CN106485094A - 一种px氧化反应生产过程代理模型建模方法 - Google Patents

一种px氧化反应生产过程代理模型建模方法 Download PDF

Info

Publication number
CN106485094A
CN106485094A CN201611076767.8A CN201611076767A CN106485094A CN 106485094 A CN106485094 A CN 106485094A CN 201611076767 A CN201611076767 A CN 201611076767A CN 106485094 A CN106485094 A CN 106485094A
Authority
CN
China
Prior art keywords
oxidation reaction
production process
oxidation
agent model
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611076767.8A
Other languages
English (en)
Inventor
钱锋
钟伟民
杜文莉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
East China University of Science and Technology
Original Assignee
East China University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by East China University of Science and Technology filed Critical East China University of Science and Technology
Priority to CN201611076767.8A priority Critical patent/CN106485094A/zh
Publication of CN106485094A publication Critical patent/CN106485094A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明涉及对二甲苯氧化反应生产过程代理模型建模方法，此方法系统分析PX氧化反应机理，选取对产物品质有较大影响且可测的操作变量作为输入变量，选取氧化反应生产过程关键性能指标作为模型输出变量，同时采集实际工业装置运行数据，在数据处理和归一化的基础上，基于BP神经网络，选用8×9×9的3层网络拓扑结构，采用Levenberg‑Marquardt学习算法对模型进行训练，并通过实际数据验证其精度，获得能完整描述PX氧化反应生产过程的神经网络代理模型。从而达到根据反应器进料及各操作条件准确预测出对应PX氧化反应后的产物浓度及其他关键性能指标的目的，以指导反应过程的优化运行操作。

