CO2提纯塔神经网络建模.pptVIP

Modeling for carbon dioxide purifying column using neural network 二氧化碳提纯塔中神经网络建模的应用 本文构架 摘要 研究方法 模型的建立 模型检验与寻优 结论 摘要 为提高提纯塔出口二氧化碳纯度, 根据实际生产数据运用人工神经网络方法建立了出口二氧化碳纯度与进塔纯度、进塔温度、塔顶压力、塔顶温度、塔釜加热温度、塔釜压力、塔釜温度7 个因素之间的非线性模型. 建立的模型能够有效描述出口二氧化碳纯度与各因素之间的关系, 同时通过训练好的网络能够找到生产较高纯度二氧化碳的最佳控制点. 研究方法 本文采用BP 人工神经网络进行建模, 建模基本步骤为: 1) 确定BP 神经网络的输入向量和输出向量的维数、隐层数及其节点数; 2) 确定隐层传递函数、输出层传递函数; 3) 训练网络, 使其误差的平方和达到最小; 4)利用该模型处理非线性问题. 模型的建立 在生产过程中, 出口CO2 纯度与CO2 进塔纯度、进塔温度、塔顶压力、塔顶温度、塔釜加热温度、塔釜压力、塔釜温度7 个因素有关. 利用生产过程实际数据建立出口CO2 纯度与这7 个因素之间关系的模型. 采纳某化工厂在满负荷生产状态下包括出口CO2 纯度和7个因素的完整数据45 组. 对于这45 组完整样本数据, 通过散点图剔除明显异常的3 组样本. 取38 组作为训练样本, 其余4 组作为检验样本. 模型的建立 根据实际情况, 输入节点个数选为7 , 输出节点个数为1.隐节点个数在理论上没有一个确定的公式, 一般采取经验估计结合实际演算比较来确定隐节点个数,文结合实际问题, 通过演算比较, 确定隐节点个数为12. 至此, 网络结构确立为[ 7, 12, 1] . 模型的建立 模型检验与寻优 检验：网络的训练是一个概率过程,可以采取多次计算取平均的方法, 达到相对稳定的输出. 模型检验与寻优 在其他因素不变的情况下, 塔釜压力的下降明显提高了出口纯度; 加热温度的上升、进塔温度的下降以及进塔纯度的提高均使出口纯度有一定的提高; 而塔釜温度、塔顶温度、塔顶压力的小幅度变化对出口纯度没有明显影响. 经随机选取样本做同样的实验, 也得到了一致的结论. 模型检验与寻优 通过训练后得到的网络, 有针对性地对各因素进行调整变化, 采用蒙特卡罗方法, 寻找到在不同进塔纯度下的最优控制点. 结论 CO2 的原有生产过程不够稳定, CO2 出口纯度在很多情况下没有达到要求. 利用训练好的人工神经网络模型, 并参照最佳控制点进行控制, CO2的出口纯度预基本上能够达到要求, 生产过程比较稳定, 收到了期效果. 人工神经网络完全基于数据进行建模, 避免了一些假设造成的偏差, 在数据量充足的情况下能够成功地对系统进行模拟. 人工神经网络在CO2提纯塔优化控制中的应用为化工控制模型的建立提供了一种新的思路.