[论文解读] Application of artificial neural networks and genetic algorithms for crude fractional distillation process modeling

Łukasz Pater|arXiv (Cornell University)|Apr 30, 2016

Advanced Control Systems Optimization参考文献 20被引用 8

一句话总结

本文提出一种混合模型，结合人工神经网络（ANNs）与遗传算法（GAs），以预测炼油厂常压蒸馏装置的产品质量。该模型基于历史工艺数据进行训练，能够准确预测馏分性质，其结果与实验室分析结果高度一致；同时，GAs 优化了网络结构与训练效率，实现了可靠且可解释的实时质量预测。

ABSTRACT

This work presents the application of the artificial neural networks, trained and structurally optimized by genetic algorithms, for modeling of crude distillation process at PKN ORLEN S.A. refinery. Models for the main fractionator distillation column products were developed using historical data. Quality of the fractions were predicted based on several chosen process variables. The performance of the model was validated using test data. Neural networks used in companion with genetic algorithms proved that they can accurately predict fractions quality shifts, reproducing the results of the standard laboratory analysis. Simple knowledge extraction method from neural network model built was also performed. Genetic algorithms can be successfully utilized in efficient training of large neural networks and finding their optimal structures.

研究动机与目标

• 开发一种基于机器学习的常压蒸馏产品质量预测模型。
• 通过遗传算法优化，提升神经网络的训练效率与结构选择能力。
• 将模型预测精度与标准实验室分析结果进行验证。
• 从训练完成的神经网络中提取可解释的知识，以增强工艺理解。
• 实现在工业蒸馏工艺中实时质量预测。

提出的方法

• 基于 PKN ORLEN S.A. 炼油厂的历史工艺数据训练人工神经网络（ANNs）。
• 采用遗传算法（GAs）对 ANNs 的网络结构与训练过程进行优化。
• GA 优化后的 ANNs 根据选定的工艺变量预测关键产品质量参数。
• 利用独立的测试数据集对模型性能进行验证。
• 应用一种简单的知识提取方法，以解释训练完成的神经网络模型。
• 混合方法实现了大规模 ANNs 的高效训练，并识别出最优网络结构。

实验结果

研究问题

• RQ1 混合 ANN-GA 模型能否准确预测常压蒸馏中的产品质量？
• RQ2 遗传算法在优化工业过程建模中神经网络结构与训练过程方面的有效性如何？
• RQ3 模型预测精度在多大程度上与标准实验室分析结果一致？
• RQ4 能否从训练完成的神经网络模型中提取出有意义的知识？
• RQ5 该模型能否支持工业炼油厂环境下的实时质量预测？

主要发现

• ANN-GA 模型成功以高精度预测了产品质量参数，其结果与标准实验室分析结果高度吻合。
• 遗传算法显著提升了大规模神经网络训练的效率与效果。
• 优化后的神经网络结构在未见的测试数据上表现出稳健性能。
• 该模型能够复现复杂的工艺行为，包括馏分质量的动态变化。
• 一种简单的知识提取方法为训练完成的神经网络提供了可解释的洞察。
• 该混合方法在工业常压蒸馏过程的实时质量预测中被证明是有效的。