Description

一种PX氧化反应生产过程代理模型建模方法
技术领域
本发明涉及对二甲苯(简称PX)氧化反应生产过程代理模型建模方法，是对原有工业过程或原有模型的整体描述，构建与之相符的替代模型。具体而言，是PX氧化工艺生产过程产物浓度及其他关键性能指标的代理模型建模方法。
背景技术
精对苯二甲酸(Purified Terephthalic Acid，PTA)是生产聚酯的重要原料，也是重要的化工原料，主要用来合成聚酯的中间体苯二甲酸乙二醇酯(PET)。20世纪50年代中期MID-CENTURY公司开发了以醋酸为溶剂，钴锰溴催化氧化PX生产PTA技术(简称MC工艺)，其专利技术由AMOCO公司购得，随后三井石化公司和英国的ICI公司也进行了不断的开发与改进，形成了以美国AMOCO工艺、英国ICI工艺和日本三井工艺为主的现代三大PTA生产工艺。PTA工艺主要为PX氧化反应单元和CTA加氢精制单元，AMOCO工艺流程如图1所示。在PX氧化反应过程中，对二甲苯(PX)在钴、锰为催化剂，溴为促进剂的条件下，与氧气发生氧化反应，使对二甲苯上两个甲基逐步氧化成羧基，生成对苯二甲酸。整个过程为放热反应，部分热量通过副产蒸汽回收。溶剂蒸发后通过反应器顶部连接的五级连续冷凝器冷凝，冷凝下来的凝液送入溶剂脱水单元回收醋酸。氧化反应液从反应器底部排出，经过逐步降温降压结晶后获得中间产物粗对苯二甲酸(CTA)。由于PX氧化过程是一个逐步氧化的链式反应过程，存在大量的杂质，其中以对羧基苯甲醛(4-CBA)对产物PTA的品质影响最大，因此，通过CTA加氢精制过程将4-CBA还原成水溶性的对甲基苯甲酸(PT酸)，从而获得ppm级的PTA。在CTA加氢精制过程，首先将TA与脱离子水打浆，配成26％～31％的浆料，通过多级预热器加热，使TA完全溶解。之后送入加氢反应器中，在Pd/C的条件下，与氢气发生还原反应，将4-CBA中的醛基还原成甲基，形成水溶性物质PT酸并除去，随后通过连续的结晶器逐级降温降压，经过过滤和干燥，从而获得精对苯二甲酸(PTA)。
PX氧化反应生产过程是PTA生产工艺的核心部分，整个工艺过程副产物众多，还会发生PX、HAC在高温下的燃烧副反应，影响产物浓度和转化率的因素很多。同时，PTA工业装置包含众多单元，单元间存在大量耦合与回流，属于高度非线性的系统。目前，对于PX氧化过程的研究主要通过计算基于自由基机理的PX氧化反应动力学方程，在Aspen等化工模拟软件中建立严格的机理模型。但存在计算量大，计算时间长，模型难以收敛，优化效果差等缺点。因此，建立一个与实际相符、计算量小、易优化的代理模型来完整描述其整个工艺过程，实时在线获得PX氧化过程的产物浓度及其他关键性能指标，为实时在线控制与优化提供良好的依据，对指导实际工业生产具有重要意义。
发明内容
本发明要解决的技术问题是提供一种PX氧化反应生产过程代理模型的建模方法，正确反映PX氧化反应生产过程中产物浓度及其他关键性能指标与相应操作条件的相互关系与内在影响。
本发明技术方案如下：
一种PX氧化反应生产过程代理模型的建模方法，其流程图如图3所示，具体由以下几个步骤组成：
步骤一、系统分析整个PX氧化反应工艺，并结合操作经验，选取操作变量作为模型输入变量，选择关键性能指标作为模型输出变量。采集实际工业装置运行数据，获得相应的输入、输出数据。
步骤二、对采集到的实际工业数据进行数据预处理，剔除部分异常的数据点，获得整体样本集合S，选取其中的2/3的数据作为训练样本S1，剩余1/3的数据作为预测样本S2。
