基于VSG及ELM的复杂石化过程智能建模方法研究

Petrochemical industry is an important pillar industry of national economy. It is of great significance to implement effective control and optimization for the petrochemical industry, where process modeling is an important basic work. Modern petrochemical production processes have been developing in the direction of large-scale, multi-parameter, and high complexity. So, how to build an accurate and reliable process model is an urgent task to be solved. From the point of view of complex petrochemical production process mechanism and operational data, this research project studies new intelligent modeling methods based on data processing and neural networks. Based on the multiple data sources and large numbers of complex petrochemical process data, new intelligent methods of complex petrochemical process data feature extraction and processing in terms of dimensionality reduction, filtering and de-noising are studied. Aiming at the characteristics of large data and small samples, a new virtual sample generation method based on nonlinear interpolation is proposed to realize the effective supplement of small samples of complex petrochemical processes. Aiming at the complex characteristics of high nonlinearity and multidimensionality of petrochemical process data and the problem of characteristic drift of the petrochemical process object, an adaptive double parallel extreme learning machine based on multi-nonlinearity feature mapping is proposed for establishing accurate and reliable intelligent models. Finally, a case study using a complex ethylene production process is carried out to verify the effectiveness and applicability of the proposed methods, which provides theoretical basis and technical support for complex petrochemical process modeling.

石化行业是重要的国民经济支柱产业，对其实施有效的控制、优化具有重要意义，过程建模是控制、优化的重要基础。现代石化生产过程正向着大型化、多参数化、复杂化的方向发展，如何建立准确可靠的过程模型是迫切需要解决的任务。本课题从复杂石化生产过程机理和运行数据出发，研究数据处理、神经网络智能建模新方法。基于多数据源、大数据量的复杂石化过程数据，从降维、滤波、去噪等多角度研究对其特征提取和智能分析处理的新方法；针对大数据、小样本特点，提出一种基于非线性插值的虚拟样本生成方法，实现对复杂石化小样本的有效补充；针对石化过程数据的高非线性、多维性等复杂特征以及石化过程对象特征漂移的问题，提出一种基于多非线性特征映射的自适应双并行极限学习机模型，用以建立准确可靠的智能模型。最后以复杂乙烯生产过程为应用对象，验证本文所提方法的有效性和适用性，为复杂石化过程建模提供理论依据和技术支持。

现代石化生产过程正向着大型化、多参数化、复杂化的方向发展，如何建立准确可靠的过程模型是迫切需要解决的任务。本课题从复杂石化生产过程机理和运行数据出发，提出了从降维、滤波、去噪等多角度的复杂过程数据特征提取和智能分析处理新方法；针对大数据、小样本特点，提出了基于插值、噪声注入、重采样等策略的多种新型虚拟样本生成方法，所提出的新型虚拟样本生成方法能够生成可靠的虚拟样本，从而实现了对复杂石化小样本数据的有效补充，保障了数据驱动方法的数据基础；针对石化过程数据的高非线性、多维性等复杂特征以及石化过程对象特征漂移的问题，提出了基于函数连接神经网络、极限学习机、回声状态网络等多种新型智能过程模型。所提方法性能验证过程中，一方面采用了标准数据集和典型复杂化工流程仿真—田纳西伊—斯特曼过程数据；另一方面还采用了实际过程生产数据，如乙烯生产过程数据、精对苯二甲酸生产过程数据和高密度聚乙烯生产过程数据等，仿真结果都验证了所提模型的有效性。项目执行期间，项目负责人和项目研究成员展开密切合作，通过不懈努力在项目结题之际取得了丰硕的成果，并培养了多名研究生：发表术论文31篇，其中SCI/EI收录30篇，申请发明专利9项，获得1项软件著作权；课题负责人独立培养硕士生毕业5名，在读硕士生6名，联合培养博士生3名和硕士生3名。本项目围绕计算智能开展复杂石化生产过程数据智能处理和智能过程模型的研究，所提出的方法形成了面向复杂石化生产过程智能计算的新理论与新方法，并逐步研发复杂石化生产过程数据智能处理和智能过程模型软件原型，为提升石化行业智能化处理水平提供有效的理论依据和技术支持。