化工过程智能建模与优化.ppt

化工过程智能建模与优化,颜学峰研究生楼1105西房间Email：华东理工大学信息学院自动化研究所二0一一年 十一 月,主要中文参考书目：1胡上序，陈海主编化工过程的建模、仿真和优化2邢文训等现代优化计算方法 3阎平凡，张长水编人工神经网络与模拟进化计算4任选一本关于支持向量机回归建模的参考书5胡上序等观测数据的分析与处理成绩组成：1 平时上课表现2 大作业3 大论文,作业：（1）阅读人工神经网络的误差反传算法（BP）算法。（2）编程基础准备：MATLAB编程。为大作业做准备。,化工过程智能建模与优化,一、石油化工过程建模与优化的重要性二、智能建模、混合智能建模方法三、现代智能优化算法,一、石油化工过程建模与优化的重要性,2006年我国石油化工工业的发展状况：,一、石油化工过程建模与优化的重要性,石油化工工业在国民经济中的地位:2006年，石油化工行业占我国工业经济总量的20%，累计实现利润达到4345亿，较上年增长了17.9%。2008年石油化工生产总值约为6.58万亿元，占国民经济21.9%。2009年石油化工生产总值约为6.63万亿元。2010年石油化工生产总值约为8.88万亿元。,一、石油化工过程建模与优化的重要性,石油化工工业在国民经济中的地位:石油化工是我国的基础支柱产业之一，其发展状况直接影响国家的经济基础！,一、石油化工过程建模与优化的重要性,石油化工工业现状：生产工艺普遍采用国外专利技术。技术引进后，消化、吸收少，国产化程度低，因此，在若干年后，其技术水平、装置规模又落后于国际水平。如，从七十年代开始我国先后重复引进了17套大中型乙烯装置，19套聚丙烯装置，18套聚乙烯装置，11套环氧丙烷装置，24套大型精对苯二甲酸装置等。如，美国、英国炼厂原油加工损失率分别为0.2%、0.3%，中石化平均加工损失率为1.29%。,一、石油化工过程建模与优化的重要性,石油化工工业现状：石油化工工业也是高能耗、高消耗的产业，总能耗约占全国工业总能耗的15左右，能源成本在生产成本中占有很高的比例，通常为20%30%，高耗能产品甚至达到60%70%。在国家确定的千家重点节能企业中，石油化工企业占了340家，约为1/3。与国际先进水平相比，在生产装置能耗方面仍存在较大的差距，如主要产品单位能耗仍高40%，能源利用率低10%。,一、石油化工过程建模与优化的重要性,石油化工工业现状：高能耗、高消耗、污染大、技术水平普遍低于国际先进水平，国家支柱产业之一。,一、石油化工过程建模与优化的重要性,建模与优化的重要性：（Chemshare公司）,一、石油化工过程建模与优化的重要性,建模与优化的重要性：Aspen Tech：通过过程模拟可以增加产量、减少能耗和原材料消耗、以最低的操作成本生产出合格的产品、提高生产率等，每年效益在100500万美元；先进控制和过程优化可以增加产量2%5%，减少冷端消耗5%10%，提高加热炉效率1%2%，提高操作工的技能，更加安全等，每年效益为300万1000万美元。Foxboro公司：效益比例是：DCS设为1，则ARC（Advanced Regulatory Control）为3，先进控制为5，优化为9。,一、石油化工过程建模与优化的重要性,建模与优化的重要性：世界各国石化企业的经验表明：石油化工过程流程模拟、先进控制与过程优化技术，是提高企业的经济效益、降低生产成本、提高其在国际市场中的创新力、应变力、适应力和综合竞争力的主要技术手段之一。,一、石油化工过程建模与优化的重要性,建模与优化的重要性：石油化工过程模拟与优化软件和技术形成垄断：Aspen Tech公司、SimSci公司、Honeywell公司、英国KBC公司、美国NeuralWare公司、HyproTech公司等相关产品，已在几百家大型石化、化工、炼油、钢铁等工厂企业中推广应用，取得了巨额利润，并通过兼并、扩张 形成垄断。,化工过程智能建模与优化,一、石油化工过程建模与优化的重要性二、智能建模、混合智能建模方法三、现代智能优化算法,二、智能建模、混合智能建模方法,模型是用以表达自变量和因变量之间的定量关系。主要分为三（或四）大类：1确定性方程（机理模型、白箱模型）从比较成熟的理论导出的明确关系2不确定性方程（智能模型、黑箱模型）根据测试取得的观测数据，用数理统计方法找出经验式3半确定性方程（半机理模型、经验模型、灰箱模型）介于两者之间，先由近似理论引出关系方程的大体形式，再根据观测数据用统计方法确定方程式中的系数4混合智能模型采用多种模型化方法有机智能融合与集成，将不同性质的数学模型、不同来源的数据、不同结构的信息和知识进行融合描述。