNs应用于聚丙烯熔融指数软测量研究中。首先根据丙烯聚合工艺合理选择辅助变量,采集样本数据并进行预处理,包括随机误差处理、特异点剔除、归一化和核主元分析等；然后根据预处理后的训练样本数据建立了基于KPCA-SNNs的聚丙烯熔融指数软测量模型；最后开展了软测量模型的性能测试,仿真结果表明,与常规组合神经网络相比,该软测量模型具有更好的鲁棒性和预测精度,并提高了运算速度,同时还采用上述熔融指数软测量模型开展了过程特性分析,研究各主要过程变量对聚丙烯熔融指数的影响。本文提出了一种基于KPCA-SNNs的多模型融合建模方法,并较好地应用于聚丙烯熔融指数软测量中。研究结果既为软测量建模提供了一种具有良好性能的建模方法,又较好地解决了化工过程重要质量指标无法在线估计问题,具有重要的理论意义与应用价值,将有利于促进软测量技术在化工过程中的实践应用。
陈超[4]2014年在《智能建模中冗余问题的分析与处理及其应用》文中研究表明随着现代科学技术飞速发展,石油化工产业不断进步和发展,石油化工产品质量不断提高、种类不断多元化。当面临新颖的生产工艺、不断复杂化的过程系统时,其过程机理难以获得,机理模型难以建立。因此,基于数据的建模方法得到了越来越多的关注。基于数据的建模方法不用了解化工过程机理,却十分依赖样本数据的质量和模型的结构。而在这两方面往往会出现冗余问题。A)挑选的输入变量可能与因变量无关,且相互之间可能存在冗余。工业过程中,通过先验知识或已知部分机理知识确定足够多的变量个数,而它们之间通常存在复杂的交互关系。如果将它们都作为模型输入,就会直接增加模型输入结构的复杂度,而且冗余问题可能间接传递到模型输出,严重影响其性能。B)模型结构中的冗余问题。模型的性能与其结构的优劣息息相关,而且结构的复杂度决定了模型的计算效率。为此,本文针对这两类智能建模中的冗余问题,首先通过多元统计方法中的主成分分析,并结合互信息分析法,研究和探讨了如何消除输入变量之间的冗余问题、如何发现与因变量无关的输入变量。其次,通过偏互信息法和提出的基于偏互信息的聚类方法,消除神经网络隐含层输出之间存在的冗余问题,优化神经网络结构。本文的主要研究成果如下：(1)针对输入变量之间可能存在复杂的冗余问题,结合径向基神经网络建模,提出了基于主成分-互信息分析的径向基神经网络模型(Principal Component Analysis-Mutual Information-Radial Basis Function Neural Network, PCA-MI-RBFNN)。首先通过主成分分析,把含有冗余问题的原始输入变量转换为新变量—主成分。主成分之间互不相关,并按照样本方差从大到小构建。模型要描述的是输入和输出变量之间的关系,因此按方差最大化来选取主成分变量作为模型输入,忽略了输入与输出变量之间的相关信息。于是结合互信息分析法,可以准确分析各主成分与输出变量之间的相关性,挑选出最佳的主成分作为模型输入。经过标准测试建模数据和精对苯二甲酸生产过程中氧化单元粗对苯二甲酸中对羧基苯甲醛(4-carboxybenzaldehyde,4-CBA)含量软测量建模的测试,结果表明消除输入冗余后,PCA-MI-RBFNN模型具有良好的鲁棒和预测性能。(2)针对挑选的输入变量可能与因变量无关,且输入变量之间可能存在复杂的冗余问题,结合相关向量机建模,提出了基于互信息-主成分-互信息分析的相关向量机模型(Mutual Information-Principal Component Analysis-Mutual Information-Relevance Vector Machine, MI-PCA-MI-RVM)。针对化工过程中高维的原始输入变量,其中有些变量与因变量毫不相关,若将这些变量直接用于建模,则会导致模型不准确；有些变量虽然与因变量相关,但相互之间存在冗余问题,若将这些变量直接用于建模,则会间接降低模型性能。因此提出对原始样本数据的粗筛选方式。MI-PCA-MI-RVM方法首先通过互信息分析,获得所有输入与输出变量之间的互信息量,并根据互信息量的概率密度分布,确定区分无关变量与相关变量的阈值,剔除无关输入变量。