摘要：智能優(yōu)化控制技術(shù)是以數學(xué)、計算機為基礎，用于求解各種工程問(wèn)題優(yōu)化解的應用技術(shù)。簡(jiǎn)單介紹了模式識別、神經(jīng)網(wǎng)絡(luò )和專(zhuān)家系統等智能優(yōu)化技術(shù)及其在石油煉制過(guò)程中的應用。
關(guān)鍵詞：智能優(yōu)化控制；模式識別；神經(jīng)網(wǎng)絡(luò )；專(zhuān)家系統；石油煉制

Abstract: Based on mathematics and computer technology, an intelligent optimization control technology is used to find the optimized solution of many engineering projects. In this paper, some intelligent optimization control technologies, such as pattern recognition, neural network and expert system, and their application on the process of oil making are discussed.
Key words: Intelligent optimization control; Pattern recognition; Neural network; Expert system; Petroleum refining

1  引言

    智能優(yōu)化控制應用在工業(yè)生產(chǎn)過(guò)程的前景十分廣闊，因為工業(yè)生產(chǎn)過(guò)程的生產(chǎn)操作基于對工藝的研究和其他同類(lèi)企業(yè)的經(jīng)驗，隨著(zhù)時(shí)間的推移都有不同程度的改善和提高。但由于原料、設備、產(chǎn)品等生產(chǎn)條件的種種變化，使得實(shí)際的生產(chǎn)過(guò)程仍然需要不斷地選擇新的優(yōu)化操作條件，建立有效的生產(chǎn)過(guò)程模型?，F代化企業(yè)的生產(chǎn)概念，不僅是要生產(chǎn)出優(yōu)質(zhì)的產(chǎn)品，還應該是在生產(chǎn)過(guò)程中生產(chǎn)出大量的“數據”和“經(jīng)驗”。對“數據”和“經(jīng)驗”的不斷分析和總結，才能使工業(yè)生產(chǎn)過(guò)程的效益得到充分的提高。在以往相當長(cháng)的一段時(shí)間里，此領(lǐng)域內的方法通常建立在單因素分析的基礎上，以便能容易地建立起公式化的關(guān)系，并便于直觀(guān)顯示和理解。然而許多工業(yè)生產(chǎn)過(guò)程卻又都是多因素的復雜體系，生產(chǎn)過(guò)程的建模和優(yōu)化應該而且必須“智能”地考慮其間的“多元”信息，以及它們之間的相互關(guān)系。
    計算機技術(shù)的發(fā)展，對工業(yè)生產(chǎn)過(guò)程的安全、平穩、長(cháng)周期、滿(mǎn)負荷生產(chǎn)有很大的促進(jìn)作用，具有傳統常規儀表無(wú)法替代的優(yōu)點(diǎn)，并使工業(yè)生產(chǎn)過(guò)程的智能優(yōu)化控制成為可能。從目前情況來(lái)看，工業(yè)生產(chǎn)過(guò)程中多采用人為給定值的計算機控制，有時(shí)通過(guò)先進(jìn)控制技術(shù)來(lái)達到和完善控制結果。也就是說(shuō)，“手”或“腳”變得更靈活了，但“腦”的功能有待進(jìn)一步開(kāi)發(fā)。在生產(chǎn)工藝已很成熟而不指望能有大的提高的前提下，如何在計算機上搞好深層次開(kāi)發(fā)，挖掘出工業(yè)生產(chǎn)過(guò)程中的效益就是一個(gè)重要而又迫切的課題，而智能優(yōu)化技術(shù)則是解決這一課題“物美價(jià)廉”的手段。

2  基本原理

    目前，智能優(yōu)化控制技術(shù)具體的方式方法很多，本文介紹筆者常用的模式識別技術(shù)、神經(jīng)網(wǎng)絡(luò )技術(shù)和專(zhuān)家系統技術(shù)等，以及它們的綜合應用情況。

2.1  模式識別技術(shù)