,二、智能建模、混合智能建模方法,1、各种模型参数估计方法2、神经网络建模 误差反向传播算法（BP算法）3、混合智能建模 应用实例（反应过程混合智能建模与优化）4、回归分析5、支持向量机回归,1、各种模型参数估计方法,估计准则和最优估计基本概念，常见的状态估计与参数估计方法。（1）估计 从带有随机干扰的观测数据中提取有用信息。被估计量 其观测量 观测噪声向量 已知的向量函数观测量与被估计量之间具有如下关系所谓估计问题，就是在时间区间 内对 进行观测，而在得到的观测数据 的情况下，要求构造一个观测数据 的函数 来估计 的问题，并称 是 的一个估计量，或称 的估计为。,1、各种模型参数估计方法,所谓估计问题估计理论是概率论和数理统计的一个重要分支。它所研究的对象是随机现象，它是一种根据受干扰的观测数据来估计关于随机变量、随机过程或系统的某一特性的数据方法。估计问题：状态估计和参数估计两大类。状态估计：随时间变化的随机过程/序列，是动态估计。参数估计：不随时间变化的或只随时间缓慢变化的随机变量，是静态估计。,收集数据,构造函数关系,计算估计量,的,1、各种模型参数估计方法,（2）估计准则人们总希望估计出来的参数和状态变量越接近实际值越好，为了衡量估计的好坏，必须要有一个衡量的标准，这个衡量标准就是估计准则。估计常常是以“”作为标准的。常见的估计准则有最小方差准则、极大似然准则、极大验后准则、线性最小方差准则、最小二乘准则等。估计准则在很大程度上将决定估计的性能、求解估计问题所使用的估计方法及估计量的性质（是线性的还是非线性的）等。,使估计的性能指标达到极值,1、各种模型参数估计方法,（3）最优估计所谓最优估计，是指在某一确定的估计准则条件下，按照某种统计意义，使估计达到最优。最优估计是针对某一估计准则。某一估计对某一估计准则为最优估计，但换一个估计准则，这一估计值就不一定是最优的了，这就是说，最优估计不是唯一的。,1、各种模型参数估计方法,（4）估计方法选取不同的估计准则，就有不同的估计方法，估计方法和估计准则是紧密相关的。根据观测与被估计值的统计特性的掌握程度，可有下列一些估计方法。1）最小方差估计 2）极大似然估计 3）极大验后估计 4）线性最小方差估计 5）最小二乘估计,1、各种模型参数估计方法,（4）估计方法1）最小方差估计 最小方差估计是以估计误差的方差达到最小为估计准则的。按照这种准则求得的最优估值叫做最小方差估计。为了进行最小方差估计，需要知道被估计值 和观测值 的条件概率密度值、，以及它们的联合概率分布密度。,（4）估计方法1）最小方差估计,被估计量 其观测值向量 概率及联合概率分布密度没有明确的函数关系，只有概率上的联系。选择估计误差 的二次型函数为代价函数 对称非负定的加权矩阵。若有估计量，使得贝叶斯风险最小，即则称 为 最小方差估计。,（4）估计方法1）最小方差估计,按最小方差估计的定义，当时，需有贝叶斯风险最小,非负函数,（4）估计方法1）最小方差估计,非负定,在内积分号内,（4）估计方法1）最小方差估计,等价于在 条件下，贝叶斯的条件风险为极小,这一等价的价值在于求贝叶斯风险最小时的 重积分，就简化贝叶斯条件风险最小时的重积分，从而简化了积分运算。,（4）估计方法1）最小方差估计,当，并使 必要条件是,（4）估计方法1）最小方差估计,因为 为非负定的，所以有,具有最小值,（4）估计方法1）最小方差估计,由此可见，随机向量 的最小方差估计 是在观测向量为 的条件下数学期望。因此，有时也称最小方差估计为条件期望估计。,（4）估计方法1）最小方差估计,最小方差估计的几点说明（1）最小方差估计量 是无偏估计,（4）估计方法1）最小方差估计,（2）最小方差估计这个结果，只要求加权阵 是非负定的，而与其他具体形式无关，因此，它可以选为任意非负定阵，一般常选为单位阵。,S 选为单位矩阵,（4）估计方法1）最小方差估计,（3）由于 是 的无偏估计，估计的方差就是估计误差的方差阵，其表达式为,（4）估计方法1）最小方差估计,（4）如果设 的其他任意估计为 其均方误差方差阵为并且，当 时，上式取等号。,表明：任何其他估计的均方误差阵或任何其他无偏估计的方差阵都将大于最小方差估计的误差方差阵。,（4）估计方法1）最小方差估计,最小方差估计的几点说明,由于无偏估计的误差方差阵，亦即估计误差的二阶矩表示了误差分布在零附近的密集程度。因此，最小方差估计 是一种最接近真值 的估计。