论文部分内容阅读
对复杂化工能效进行建模与分析需要考虑如下几个方面的问题:首先化工过程具有机理复杂的特点,因此其过程数据存在数据维度高的特点,且其测量过程通常存在一定的误差噪声和外部干扰。基于上述问题,本文提出一种基于极限学习机(Extreme learning machine,ELM)的化工能效建模方式,利用极限学习机能够并行分布处理和高度的非线性逼近的能力,且其不易陷入局部极小值,因此可以利用ELM在不用了解化工过程机理的前提下对具有高维度的化工数据进行建模。而化工过程测量过程中的噪声、干扰和误差可以通过利用指标分解法(Index Decomposition Analysis,IDA)进行数据预处理来解决,IDA作为一种被广泛应用的能效分析方法,不仅能够综合每个统计周期内的能效水平,也能直观的得到物理生产指标与能源使用之间的相关性,因此被广泛的应用于复杂化工行业的能效分析中。本文提出基于指标分解法的拓扑演化极限学习机建模方法,利用指标分解法对复杂化工行业数据进行数据特征提取后,利用拓扑扩张的神经网络演化算法(Neuro Evolution of Augmenting Topologies,NEAT)确定极限学习机结构,以数据驱动的方式对复杂化工过程进行建模,通过对化工装置的投入产出数据的建模分析,再结合指标分解结果对复杂化工能效进行分析。本文所做的研究内容如下:1、针对极限学习机隐含层节点数通常需要依赖经验设定的缺点,不同隐含层节点对结果影响较大,本文基于NEAT方法演化ELM网络的结构,自适应确定隐含层节点数,实验结果验证了本文所提方法的有效性。2、针对复杂化工行业数据具有维度高、噪声大且冗余数据多的特点,提出了 IDA-NEAT-ELM建模方法,利用指标分解法提取化工过程中的数据特征,降低数据的维度,去除数据中的噪声,减少数据中的冗余数据。利用提取出来的分解指标对ELM网络结构和权重进行训练,并且将本文提出的方法应用到实际化工过程的能效分析中利用乙烯和精对二甲苯(Purified Terephthalic Acid,PTA)数据验证本文所提方法的有效性。3、利用本文提出的建模方式,与建模过程中计算的指标数据相结合,对复杂化装置生产工作出分析。4、设计了基于B/S的复杂化工过程能效建模与分析软件原型系统,以装置数据作为研究应用对象,验证本文所提出的方法的有效性与可行性。