化工过程分析与合成-完整版课件

1、概 述 机理模型法 统计模型法智能模型法05.10.2022化工过程操作工况调优概 述 机理模型法 统计模型法智能模05.10.2022概 述 寻找最佳操作方案目的和意义回目录页下一页 适应 操作环境的变化 获得显著经济效益 适应经济技术条件的变化02.10.2022概 05.10.2022离 线 调 优调 优 方 式回目录页下一页模型与装置分离计算数据取报表记录调优结果指导生产在线开环调优模型与装置相连计算数据为实时检测数据 调优结果指导生产在线闭环调优模型与装置相连计算数据为实时检测数据调优结果直接返回控制系统概 述02.10.2022离 线 调 优调 优 方 式回目录页下05.10.20

2、22 模型 描述方法 特点机理模型过程的物理、化学本质和机理 结果精确 机理不清或复杂时建模难统计模型输入输出关系模型关系式简单外延性差智能模型输入输出关系寻优快，自学习、自适应能力强适于多目标函数调 优 方 法回目录页概 述02.10.2022 模型 描述方法 05.10.2022智能模型法 基于人工神经网络的智能模型法智能模型法回目录页人 工 神 经 网 络 概 述BP 网 络 建 模 依 据BP算法及BP网络的应用过 程 系 统 优 化 模 型建 模 实 例乙苯脱氢反应器操作工况的模拟与调优02.10.2022智能模型法 基于人工神经网络的智能模05.10.2022人工神经网络概述神经元

3、x1x2xnyjx1x2x3123123121234y1y2神经网络回目录页下一页智能模型法02.10.2022人工神经网络概述神经元x1x2xnyjx05.10.2022建模依据神经元数学模型下一页x1x2xnyjBP神经网络w1jw2jw3j回目录页02.10.2022建模依据神经元下一页x1x2xnyjBP05.10.2022建模依据下一页区间线性型x1yx阶跃型1-1y1yxx1-1ySigmoid型回目录页02.10.2022建模依据下一页区间线性型x1yx阶跃型105.10.2022建模依据神经网络数学模型下一页x1x2x3123123121234y1y2层数1234输出Oj1Oj

4、2Oj3Oj4=yj第1层回目录页Wji2,1Wji3,2Wji4,302.10.2022建模依据神经下一页x1x2x312312建模依据神经网络数学模型下一页x1x2x3123123层数1O1O2O3第 1 层第1个第2个第3个O1O2O3Oj2Oj12回目录页建模依据神经下一页x1x2x3123123层数1O1O2O305.10.2022建模依据神经网络数学模型下一页x1x2x3123123层数12O1O2O3第 2 层第1个第2个第3个O1O2O3Oj1Oj2回目录页02.10.2022建模依据神经下一页x1x2x31231205.10.2022建模依据神经网络数学模型下一页x1x2x3

5、123123层数12O1O2O3第 2 层O1O2O3Oj1Oj2回目录页02.10.2022建模依据神经下一页x1x2x31231205.10.2022建模依据神经网络数学模型下一页x1x2x3123123121234y1y2层数1234输出Oj1Oj2Oj3Oj4=yj第 3 层回目录页02.10.2022建模依据神经下一页x1x2x31231205.10.2022建模依据神经网络数学模型下一页x1x2x3123123121234y1y2层数1234输出Oj1Oj2Oj3Oj4=yj第 4 层回目录页02.10.2022建模依据神经下一页x1x2x31231205.10.2022建模依据下

6、一页第4层第3层第2层第1层回目录页02.10.2022建模依据下一页第第第第回目录页05.10.2022建模依据黑箱模型x1yBP神经网络xn统计模型多元线性回归ANN模型回目录页02.10.2022建模依据黑x1yBP神经网络xn统计模型05.10.2022BP算法下一页BP神经网络算法原理1. 选取样本数据3. 用梯度法迭代计算w2. 设置 w 的初值一组 x y 数据BackPropagation回目录页02.10.2022BP算法下一页BP神经网络算1. 选取05.10.2022BP算法下一页BP算法公式核心公式i k层神经元p 样本组数j k+1层神经元pj 利用第p 组样本数据计