,1、各种模型参数估计方法,（4）估计方法2）极大似然估计,极大似然准则是使条件概率分布密度 达到极大的那个 值作为估值的。按照这种估计准则求得 的最优估值便成为极大似然估计。求极大似然估计，需要知道条件概率分布密度。,（4）估计方法2）极大似然估计,被估计量 其观测值向量 观测集,条件概率密度函数 应该是 和 两者的函数，但是对于具体的观测值 来说，是 的函数，并称它为似然函数，记为,表示被估计量取值为 的条件下，的概率分布函数。如果 时的 要比 时的 大，表明 是准确值的可能性要比 是准确值的可能性大。,（4）估计方法2）极大似然估计,如果对所有可能的 值，是 的最大值，那么，是准确值的可能性就最大，这时就称 是 的极大似然估计，并记为。可见，极大似然估计 是使似然函数 达到极大值的一种最优估计。最优估计准则“似然函数达到极大值”,（4）估计方法2）极大似然估计,对数函数是单调增加函数,必要条件,求解似然方程,（4）估计方法2）极大似然估计,几点说明：（1）采用极大似然估计的条件是知道（对数）似然函数（2）在极大似然估计中，被估计量可以是随机量，也可以是非随机的参数，适用范围较广。（3）可以证明，当观测次数 趋于无限时，极大似然估计量是一种无偏估计量，亦即它是一种渐进无偏估计量。,1、各种模型参数估计方法,（4）估计方法3）极大验后估计,极大验后准则是使验后概率分布密度 达到极大的那个 值作为估值的。按这种估计准则求得的 的最优估值就是极大验后估计。为了求出极大验后估计，需要知道验后概率分布密度。,（4）估计方法3）极大验后估计,对观测值取 条件下 的条件概率密度（的验后概率密度），均有则称 为 的极大验后估计。极大验后估计的物理意义是：在观测值取 的情况下，被估计量 出现可能性最大的值，即随机向量 落在 的领域内的概率将比其落在其他任何值的相同领域内的概率要大。,（4）估计方法3）极大验后估计,解验后方程就可得到极大验后估计,（4）估计方法3）极大验后估计,几点说明：（1）,由于 与 无关,（4）估计方法3）极大验后估计,（2）如果估计量 没有任何验前知识，即 取任何值的可能性均相等,则 验前密度 就可以认为是方差阵趋于无限大的正态分布,其中，,（4）估计方法3）极大验后估计,（4）估计方法3）极大验后估计,由此可见，在对没有任何验前统计知识的情况下，极大验后估计就退化为极大似然估计。极大似然估计是一种特殊的极大验后估计。,（4）估计方法3）极大验后估计,（3）极大验后估计比极大似然估计的估计效果好由于被估计量有可能是未知的非随机向量，一般情况下也并不知道其验前概率密度；并且确定验后概率密度函数（或联合概率密度函数）要比确定似然函数 困难。但在工程实践中，由于求得似然函数 并不十分困难，极大似然估计仍得到了广泛的应用。,只知道观测值和被估计值的一、二阶矩即，和 在这种情况下，为了得到有用的结果，必须对估计量的函数形式加以限制。若限定所求的估计量是观测值的线性函数，并以估计误差的方差达到最小作为最优估计准则，则按这种方法求得的最优估值称为线性最小方差估计。,1、各种模型参数估计方法,（4）估计方法4）线性最小方差估计,在实际应用中需要放松对概率知识的要求。,（4）估计方法4）线性最小方差估计,被估计随机向量，观测向量 限定估计量是观测量的线性函数，即选择向量 和矩阵，使得下列二次型性能指标达到最小，这时所得到的 的最优估计，就称为线性最小估计，并记为。,（4）估计方法4）线性最小方差估计,将使 达到极小的 和 分别记为 和，则对应的线性最小方差估计为,只要对 和 求导，并分别令其所得结果为零，就可解得 和。,（4）估计方法4）线性最小方差估计,两式均等于零,（4）估计方法4）线性最小方差估计,几点说明：（1）线性最小方差估计是无偏估计（2）估计误差的方差阵为,（4）估计方法4）线性最小方差估计,（3）任意线性估计则此估计的均方误差方差阵为令,任何一种其他线性估计的均方误差方差阵都将大于线性最小方差估计的误差方差阵。,（4）估计方法4）线性最小方差估计,（4）由于因此,随机向量 本来并不是与 正交随机向量 与 正交。,1、各种模型参数估计方法,（4）估计方法5）最小二乘估计 当既不知道 和 的概率分布，也不知道它们的一、二阶矩时，就只能采用高斯提出的最小二乘法进行估计。最小二乘估计是以残差的平方和最小作为估计准则的。（将在回归估计中进行重点介绍。）,2、神经网络建模,（1）生物神经元模型 神经元是脑组织的基本单元，人脑是由大约1012（140多亿）个神经元组成的巨系统。