工业炉火焰故障与恢复:燃速设定值重排的神经网络稳态模型

摘要

燃烧器故障是工业加热器常见的异常情况。通过补偿由于燃烧器故障而损失的热量，可以防止经济损失和重大设备损坏，这可以通过定义适当的设定值来重新安排健康燃烧器的燃速。在本研究中，建立了人工神经网络模型，用于估计燃烧控制系统的适当设定值，以使工业加热炉从异常状态中恢复。为此，在建立精确的高阶数学模型的基础上，采用遗传算法求解约束非线性优化问题。对于不同的故障情况，获得了健康燃烧器从异常情况中恢复炉膛的最佳可能的过量烧成率，并记录了用于培训和测试阶段的数据。通过仿真实验，评价了所建立的神经稳态模型的性能。计算结果表明，采用该方法处理燃烧系统故障是可行的。

1.介绍

燃烧加热器是炼油厂和石化工业中的关键装置，用于碳氢化合物加工过程中直接加热流体。燃烧产生的热气体通过对流和辐射传热机制直接供应到多个流管。这大大提高了原油过程的温度，而原油可以被送入蒸馏塔，被分离成各种成分。1那2］.为了保持产品的质量，应控制流温。调节发射速率通常是达到目标温度的主要工具[3.］.

由于燃烧器的故障和燃烧故障导致的炉内的非均匀温度分布可能导致蒸馏产品的主要品质缺陷[4.]. 燃烧器故障的影响可能以不同的形式出现，如火焰冲击、火焰不稳定、热点等[5.］.忽视这种情况可能会增加重大设备损坏的危险。减少故障燃烧器的燃料流量是主要的纠正措施[6.］.如果单个燃烧器失效或失去燃烧能力的一部分，炉子仍然可以继续运行;然而，补偿丢失的热量以实现热均衡将是主要问题。在这种情况下称为异常条件的情况下，应立即立即采取纠正措施，以避免在管内部的焦炭形成并因此损坏[6.那7.］.

从异常条件中恢复系统的策略可以通过为下层控制器定义适当的设定点来描述。将专家系统集成到监控系统中被认为是提高工业控制系统应对突发事件能力的一种解决方案[8.-10.］.这样的系统应该能够从仪器中获取数据，检测和诊断故障，并通过调整控制回路的新设定点来优化工艺条件，以远离异常条件。11.那12.］.设计一个有效的专家系统通常需要工厂变量的充分信息，关键部件条件的真实数据，以及专家操作人员对某些异常情况的知识[13.］.然而，需要的信息，从实际系统性能在燃烧器的故障几乎是在手。此外，将人工故障应用于在役燃烧加热器以获取必要数据实际上是不可能的[14.那15.］.在这种情况下，可以利用数学模型来研究许多不同的故障和烧成率场景对炉内热量分布的影响，并优化工艺条件以应对异常情况[16.-18.］.

据报道了许多不同的基于模型的优化技术来改善文献中的工业过程的运作[19.-21.］.第一原理模型(FPMs)是用于工厂监控、过程优化和开环决策支持的常见稳态模型[22.]. 由于模型的不确定性和干扰，需要在线稳态数据来识别模型。采用稳态模型可以大大减少计算量，这在实时优化（RTO）中非常有价值[23.］.非线性数学模型还用于优化工业过程的操作，这些过程通常用作非线性模型预测控制（NMPC）的核心[24.那25.］.

近年来，人工神经网络等基于数据的建模方法被广泛应用于工业过程的优化[18.那26.那27.］.神经网络模型的主要优点是无需先验知识就能描述复杂系统的行为，计算成本低，插值性能好[28.］.人工神经网络的不同结构已被用于优化工业过程的运行;然而，一般而言，可以在其应用中识别出两个不同的类别：静态神经网络模型在实时优化（RTO）应用中更常见，而稳态模型是优化上控制层的操作条件所必需的;（2）动态神经模型用作较低控制水平的模型预测控制的核心[29.-31.］.