然后,针对剩余的输入变量,通过主成分-互信息分析挑选出与模型输出最相关的主成分作为模型输入。通过对二甲苯氧化反应中的4-CBA含量软测量模型的测试,结果表明剔除无关输入变量以及消除输入冗余后,MI-PCA-MI-RVM模型具有良好的鲁棒和预测性能。(3)针对径向基神经网络的结构优化问题,提出了基于偏互信息-最小二乘的隐含层单元挑选及其网络权值和阈值更新(Partial Mutual Information-Least Square Regression-Radial Basis Function Neural Network, PMI-LSR-RBFNN)。PMI-LSR-RBFNN方法首先通过改进的互信息分析法-偏互信息方法,挑选出合适隐含层单元,这些被挑选出的单元不仅与相互之间冗余最小,而且与输出变量的相关性最大。然后,通过最小二乘,对隐含层输出与输出层输出直接进行线性回归,更新了权值与阈值,建立RBFNN模型。在英威达氧化过程燃烧副反应建模中,与基于K均值、模糊C均值、K中心点和减法聚类的改进径向基网络相比,PMI-LSR-RBFNN网络结构简洁且模型性能更佳。通过Sammon非线性映射分析,由偏互信息分析挑选出的隐含层单元在空间位置上并不是均匀分布,但表现出更佳的模型性能。同时,基于建立的模型,进行各主要操作变量的灵敏度分析,其结果符合燃烧副反应过程的已知先验知识。(4)针对多层前馈神经网络的结构优化问题,提出了基于最小冗余最大相关-偏互信息聚类方法和最小二乘的隐含层单元挑选及其网络权值和阈值更新方法(MinimalRedundancy Maximal Relevance-Partial Mutual Information Clustering-Least Square Regression-Multi Layer Feed Forward Network, mPMIc-LSR-MLFN)当变量维数增加时偏互信息会消耗大量计算时间,且容易失去估计精度,因此提出了一种新颖的最小冗余最大相关-偏互信息聚类方法。由最小冗余最大相关性分析挑选出合适的隐含层单元作为初始聚类中心；再通过偏互信息量的计算,对所有隐含层单元进行聚类,并在各类中迭代更新该类中心,直到所有中心不再变化,从而寻找到最佳隐含层单元。最后通过最小二乘法线性回归更新输出层输入与隐含层输出之间的权值和阈值。在石脑油干点软测量模型的应用中,与基于K均值、减法等聚类的MLFN和叁类改进极限学习机(OP-、OS-、B-ELM)相比,mPMIc-LSR-MLFN模型结构最为简洁,预测性能最为出色。
王婷[5]2008年在《连续搅拌反应釜（CSTR）反应物浓度软测量方法研究》文中研究说明利用连续搅拌反应釜(Continuous Stirred Tank Reactor, CSTR)来进行聚合化学反应是目前广泛采用的一种生产方式,该过程具有复杂工业生产过程的典型特性,如：非线性、大惯性、时变性等等。反应物浓度是该过程中一个关键的化学参数,但是由于经济或技术的原因,对于该参数很难实现在线测量,通常只能通过采用人工采样离线化验分析的方法获得其采样值,这样的测量信息存在较大的测量滞后,这就给生产过程的在线监测以及质量控制带来了很大的困难。针对上述问题,本文对反应物浓度的软测量方法展开深入的研究。软测量技术的核心思想是：通过建立无法在线测量关键过程变量和与其密切相关的过程可测信息之间的数学模型,实现对不可测变量的预估。本文以连续搅拌反应釜中的聚合化学反应为背景,从软测量技术的角度,对其反应过程中重要参数(即反应物浓度)的软测量问题展开了较为深入研究。本文主要研究内容包括：根据多模型理论,提出了一种基于多神经网络的连续搅拌反应釜反应物浓度的软测量建模方法。将输入信息进行分类得到一系列的子模型,然后再对这些子模型进行融合,形成最终的多模型结构。多模型建模方法在一定程度上提高了模型的精度与泛化能力。将机理建模与智能建模相结合,提出了混合建模方法用以实现CSTR内反应物浓度的软测量。用串行和并行两种方法分别对CSTR内反应物浓度进行混合建模,这种混合建模方法降低了模型对训练数据的依赖程度,并提高了模型的泛化能力。最后针对软测量模型的在线校正问题做了简单的讨论。