步骤三、根据输入变量与输出变量的个数，运用经验公式计算相应BP神经网络隐含层节点数，确定其网络拓扑结构。
步骤四、使用训练样本S1和学习算法Levenberg-Marquardt对BP神经网络进行训练，获得相应的权值与阈值，并运用预测样本S2对其网络进行检验，获得能正确描述PX生产工艺产物浓度及相应损耗的代理模型。
步骤五、将操作条件的实时运行数据输入到代理模型中，预测出相应PX氧化反应生产过程中各产物的浓度及其他关键性能指标。
所述步骤一中，根据机理分析与操作经验总结，选取氧化反应器温度、氧化反应器液位、第一结晶器温度、第一结晶器液位、钴含量、锰含量、溴含量、溶剂比作为模型的输入变量；选取产物中的TA含量、4-CBA含量、PT酸含量、氧化反应器尾氧含量、第一结晶器尾氧含量、氧化反应器CO2、CO含量、第一结晶器CO2、CO含量作为模型的输出变量。
所述步骤二中，对实际工业装置采集到的样本数据进行预处理，剔除异常数据，并归一化操作，选取的归一化范围为[0,1]。
所述步骤三中，通过如下经验公式计算BP神经网络隐含层节点数：
其中，S代表隐含层节点个数，m代表输入层节点个数，n代表输出层节点个数，计算得到隐含层节点个数为9，从而确定8×9×9的三层BP神经网络拓扑结构。
所述步骤四中，BP神经网络输入层与隐含层的权值与阈值如下所示：
θj＝[-0.2108 1.2133 -0.1950 0.0686 0.3200 0.2599 -1.6057 -0.53452.3919]T
其隐含层与输出层的权值与阈值如下所示：
θj＝[-0.1869 0.3751 0.1236 1.0966 -0.3103 0.9353 0.0930 -0.19880.1109]T
本发明的PX氧化反应生产过程代理模型建模方法，能根据反应器进料及各操作条件准确预测出对应PX氧化反应后的产物浓度及反应过程中的其他关键性能指标，能为实际工业装置的优化运行提供良好的技术基础，为在线操作人员提供正确的决策参考，实现稳定生产、降低反应损耗、提高经济效益的目的。
附图说明
图1：PX氧化反应生产过程工艺流程图；
图2：PX氧化反应生产过程代理模型框架图；
图3：BP神经网络网络拓扑结构图；
图4：PX氧化反应生产过程代理模型实现流程图；
图5～图13：PX氧化反应生产过程代理模型预测效果图。
具体实施方式
本发明在实际应用时利用工业装置的气体成分分析仪分别测得氧化反应器及第一结晶器出口的尾氧浓度及CO2、CO含量，通过温度检测仪表、流量检测仪表、在线分析仪和人工分析手段等获得反应温度、PX和HAC流量、液体催化剂和促进剂含量，并测得产物中TA、4-CBA、PT酸的含量。由此获得生产过程的输入输出样本数据，运用BP神经网络建立PX氧化反应生产过程神经网络代理模型，实现对PX氧化反应生产过程产物浓度及其他关键性能指标的预测。以下结合附图和实例对本发明进一步说明：
附图1为PX氧化反应生产过程的工艺流程图。PX，醋酸溶剂、催化剂及促进剂通过连续计量按比例调节进入氧化反应器，氧化反应用的空气通过四根独立空气分配管线上的流量控制器来调节进入反应器的空气(或富氧)流量。反应料与空气在氧化反应器进行氧化反应，放出大量的热，反应热通过醋酸、水溶液的挥发，从反应器顶部移出，为保证反应器安全，反应器尾气中的氧浓度必须保持在5％以内。随后反应尾气进入顶部气相冷凝系统，之后送入溶剂脱水单元，通过共沸精馏回收醋酸及部分催化剂，以供循环使用。氧化反应器生产的CTA浆料进入第一结晶器进行二次氧化，进一步提高装置的总收率。随后将反应后的浆料送入连续结晶单元，逐步降温降压结晶，获得的浆料送入回转真空过滤机过滤，滤饼最后通过回转蒸汽管干燥机除去残留的醋酸溶剂，将干燥后的TA通过气流输送到料仓。
