这是2015年的一篇综述文章，今天简单的翻译一下，看看15年之前的化工方面的人工智能算法与应用。

摘要

人工智能（AI）在过程系统中的多功能性不仅限于建模和控制，还可以作为估计器来估计未测量的参数，以替代传统的观测器和硬件传感器。这些估计器，也称为软件传感器，由于其鲁棒性、简单的公式、适应能力和设计的最低建模要求，已成功地应用于许多化学过程系统，如反应器、蒸馏塔和热交换器。然而，各种类型的人工智能方法使得很难决定适用于任何特定系统的最合适算法。因此，在本文中，我们对化学系统中作为估计器实现的几种人工智能算法及其优点、局限性、实际意义和相互之间的比较进行了广泛的文献综述，以指导研究人员选择和设计基于人工智能的估计器。此外，还提出了在各种化学操作装置中即兴使用和扩展这些估计器的未来研究建议和方向

1.介绍

人工智能（AI）的定义是计算机或其他机器执行需要人类智能的活动的能力。自1956年达特茅斯会议（Negnivetsky，2005年）以来，它吸引了关于其理论和原理的研究人员。如今，这种方法已被广泛应用于各种应用，包括游戏、自动化、医疗和过程控制。在过程控制中，它的应用最近已经扩展，不仅被用于建模和控制，而且还被用作估计难以测量的参数的工具，即估计器。这些基于人工智能的估计器是一种计算算法，用于预测在开发系统状态反馈控制律时具有重要意义的未测量参数。它们也被称为软件或虚拟传感器，包括几种算法，包括人工神经网络（ANN）、模糊逻辑、遗传算法（GA）和专家系统（ES）。它们可以使用MATLAB和LabView等软件开发，并在特定的工艺装置上实现，以预测未测量的状态，如浓度、温度、热流、分子量和杂质。其他用于估计状态的实用仿真软件包括PROCESS（仿真科学代码）（Himmelblau，2008）、Siamode（西门子动态系统自适应建模）（Horn，2001）、NeuralWorks Professional II/（PLUS）（Yeh，Huang，&Huang，2003）和dynamic simulator（Dynafrag）（Du，del Villar，&Thibaul）

在基于人工智能的估计器被引入之前，研究人员一直在使用化工过程系统中的常规观测器，例如Luenberger观测器、扩展卡尔曼滤波器（EKF）、滑模观测器和观测器。这些观测器还具有良好的估计性能，在应用于化工装置操作时具有相对优势，正如几篇文献所引用的（Aguilar-López, 2003; Damour, Benne,  Boillereaux, Grondin-Perez, & Chabriat, 2010; Dochain, 2000;  Dochain, Couenne, & Jallut, 2009; Gonzalez, Fernandez, Aguilar,  Barron, & Alvarez-Ramirez, 2001; Kam & Tadé, 1999; Mesbah,  Huesman, Kramer, & Van den Hof, 2011; Tronci, Bezzo, Barolo, &  Baratti, 2005; Velardi, Hammouri, & Barresi, 2009; Wang, Peng, &  Huang, 1997; Zarei & Poshtan, 2010）。然而，当参数发生变化时，基于人工智能的估计器通常更容易重新调整，并且与传统的观察器相比，能够避免时间延迟。此外，这些基于人工智能的软传感器能够与硬件传感器并行工作，以提供信息，尤其是检测系统中的故障（Fortuna、Graziani和Xibilia，2005）。然而，在某些应用中，人工智能元素已与称为混合估计器的传统观测相结合，其中包括模糊卡尔曼滤波器（FKF）（Prakash&Senthil，2008；Senthil，Janathanan和Prakash，2006）和微分神经网络观测器（DNNO）（Chairez，Poznyak和Poznyak，2007；Porru，Aragonese，Baratti和Alberto，2000），主要是为了提高它们的性能。

