复杂工业生产过程模型化与优化的研究是过程控制领域人们十分关注的热点,也是将控制理论应用到实际过程的一大难点。乙烯裂解炉是乙烯生产中的关键设备,其平稳、安全、高效运行对乙烯生产过程具有举足轻重的作用,因此对乙烯裂解炉装置实施先进控制、操作优化具有重要的理论和实际意义。 针对乙烯裂解的复杂过程,本文从分析过程的内在机理出发,研究应用基于输入训练神经网络和RBF网络对裂解炉进行过程建模。引入自适应动量因子和学习速率,改进了神经网络学习算法,加快了网络收敛速度。将机理模型计算数据与现场采集数据相结合,获得正交性和完备性较好的训练样本数据,增强模型的外推能力和可信度。 研究应用粒子群算法解决乙烯裂解炉的操作优化。在乙烯丙烯收率的神经网络模型基础上,以裂解炉在整个运行周期内乙烯平均产量最大化为目标函数,优化操作命题,获得裂解炉的最优化操作条件,实际应用表明,与原操作工况相比,乙烯丙烯产量有了较大的提高。 研究应用主元分析的方法建立乙烯生产过程关键变量的主元模型,实施在线非正常工况监控。通过计算统计量SPE、T~2是否超出控制限来确定系统是否有异常发生。实际运行结果表明,故障监控模型能够及时发现过程变量的非正常现象。最后利用SQL Server数据库和