神经元的结构如下图所示：,2、神经网络建模,（1）生物神经元模型神经元包括：细胞体、树突、轴突（神经末梢）、突触细胞体：新陈代谢的中心，接受与处理信息的部件。,（2）神经元的突触(两个细胞之间连接的基本单元)每个细胞约有 个突触。突触主要有两种连接方式：(1)一个神经元的神经末梢与另一个神经元的树突发生接触；(2)一个神经元的神经末梢与另一个神经元的细胞体接触。,（2）神经元的突触(两个细胞之间连接的基本单元)突触有两种类型：兴奋型和抑制型。突触的界面具有脉冲/电位信号转换功能，它能将沿神经纤维传递的等幅、恒宽、编码的离散脉冲信号，转换为细胞膜可以处理的连续电位信号。,（3）突触动力学 突触能够传递神经冲动。树突从四方收集由其它神经元传来的信息，信息流由树突出发，经过细胞体，然后由轴突输出，实现神经元之间信息的传递。,2、神经网络建模,（4）生物神经网络系统生物神经网络是由很多神经元相互连接的，形式包括：幅散式 聚合式 链锁式 环式,2、神经网络建模,（4）生物神经网络系统特点：神经网络系统是一个极为庞大错综复杂的系统。每个神经元虽然都十分简单，但是，大量神经元之间非常复杂的连接却可以演化出丰富多彩的行为方式（思维认知）。研究目的：1、揭示大脑神经系统的生理特征和思维活动的机能。2、通过对大脑神经网络系统的结构、功能及信息处理机理的探索，构造出与大脑智能相近的人工神经网络，并应用于工程或其他领域。,2、神经网络建模,（5）人工神经元模型生物神经元：1、多输入、单输出2、脉冲密度越大，则对细胞体作用越强3、各输入通道都对细胞体产生影响4、综合作用超过细胞的阈值电位，脉冲沿轴突输出,2、神经网络建模,（5）人工神经元模型常见的人工神经元模型：,输入信号（突触）,权（突触传递强度的一个比例系数）,输入信号累加,神经元阈值,神经元响应函数,2、神经网络建模,（5）人工神经元模型数学表达式：,2、神经网络建模,（5）人工神经元模型响应函数：阈值单元线性单元非线性单元（S型函数）Sigmoid函数,2、神经网络建模,（5）人工神经网络结构 单个神经元的功能是很有限的，只有用许多神经元按一定规则连接构成的神经网络才具有强大的功能。神经网络的特性及能力主要取决于网络的拓扑结构及学习方法。网络连接的基本形式：前向网络 有反馈的前向网络 层内互连前向网络 互连网络,2、神经网络建模,前向网络,2、神经网络建模,有反馈的前向网络,2、神经网络建模,层内互连前向网络,2、神经网络建模,互连网络,2、神经网络建模,（5）人工神经网络的学习为了使人工神经网络具有某种智能特性，必须进行学习。学习：就是对信息进行编码,其目的就是通过向有限个例子（训练样本）的学习来找到隐藏在例子背后（即产生这些例子）的规律（如函数形式）。学习方法：人工神经网络研究中的核心问题，本质就是网络连接权的调整方法。,2、神经网络建模,（5）人工神经网络的学习死记式学习有监督学习 无监督学习 强化学习,2、神经网络建模,（5）人工神经网络的学习有监督学习（学习规则）,2、神经网络建模,（5）人工神经网络的学习无监督学习(自组织的学习，如SOM、ART网络),2、神经网络建模,（5）人工神经网络的学习强化学习,2、神经网络建模,（5）人工神经网络的学习 学习规则方法：用已知例子（样本）作为教师（训练样本）对网络的权进行学习（训练）。规则：通过神经网络理想输出和实际输出之间的误差来修正网络的权值。例子：在很多神经网络中，都采用了这种学习方法，如Perceptron，Adaline和误差反传算法（Back-propagation算法，简称BP算法）等。,2、神经网络建模-BP算法,算法步骤：（1）收集训练样本（2）确定网络结构（3）训练（对训练样本进行学习）（4）建立神经网络模型,2、神经网络建模-BP算法-训练样本,设自变量（输入变量）可以用输入变量矢量表示=因变量（期望输出变量）可以用期望输出变量矢量表示=则采集的每个样本为 采集n个样本思考怎样采集到好样本？,2、神经网络建模-BP算法-网络结构,多层前向型神经网络,2、神经网络建模-BP算法-网络结构,它由 层组成开始层（第0层）为输入层最后一层（第 层）为输出层其它 层为隐含层设第 层有 个神经元则输入层神经元个数为，等于输入矢量的维数输出层神经元个数为，等于期望输出矢量的维数,2、神经网络建模-BP算法-网络结构,神经元模型,2、神经网络建模-BP算法-网络结构,：层中第 个神经元的函数输出，其中。：层中第 个神经元到 层中第 个神经元的连接权值，其中 定义为 层第 个神经元的阈值。：第 层第 个神经元的和输出。：神经元激活函数。