化工過程分析與合成5

概述

機理模型法

統(tǒng)計模型法智能模型法9/17/2023化工過程操作工況調(diào)優(yōu)9/17/2023概述

尋找最佳操作方案目的和意義回目錄頁下一頁適應(yīng)

操作環(huán)境的變化

獲得顯著經(jīng)濟效益適應(yīng)經(jīng)濟技術(shù)條件的變化9/17/2023離線調(diào)優(yōu)調(diào)優(yōu)方式回目錄頁下一頁模型與裝置分離計算數(shù)據(jù)取報表記錄調(diào)優(yōu)結(jié)果指導(dǎo)生產(chǎn)在線開環(huán)調(diào)優(yōu)模型與裝置相連計算數(shù)據(jù)為實時檢測數(shù)據(jù)調(diào)優(yōu)結(jié)果指導(dǎo)生產(chǎn)在線閉環(huán)調(diào)優(yōu)模型與裝置相連計算數(shù)據(jù)為實時檢測數(shù)據(jù)調(diào)優(yōu)結(jié)果直接返回控制系統(tǒng)概述9/17/2023模型描述方法特點機理模型過程的物理、化學(xué)本質(zhì)和機理結(jié)果精確機理不清或復(fù)雜時建模難統(tǒng)計模型輸入－輸出關(guān)系模型關(guān)系式簡單外延性差智能模型輸入－輸出關(guān)系尋優(yōu)快，自學(xué)習(xí)、自適應(yīng)能力強適于多目標(biāo)函數(shù)調(diào)優(yōu)方法回目錄頁概述9/17/2023智能模型法－基于人工神經(jīng)網(wǎng)絡(luò)的智能模型法智能模型法回目錄頁人工神經(jīng)網(wǎng)絡(luò)概述BP網(wǎng)絡(luò)建模依據(jù)BP算法及BP網(wǎng)絡(luò)的應(yīng)用過程系統(tǒng)優(yōu)化模型建模實例乙苯脫氫反應(yīng)器操作工況的模擬與調(diào)優(yōu)9/17/2023人工神經(jīng)網(wǎng)絡(luò)概述神經(jīng)元x1x2xnyjx1x2x3123123121234y1y2神經(jīng)網(wǎng)絡(luò)回目錄頁下一頁智能模型法9/17/2023建模依據(jù)神經(jīng)元數(shù)學(xué)模型下一頁x1x2xnyjBP神經(jīng)網(wǎng)絡(luò)w1jw2jw3j回目錄頁9/17/2023建模依據(jù)下一頁區(qū)間線性型x1yx階躍型1-1y1yxx1-1ySigmoid型回目錄頁9/17/2023建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123121234y1y2層數(shù)1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第1層回目錄頁Wji2,1Wji3,2Wji4,3建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123層數(shù)1O1O2O3第1層第1個第2個第3個O1O2O3[Oj]2[Oj]12回目錄頁9/17/2023建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123層數(shù)12O1O2O3第2層第1個第2個第3個O1O2O3[Oj]1[Oj]2回目錄頁9/17/2023建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123層數(shù)12O1O2O3第2層O1O2O3[Oj]1[Oj]2回目錄頁9/17/2023建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123121234y1y2層數(shù)1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第3層回目錄頁9/17/2023建模依據(jù)神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)模型下一頁x1x2x3123123121234y1y2層數(shù)1234輸出[Oj]1[Oj]2[Oj]3[Oj]4=yj第4層回目錄頁9/17/2023建模依據(jù)下一頁第4層第3層第2層第1層回目錄頁9/17/2023建模依據(jù)黑箱模型x1yBP神經(jīng)網(wǎng)絡(luò)xn統(tǒng)計模型多元線性回歸ANN模型回目錄頁9/17/2023BP算法下一頁BP神經(jīng)網(wǎng)絡(luò)算法原理1.選取樣本數(shù)據(jù)3.用梯度法迭代計算w2.設(shè)置

w的初值一組xy

數(shù)據(jù)BackPropagation回目錄頁9/17/2023BP算法下一頁BP算法公式核心公式i－k層神經(jīng)元p－樣本組數(shù)j－k+1層神經(jīng)元Ｏpj－利用第p組樣本數(shù)據(jù)計算出的第k+1層神經(jīng)元j的輸出值