成亮铖[6]2009年在《双酚A生产过程软测量混合建模的研究》文中提出过程模型化是工业过程优化控制的基础。混合建模法结合了机理建模与经验建模的优点,既利用了先验信息,反映了实际系统的主要规律,又体现了未知扰动和不确定性对实际系统的影响,有比单一机理模型更高的精度,和比单一经验模型更高的可靠性。本文以双酚A(BPA)缩合反应过程为对象,以建立生产过程质量指标在线估计的软测量模型为目标,对化工过程混合建模的理论和应用作了如下研究:从研究双酚A缩合反应的机理着手,建立了机理模型和支持向量机相结合的混合模型,用缩合反应机理模型构建混合模型的框架,描述整个反应的变化趋势。再用支持向量机根据工况条件实时估计机理模型中不可测的模型过程参数,实现缩合反应器出口BPA含量的在线软测量。仿真实验的结果证实了该反应器模型的准确性。双酚A生产采用阳离子交换树脂作为催化剂,催化剂活性对BPA生产有着重要影响。在研究催化剂失活机理的基础上,建立催化剂失活的半经验方程式,描述催化剂活性变化趋势,再使用支持向量机根据工况条件实时估计催化剂活性波动情况,实现催化剂活性的在线软测量。仿真实验的结果证实了该模型的准确性。数据预处理是软测量建模的重要环节,预处理的效果直接影响模型的性能。针对实际生产中现场数据含噪以致影响软测量模型性能的问题,将经验模态分解(EMD)和主元分析(PCA)算法相结合,用于去除模型输入样本数据所含的噪声,提高软测量模型的性能和估计精度。仿真实验的结果证实了该数据预处理方法的可行性和有效性。本文研究成果已应用于实际生产过程,并通过了教育部科技成果鉴定,取得了较为满意的效果。
刘华[7]2011年在《利用结构分解和参数分解的灰箱建模方法建立化学反应器模型》文中研究表明在科学技术日益蓬勃发展的今天,化学工业作为国民经济支柱产业之一的地位也日渐重要。但是化工过程本身原理复杂,模型结构以及参数难以获取,反应具有非线性,时变性等特点,而且部分过程数据无法通过传感器准确的在线获取。这一系列原因使得化工过程建模成为工业生产过程的一个瓶颈。因此,如何提高化工模型的精度和可推广性已成为化学工业生产领域的一个重点和难点。这对于提高化工生产效率,增加生产过程的安全性,减少原材料损耗,提高企业的核心竞争力都有十分重要的意义。本文针对化工反应过程,提出一种新的基于结构分解和参数分离的灰箱建模方法。化学反应器是化工生产过程中的关键设备,论文研究针对连续搅拌釜式反应器(CSTR)展开。许多CSTR都具有以下特点：其反应机理已知,可通过物料守恒和热量守恒方程及Arrhenius方程描述,但其中重要参数各异且未知。建立CSTR模型,应当充分利用上述特点,构成模型的结构框架,并在辨识模型参数时,保留其中已知参数,只对未知参数辨识。总之,所提方法尽最大可能利用系统的先验知识,提升了模型的可靠性和精度。论文首先以一个较简单的CSTR(只含一种反应速率)研究建模方法,然后扩展到较复杂的(具有多个反应速率)CSTR反应过程,最后探讨了使用该方法建立聚合反应过程分子量分布数学模型的途径。仿真研究结果表明,所提方法具有可行性,建立的结构逼近灰箱模型具有较高的可靠性,在与某些灰箱建模方法的比较中,显示出更好的泛化能力和精度。
褚燕彬[8]2011年在《利用组合B样条神经网络实现对间歇反应过程的建模》文中指出近年来,随着中国市场经济发展迅速,化工过程市场的需求推动了化工过程模型化的运用,其应用领域得到不断扩展,重要性已越来越突出。间歇过程因其能适应多品种、多规格和高质量的市场要求,被广泛应用于特殊化学品、电子材料、聚合材料、食生化产品和药物等非常广泛的领域,在化学工业过程中占有十分重要的地位。但是由于其具有很强的非线性、缺少稳态操作条件、反应过程的不确定性、未知扰动、过程变量的限制和有限的在线测量信息等特性,不易建立准确的数学模型。针对这些难点,本文就如何获取间歇反应过程模型这一关键问题进行了研究探索。