中文摘要：

化工生产过程所采集的数据大多来源于稳定工况，数据变化较小且存在大量的"噪声"，利用这些数据进行过程统计建模会造成模型的预测能力差，外推性不好。而且很多化工过程由于机理复杂，很难进行机理建模进而进行有效的优化和控制。为此，提出一种融合机理(专家经验)信息的基于神经网络的建模、优化与控制的集成方法。首先，对生产过程进行机理分析或获取专家经验。将机理知识或专家经验融合到基于神经网络的建模过程中。在模型训练时计算模型灵敏度分析结果与专家经验或机理的吻合程度，对模型目标施以不同程度的惩罚。针对这种非线性模型，提出并完善一种基于Alopex的进化算法。该算法兼有确定性和随机性搜索的特点，可提高搜索到全局最优的速度和概率。利用该算法优化带有惩罚项的非线性问题可自适应设定惩罚因子来避免惩罚项过大或过小的问题。最后，将提出的方法应用于PX氧化反应器和乙烯裂解炉裂解深度的建模与优控制化中，检验方法的有效性。

结论摘要：

随着数据存储技术的发展，现代过程工业开始使用数据采集系统，基于数据驱动的过程建模技术得到广泛的应用。这种基于数据驱动的建模方法在复杂系统中能否成功应用，关键在于模型能否掌握过程机理知识，而不仅仅在于对数据的挖掘，即取决于该模型能否真正地理解并学会系统所遵循的客观规律。本课题提出将专家知识信息添加到这种基于数据驱动的建模过程中。在模型学习训练过程中，每次迭代学习时对关键的输入输出变量进行相关性分析，如果得到的分析信息与专家经验知识相一致，则不对模型训练的目标函数进行惩罚，否则根据违反程度施加不同程度的惩罚。这样最终得到的模型一方面符合历史数据的统计信息，另一方面由于模型在一定程度上包含了机理（专家经验）信息，模型的外推性将加强。本课题包括以下几个方面工作(1)复杂过程机理（专家经验）信息提取。专家信息可以是输出值范围、输入-输出单调性和凹凸性信息，提出采用定步扫描法进行专家经验信息的定量验证；(2)混合智能建模方法的理论分析。利用贝叶斯推理结合先验概率、似然函数和后验概率的关系从理论上分析提出建模方法的可行性；(3)结合BPNN和机理信息先验的混合智能建模方法的实现。详细分析了混合建模方法的步骤流程，为了提高建模的速度，提出“非线性层采用智能算法搜索、线性层采用最小二乘回归求解”的参数搜索策略，取得显著效果；（4）针对复杂体系优化问题，进行一种基于Alopex进化优化算法的完善。分别研究了将加权正态分布估计法、差分进化算法、蜂群算法、文化算法、正态copula函数、局部搜索技术以及二次插值法融于AEA算法中，提高算法的收敛速度及精度。针对测试函数和实际过程的优化，改进的算法都取得较好的结果；（5）基于AEA算法提出了一种新的自适应惩罚函数法处理约束问题。该方法充分利用函数各约束条件被违反次数统计量来判定约束强弱，动态自适应地调整各个约束的惩罚系数，同时考虑到目标函数与惩罚项之间的关系，对目标函数做出了相适应修改，使得两者间的关系更加趋于平衡，避免惩罚力度过大或过小。(6)混合建模方法在实际生产过程中的应用研究。分别在乙炔加氢反应器和纳滤膜溶胶平均粒径估计取得较好的效果，验证了本项目提出混合建模方法的可行性。本项目研究成果已经公开1项国家发明专利、申请6项软件著作权证书。发表期刊论文24篇，会议论文1篇。培养硕士研究生15人（其中，已毕业9人，在读6人）。