具体实施流程如图4，在获得实际工业数据后，剔除部分异常数据，随后对数据进行预处理，选取相应合格的数据进行归一化，其归一化公式如下：
假设总的样本矩阵为Z＝[x1,...xm,u1,...un]T，其中[x1,...xm]T为输入样本矩阵，[u1,...un]T为输出样本矩阵。在训练网络时首先将Z按如下公式进行归一化操作：
其中Zmax、Zmin为样本矩阵每一维的最大值和最小值。为归一化后的矩阵。
在预测时，将预测的输入样本输入已经训练好的网络，获得相应的神经网络模型预测值，再将模型预测值进行如下反归一化操作：
本发明系统分析PX氧化机理并结合实际操作经验，依据实际工业数据建立了神经网络代理模型，其简化数学模型可以表示为如下：
y(u1,...,uk)＝f(x1,...xi)
其中，xi(i＝1,2,...m)、uk(i＝1,2...n)分别代表代理模型的输入变量和输出变量，f表示输入与输出之间的非线性关系。
本文中使用的神经网络模型采用三层BP神经网络，包括输人层、隐含层及输出层，其数学描述如下：
设输入层输出为xi(i＝1～l)，隐层输出为yj(j＝1～m)，输出层输出为zk(k＝1～n)，输入层到隐层连接权值为wji，隐层到输出层连接权值为wkj′；隐层，输出层各神经元阈值为θj，θk′。
正向传播：
其中，f为各层传递函数，隐含层神经元传递函数采用S型正切函数tan-sigmoid函数：
输出层神经元传递函数采用线性传递函数purelin函数。
在输出端，网络输出与期望值构成的误差为
P为学习样本数，若误差不为零，转入反向传播阶段，采用梯度下降法对权值进行调整，使误差趋于减小。
输入、输出层节点个数分别为输入变量和输出变量个数，隐含层节点个数通过如下经验公式计算BP神经网络隐含层节点数：
其中，S代表隐含层节点个数，m代表输入层节点个数，n代表输出层节点个数，计算得到隐含层节点个数为9，从而确定8×9×9的三层BP神经网络拓扑结构。
在确定好网络结构与传递函数后，使用Levenberg-Marquardt学习算法对训练样本进行训练，获得BP神经网络模型，选择最大迭代次数300次，目标误差MSE＝1×10-3。随后使用预测样本对模型进行校验，得到有效的神经网络权值与阈值。BP神经网络输入层与隐含层的权值如下所示：
θj＝[-0.2108 1.2133 -0.1950 0.0686 0.3200 0.2599 -1.6057 -0.53452.3919]T
其隐含层与输出层的权值如下所示：
θj＝[-0.1869 0.3751 0.1236 1.0966 -0.3103 0.9353 0.0930 -0.19880.1109]T
PX氧化工艺生产过程代理模型结果
综上，能够获得PX氧化反应生产过程的代理模型，并且运用该模型预测的结果与实际工业数据的相对误差都小于5％，表现出较高的预测精度(见图5～图13)。可以从中看到，发明的PX氧化反应生产过程的代理模型具有较高的准确度，能正确反映PX氧化反应生产过程中产物浓度的变化及其他关键性能指标，能为实际生产提供优化指导，以此保证工业生产装置的稳定运行。
综上所述仅为本发明较好的实施案例而已，并非限定本发明的实施范围，即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应在本发明的技术范畴。