本文研究的主要内容包括：针对非线性动态系统这一类复杂的的建模问题,以往的建模方法主要利用递归的形式,对于最优控制变量序列的求解通常需要利用微分或积分,比较复杂不易求解。本文主要研究利用组合B样条神经网络建立非线性动态模型和实施优化控制的方法。考虑到间歇反应过程时间固定的特性,以确定变化区域的时间变量作为B样条神经网络的输入,让其分担描述对象随时间变化的动态特性部分,而输出变量与操作变量间的关系则由另一B样条神经网络表示,两个神经网络的组合输出建立间歇反应器的非线性动态模型。本文以苯乙烯悬浮聚合间歇反应过程作为建模对象进行模型验证、仿真实验的结果表明：采用最小二乘学习方法的组合B样条神经网络能够以较高的精度和较快的速度为非线性动态系统建模。通过与其它神经网络建模方法的比较表明：通过使用组合B样条神经网络能够降低单个网络的复杂程度,改善了采用单一神经网络建模过程中存在的精度不高以及训练时间长等不足。对苯乙烯悬浮聚合反应转化率的优化控制实验结果还证明了,优化控制策略是有效的,而且由于采用组合神经网络建模的思路,求解优化控制策略就可以分解进行。其中因为间歇反应的时间周期是预先确定的,故神经网络的部分输出可视为已知值。这为利用分解方法求解优化控制序列带来极大方便。利用组合B样条神经网络建模针对时间变量的特点,本文对一个典型的非线性时变系统的输出进行了建模,仿真结果说明了该模型对于与时间变量相关的对象进行建模的可行性。本文的研究为解决间歇反应以及非线性时变系统的建模与优化控制问题提供了新的思路,是对该领域研究内容的创新与拓广。仿真结果证明了可以在化工生产的过程建模、优化控制等方面发挥出实际效果并体现出较强的优势。
张利芹[9]2012年在《聚合反应过程混合建模方法的探讨》文中认为过程建模在化学工业过程中有着很大的意义，是过程控制和过程优化的重要基础。聚合反应过程的特点是反应机理复杂，且有着非线性以及时变性，因此增加了建立该过程数学模型的难度。本文针对连续聚合反应过程，探讨了混合建模的方法，具体包含以下内容：1.以苯乙烯聚合反应过程为背景，探讨一种基于径向基函数神经网络的混合建模方法。本论文中研究的苯乙烯聚合反应过程属于反应机理部分已知，其中反应速率方程未知；反应变量可测，主要包括各反应物及生成物的浓度变量可测；反应参数未知，主要是反应速率方程中的参数未知的一类反应。针对以上特点，本文利用径向基函数的逼近特性，采用径向基函数神经网络来逼近不可测量部分的反应速率方程模型，采用白箱模型来建立已知机理部分的微分方程模型，最终将两种模型联结成一个整体形成灰箱模型。2.针对反应变量不可在线测量的一类反应，本文提出了一种基于误差最小的方法来估计不可在线测量变量的最优值。充分利用已知条件，合理假设，根据误差最小，得到不可在线测量变量的数值。3.以聚丙烯反应过程为背景，探讨对不可在线测量变量的估计方法。本论文中研究的聚丙烯反应过程属于反应机理部分已知，其中反应速率方程未知；反应变量部分可测，其中单体及链自由基浓度不可测；反应参数未知，主要是反应速率方程中的参数未知的一类反应。本文首先采用误差最小的方法估计单体和链自由基浓度的最优值，然后根据估计出来的最优值来获得径向基函数神经网络所需的数据样本即各反应速率数据，最后根据神经网络输出的反应速率数据以及已知的反应机理构建反应物浓度的微分方程模型。由于聚丙烯反应过程存在着不可在线测量变量，使得聚丙烯反应过程更接近于实际的反应过程，本文探讨的混合建模方法最终解决了含有不可在线测量变量的连续聚合反应过程的建模问题。在文章的最后，指出了混合建模方法有待进一步深入研究的问题——模型收敛性问题。