－

學(xué)習(xí)步長（0~1）x1x3y1y2x2ijk+1層k層

pj－誤差回目錄頁9/17/2023BP算法下一頁BP算法公式x1x3x2ijk+1層k層取轉(zhuǎn)換函數(shù)對于輸出層對于隱含層神經(jīng)元輸出回目錄頁9/17/2023BP算法小結(jié)下一頁O=f(X)XYWWx1x3x2y1y2y3y4O=f(WX)O=f(WX)O

pj=Y-O

pjErrorBack回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題數(shù)據(jù)來自實驗或生產(chǎn)記錄樣本個數(shù)適量取值全面分布均勻回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題輸入節(jié)點數(shù)=已知變量數(shù)輸出節(jié)點數(shù)=目標(biāo)變量數(shù)隱含層數(shù)及各層節(jié)點數(shù)靠經(jīng)驗取值回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題學(xué)習(xí)步長

動量因子

允許誤差

迭代次數(shù)回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題隨機取權(quán)值的初始值取值通常為0附近或-0.5~0.5回目錄頁9/17/2023BP算法應(yīng)用下一頁分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題回目錄頁9/17/2023BP算法應(yīng)用分析問題，確定已知變量，目標(biāo)變量選取樣本確定網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)樣本數(shù)據(jù)預(yù)處理（歸一化）確定學(xué)習(xí)參數(shù)初始化權(quán)值迭代計算權(quán)值學(xué)習(xí)結(jié)束，數(shù)據(jù)還原樣本優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化調(diào)整學(xué)習(xí)參數(shù)重新分析問題回目錄頁9/17/2023優(yōu)化模型x1yBP神經(jīng)網(wǎng)絡(luò)Wxn確定自變量值指定目標(biāo)變量值模擬模型優(yōu)化模型回目錄頁9/17/2023建模實例下一頁BP神經(jīng)網(wǎng)絡(luò)建立鋼線含碳量與電阻效應(yīng)的關(guān)系式變量變量名稱樣本數(shù)據(jù)(實驗值)

1234567已知變量碳含量x%0.10.30.40.550.60.80.95目標(biāo)變量電阻R1518192122.623.826回目錄頁建模實例網(wǎng)絡(luò)結(jié)構(gòu):1:3:15:1學(xué)習(xí)參數(shù):

=0.9

=0.9

1=10-4

2=10-5經(jīng)過6900次學(xué)習(xí)計算輸出的誤差達(dá)到要求變量學(xué)習(xí)結(jié)果與樣本比較

1234567輸入

x0.10.30.40.550.60.80.95計算輸出15.1517.8619.1920.8922.5523.9325.79樣本輸出1518192122.623.826利用建好的網(wǎng)絡(luò)作計算(稱為預(yù)測)x=0.45

R=19.79

計算得到對比

統(tǒng)計模型

R=13.96+12.55x

x=0.45R=19.60回目錄頁工程實例下一頁BP神經(jīng)網(wǎng)絡(luò)乙苯脫氫反應(yīng)器操作工況的模擬乙苯苯乙烯蒸汽乙苯+水蒸汽苯乙烯脫氫回目錄頁工程實例下一頁操作參數(shù)名稱單位t催化劑使用時間天F乙苯進料量NM3/hT1第一級反應(yīng)器入口溫度℃T2第二級反應(yīng)器入口溫度℃SOR蒸汽／EB重量比

P一、二級反應(yīng)器出口壓差Mpa控制目標(biāo)名稱y1一段出口轉(zhuǎn)化率y2一段出口轉(zhuǎn)化率y總收率回目錄頁工程實例下一頁樣本號TSORFT1T2Py1y2y131.718.066056070.04431.1542.0759.682581.412.536136160.05834.7835.5557.7631601.5616.26156210.04437.8939.7362.2142091.519.266276280.04239.5540.4663.7852581.3918.836216240.04941.1540.3662.4363501.5519.676296370.05438.636.6460.8173921.5417.176306250.05233.3633.4155.61回目錄頁工程實例網(wǎng)絡(luò)結(jié)構(gòu):6:10:3學(xué)習(xí)參數(shù):

=0.9

=0.7

1=10-2

2=10-3經(jīng)過10000次學(xué)習(xí)計算輸出的誤差達(dá)到要求