在本研究中，提出了一种基于模型的优化方法，以找到从可能的燃烧器故障中恢复的工业烧制加热器炉的最佳运行条件。Chaibakhshs等人开发的非线性数学模型。扩展并用于优化过程[32.］.将燃烧系统中的不同故障情景应用于模型，并研究了它们对管和炉输出的影响。然后，解决了受约束的非线性优化问题，以规划健康燃烧器所需的过量烧制率，以从异常情况下恢复。获得的结果用于培训神经网络（NN）估计。开发的模型被用作异常管理系统（AMS）的核心，这负责根据故障情况为燃烧器控制器产生参考设定值。提供了优化过程的结果和评估所提出的方法的有效性，针对不同的故障情况。

2.系统描述

图中所示的橱柜型，单火箱炉1是本研究的研究对象。五个安装在地板上的燃烧器排成一排，为对流和辐射段提供所需的热量。粗工艺从炉顶进料，首先通过对流段2和对流段1，其中温度从504.15 K升高到561.65 K左右，流体通常保持为单相液体。在辐射部分，管道暴露在高热流中。粗制过程从沸腾和汽化开始，在本段结束时温度上升到大约637 K。

在每个壁上，将过程流体分成两个逆流流，其前往炉子的中间。每个流还包括24排管。每个燃烧器的所需烧制率为11.26kg / s的标称炉负荷为0.06842千克/秒。在表格中1，给出了该炉的公称参数[32.那33.］.

Chaibakhsh等人建立了精确的数学模型，用于优化过程[32.]. 为了考虑火焰高度对每个管子吸收的热量的影响，将燃烧炉的燃烧箱分为五个热区，如图所示。1．管的每个分段的视图因子是根据其位置和平均火焰高度计算的。

3.优化问题:目标函数与遗传算法

在本节中，不同的燃烧器烧成能力不足/失效场景应用于所开发的加热炉模型。然后，将基于遗传算法的优化方法应用到模型中，以确定每个燃烧器的合适燃烧速率。考虑各燃烧器的最大燃烧速率容量、总燃料消耗、管壁温度和炉膛出口温度作为约束条件。基于模型的优化过程如图所示2．

3．1.优化问题

两个流的平均温度（两侧）是最重要的变量，应保持在637 k左右（表1）;这是达到所需产品质量的必要条件，不应显着超过。

因此，通过将误差定义为粗工艺的平均出口温度与所需温度（637 k）之间的差异，可以计算每个燃烧器的最佳过量烧制率，以根据变量的约束来降低出口温度误差．优化过程的目标函数可以定义如下： 在哪里和分别表示状态变量机油和管表面温度。此外和分别为给炉的燃料和原油工艺流量。该目标函数用于每个管的每个区域，并对系统运行过程中可能发生的所有异常情况进行优化。优化问题定义所考虑的函数如下:

管的温度在辐射段中的作用见(2），而以下等式表明了粗工艺的温度与从管中吸收的热量之间的关系：

在对流部分(4.）用于估计管的温度，和（5.)为粗制过程的温度函数:

此外，对每个燃烧器的超额燃速考虑如下限制:

管的最大设计温度为

所有通行证的输入和输出位于1区;因此，过程输出温度将被计算为

在燃烧器失效的情况下，应通过增加其他燃烧器的燃烧速率来补偿热损失。需要注意的是，由于火焰高度的任何变化，熔炉的热区域都会发生变化。为了确定管的每个部分吸收的热量，应该根据管的位置和平均火焰高度计算管的每个分段的视图因子。管和火焰的几何描述以及火焰高度对视图因子的影响在附录中给出。炉管表面温度的升高是炉管过烧最显著的影响，但由于过烧对炉管的安全影响很大，因此应加以控制。管的最大设计温度约为900 K;然而，提高管的表面温度会增加管内结焦和结垢的危险。因此，我们认为目标地表最高温度为800k，如下所示:

通过求解非线性优化问题(2） 到 （5.）受不平等约束（6.） 和 （7.)使用遗传算法。为了使解保持在可行域内，需要将约束优化问题转化为无约束优化问题[34.］.雇用惩罚函数是处理GA解决非线性优化问题的常见方法。它适用如下：