7、算出的 第k+1层神经元j 的输出值 学习步长（01）x1x3y1y2x2ijk+1层k层pj误差回目录页02.10.2022BP算法下一页BP核心公式i k层神经05.10.2022BP算法下一页BP算法公式x1x3x2ijk+1层k层取转换函数对于输出层对于隐含层神经元输出回目录页02.10.2022BP算法下一页BPx1x3x2ijk+105.10.2022BP算法小结下一页O=f(X)XYWWx1x3x2y1y2y3y4O=f(WX)O=f(WX)Opj=Y-OpjErrorBackPropagation回目录页02.10.2022BP算法小结下一页O=f(X)XYWWx05.10.2

8、022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题数据来自实验或生产记录样本个数适量取值全面分布均匀回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题输入节点数=已知变量数输出节点数=目标变量数隐含层数及各层节点数靠经

9、验取值回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题学习步长动量因子允许误差迭代次

10、数回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题随机取权值的初始值取值通常为 0 附近或 -0.5 0.5回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用下一页分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化

11、调整学习参数重新分析问题回目录页02.10.2022BP算法应用下一页分析问题，确定已知变量05.10.2022BP算法应用分析问题，确定已知变量，目标变量选取样本确定网络结构参数样本数据预处理（归一化）确定学习参数初始化权值迭代计算权值学习结束，数据还原样本优化网络结构优化调整学习参数重新分析问题回目录页02.10.2022BP算法应用分析问题，确定已知变量，目标05.10.2022优化模型x1yBP神经网络Wxn确定自变量值指定目标变量值模拟模型优化模型回目录页02.10.2022优化模型x1yBP神经网络Wxn确定自变05.10.2022建模实例下一页BP神经网络建立钢线含碳量与电阻效应

12、的关系式 变 量变量名称样本数据(实验值) 1234567已知变量碳含量 x%0.10.30.40.550.60.80.95目标变量电阻R1518192122.623.826回目录页02.10.2022建模实例下一页BP神经网络建立钢线含碳量建模实例网络结构: 1 : 3 : 15 : 1学习参数: =0.9 =0.9 1=10-4 2=10-5经过6900次学习 计算输出的误差达到要求 变 量学习结果与样本比较 1234567 输 入 x0.10.30.40.550.60.80.95计算输出15.1517.8619.1920.8922.5523.9325.79样本输出1518192122.6

13、23.826利用建好的网络作计算(称为预测)x=0.45 R=19.79 计算得到 对 比 统计模型 R=13.96+12.55x x=0.45 R=19.60 回目录页建模实例网络结构: 1 : 3 : 15 : 1学习参工程实例下一页BP神经网络乙苯脱氢反应器操作工况的模拟乙苯苯乙烯蒸汽乙苯+水蒸汽苯乙烯脱氢回目录页工程实例下一页BP神经网络乙苯脱氢反应器操作工况的模拟乙苯苯工程实例下一页操作参数名 称单位t催化剂使用时间天F乙苯进料量NM3/hT1第一级反应器入口温度T2第二级反应器入口温度SOR蒸汽EB重量比P一、二级反应器出口压差Mpa控制目标名 称y1一段出口转化率y2一段出口转化

14、率y总收率回目录页工程实例下一页操作参数名 称单位t催工程实例下一页样本号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回目录页工程实例下一页样131.718.066056070.0443工程实例网络结构: 6 : 10 :3学习参数: =0.9 =0.7 1=10-2 2=10-3经过10000次学习 计算输出的误差达到要求 变 量总收率y学习结果与样本比较 1234567样本输出59.6857.7662.2