    工業(yè)生產(chǎn)過(guò)程模式識別優(yōu)化控制的理論基礎是將復雜的多元體系表象為各種狀態(tài)的模式，并且研究和確定這些模式在多維測量空間的分布規律。以生產(chǎn)工藝參數為特征變量構筑模式空間，設生產(chǎn)工藝由M個(gè)工藝參數表示，M個(gè)工藝參數（特征變量）組成M維模式空間，一種工況即一個(gè)模式點(diǎn)，對應于M維空間中的一個(gè)點(diǎn)X，稱(chēng)之為樣本點(diǎn)，N個(gè)樣本點(diǎn)組成一M維數據集X＝(X₁，X₂，……，X_n)^T，以?xún)?yōu)化目標作為劃分樣本類(lèi)別屬性的依據，將目標分為若干類(lèi)，通過(guò)對數據集X的模式識別處理，找出優(yōu)類(lèi)樣本子集在M維模式空間中的分布區域，建立優(yōu)化控制模型改進(jìn)生產(chǎn)操作，并根據反饋信息不斷進(jìn)行調整，從而達到改善一個(gè)企業(yè)的技術(shù)經(jīng)濟指標、提高產(chǎn)品收率、降低能耗、改進(jìn)質(zhì)量和降低成本等目的。
    在科學(xué)技術(shù)許多領(lǐng)域的發(fā)展過(guò)程中，經(jīng)常運用進(jìn)行判別和分類(lèi)的方法。但當所需決策的問(wèn)題涉及的因素眾多或數據量很大，且牽涉到多種因素的交互作用時(shí)，現有理論一時(shí)難以提供精確的定量關(guān)系，決策的依據只能是關(guān)于目標與某些變量之間模糊的因果推測，以及從不同角度觀(guān)察所得的大量實(shí)測信息。按模式識別“物以類(lèi)聚”的前提，據有相同特性的被觀(guān)察體應具有相似的模式，即具有數據結構上的類(lèi)同性。這種類(lèi)同性使它們在同一模式空間中聚集，且不同的類(lèi)應占據不同的空間區域。因此，可以借助定義某些相似性的度量標準和判別規則來(lái)確定群體的特征，辨認各個(gè)模式的類(lèi)別，選擇描述群體特性的基本單元或本征參量，作出最佳的分類(lèi)決策。
    因此，人們所研究的特定問(wèn)題，如工業(yè)生產(chǎn)過(guò)程的產(chǎn)品收率問(wèn)題，可轉化為建立某個(gè)模式空間，在此空間中劃分出高收率產(chǎn)品所占據的空間范圍，從而得到相應的優(yōu)化控制模型。若在已建立的模式空間中無(wú)法分割出對應的優(yōu)級區，則可通過(guò)一定的空間變換或參量組合得到，否則便能判定該組參量尚未反映產(chǎn)品收率的基本特征。

2.2  神經(jīng)網(wǎng)絡(luò )技術(shù)

    電腦的飛速發(fā)展，使其的計算功能已遠遠超過(guò)人腦。但在處理視覺(jué)、聽(tīng)覺(jué)、聯(lián)想和類(lèi)比等那些還找不到明確的計算方法的問(wèn)題，電腦仍然不能全面達到人的功能，這似乎表明人腦思維機制和目前的電腦運作機理不完全是一回事。而實(shí)際上人腦對信息的處理具有并行直觀(guān)和串行邏輯兩個(gè)方面，這導致了人們設法了解人腦功能，企圖用人造的神經(jīng)網(wǎng)絡(luò )系統模仿人腦進(jìn)行并行分布處理信息和學(xué)習。因此神經(jīng)網(wǎng)絡(luò )技術(shù)是用計算機軟件或硬件模擬人腦神經(jīng)網(wǎng)絡(luò )功能的產(chǎn)物。
    神經(jīng)元是神經(jīng)網(wǎng)絡(luò )系統的基本單元，它接受N個(gè)信息的輸入，輸入信號的強度為X=(X₁，X₂，…，X_n)。經(jīng)過(guò)加權w=(w₁，w₂，…，w_n)和閾值θ及函數f的作用后，產(chǎn)生神經(jīng)興奮和沖動(dòng)的輸出。將神經(jīng)元作為有向圖的節點(diǎn)，就可連成神經(jīng)網(wǎng)絡(luò )。從連接形式上神經(jīng)網(wǎng)絡(luò )可區分為數十種各具特點(diǎn)的模型，它們各自有某些特定的用途。
    神經(jīng)網(wǎng)絡(luò )中，各神經(jīng)元之間的權重矩陣w是反映信息的關(guān)鍵量。在網(wǎng)絡(luò )結構確定后，就要對已有知識進(jìn)行學(xué)習，修改權重矩陣w，使網(wǎng)絡(luò )對確定性輸入擁有正確響應的能力，符合實(shí)際應用的要求。神經(jīng)網(wǎng)絡(luò )理論上可以擬合任何非線(xiàn)性函數而不需要關(guān)于函數形式的先驗假設，并從復雜的信息集中總結出數學(xué)模型，進(jìn)而預報未知。
    對于工業(yè)生產(chǎn)過(guò)程控制而言，把生產(chǎn)過(guò)程中的信息量（如不同控制點(diǎn)的溫度、壓力、流量等），加載到已經(jīng)訓練的神經(jīng)網(wǎng)絡(luò )后，網(wǎng)絡(luò )將能及時(shí)預報異常情況的出現，通過(guò)調整控制點(diǎn)的方法制止異常情況的發(fā)展。