惩罚功能简化为流作为 在哪里管的最高表面温度(每个流的24道)和给出了吗

惩罚功能可以防止管的表面温度达到最大值。如果表面温度小于最大值，它们的值为零。如果超过所考虑的极限，惩罚函数将具有一个非零(正)值，如果考虑惩罚常数的一个较大值，该值将被放大 ．

为了补偿由于燃烧器故障而造成的热损失，健康燃烧器中过量质量流量的总和应等于故障燃烧器中错过的流量。然而，通过增加燃烧器的燃烧速率，传热性能将会增加。因此，这个值可能比所需的数量少一点(大约3%)。超额发射率的最大值也被限制在30%。它是由

限制过剩燃油流量的惩罚函数可由下式定义:

罚函数, 那考虑了经济性，在降低燃油消耗的基础上进行了优化。然而，如果两个燃烧器失效/燃烧能力不足，这在经济上是不合理的。在这些情况下，燃烧器的燃烧速率可能接近其最大容量，这意味着总燃料流量可能超过其在正常运行条件下的数量。

结果，适合函数定义为 在哪里是罚函数和和是惩罚常数。这是一个受约束的优化问题，它使用添加罚球函数转换为无约束的问题[34.］.

3.2。遗传算法（GA）

已经研究了遗传算法（GA）方法，以获得非常接近最佳点的解决方案的有效方法[35.那36.］.遗传算法是一种基于非梯度的随机技术，它能够探索和开发最优解的搜索空间。包括交叉和变异在内的遗传算子使搜索算法能够避开可能的局部最小陷阱点。此外，它对环境中的动态变化非常健壮。这一优势使其成为在不同运行条件下具有不同行为的系统优化的合适工具[37.］.研究了遗传算法在基于非线性优化问题的决策系统设计中的不同应用[38.］.

优化过程使用MATLAB®优化工具箱(The MathWorks, Inc.， Natick, MA, USA, ver.)进行。2014）.选择合适的遗传算法参数可以大大提高算法的性能，减少运行时间[39.］.交叉是一种重组操作员，其可以通过随机选择一对两个人来产生更好的后代，沿着串长度选择横向网站，并且最终在横向站点之后的两个字符串之间交换。在通过交叉创建新的个人之后，通常应用突变，概率低概率，以将随机变化引入人口[37.］.一般应选择80 ~ 90%左右的交叉率。然而，一些结果表明，对于某些问题，60%左右的交叉率是最好的。突变率应该很低，据报道，最佳突变率约为0.5 - 1%。通过实验可以选择合适的交叉率和突变率，从而找到最优解。根据某些特定问题的分析方法可以估计最优种群大小[37.］.然而，大约20到30的默认种群大小就足以找到最优解决方案;然而，有时也有报道说50到100的尺寸可能是最好的。精英选择是选择具有最佳适应度值的个体传递给下一代的策略。可以根据有限的精英进行随机选择。在表格中2，给出了遗传算法优化的参数。

4.神经网络模型

该神经网络模型采用多层感知器结构。MLP是一种前馈神经网络(FFNN)，可用于表征过程中变量之间的复杂关系和预测未来值。MLP有一组层(包括输入层、隐藏层和输出层)和计算单元(激活函数)，它们通过权重系数与层的节点相关。一般来说，在MLP中可以考虑一个或多个隐藏层;然而，在许多情况下，一个隐藏层可能就足以达到可接受的精度[40那41.］.

神经元数量作为模型性能的主要参数，与输入/输出变量的数量有关。Azoff建议隐层神经元的数量(）对于选择的单个隐藏层NN，如下所示： 在哪里为网络输入的数量[42.］.为了调整模型的参数，采用了二阶衍生的Levenberg-Marquardt（LM）。LM是用于训练中等大小MLP的参数的常用算法。误差（MSE）的均线被用作训练过程的目标函数，这应该是如下所示： 在哪里和目标输出和实际输出是否模式,分别为训练模式总数。误差向量计算公式如下:

对于所考虑的输入， 那输出神经元, 那通过以下等式计算： 在哪里和转移功能与输出神经元相关， 那和隐藏的神经元, 那分别;还，是重量界面是输出神经元和隐藏的神经元,是隐藏神经元和输入神经元。