Claims (7)

1.一种PX氧化反应生产过程代理模型建模方法，其特征在于，它由下列步骤组成：
步骤一、系统分析整体PX氧化反应工艺机理，结合历史数据及操作经验，确定代理模型的输入变量和输出变量；
步骤二、根据步骤一确定的输入输出变量，采集相应的实际工业运行数据。先对数据进行预处理，剔除异常工况数据点，获得满足工业产品要求的数据点，形成合格的样本数据集；随机选取其中的2/3作为训练数据，剩余1/3的样本数据作为预测数据，用于后续的建模与预测；
步骤三、根据选取的输入变量和输出变量的具体个数，通过经验公式计算获得相应BP神经网络的隐含层节点数，确定其网络拓扑结构；
步骤四、运用Levenberg-Marquardt学习算法对训练数据进行学习与训练，获得BP神经网络模型参数，并用预测数据进行验证，得到有效的神经网络权值和阈值，获得能正确描述PX氧化反应生产过程产物浓度及其他关键性能指标的代理模型；
步骤五、将实时运行数据经过预处理后输入到代理模型中，获得相应的产物浓度及其他关键性能指标的预测值。
2.根据权利要求1所述的PX氧化反应生产过程代理模型建模方法，其特征在于，步骤一所述输入变量包括，氧化反应器温度、氧化反应器液位、第一结晶器温度、第一结晶器液位、钴含量、锰含量、溴含量和溶剂比。
3.根据权利要求1所述的PX氧化反应生产过程代理模型建模方法，其特征在于，步骤一所述输出变量包括，氧化反应产物对苯二甲酸含量、氧化反应中间产物对羧基苯甲醛含量、氧化反应中间产物对甲基苯甲酸含量、氧化反应器尾氧含量、第一结晶器尾氧含量、氧化反应器CO2、CO含量、第一结晶器CO2和CO含量。
4.根据权利要求1所述的PX氧化工艺生产过程代理模型建模方法，其特征在于，步骤二所述数据预处理主要选取稳定工况下的工业数据，模型输入输出变量归一化范围为[0,1]。
5.根据权利要求1所述的PX氧化工艺生产过程代理模型建模方法，其特征在于，步骤三、四所述计算BP神经网络结构为三层拓扑结构，第一层为输入层，第二层为隐含层，第三层为输出层。其中输入层、输出层个数分别与输入变量和输出变量个数相同，隐含层个数通过如下经验公式计算获得其中，S代表隐含层节点个数，m代表输入层节点个数，n代表输出层节点个数。
6.根据权利要求1所述的PX氧化工艺生产过程代理模型建模方法，其特征在于，步骤四、五的BP神经网络输入层与隐含层节点间的权值及阈值矩阵有如下形式，这是其中一种PX氧化反应生产过程代理模型的参数：
W i j = 0.5633 0.1936 0.1701 - 1.2758 - 0.5187 0.2523 0.4509 - 0.3816 - 0.5994 - 0.4252 0.8065 - 0.0191 - 0.0547 - 0.2035 - 0.7332 1.5143 0.4961 0.6963 0.0944 0.4173 0.0983 0.0959 - 0.1810 - 0.2383 - 0.3719 0.0494 - 0.1174 0.0931 0.0090 - 0.0055 - 0.0070 - 0.0156 0.3532 - 0.2492 0.2368 0.6696 - 0.3456 0.0240 - 0.1197 - 1.1561 0.5061 - 0.1602 - 0.1290 1.8404 - 1.1249 - 0.6483 0.4810 - 0.8060 0.2957 - 0.7473 1.0146 1.2011 - 0.2588 - 0.7123 - 0.4390 - 1.1014 - 0.6252 - 0.8149 - 0.2627 - 0.8508 0.1327 - 0.5654 - 0.8965 0.5547 0.5824 1.1930 0.4500 0.9472 0.2865 - 0.2099 - 0.5918 - 0.5366
θj＝[-0.2108 1.2133 -0.1950 0.0686 0.3200 0.2599 -1.6057 -0.5345 2.3919]T
其隐含层与输出层节点间的权值及阈值矩阵如下：
W i j = 0.3401 0.3357 - 0.9613 0.9555 - 0.3683 - 0.2456 0.8618 1.0070 - 0.0988 1.0014 0.5055 0.3761 0.1676 - 0.2668 - 0.0994 - 0.5740 - 0.0032 0.2475 0.6331 0.6844 0.3943 0.4982 0.0010 0.3665 - 0.6310 0.1451 0.2470 0.5788 0.0842 0.2808 0.5128 - 0.3691 0.0699 - 0.8800 - 0.1840 - 0.4800 - 0.5969 - 0.3562 - 0.5485 1.2305 0.4653 - 0.2005 0.2098 - 0.2971 0.3143 0.0773 0.0235 0.1614 0.7507 - 0.0237 0.2170 - 0.0545 0.1130 - 1.0022 0.9300 - 0.7447 0.0931 - 1.3560 0.3495 - 0.0576 - 0.3427 - 0.8174 0.2387 - 0.2580 0.0286 0.9972 0.4901 - 0.6169 0.1939 1.0949 0.4879 0.3273 0.2153 0.2378 0.8653 - 0.6830 - 0.7212 0.3216 0.4985 0.5175 - 0.2558
θj＝[-0.1869 0.3751 0.1236 1.0966 -0.3103 0.9353 0.0930 -0.1988 0.1109]T
7.根据权利要求1所述的PX氧化工艺生产过程代理模型建模方法，其特征在于，步骤四、五的关键性能指标主要是指除PX氧化反应产物TA、4-CBA和PT酸以外的其他反应PX氧化效率的参数，包括尾氧浓度和PX、HAC燃烧性能指标。在PX氧化反应过程中，由于反应放出大量的热，PX与氧气、HAC与氧气发生的燃烧反应，生成CO2和CO。因此，本发明将PX氧化反应过程中PX、HAC燃烧性能指标由CO2和CO进行表征，通过预测CO2和CO的浓度来反映PX、HAC燃烧程度。
CN201611076767.8A 2016-11-30 2016-11-30 一种px氧化反应生产过程代理模型建模方法 Pending CN106485094A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611076767.8A CN106485094A (zh) 2016-11-30 2016-11-30 一种px氧化反应生产过程代理模型建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611076767.8A CN106485094A (zh) 2016-11-30 2016-11-30 一种px氧化反应生产过程代理模型建模方法