,符号说明：,2、神经网络建模-BP算法-网络结构,（1）权值为正表示激活，为负表示抑制。（2）求和单元，用于求取各输入信号的加权和（3）非线性激活函数，起非线性映射作用,神经元模型的数学表达,2、神经网络建模-BP算法-网络结构,网络结构：（1）多层前向型神经网络（2）输入层节点个数=训练样本自变量个数（3）输出层节点个数=训练样本因变量个数（4）确定隐含层层数、每层节点个数（5）确定神经元激活函数,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,符号说明：,2、神经网络建模-BP算法-学习,计算（设在第 t 次迭代中）第 层所有神经元输出信号的加权和（线性组合）通过非线性激活函数，得第 个神经元的输出,2、神经网络建模-BP算法-学习,设在第 次迭代中（随机选择某个样本）输出层（即第 层）第 个神经元的输出为其期望输出为则该单元的误差信号为定义第 个神经元的平方误差为则在第 次迭代中，输出层（即第 层）所有神经元的输出端总的平方误差瞬时值为,2、神经网络建模-BP算法-学习,网络的学习目标函数为学习的目的使 达到最小 是网络权值和阈值以及输入信号的函数,2、神经网络建模-BP算法-学习,求 对 的梯度,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,权值（或阈值）的修正量为：其中负号表示修正量按梯度下降方向，：学习速率。局部梯度,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,符号说明：,2、神经网络建模-BP算法-学习,计算（设在第 t 次迭代中）第 层所有神经元输出信号的加权和（线性组合）通过非线性激活函数，得第 个神经元的输出,2、神经网络建模-BP算法-学习,求 对 的梯度,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,2、神经网络建模-BP算法-学习,求 对 的梯度,2、神经网络建模-BP算法-学习,权值（或阈值）的修正量为：,2、神经网络建模-BP算法-学习,（3）第 层第 个神经元与第 层第 个神经元之间连接权 的调整,2、神经网络建模-BP算法-学习,总结以上推导，得：权值修正量 学习步长 局部梯度 单元的输入信号,2、神经网络建模-BP算法-学习,（1）工作信号（用实线表示），它是施加输入信号后向前传播直到在输出端产生实际输出的信号，是输入和权值的函数。（2）误差信号（用虚线表示），网络实际输出与应有输出间有差值即为误差，它由输出端开始逐层向后传播。,2、神经网络建模-BP算法-学习,（1）初始化。迭代次数。（2）前向计算。设在第 次迭代中，随机挑选输入样本第 层第 个神经元计算,训练步骤：,2、神经网络建模-BP算法-学习,（3）反向计算（4）修改权值（5）,END,2、神经网络建模-BP算法-学习,网络的调用：设输入矢量为则通过建立网络计算其因变量（即输出向量）为：,2、神经网络建模-BP算法-学习,改进反向传播算法收敛速度的措施 1、加入动量项2、高阶导数的利用 BP算法中只用了一阶导数梯度。3、共轭梯度法 按“共轭梯度方向”修正权值。,2、神经网络建模-BP算法-学习,4、递推最小二乘法 当样本顺序输入时，可把误差纠正学习算法看作是用一个自适应滤波算法去辩识一个非线性系统，可采用扩展Kalmann滤波算法完成这一任务。5、神经元空间搜索法 不在权空间搜索，而改在神经元空间搜索（下降）。,2、神经网络建模-BP算法-学习,大作业：人工神经网络（BP）实现实现异或门（XOR）。具体要求见WORD文档。,3、混合智能建模应用实例（反应过程混合智能建模与优化）,石油化工生产过程通常包括：配料、反应、分离、提纯、回收等单元反应是石油化工生产过程的关键和核心：反应过程操作条件是否合适直接关系到最终产品的质量、产量、以及生产装置的物耗、能耗等。但反应过程生产工艺技术基本由国外专利商严格保密和垄断。,石油化工的反应过程非常复杂：1.通常是在高温高压（或超低温低压）下进行，通常涉及到气液的传热、传质、反应催化、固体结晶及淤浆悬浮等等化学工程问题。2.涉及操作变量多且相互影响。3.生产流程长，存在复杂的回收和物料循环，各操作单元间存在严重的耦合关系。4.各操作单元的操作周期呈现明显的差异。,3、混合智能建模应用实例（反应过程混合智能建模与优化）,反应过程建模：1.机理模型复杂性和人类目前认知水平的限制，真正的工业反应过程机理模型无法建立。2.