论文部分内容阅读
化工生产过程的在线优化是提高化工经济效益的重要手段,一直受到业内重视,但相关的技术仍需要进一步完善;本文从具体工业问题出发,探讨化工在线优化的两大关键问题:建模和在线优化算法。
首先建模部分,通过比较各类神经网络建模的精度、网络参数的灵敏度以及学习时间等,本文选用了RBFPLS神经网络进行建模。实验结果显示,RBF_PLS神经网络学习速度快、参数少,而且所设参数对网络输出呈现一定的规律,调节方便。此外,由于RBFPLS神经网络输出层与隐层输出之间的关系是线性的,可以采用渐消记忆的递推最小二乘算法对离线的RBF_PLS神经网络模型进行在线校正。本文的实验结果表明,对网络模型进行在线校正能在一定程度上改进模型的泛化能力。
优化算法方面,本文采用目前研究较为广泛的粒子群算法(PSO)与遗传算法(GA)进行试验。通过在寻优精度、计算时间以及在线应用等方面的比较,本文的实验结果显示粒子群算法更适合在线应用。因为在达到相似的优化效果时,粒子群算法的计算速度比遗传算法要快得多。这为粒子群算法的在线应用提供了良好的条件。此外,本文考察了粒子群算法收敛过程中的粒子行为,发现在算法收敛的关键时期粒子越界情况严重,这给算法的收敛过程带来了很大的影响。基于此,在目前自适应粒子群算法(APSO)的研究基础之上,本文在粒子的越界约束方面进行了改进,将镜面反弹机制应用于越界的粒子,提出了反弹自适应粒于群算法(RAPSO)。与传统自适应粒子群算法的比较结果显示,RAPSO在一定程度上改进了粒子群算法的寻优过程,能在较少迭代次数的条件下迅速达到精度要求。
基于模型和优化算法两方面的研究,本文提出了在线自校正RBF_PLS神经网络与反弹自适应粒子群优化算法(RAPSO)相结合的化工过程在线优化方案。采用该方案对炼油厂催化裂化装置转化率的优化进行了仿真实验,结果表明,无论是单变量优化还是多变量优化,该方案都是有效的。