基于支持向量机和群智能的煤制甲醇合成过程建模及优化方法研究

Using support vector machines and swarm intelligence optimization methods to build and optimize the mathematical model in coal methanol synthesis process, and discover the mechanism problem of the relationship between the process parameters and methanol productivity. This project treat the methanol synthesis data: constituent content, temperature, pressure, hydrogen-carbon ratio and airspeed parameters as the input, and methanol product rate as the output. Aiming at the time-varying and nolinear of varibles, develop a support vector machine dynamic modelling method with the online learning ability; aiming at the strong coupling of varibles, develop the extraction rules method based on support vector machines for the dynamic model; finally, with the dynamic model and extracted rules, we develop a particle swarm based process parameters optimization method, achieve to predict and monitor the methanol product rate, optimize the parameters in the manufacture process. The research is of great significance and generalization in understanding of the production law, improving the production efficiency. It provide a new approach for chemical process modeling and optimization, extend a new field of data mining application.

用支持向量机和群智能优化方法进行煤制甲醇合成过程的数学建模及优化研究，探索甲醇合成过程中工艺参数与甲醇产率之间的机理性问题。本项目以甲醇合成数据中的组分含量、温度、压力、氢碳比、空速等过程工艺参数为输入，甲醇产率为输出，针对变量之间的时变性和非线性，研究具有在线学习能力的支持向量机动态建模方法；针对变量之间的强耦合性，研究基于支持向量机的规则抽取方法；最后结合动态模型和提取的规则，研究基于多目标粒子群的工艺参数优化方法，实现生产过程中对甲醇产率的预测、监测及参数优化。此研究对揭示甲醇合成生产规律、提高生产效率等方面有着重要的科学意义和推广价值，为化工过程的建模及优化提供了一条新途径, 同时也拓展了数据挖掘应用的新领域。

本课题用支持向量机（SVM）和群智能优化方法进行煤制甲醇合成过程的数学建模及优化研究，探索甲醇合成过程中工艺参数与甲醇产率之间的数学关系。以实际的甲醇生产数据为分析对象，从数据降噪、增量建模、规则抽取和多目标优化等方面展开了研究。.降噪方面：研究了脉冲神经网络(PCNN)降噪算法，针对PCNN模型β和θ的参数设定问题进行研究，给出了参数自适应计算策略，同时还给出了神经元点火频次矩阵，便于神经元点火次数辨识并滤除噪声点。利用多组图像数据和标准函数数据进行验证，结果显示该方法的信噪比均高于其他降噪算法。.建模方面：针对甲醇合成数据的分布不平衡问题，从数据粒度的划分和关键信息的提取两方面研究了粒度支持向量机（GSVM）的建模方法，提出了核模糊C均值聚类的粒度划分方法和共享最近邻(SNN)的关键信息提取方法，与传统SVM算法相比，其预测均方误差从0.0044降低到0.0038；同时为了使模型具有动态学习能力，提出了基于误差校正的混合核函数在线支持向量机和基于超球结构的增量支持向量机建模方法，使模型具有实时在线学习能力。.规则抽取方面：甲醇合成数据是一种回归类型的数据，要挖掘出数据中的关联规则就需要对SVM进行回归规则抽取，由于支持向量对模型的性能起到决定性作用，因此可以通过训练SVM获取支持向量并将其作为回归树的训练集，获取回归树，成功得提取出决策能力高、包含变量少、计算量小且容易读取的回归规则，规则的覆盖度达到98.3%。.群智能优化方面：针对粒子群算法在迭代后期许多粒子速度停滞为零、粒子陷入局部最优导致无法找到全局最优解的问题，研究了非线性递减的惯性权重取值方法，使群体在搜索初期具有较高的全局搜索速度和较慢的后期精细搜索速度；同时在更新策略中加入二次函数类速度扰动项，避免了粒子在迭代后期的停滞为“零”，使粒子在迭代后期仍具有较小的飞行速度跳出局部最优，从而提高算法的全局收敛性和多样性。将改进的算法用于甲醇合成过程的参数优化，结果证明改进后的算法可以找到更好的温度、压力和氢碳比组合参数，使CO和的CO2转化率同时最大。.课题最后结合上述方法用于甲醇合成过程建模，实现生产过程中对甲醇产率的预测、监测及参数优化。此研究对揭示甲醇合成生产规律、提高生产效率等方面有着重要的科学意义和推广价值，为化工过程的建模及优化提供了一条新途径, 同时也拓展了数据挖掘应用的新领域。