统计（智能）模型样本数据总是有限的，并包含大量重复程度不同的冗余信息，且工业噪声的广泛存在。3.混合智能建模需要拓展单一模型的局限性，采用多种模型化方法有机智能融合与集成，将反应过程中不同性质的数学模型、不同来源的数据、不同结构的信息和知识进行融合描述。,3、混合智能建模应用实例（反应过程混合智能建模与优化）,反应过程混合智能建模：（基于工艺机理、能综合生产数据信息的反应过程工艺机理数学模型）基于生产数据信息优化校正的反应过程工艺机理数学模型 基于生产数据信息挖掘的反应过程工艺机理数学模型 叠加机理模型与统计模型的反应过程工艺机理数学模型,3、混合智能建模应用实例（反应过程混合智能建模与优化）,反应过程智能优化：1.由于反应过程的复杂性，建立的反应过程模型将呈高维、高度非线性、微分和代数混合描述等特征，对于这类复杂系统的优化也必须具有全局寻优的能力，否则难以实现装置的最佳运行。2.智能优化算法（如遗传算法等）在这类复杂系统全局优化方面的应用获得突出的进展。,3、混合智能建模应用实例（反应过程混合智能建模与优化）,3、工业应用实例,对二甲苯氧化反应过程智能建模与优化,PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作,3、工业应用实例,对二甲苯氧化反应过程智能建模与优化,.PX氧化反应过程模型的建立,PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析,PX氧化反应步骤的确定,PX,TALD,PT酸,4-CBA,TA,K1,K2,K3,K4,反应步骤：,反应动力学模型：,.PX氧化反应过程模型的建立,PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析,动力学模型参数的确定（1）,反应级数（n1、n2、n3、n4、m1、m2、m3、m4）通过实验获得或采用普遍公认的值速率常数（k1、k2、k3、k4）影响速率常数的工艺操作参数：反应温度（X1）溶剂比（X2）钴浓度（X3）锰浓度（X4）溴浓度（X5）其他操作参数（进料含水量、抽出水流量、传质等）,动力学模型参数的确定（2）,速率常数（k1、k2、k3、k4）模型采用神经网络技术建立速率常数模型各工艺操作参数对速率常数的影响,速率常数模型网络框图,动力学模型参数的确定（3）,速率常数模型的拟合精度,动力学模型参数的确定（4）,K1K2K3K4,K温度的关系趋势图,动力学模型参数的确定（5）,KPX浓度（PX/HAc mol/Kg）的关系趋势图,动力学模型参数的确定（6）,KCo浓度的关系趋势图,动力学模型参数的确定（7）,KMn浓度的关系趋势图,动力学模型参数的确定（8）,KBr浓度的关系趋势图,动力学模型参数的确定（9）,.PX氧化反应过程模型的建立,PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析,工业装置PX氧化反应过程模型的建立（1）,收集文献数据,动力学模型,反应步骤确定,速率常数模型,广义速率常数模型,通过实验获得反应级数或采用公认的反应级数,样本数据,采集工业装置历史数据,工业装置PX氧化反应过程模型,优化算法,获得可以精确描述工业装置PX氧化反应过程模型,工业装置模型建立过程框图,工业装置PX氧化反应过程模型的建立（2）,模型的预测精度,工业化过程模型与实验室模型对4-CBA含量预测结果对比,工业装置PX氧化反应过程模型的建立（3）,模型的预测精度,工业化过程模型与实验室模型对PT酸含量预测结果对比,.PX氧化反应过程模型的建立,PX氧化反应步骤的确定动力学模型参数的确定工业装置PX氧化反应过程模型的建立工业装置PX氧化反应过程分析,工业装置PX氧化反应过程分析,进料中Co2+浓度的影响进料中Mn2+浓度的影响进料中Br-浓度的影响进料中PX浓度的影响反应温度的影响反应器的液位,4-CBA(%),Co(ppm),进料中的钴离子浓度对PX氧化反应过程影响,Co2+浓度对PX氧化反应过程的影响：,Mn2+浓度对PX氧化反应过程的影响：,4-CBA(%),Mn(ppm),进料中的锰离子浓度对PX氧化反应过程影响,Br-浓度对PX氧化反应过程的影响：,PX浓度对PX氧化反应过程的影响：,4-CBA(%),PX（%）,进料中PX浓度对PX氧化反应过程影响,反应温度对PX氧化反应过程的影响：,反应器液位对PX氧化反应过程的影响：,PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作,3、工业应用实例,对二甲苯氧化反应过程智能建模与优化,.