2.3  專(zhuān)家系統技術(shù)

    統計、模擬等數學(xué)方法一般能定量地給出計算結果，但在閉環(huán)控制系統中往往需要專(zhuān)家經(jīng)驗在實(shí)施控制時(shí)作出定性的決策。專(zhuān)家系統把專(zhuān)家的智慧和專(zhuān)家對問(wèn)題做決定時(shí)的推斷能力歸納為一系列相互關(guān)系的一般規則，并將匯集多方面的大量的信息資源，用多種復雜方式分析生產(chǎn)過(guò)程的現場(chǎng)狀況，實(shí)時(shí)為系統進(jìn)行決策過(guò)濾。其自學(xué)習能力將保障專(zhuān)家系統動(dòng)態(tài)地跟蹤生產(chǎn)系統，調整自身經(jīng)驗。
    例如在工業(yè)生產(chǎn)過(guò)程中，一般原料屬于不可控制的因素，因此較為理想的辦法是利用在線(xiàn)分析儀表，隨時(shí)監測、分析原料的性質(zhì)和它的變化狀況。這種辦法得到的結果比較及時(shí)和可靠，能為生產(chǎn)控制提供準確的原料狀況數據，但它的硬件價(jià)格昂貴，維護較為困難，而且本身就是一個(gè)大的課題。其次的辦法是利用專(zhuān)家系統優(yōu)化技術(shù)對原料性質(zhì)進(jìn)行估算，這里的工作主要是指根據生產(chǎn)結果的反饋，通過(guò)優(yōu)化計算和結合專(zhuān)家系統的經(jīng)驗，來(lái)推斷應采用何種生產(chǎn)操作條件以適應當前原料的性質(zhì)。這種純軟件的辦法需要大量準確的歷史生產(chǎn)操作數據為基礎，以及相當豐富可靠的生產(chǎn)工藝經(jīng)驗為保證。

3  應用實(shí)踐

    在工業(yè)生產(chǎn)過(guò)程中，石油化工企業(yè)應用智能優(yōu)化控制有著(zhù)特殊的意義。因為石油化工企業(yè)一般加工量大，生產(chǎn)效率只要略有提高，就能帶來(lái)極大的經(jīng)濟效益。而且石油化工企業(yè)的控制系統一般也比較完善，適合進(jìn)行智能優(yōu)化控制。

3.1 離線(xiàn)或在線(xiàn)開(kāi)環(huán)的智能優(yōu)化

    工業(yè)生產(chǎn)過(guò)程如果尚未具備先進(jìn)的控制系統如DCS，則可考慮離線(xiàn)或在線(xiàn)開(kāi)環(huán)的優(yōu)化。即利用手工記錄的歷史操作數據或簡(jiǎn)單的數據采集系統收集的在線(xiàn)實(shí)時(shí)數據，經(jīng)過(guò)智能優(yōu)化計算給出生產(chǎn)操作模型，以定期打印或屏幕顯示的方法，指導生產(chǎn)操作人員調整控制參數。
    常減壓蒸餾是石油煉制生產(chǎn)的重要裝置，產(chǎn)品收率歷來(lái)得到企業(yè)的關(guān)注。對于常壓生產(chǎn)汽油、航煤、柴油的子系統和減壓生產(chǎn)潤滑油料的子系統分別進(jìn)行優(yōu)化處理，選擇了包括塔頂溫度等在內的15個(gè)對生產(chǎn)過(guò)程起主要作用的控制變量，構筑判別模式空間。通過(guò)面向顯示的映射，得到判別分類(lèi)圖，如圖1和圖2所示。

圖1  常壓子系統判別分類(lèi)圖    圖2 減壓子系統判別分類(lèi)圖

    從圖中可見(jiàn)，優(yōu)類(lèi)（3類(lèi)）、中間類(lèi)（2類(lèi)）與差類(lèi)（1類(lèi)）的子空間具有明顯的切割面，常壓子系統主要判別矢量為：f1=[0.43 0.28 -0.33 0.17 0.22 0.09 -0.20 0.16]^-1，減壓子系統主要判別矢量為：f1=[-0.07 0.15 0.23 0.37 0.11 -0.31 0.18]^-1。
    將生產(chǎn)過(guò)程控制參數指定在優(yōu)類(lèi)子空間的范圍，綜合分析生產(chǎn)結果的反饋信息微調控制參數，循環(huán)往復跟蹤尋優(yōu)，使產(chǎn)品的總收率提高了0.63，增加經(jīng)濟效益數百萬(wàn)元。

表1  常減壓蒸餾優(yōu)化前后對比表