5.失败场景:优化和设置

在本节中，解决了47个不同的约束优化问题，以便在不同的故障情景中获得燃烧器的适当射击速率。用于优化的炉的开发模型是连续状态模型。烧制率是由Ga选择的离散变量，然后解决方程以便获得所有通过的管和出口的温度。在所考虑的炉中，每个燃烧器都有其单独的控制阀，这允许相当大的烧制率高达每个燃烧器的标称射击率的30％。在这种情况下，可以补偿由于单个燃烧器故障或烧制短缺引起的热量损失可以得到补偿。为了研究从异常情况下回收炉的可能性，考虑了许多不同的病例。应用于燃烧器的故障情景是离散变量。仿真实验和优化是预先形成的，而可用的烧制容量为75,50和25％的标称射击率，也是在完全燃烧器故障的情况下。通过向每个燃烧器供给燃料的测量质量流量，可以估计燃烧器的烧制容量。应该注意的是，在优化阶段不应该应用控制操作。

需要指出的是，结果是通过耗时的优化过程，使用高阶非线性模型;因此，只能研究有限数量的故障场景。用于优化流程的模型是一个具有1064个状态(ODE方程)的模型，其中每个优化流程的运行时间使用带有Intel®Core™i7 4510U @2.60 GHz、RAM 8.00 GB和Windows®8.1 (x64)操作系统的PC约为24小时。

5.1。模型响应和优化结果

暴露于各种干扰、过程流量的计划外变化、燃料成分或压力降的变化可能会影响预热炉的操作条件和热性能[5.那43.］.利用所建立的模型进行仿真实验，可以获得有关载荷分布的有用信息。这可用于设计专家炉监控和燃烧器管理系统，以达到不同操作条件下所需的出口工艺温度。

数字3（a）显示原油过程出口温度与燃料流量相变，随着过程流动变化。示出了在不同的工艺负载下，示出了燃烧器所需的燃烧速率为637 k的燃烧器。对于11.26kg / s的标称炉负荷，每个燃烧器，该值为约0.06842千克/秒。处理流速的变化对出口温度以恒定的烧制率具有相当大的影响。因此，处理流速被认为是用于调节每个路径的出口温度的主操纵变量，并且在辐射部分的各个路径的入口处供应控制阀。

在图3（b），给出了两流道的温度差。结果表明，通过增加燃料流量，当总燃料流量超过标称燃烧能力10%时，通道1和通道2的出口温度差将达到最大值。通过提高燃烧速率，温差又开始减小。对于炉内各道次的位置，燃烧速率的变化会影响火焰的高度，从而影响火焰与管道之间的视点因子，从而导致两道流的出口温度存在显著差异。减小温差可以改善炉内能量平衡，使炉内条件更加稳定。一些炼油厂试图通过将工厂推到过度设计的极限来提高生产率，这可以通过过度燃烧来实现。在正常运行条件下，加热炉的上限通常为20% [6.］.在这种情况下，流动通道的温差很小;然而，过度的燃烧能力可能不足以弥补燃烧器故障的影响。因此，如果加热炉在其标称设计条件下运行，该方法是可行的。

数字3（c）介绍了在不同炉负荷下，炉管表面温度与燃料流量的关系。降低工艺负荷会导致粗工艺吸收的热量减少，从而导致管表面温度显著升高，这是不可取的。管的温度是一个关键变量，不应在其可接受范围内容忍。管道表面温度通常不会达到其极限，直到工艺流体在管道内流动(图)3（c））.连续火焰冲击管是可能发生的主要潜在问题，并导致结焦和早期炉故障。在没有安装管皮热电偶的地方，管表面局部过热的风险特别高。一般来说，火焰冲击只能通过肉眼观察发现，应采取任何可能的方法避免。局部过热超过设计温度38°C，将是导致其在数小时内失效的原因[7.］.在这种情况下，操作者可以通过拉下火焰来使火焰远离管子倾斜[6.］.然而，这可能会严重恶化炉子的性能，这应通过剩余的健康燃烧器的过度燃烧来补偿。