Publications (1)

Publication Number Publication Date
CN106485094A true CN106485094A (zh) 2017-03-08

Family

ID=58275421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611076767.8A Pending CN106485094A (zh) 2016-11-30 2016-11-30 一种px氧化反应生产过程代理模型建模方法

Country Status (1)

Country Link
CN (1) CN106485094A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627660A (zh) * 2021-07-30 2021-11-09 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1139814C (zh) * 2001-04-11 2004-02-25 中国石化集团扬子石油化工有限责任公司 对二甲苯氧化反应产品中对羧基苯甲醛含量的软测量方法
CN101145029A (zh) * 2007-09-25 2008-03-19 华东理工大学 对二甲苯氧化反应器操作条件的优化方法
CN102486632A (zh) * 2010-12-01 2012-06-06 中国石油化工股份有限公司 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法
CN102680646A (zh) * 2012-06-12 2012-09-19 南京理工大学常熟研究院有限公司 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法
CN103776797A (zh) * 2014-02-25 2014-05-07 河北大学 一种近红外光谱鉴别平利绞股蓝的方法
CN104504292A (zh) * 2015-01-14 2015-04-08 济南大学 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法
US20160237593A1 (en) * 2013-10-17 2016-08-18 Stefan Horkovics-Kovats Technique for determining particle properties

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1139814C (zh) * 2001-04-11 2004-02-25 中国石化集团扬子石油化工有限责任公司 对二甲苯氧化反应产品中对羧基苯甲醛含量的软测量方法
CN101145029A (zh) * 2007-09-25 2008-03-19 华东理工大学 对二甲苯氧化反应器操作条件的优化方法
CN102486632A (zh) * 2010-12-01 2012-06-06 中国石油化工股份有限公司 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法
CN102680646A (zh) * 2012-06-12 2012-09-19 南京理工大学常熟研究院有限公司 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法
US20160237593A1 (en) * 2013-10-17 2016-08-18 Stefan Horkovics-Kovats Technique for determining particle properties
CN103776797A (zh) * 2014-02-25 2014-05-07 河北大学 一种近红外光谱鉴别平利绞股蓝的方法
CN104504292A (zh) * 2015-01-14 2015-04-08 济南大学 基于bp神经网络预测循环流化床锅炉最佳工作温度的方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627660A (zh) * 2021-07-30 2021-11-09 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置
CN113627660B (zh) * 2021-07-30 2023-11-10 深圳市中金岭南有色金属股份有限公司凡口铅锌矿 一种陶瓷过滤机的生产率的预测方法和装置

Similar Documents

Publication Publication Date Title
CN104965967B (zh) 一种常减压蒸馏装置的收率实时预测方法
CN109408774B (zh) 基于随机森林和梯度提升树的预测污水出水指标的方法
Nascimento et al. Neural network based approach for optimization of industrial chemical processes
CN106777922A (zh) 一种cta加氢精制生产过程代理模型建模方法
CN102693451A (zh) 基于多参数的氨法烟气脱硫效率预测方法
CN102540879A (zh) 基于群决策检索策略的多目标评价优化方法
CN104463327A (zh) 一种预测催化裂化焦炭产率的方法
CN106200381A (zh) 一种根据处理水量分阶段控制水厂运行的方法
CN106485094A (zh) 一种px氧化反应生产过程代理模型建模方法
KR100979363B1 (ko) 다입력 다출력 연속생산과정의 실시간조작 최적화 방법
CN104085789B (zh) 一种起重机运行状态的智能监测方法
JP6971304B2 (ja) ポリマーの連続製造プラントの制御方法及び制御システム
CN101598737B (zh) 精对苯二甲酸中对羧基苯甲醛含量的软测量方法
CN101591240B (zh) 粗对苯二甲酸加氢精制反应工业装置模型的建模方法
CN110766234B (zh) 基于信息融合的水泥冷却过程篦下压力预测方法
CN1230412C (zh) 一种对二甲苯液相催化氧化反应动力学模型的建模方法
CN101173952B (zh) 一种确定对羧基苯甲醛含量的软测量方法
CN111222627A (zh) 一种镀层控制的气刀距离数据驱动预测方法
Ehsani et al. Modeling the oxidative coupling of methane using artificial neural network and optimizing of its operational conditions using genetic algorithm
CN1139814C (zh) 对二甲苯氧化反应产品中对羧基苯甲醛含量的软测量方法
CN109034366B (zh) 基于多激活函数的elm集成模型在化工建模中的应用
CN101145029A (zh) 对二甲苯氧化反应器操作条件的优化方法
CN111178627B (zh) 一种基于spca的神经网络混合优化预测方法
CN102486632A (zh) 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法
WO2023012007A1 (en) Method for monitoring and/or controlling a chemical plant using hybrid models

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170308

RJ01 Rejection of invention patent application after publication