李晓光[10]2008年在《混合建模方法研究及其在化工过程中的应用》文中指出化工过程建模是化工过程控制和优化的重要基础。化工过程建模的方法主要分为叁大类,即机理模型、经验模型和混合模型。通过机理模型建模的方式虽然可以清晰的了解化工过程的本质,但是由于建模过程涉及大量的化工动态学知识和不确定因素,使机理模型的建立十分复杂和困难。黑箱模型由于只涉及过程的输入输出数据,信息来源相对单一,不能充分利用过程的内部信息,因而限制了其性能。如何合理有效的利用各种过程信息,从而提高模型的整体性能是混合模型研究的主要内容。本文着重研究了混合模型建模的方法及其在叁类化工对象中的应用,具体包括以下几部分内容:1.采用机理模型和经验模型相结合的混合建模方法建立了5kW质子交换膜燃料电池堆实际装置的电化学模型。利用电池堆与单电池之间的内在关系,首先给出了单电池的数学描述,进而建立燃料电池堆的数学模型。其中包括热力学平衡电势、活化极化电势和欧姆极化电势等表达式,以及单电池内阻的经验公式。由于难以得到机理方程中的某些关键参数,因此采用实验设计,获得燃料电池堆的实验数据,运用线性回归的数学方法获得机理模型中活化极化电势方程中的相关参数。通过模拟研究和模型验证,所建立的模型可以较准确的描述燃料电池的极化曲线,预估出燃料电池的输出电压2.提出一种新的混合神经网络建模方法:结构逼近式混合神经网络。基于此结构建立的混合神经网络可以充分利用已知非线性系统的结构信息,使神经网络“灰盒”化,更好的解释和描述系统各变量间的因果关系,从而提高网络的建模精度和模型的可靠性。本文介绍了这类神经网络的基本特性、拓扑结构和训练方法。报告了一个典型放热液相二级平行间歇反应的建模过程;并针对间歇反应过程测量滞后的情况,与两种不同的混合神经网络模型做了比较,仿真和比较结果证明了方法的有效性。3.提出一种智能化的神经网络建模方法:假象教师-人工免疫算法。针对部分状态不可测的情况,利用结构逼近式神经网络构建模型的拓扑结构,通过假想教师-人工免疫训练算法,解决不可测变量影响常规网络训练的问题,通过并行优化假想教师和网络权值的方法,提高建模精度。以实际橡胶硫化促进剂制备的间歇缩合聚合反应为实验对象,详细论述了建模和网络训练的过程,证明了方法的有效性。4.提出了一种新的扩展误差平方和的控制指标,并对一类典型的放热的间歇反应过程推导一种新的基于模型的预估优化控制算法。首先针对间歇反应温度特性,基于主产物浓度和反应温度的递归神经网络模型,使用混合PSO-SQP算法求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线;其次,鉴于反应温度实时可测,提出扩展的误差平方和指标,该指标把实时计算的模型误差引入控制策略,为基于模型的控制增加了反馈通道,增强了控制方法的鲁棒性和抗干扰性能;最后,利用Lyapunov原理对所提出的一步超前预测控制做了稳定性分析,证明了算法的正确性。研究的结果充分证明了基于结构逼近式混合神经网络模型的优化控制策略的有效性。最后,在总结全文的基础上,指出了混合建模若干有待深入研究的问题。
参考文献：
[1]. 软测量建模方法研究及其工业应用[D]. 傅永峰. 浙江大学. 2007
[2]. 化工过程混合建模问题研究[D]. 王寅. 浙江大学. 2000
[3]. 多模型融合建模方法研究及其在软测量中的应用[D]. 潘泽林. 浙江工业大学. 2014
[4]. 智能建模中冗余问题的分析与处理及其应用[D]. 陈超. 华东理工大学. 2014
[5]. 连续搅拌反应釜（CSTR）反应物浓度软测量方法研究[D]. 王婷. 东北大学. 2008
[6]. 双酚A生产过程软测量混合建模的研究[D]. 成亮铖. 江南大学. 2009
[7]. 利用结构分解和参数分解的灰箱建模方法建立化学反应器模型[D]. 刘华. 北京化工大学. 2011
[8]. 利用组合B样条神经网络实现对间歇反应过程的建模[D]. 褚燕彬. 北京化工大学. 2011
[9]. 聚合反应过程混合建模方法的探讨[D]. 张利芹. 北京化工大学. 2012
[10]. 混合建模方法研究及其在化工过程中的应用[D]. 李晓光. 北京化工大学. 2008
标签：自动化技术论文; 神经网络模型论文; 软测量论文; 控制变量论文; 网络模型论文; 过程控制论文; 数据建模论文; 系统仿真论文; 混合结构论文; 机理分析论文; 线性系统论文; 组合优化论文; 网络结构论文; 冗余系统论文; 冗余技术论文; 非线性论文; 变量论文;