醋酸和PX燃烧损失模型的建立,反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析,反应器中醋酸和PX燃烧,醋酸燃烧产物主要副产物：CO、CO2、乙酸甲酯；其他副产物：甲烷、甲醇、甲酯等。PX燃烧产物主要副产物：CO、CO2、苯甲酸；其他副产物：偏苯三酸等 醋酸和PX燃烧产物量的分析 CO2占60%，CO占16%，乙酸甲酯占10%，苯甲酸占7%，甲酸占3%醋酸燃烧生成的COx约占总量61%，PX燃烧生成的COx约占总量39%,.醋酸和PX燃烧损失模型的建立,反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析,尾气中COx含量关联模型（1）,影响尾气中COx含量的主要工艺操作参数反应温度（X1）、溶剂比（X2）、钴催化剂浓度（X3）、锰催化剂浓度（X4）、溴促进剂浓度（X5）中试装置尾气中COx含量的关联模型洛阳PTA装置尾气中COx含量的关联模型,尾气中COx含量关联模型（2）,.醋酸和PX燃烧损失模型的建立,反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析,反应器中醋酸和PX燃烧损失模型,醋酸燃烧损失模型 PX燃烧损失模型,（Kg/吨.CTA）,（Kg/吨.CTA）,.醋酸和PX燃烧损失模型的建立,反应器中醋酸和PX燃烧尾气中COx含量关联模型反应器中醋酸和PX燃烧损失模型反应器中醋酸和PX燃烧损失分析,反应器中醋酸和PX燃烧损失分析（1）,进料中Co2+浓度的影响进料中Mn2+浓度的影响进料中Br-浓度的影响进料中PX浓度的影响反应温度的影响反应器的液位,反应器中醋酸和PX燃烧损失分析（2）,醋酸燃烧损失 Kg.HAc/吨.CTA,Co(ppm),进料中的钴离子浓度对反应器中醋酸燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（3）,反应器中PX燃烧损失 Kg.PX/吨.CTA,Co(ppm),进料中的钴离子浓度对反应器中PX燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（4）,反应器中醋酸和PX燃烧损失分析（5）,反应器中PX燃烧损失 Kg.PX/吨.CTA,Mn(ppm),进料中的锰离子浓度对反应器中PX燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（6）,醋酸燃烧损失 Kg.HAc/吨.CTA,Br(ppm),进料中的溴离子浓度对反应器中醋酸燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（7）,反应器中PX燃烧损失 Kg.PX/吨.CTA,Br(ppm),进料中的溴离子浓度对反应器中PX燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（8）,醋酸燃烧损失 Kg.HAc/吨.CTA,PX（%）,进料中的PX浓度对反应器中醋酸燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（9）,反应器中PX燃烧损失 Kg.PX/吨.CTA,PX（%）,进料中的PX浓度对反应器中PX燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（10）,醋酸燃烧损失 Kg.HAc/吨.CTA,反应温度（）,反应温度对反应器中醋酸燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（11）,反应器中PX燃烧损失 Kg.PX/吨.CTA,反应温度（）,反应温度对反应器中PX燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（12）,醋酸燃烧损失 Kg.HAc/吨.CTA,液位（%）,反应器的液位对反应器中醋酸燃烧损失的影响,反应器中醋酸和PX燃烧损失分析（13）,反应器中PX燃烧损失 Kg.PX/吨.CTA,液位（%）,反应器的液位对反应器中PX燃烧损失的影响,PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作,3、工业应用实例,对二甲苯氧化反应过程智能建模与优化,.