论文部分内容阅读
精馏操作是石油化工领域中应用最为广泛、也是能源消耗最为巨大的一个单元操作,在化工生产过程中占据非常关键的地位。内部热耦合精馏节能技术到目前为止是所有精馏节能技术里面节能效果最好、潜力最大的节能方案,引来了国际上众多著名学者的关注,它的研究目前正处在精馏节能的最前沿,节能技术的众多专家都关注过该领域,而精馏节能技术的主流学者全部都在该领域从事研究。但是由于内部热耦合精馏的机理特别复杂,该过程动态具有强病态非线性,以及变量之间的强耦合性和对干扰的高度敏感性。但由于内部热耦合精馏机制特别复杂,具有很强的病态非线性、对干扰的高灵敏度以及强耦合性。这就对内部热耦合精馏塔的控制带来了很大困扰,国内外到目前为止的研究都是基于机理模型的控制研究,但是由于机理建模时间长,在线校正比较困难,不适合在线运行。因此本文尝试从机器学习的角度来进行建模控制,考虑从RBF机器学习的角度来解决此控制方案。本文主要对内部热耦合精馏过程节能的RBF先进控制研究,试图找到一个或多个优良的RBF控制解决方案,提供给这个新技术产业化的支持。主要的工作与成果如下：1.针对内部热耦合精馏这个极具节能潜力的对象,研究了国内外关于内部热耦合精馏的控制策略,并提出了RBF神经网络内模控制方案,通过苯一甲苯物系为研究实例,结果表明,与传统的PID控制和一般IMC控制方案相比RBF-IMC具有更好的控制效果。。2.针对神经网络模型建立过程中的研究,提出了一种基于减聚类、梯度下降和PSO优化的混合算法,通过与常规RBF的比较,表明了PSO-RBF-IMC控制算法的有效性,能够更好的跟踪输出和拥有更好的精度。3.基于对内模结构的国内外现状研究,考虑在传统的内模结构上加入一个反馈滤波器来进行精度和鲁棒性的权衡,克服RBF-IMC干扰下的模型失配,研究结果表明新的控制方案TDOF-PSO-RBF-IMC具有更好的控制效果和优势。