化工过程建模是化工过程控制和优化的重要基础。化工过程建模的方法主要分为三大类,即机理模型、经验模型和混合模型。通过机理模型建模的方式虽然可以清晰的了解化工过程的本质,但是由于建模过程涉及大量的化工动态学知识和不确定因素,使机理模型的建立十分复杂和困难。黑箱模型由于只涉及过程的输入输出数据,信息来源相对单一,不能充分利用过程的内部信息,因而限制了其性能。如何合理有效的利用各种过程信息,从而提高模型的整体性能是混合模型研究的主要内容。本文着重研究了混合模型建模的方法及其在三类化工对象中的应用,具体包括以下几部分内容:1.采用机理模型和经验模型相结合的混合建模方法建立了5kW质子交换膜燃料电池堆实际装置的电化学模型。利用电池堆与单电池之间的内在关系,首先给出了单电池的数学描述,进而建立燃料电池堆的数学模型。其中包括热力学平衡电势、活化极化电势和欧姆极化电势等表达式,以及单电池内阻的经验公式。由于难以得到机理方程中的某些关键参数,因此采用实验设计,获得燃料电池堆的实验数据,运用线性回归的数学方法获得机理模型中活化极化电势方程中的相关参数。通过模拟研究和模型验证,所建立的模型可以较准确的描述燃料电池的极化曲线,预估出燃料电池的输出电压2.提出一种新的混合神经网络建模方法:结构逼近式混合神经网络。基于此结构建立的混合神经网络可以充分利用已知非线性系统的结构信息,使神经网络“灰盒”化,更好的解释和描述系统各变量间的因果关系,从而提高网络的建模精度和模型的可靠性。本文介绍了这类神经网络的基本特性、拓扑结构和训练方法。报告了一个典型放热液相二级平行间歇反应的建模过程;并针对间歇反应过程测量滞后的情况,与两种不同的混合神经网络模型做了比较,仿真和比较结果证明了方法的有效性。3.提出一种智能化的神经网络建模方法:假象教师-人工免疫算法。针对部分状态不可测的情况,利用结构逼近式神经网络构建模型的拓扑结构,通过假想教师-人工免疫训练算法,解决不可测变量影响常规网络训练的问题,通过并行优化假想教师和网络权值的方法,提高建模精度。以实际橡胶硫化促进剂制备的间歇缩合聚合反应为实验对象,详细论述了建模和网络训练的过程,证明了方法的有效性。4.提出了一种新的扩展误差平方和的控制指标,并对一类典型的放热的间歇反应过程推导一种新的基于模型的预估优化控制算法。首先针对间歇反应温度特性,基于主产物浓度和反应温度的递归神经网络模型,使用混合PSO-SQP算法求解该间歇反应主产物产率最大化问题,进而得到反应温度优化曲线;其次,鉴于反应温度实时可测,提出扩展的误差平方和指标,该指标把实时计算的模型误差引入控制策略,为基于模型的控制增加了反馈通道,增强了控制方法的鲁棒性和抗干扰性能;最后,利用Lyapunov原理对所提出的一步超前预测控制做了稳定性分析,证明了算法的正确性。研究的结果充分证明了基于结构逼近式混合神经网络模型的优化控制策略的有效性。最后,在总结全文的基础上,指出了混合建模若干有待深入研究的问题。