复杂工业过程不确定环境下的自适应鲁棒优化方法及其应用

The widespread uncertainty such as the efficiency of key devices, the demands of upstream and downstream plants, producing time, market demands, the prices of raw materials and products, has led to new problems and challenges for complex industrial process optimization. This project proposes a data-driven adaptive robust optimization method to solve the industrial process optimization problems caused by the uncertainty. Combining the characteristics of the industrial plant operation, the researches such as the development of robust optimization model under uncertainty, the uncertainty set construction for robust optimization, adaptive robust optimization framework and algorithm, as well as the application in real industrial plants, are advanced. This project mainly focuses on modelling of adaptive robust optimization of complex industrial process based on the mechanism, the derivation of uncertain parameter sets from actual industrial data, robust optimization uncertainty set construction based on machine learning methods and the solution to adaptive robust optimization problems. The effectiveness of the proposed method will be demonstrated by the application on the utility system of ethylene plants. At last, a complete theory and practice system of data-driven adaptive robust optimization will be established. This will provide optimization methods and techniques for complex industrial process operation optimization and energy saving of the industrial plants.

复杂工业过程中广泛存在的不确定性，如性能退化和负荷变化产生的设备效率变化、上下游装置需求、生产加工时间、市场需求、原材料和产品价格波动等为复杂工业过程优化带来了问题与挑战。本项目提出数据驱动自适应鲁棒优化方法解决不确定环境下的复杂工业过程优化问题，结合工业生产装置运行特点，开展不确定环境下自适应鲁棒优化问题描述、鲁棒优化不确定集构建和自适应鲁棒优化方法等研究，以及在实际工业装置中的应用验证。重点研究基于工艺机理的复杂工业过程自适应鲁棒优化问题描述和基于实际工业数据的不确定模型参数集获取，基于机器学习方法的鲁棒优化不确定集构建和自适应鲁棒优化问题求解方法等；通过在乙烯装置公用工程系统上的示范应用，构建完整的复杂工业过程数据驱动自适应鲁棒优化理论和实践体系，为提升工业装置优化运行水平和经济效益、实现企业节能降耗提供优化方法和技术。

以石油、化工为代表的复杂工业是国民经济的重要支柱产业。这类工业过程存在广泛的不确定性，如性能退化和负荷变化产生的设备效率变化、上下游装置需求、生产加工时间、市场需求、原材料和产品价格波动。在国内深入实施制造强国战略的大背景下，亟需解决上述过程中不确定性，以实现对复杂工业过程的优化，达到企业节能、减排、降耗和智能优化智造的目的。为此，本项目按照计划任务书开展研究工作，通过利用智能信息处理、工程热力学、工业过程模型化、智能优化算法和自适应鲁棒优化等多学科交叉技术与知识，完成了以下研究内容：以复杂工业过程关键指标如效益最大化为目标函数，选择过程关键可调参数如温度、压力、进料量为优化变量，同时考虑设备质能守恒等约束，建立了具有广泛适用性的复杂工业过程自适应鲁棒优化数学模型；基于机器学习通过支持向量聚类（SVC）、鲁棒核密度估计（RKDE）、狄利克雷过程混合模型（DPMM）、RKDE-PCA混合方法开发多种不确定集，以满足不同鲁棒优化模型的需求；开发了基于仿射决策规则和对偶理论的自适应鲁棒优化求解算法，可保证推导的鲁棒对等转化问题具有计算易处理性；本项目构建了完整的复杂工业过程数据驱动自适应鲁棒优化理论和应用体系，为提升工业装置优化运行水平和经济效益提供了优化方法和技术。项目实施期间，发表了论文12篇，其中SCI、EI检索论文12篇；申请国家发明专利1项，申请登记软件著作权2项；以项目研究内容为研究方向，培养博士研究生2名，培养硕士研究生4名；为企业培养了一批复杂工业过程鲁棒优化方向的人才。

内容获取失败，请点击重试