催化剂系统模型的建立,催化剂循环系统钴、锰、溴损失模型和分析新鲜催化剂配比模型,催化剂循环系统,.催化剂系统模型的建立,催化剂循环系统钴、锰、溴损失模型和分析新鲜催化剂配比模型,钴、锰、溴损失模型和分析,粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析,粗TA单元配料系统（1）,粗TA单元配料系统分析（2）,钴、锰、溴损失模型和分析,粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析,循环母液流量和组成的关联模型（1）,工艺机理分析配料混合罐出来的流股经过一系列相对稳定的汽液平衡最终形成母液相关性分析,循环母液流量和组成的关联模型（2）,循环母液流量和组成的关联模型（3）,母液总流量关联模型的拟合精度,配料混合罐出口流量 吨/Hr,母液总流量 吨/Hr,循环母液流量和组成的关联模型（4）,循环母液中钴离子浓度关联模型拟合精度,配料混合罐出口流股中钴离子浓度 ppm,母液中钴离子浓度 ppm,循环母液流量和组成的关联模型（5）,循环母液中锰离子浓度关联模型拟合精度,配料混合罐出口流股中锰离子浓度 ppm,母液中锰离子浓度 ppm,循环母液流量和组成的关联模型（6）,循环母液中溴离子浓度关联模型拟合精度,配料混合罐出口流股中溴离子浓度 ppm,母液中溴离子浓度 ppm,钴、锰、溴损失模型和分析,粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析,钴、锰、溴损失模型,损失模型:,模型参数:,钴、锰、溴损失模型和分析,粗TA单元配料系统循环母液流量和组成的关联模型钴、锰、溴损失模型钴、锰、溴损失量分析,钴、锰、溴损失量分析,进料中Co2+浓度的影响进料中Mn2+浓度的影响进料中Br-浓度的影响母液循环率的影响,进料中Co2+浓度的影响,进料中Mn2+浓度的影响,进料中Br-浓度的影响,Br损失 Kg/吨.CTA,Br(ppm),进料中的Br离子浓度与Br损失量之间的关系曲线,母液循环率的影响(1),Co损失 Kg/吨.CTA,母液循环率（%）,母液循环率与Co损失量之间的关系曲线,母液循环率的影响(2),Mn损失 Kg/吨.CTA,母液循环率（%）,母液循环率与Mn损失量之间的关系曲线,母液循环率的影响(3),.催化剂系统模型的建立,催化剂循环系统钴、锰、溴损失模型和分析新鲜催化剂配比模型,新鲜催化剂配比模型,新鲜催化剂配比：,即,PX氧化反应过程模型的建立醋酸和PX燃烧损失模型的建立催化剂系统模型的建立工业装置PX氧化反应过程优化操作,3、工业应用实例,对二甲苯氧化反应过程智能建模与优化,工业装置PX氧化反应过程优化操作,氧化反应过程系统模型的组成 操作条件优化,氧化反应过程系统模型的组成,工业装置PX氧化反应过程模型反应器中醋酸和PX燃烧损失模型催化剂和促进剂损失模型催化剂配比模型,氧化反应过程系统模型的组成 操作条件优化,工业装置PX氧化反应过程优化操作,操作条件优化,优化变量优化目标函数操作条件优化算法流程最佳操作条件,优化变量,反应器反应温度（，）反应器的液位（，%）PX处理量（，Kg/Hr）进料溶剂比（，mol/Kg）进料钴催化剂浓度（，ppmw）进料锰催化剂浓度（，ppmw）进料溴促进剂浓度（，ppmw）第一结晶器的反应温度（，）第一结晶器的液位（，%）优化矢量,操作条件优化,优化变量优化目标函数操作条件优化算法流程最佳操作条件,优化目标函数,优化目标函数=TA销售收入 PX燃烧损失 HAC燃烧损失-催化剂消耗-促进剂消耗约束条件：操作条件（即优化变量）满足工艺要求 粗TA中4CBA含量满足精制生产要求,操作条件优化,优化变量优化目标函数操作条件优化算法流程最佳操作条件,产生满足工艺约束条件初始优化矢量,工业装置PX氧化反应过程模型,反应器中醋酸和PX燃烧损失模型,粗TA产品中4-CBA含量,TA产品的产量,醋酸燃烧损失量,PX燃烧损失量,目标函数值,满足约束条件,产品和各种消耗品的价格,优化算法调整优化矢量,优化矢量的工艺约束条件,是,否,最优工艺操作参数,是,否,氧化反应系统操作条件优化框图,催化剂和促进剂损失模型,催化剂和促进剂损失量,催化剂配比模型,结果输出,催化剂配比,操作条件优化,优化变量优化目标函数操作条件优化算法流程最佳操作条件,最佳操作条件（1）,反应器反应温度 191反应器的液位 90%PX处理量 28000Kg/Hr进料PX浓度 21.2%进料溴离子浓