选择遗传算法的主要原因是它在全局搜索空间中搜索最优结果的能力。尽管高阶系统获取最优点的速度有点慢，但可以保证得到的结果是全局最优解。通过基于遗传算法的约束优化，得到了各燃烧器的最佳燃烧速率。表格3.介绍了健康燃烧器所需的过量燃烧速率和当一个燃烧器失效时的出口温度偏差(20例)。工艺流程从炉前进入，从同一侧离开。因此，燃烧器1或5和燃烧器2或3的失效对出口温度的影响是相当不同的。当燃烧器1和5失效时，可以观察到最大温度偏差;然而，离前壁最近的燃烧器1的失效可以被认为是最坏的情况。在这种情况下，过量的燃烧速率将达到燃烧器的最大容量，任何进一步试图降低温度偏差的尝试都会增加管道过热的风险。这导致了总燃油流量的小的减少。

当更靠近中心的燃烧器有故障时，温度偏差显着降低。所得结果表明，炉肯定可以从异常条件中回收。然而，可以观察到燃料流速的小幅增加，使其在经济上不太理想。尽管提出了拟议方法的有效性，但由于经济原因和高热应力，炉子在这种情况下无法长时间运行。

由于两个有缺陷的燃烧器的燃烧能力低于其标称燃烧能力，健康燃烧器恢复炉内热平衡所需的燃烧速率见表4.．这里列举了27个不同的案例(超过40个案例)。结果表明，当两个有缺陷的燃烧器以75%的燃烧能力运行时，健康的燃烧器可以补偿热损失。然而，这导致了总燃油流量的显著增加。当有缺陷的燃烧器位于炉膛前部时，总燃料流量增加约14%。这意味着大量的能量被浪费在炉子的长期运行中。被标记为“案例41”到“案例47”的情况是，一个有缺陷的燃烧器运行在75%，而第二个只有一半的燃烧能力。如表所示4.，对于炉膛两端有缺陷的燃烧器，尽管有相当多的过剩燃料流量，但仍可观察到出口温度有较大偏差。如此大的出口温度变化可能会恶化蒸馏产品的质量。

当两个燃烧器的燃烧能力降低50%时，出口温度偏差达到最大值4.）.在这些情况下，可以观察到总燃料流量有相当大的下降，而且很明显，不可能使炉子从异常状态中恢复过来。对于两个以上有缺陷的燃烧器(例如，三个燃烧器的燃烧能力为75%)，在额定负荷下恢复炉的运行是不切实际的。在这种情况下，应不可避免地关闭或在低负荷条件下运行。在表格中5.，给出了不同条件下所需燃料流量与炉膛负荷的关系。可以看出，燃料/负载比没有明显的变化。这允许通过减少流程负载来处理异常情况。

需要注意的是，由于上下游机组的巨大能源浪费，在低负荷条件下运行燃烧式加热炉在经济上是负担不起的[7.］.此外，通过降低原油流程流速，管道内的结垢率会增加[44.］.

5.2。稳态模式：培训和验证

从优化过程中获得的数据用于将NN模型开发为异常管理系统（AMS）的核心。所提出的系统的结构如图所示4.，其中一组多输入单输出（MISO）模型作为参考估计器。对于每个燃烧器，考虑了具有五个输入和一个输出的单个MLP模型。燃烧器的烧制容量被定义为实际燃料流量与其标称值的比率，作为模型的输入（X ∈ [0, 1]). The corrective positions for control valves were also considered as the models’ output (y∈[0,1.3])。隐藏层神经元的数量N_H， 基于 （17.），将等于11.收集数据，为47个数据点，分为培训（70％），测试（15％）和验证（15％）子集。

为了评估开发模型的性能，确定系数（)和均方误差(MSE)，如下图所示: 在哪里是平均值结束了数据,和是目标反应和预测反应。所开发模型的性能如表所示6.．

采用开发的神经网络基于检测到的故障重新排列燃烧器控制系统的设定值。通过在新情况下插入未培训的输入，开发的NN模型可以估算每个燃烧器的参考设定值。

5.3。仿真实验

为了评估所提出的控制系统的性能，在MATLAB Simulink环境下进行了仿真实验。熔炉控制系统示意图如图所示5.．当发生火焰撞击等事件时，操作人员应采取的纠正措施是降低火焰高度。在这种情况下，控制器可以自动设置适当的期望流量为其他健康的燃烧器，以恢复熔炉的异常条件。通过测量实际的燃料流量，利用神经网络模型估计修正措施，以补偿炉内的热平衡。

