基于數據的乙烯裝置過程模型辨識、控制與優(yōu)化的研究及應用.pdf

1、乙烯裝置作為石化行業(yè)的龍頭，也是能耗與廢氣排放大戶。如何確保裝置安全平穩(wěn)生產，提高裝置產品質量，節(jié)能降耗，創(chuàng)造更多經濟效益是生產和管理者的一個課題。實現裝置的先進控制，是解決這一問題的最佳方案之一。傳統的先進控制通?；谶^程模型實現，模型辨識首先需要進行裝置測試。然而當代裝置規(guī)模巨大，各控制點之間的非線性、耦合性強，裝置測試易造成生產的不穩(wěn)定，甚至影響到生產安全，因此這種方法難以實施。此外，這類技術需要高水平的技術人員進行后期維護，而企

2、業(yè)這類人才短缺，造成先進控制難以長期投運。
　　信息技術的發(fā)展，使得海量的生產運行數據得以存儲，這些數據隱含著工藝變動和生產運行等信息，包含了先進控制所需的模型信息。如何應用裝置生產運行數據獲取過程模型辨識所需的數據信息，如何根據這些數據信息獲取過程模型，進行先進控制的實施及自動維護，是解決上述問題的關鍵。
　　本文的研究目標是:提出充分利用海量生產運行數據自動實現生產裝置過程模型辨識及先進控制的解決方案，并將該方案成功應用

3、于乙烯裝置先進控制中。論文主要工作如下:
　　1.提出一種求解不等式約束的隨機正交優(yōu)化算法。先進控制的實施無論是獲取過程模型，或是進行基于過程模型的參數優(yōu)化，都依賴于優(yōu)化算法的應用。結合正交實驗設計，粒子群優(yōu)化算法(PSO)和NLJ(NewLuus-Jaakola algorithm)隨機搜索算法的優(yōu)點，提出了一種解決帶有不等式約束問題的隨機正交優(yōu)化算法(ROAS)。
　　ROAS算法應用差集矩陣產生了正交參數優(yōu)化（正交實驗

4、分析）所需的正交表;利用精簡NLJ算法實現搜索初期的全局快速收斂;應用粒子根據全局信息更新自身新信息的原理加快尋優(yōu)過程的收斂速度;應用正交表參數優(yōu)化和聚類方法實現尋優(yōu)過程快速向真值收斂。
　　2.研究有色噪聲存在下的連續(xù)時間過程模型的辨識問題。生產運行數據不可避免的存在著噪聲，其中不乏有色噪聲，為此有必要在辨識過程模型的同時對噪聲模型進行辨識。為提高辨識精度，提出一種帶有懲罰因子的極大似然參數估計算法(PML算法)。為實現有效動態(tài)

5、響應數據的快速模型辨識，應用PML算法和輔助變量算法相結合，混合Box-Jenkins模型開環(huán)辨識算法(IV-PML)，混合模型由連續(xù)過程模型與離散噪聲模型組成。生產過程閉環(huán)回路數據中，測量噪聲不可避免地引入過程對象的輸入和輸出中，由于輸入輸出數據存在相關性，因此一些開環(huán)辨識方法出現了應用上的困難，為此提出了一種循環(huán)噪聲消除的混合Box-Jenkins模型閉環(huán)辨識方法(DCIV)。DCIV算法從原輸入輸出中減去循環(huán)噪聲成份，實現不含循環(huán)

6、噪聲的混合Box-Jenkins模型辨識。仿真與實際應用證明了算法的有效性。
　　3.研究基于生產運行數據，自動進行過程模型集辨識及基于模型集的控制器參數整定問題。裝置生產中的過程對象，在不同的工作點及不同的生產負荷等工況下，其模型參數不盡相同，為實現控制器在不同工況下都具有良好的控制性能和魯棒性，有必要獲取不同工況下的過程模型集，進行基于過程模型集的控制器參數整定。
　　為獲得過程模型集辨識所需的過程有效數據集，提出基于過

7、程響應三態(tài)集從生產運行數據中獲取過程可行數據集，應用IV-PML/DCIV算法和辨識置信度函數由過程可行數據集獲取過程有效數據集?；谶^程有效數據集辨識過程模型集，基于過程模型集的實現控制器參數整定。
　　4.研究基于RBF神經網絡建模及優(yōu)化。為提高RBF神經網絡的模型預測能力，提出了在高斯核寬度優(yōu)化的基礎上，再次優(yōu)化每個隱層中心的自學習RBF神經網絡(SODM-RBF)。應用SODM-RBF分別建立了乙烯塔塔項乙烷濃度軟儀表，丙

8、烯塔塔頂丙烷和塔釜丙烯軟儀表。實現了乙烯塔塔項乙烷濃度的優(yōu)化控制及丙烯塔塔頂丙烷濃度和塔釜丙烯濃度的優(yōu)化控制。
　　5.上述解決方案的實際應用?；陂L期在控制工程一線的工作，從實踐中發(fā)現問題，抽象到控制理論研究，并把成果反饋到實際應用，是本論文的重要特色。應用設計的模型集IMC-PID控制器參數，在乙烯裝置上實施基于模型集的IMC-PID先進控制，實現裝置回路的快速、無超調或小超調控制。針對裂解爐的回路眾多，系統控制復雜，相互耦合