操作人员可以通过行程命令关闭燃烧器，也可以通过控制面板为流量控制器设置新的设定值。控制系统还可以检测现场燃烧器的手动关闭阀门或控制燃料流量。在异常情况或燃烧器故障的情况下，控制系统将能够适当地响应新的条件。在图6(一)，系统的响应，当3号燃烧器损失了80%的标称热容量，提出。

从这个例子可以看出，AMS能够在故障发生后立即发现并修改燃烧器的阀门位置，如图所示6（b）．结果表明，所开发的控制器在处理异常工况方面具有可行性和有效性。

六，结论

在本研究中，建立稳态神经网络模型来估计燃烧控制系统的燃料流量设定值，以使工业加热炉从异常状态中恢复。利用遗传算法求解约束非线性优化问题，为健康燃烧器寻找合适的燃烧速率，以补偿失效造成的热损失，其中记录的数据用于训练神经网络模型。在不同的燃烧器失效情况下，对该系统的性能进行了评估。结果表明，基于模型的优化方法可用于确定从异常状态中恢复所需的烧成率。这为设计加热炉实时异常管理系统提供了理论依据。

稳态神经模型可用于实时优化，以提高控制系统的运行性能。通过考虑经济指标，所建立的神经网络模型也可以作为经济模型预测控制器(economic model predictive controller, emc)的核心。结合这些技术可以获得更高的控制性能和减少能源浪费。

附录

在图7.，给出了管和火焰的几何描述。

躺在圆柱形表面（管）上的节点2的视图系数和位于平面工件（火焰）上的节点1上可以通过以下关系来计算[45.]： 在哪里表示平面元件（火焰）的中心与可以计算为的圆柱形元件（管）的中心之间的距离

此外,如下，如下所示计算S的尺寸：

通过集成来获得每个管子部分的火焰的总视视图因子进入相应的区域[24.］.长度并且等于火焰宽度， ．应当指出的是，一体化的边界将随着每个区域的位置而变化。我们取得了以下成果：

通过MATLAB中整体方程的数值评估获得了视图因子。由于Firebox的对称几何形状，仅针对一侧计算视图因子，这将大大降低计算工作。

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. F. Wildy，火焰加热器的优化， a.p.仪器，美国宾夕法尼亚州匹兹堡，2000。
2. a . Fuchs, D. R. Lewin, S. J. Wajc，“原油预热炉的建模、模拟和控制”，化学工程科学，第48卷，第4期，第661-679页，1993年。查看在：出版商网站|谷歌学者
3. J. Varghese和S. Bandyopadhyay，“燃烧加热器集成到整个站点和多个燃烧加热器目标”，应用热工程， vol. 42, pp. 111-118, 2012。查看在：出版商网站|谷歌学者
4. X. Wang和D.-Z.郑，“平行流温度的差异控制，”过程控制，卷。15，不。5，pp。531-536,2005。查看在：出版商网站|谷歌学者
5. 小博卡尔，约翰·辛克·哈姆沃西燃烧手册:第一卷基础， CRC出版社，Boca Raton，佛罗里达州，美国，2012。
6. B. Maghbooli, A. Bakhtiari和H. Najafi，“纠正直接燃烧加热器的不当性能”，化学工程， 2013年。查看在：谷歌学者
7. 小博卡尔，John Zink Hamworthy Combustion手册：第2卷 - 设计和操作， CRC出版社，博卡拉顿，美国，2013。
8. 戴勇，王华，可汗，赵军，“智能化工过程运行的异常状态管理”，化学工程目前的意见，第14卷，第49-55页，2016。查看在：出版商网站|谷歌学者
9. R. F. Garcia，“使用神经网络和规则的技术改进热交换器监督”，专家系统与应用第39卷第3期3, pp. 3012-3021, 2012。查看在：出版商网站|谷歌学者
10. w . Wang H.-X。张建军，“一种混合的炉温监控方法，”控制工程实践，第11卷，第1325-1334页，2003年。查看在：出版商网站|谷歌学者
11. S. Hayes, K. Burton, D. O 'Sullivan等，“专家系统在工业公用设备优化中的应用”，刊于第十四届加强楼宇运作国际会议论文集中国，北京，2014。查看在：谷歌学者
12. 柴涛，丁杰，吴飞，“竖炉焙烧过程优化操作的混合智能控制”，控制工程实践第19卷第2期3, pp. 264-275, 2011。查看在：出版商网站|谷歌学者
13. J. M. Molina, P. Isasi, A. Berlanga, and A. Sanchis，“依靠神经网络和专家系统集成的水力发电厂管理”，人工智能工程应用，卷。13，不。3，pp。357-369,2000。查看在：出版商网站|谷歌学者
14. P. Baraldi, M. Librizzi, E. Zio, L. Podofillini, and V. Dang，“模糊专家系统的灵敏度和不确定性分析的两种技术”，专家系统与应用，卷。36，不。10，pp。12461-12471,2009。查看在：出版商网站|谷歌学者
15. Q张博士。奥克伦特，G。阿波斯托拉基斯和S。Guarro，“处理虚假传感器信号和过程状态不确定性的故障诊断专家系统方法，”可靠性工程和系统安全第34卷第3期2，页121-142,1991。查看在：出版商网站|谷歌学者
16. A. Bahadori和H. B. Vuthaluru，“用于直接燃烧加热器辐射和对流部分设计的新型预测工具”，应用能源，第87卷，第2期7, pp. 2194-2202, 2010。查看在：出版商网站|谷歌学者
17. G. Robertson，“用于炼油厂和石化装置应用的模拟、优化和监测化学工程任务的先进和新型建模技术”，路易斯安那州立大学化学工程系，巴Baton Rouge, LA, USA, 2014，博士论文。查看在：谷歌学者
18. Ł。Śladewski, K. Wojdan, K. Świrski, T. Janda, D. Nabagło，和J. Chachuła，“利用声学系统进行炉内温度测量的燃煤电厂燃烧过程优化”，应用热工程， vol. 123, pp. 711-720, 2017。查看在：出版商网站|谷歌学者
19. 吴建伟，“基于吸附的脱盐工艺优化的动力学模型，”应用热工程第66期1-2, pp. 464-473, 2014。查看在：出版商网站|谷歌学者
20. V. Meidanshahi，B.Corbett，T. A. Adams和P.Mhaskar，“子空间模型识别和基于模型预测控制的半连续蒸馏工艺的成本分析”电脑和化学工程，卷。103，pp。39-57,2017。查看在：出版商网站|谷歌学者
21. F. Friedler，“节能和减少污染的过程集成、建模和优化”，应用热工程，第30卷，第16期，第2270-22802010页。查看在：出版商网站|谷歌学者
22. C. C. Pantelides和J.G.Renfro，“在线使用的在线使用产品操作：审查，现状和未来的需求”电脑和化学工程， vol. 51, pp. 136-148, 2013。查看在：出版商网站|谷歌学者
23. A. G. Marchetti, A. Ferramosca, A. H. González，“集成实时优化和模型预测控制的稳态目标优化设计”，过程控制，第24卷，第2期1, pp. 129-145, 2014。查看在：出版商网站|谷歌学者
24. J. Ding，C. Yang和T. Chai，“矿产加工厂基于数据优化的最新进展”工程，卷。3，不。2，pp。183-187,2017。查看在：出版商网站|谷歌学者
25. R. rejwski, V. Shah, C. E. Fontenot, P. de Tarso, and V. E. N. Santos，“维持乙烯工厂实时优化模型的活动，”计算机辅助化学工程， vol. 27, pp. 351-356, 2009。查看在：出版商网站|谷歌学者
26. N泰拉，P。Kaewpradit和我。MMujtaba，“基于人工神经网络的精炼棕榈油过程建模与优化，”Neurocomputing，卷。216，第489-501,2016。查看在：出版商网站|谷歌学者
27. F. N. Osuolale和J. Zhang，“使用人工神经网络模型的蒸馏塔的能效优化”，“能源， 2016, vol. 106, pp. 562-578。查看在：出版商网站|谷歌学者
28. C.达摩，M. Benne，B. Grondin-Perez和J.-P。Chabriat，“基于人工神经网络模型的非线性预测控制，”食品工程学报，第99卷，第5期。2，页225-231,2010。查看在：出版商网站|谷歌学者
29. 柴涛，秦世杰，王浩，“复杂工业过程的最优操作控制，”控制中的年度审查第38卷第2期1, pp. 81-92, 2014。查看在：出版商网站|谷歌学者
30. MLawryńczuk，“在线设定点优化与酵母发酵过程的预测控制：神经网络方法，”人工智能工程应用，第24卷，第2期6, pp. 968-982, 2011。查看在：出版商网站|谷歌学者
31. J. Guerrero, a . Guisasola, R. Vilanova，和J. a . Baeza，“通过基于模型的设定值优化提高污水处理厂控制系统的性能”，环境建模与软件第26卷第2期4，第492-497页，2011。查看在：出版商网站|谷歌学者
32. A. Chaibakhsh, N. Ensansefat, A. Jamali, R. Kouhikamali，和H. Najafi，“原油直接燃烧炉模型”，应用热工程，第83卷，第57-70页，2015。查看在：出版商网站|谷歌学者
33. a . Chaibakhsh, M. Pourbeheshtian, M. Sigaroudi，和H. Najafi，“原油预热炉的建模和模糊控制”，应用力学与材料， vol. 229-231, pp. 2370 - 2374,2012。查看在：出版商网站|谷歌学者
34. O。Yeniay，“遗传算法约束优化的罚函数方法，”数学和计算应用，第10卷，第5期。1，第45-56页，2005。查看在：出版商网站|谷歌学者
35. “基于遗传算法和计算流体力学的自适应调节技术优化燃烧过程，”能源转换与管理，第56卷，第53-62页，2012。查看在：出版商网站|谷歌学者
36. M. l.d. Wong和W. k.s. Pao，“一种优化重力压铸传热系数的遗传算法，”，专家系统与应用第38卷第2期6, pp. 7076-7080, 2011。查看在：出版商网站|谷歌学者
37. s西瓦南丹和S。迪帕，遗传算法概论，施普林格科学与商业媒体，柏林，德国，2007。
38. P. J. Fleming和R. C. Pupshouse，“控制系统工程的进化算法：调查”控制工程实践，第10卷，第5期。11页，第1223-1241页，2002。查看在：出版商网站|谷歌学者
39. B. Mehrkian, A. Bahar，和A. Chaibakhsh，“非线性系统辨识中的遗传优化神经模糊推理系统(GONFIS)”，刊于2011 IEEE控制系统，计算与工程国际会议论文集，第263-268页，马来西亚，槟城，2011年11月。查看在：谷歌学者
40. 朱本，张志强，“前馈神经网络初始化:一种进化的方法”，《中国神经网络学报》，2004年第4期第五届巴西神经网络研讨会论文集。98号ex209)阿雷格里港，巴西，1998年，43-48页。查看在：谷歌学者
41. S. a . Kalogirou，“燃烧过程的建模和控制的人工智能:综述”，能源与燃烧科学进展，第29卷，第2期6，页515-566,2003。查看在：出版商网站|谷歌学者
42. e . m . Azoff金融市场的神经网络时间序列预测约翰·威利父子公司，美国新泽西州霍博肯，1994年。
43. DvR丰图拉，E。M马托斯和J。RNunhez，“石化预热器管内具有相变的三维两相流模型，”燃料，卷。110，pp。196-203，2013。查看在：出版商网站|谷歌学者
44. “炼油厂蒸馏装置预热器中原油污垢的建模”，中国石油大学学报(自然科学版)，应用热工程第26卷第2期14-15, pp. 1572-1577, 2006。查看在：出版商网站|谷歌学者
45. J. Stevenson和J. Grafton，“太空车辆的辐射传热分析”，举报SID-61-91，北美航空，圣地亚哥，加州，1961年。查看在：谷歌学者

版权

版权所有©2018 Tahmineh Adili et al。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。