基于人工智能在化工过程系统中作为估计器应用的日益普及，文献中有几篇综述文章，但它们并不全面，只涉及某些人工智能算法。例如，de Assis和Filho（2000）仅对人工神经网络进行了简短的回顾，并将其与EKF和自适应观测器进行了比较。Himmelblau（2008）解释了人工神经网络在化学工程中的几个应用，包括其作为估计器的使用，而Kamimura及其同事（Kamimura、Konstantinov和Stephanopoulos，1996）对人工神经网络和生物技术中的知识系统进行了综述。Katare及其同事还比较了几种动力学模型（Katare、Bhan、Caruthers、Delgass和Venkatasubramanian，2004）中使用混合遗传算法的各种参数估计，Stephanopoulos和Han（Stephanopoulos和Han，1996）也对智能系统在过程工程中的几种应用进行了审查。Kadlec及其同事进行了另一次审查，解释了流程工业中的几种软传感器（Kadlec、Gabrys和Strandt，2009）以及技术的适应机制（Kadlec、Grbi c´和Gabrys，2011）。除此之外，Kalogirou（2003）和Shioya、Shimizu和Yoshida（1999）分别汇编了燃烧和生物过程中的所有人工智能应用。此外，Porter及其同事还讨论了遗传算法作为一般线性和非线性系统的估计器（Porter Ii&Passino，1995）。

因此，在本文中，我们回顾并提供了一份在化学过程系统中作为估计器应用的人工智能算法的综合列表，强调了它们的优点、局限性和实际意义，因为目前没有任何文献提供这些算法。还提供了为特定系统选择可能算法的指南，以帮助研究人员选择最适合其系统的算法，如果他们要将人工智能算法用作估计器。文中还举例说明了如何开发这些基于人工智能的估计器，这些都是本文的创新和重要贡献。在介绍一节之后，第2节讨论了人工智能在化工过程系统中作为估计器的应用。第3节讨论了应用指南和示例，第4节给出了优点、局限性和未来方向。第5节总结了本次审查。

2.人工智能在化工过程系统中用作估计器

人工智能算法由于其鲁棒性、简单的计算、易于设计和灵活的适应能力，在化工过程系统中作为估计器的使用正变得越来越流行。它们也不需要完全了解过程动力学，这有时很难从化学过程本身的高度非线性行为中获得。已应用的人工智能算法包括人工神经网络（ANN）、模糊逻辑、遗传算法（GA）、专家系统（ES）和混合系统。然而，这些算法的多样性和独特性使得很难决定在任何特定系统中使用的合适方法。因此，如本文所述，对化学过程系统中用作估计器的每种算法进行调查，对于强调每种算法的重要性，并指导研究人员为任何特定的化学过程系统设计基于人工智能的估计器非常重要。

ANN是应用最广泛的算法，因为它的能力很有前途，并且可以根据他的历史数据进行训练来学习过程（Devgelaere、Rijckaert、Leon和Lemus，2002）。除此之外，即使过程中发生变化，它也能提供高精度和一致的估计（Sharma、Singh、Singhal和Ghosh，2004）。一般来说，人工神经网络与人脑的功能有关，由许多简单的处理器或神经元组成，这些处理器或神经元按图2.1所示的层次排列。图中，A部分代表人类的神经元，B部分代表人工神经网络中的神经元（Maltarolo、Honório和Silva，2013）。神经网络相邻层中的神经元通过加权连接，将信号从一层传递到下一层。这些链接具有应用于神经元输入的数值权重。ANN通过反复调整权重来学习，以获得所需的输出信号。神经网络的前馈结构由多层结构组成，在输入层和输出层之间有隐藏节点。然而，没有特定的方法来获得隐藏节点的数量，通常是基于试错的基础来找到能够提供最佳结果的适当数量的节点（Lashkarbolooki、Vaferi和Mowla，2012）。

关于人工神经网络实施的细节和问题，如神经网络泛化、正则化、交叉验证、学习方法的改进，局部极小问题和维数灾难可以在各种参考文献中找到（Buntine & Weigend, 1991; Caruana, Lawrence, & Giles, 2001;  Crucianu, Boné, & Asselin de Beauville, 2001; Guyon & Yao, 1999;  Hagiwara & Kuno, 2000; Himmelblau, 2008; Lampinen & Vehtari,  2001; MacKay, 1992; Mc Loone & Irwin, 2001; Morgan &  Bourlard, 1989; Neal, 1995; Priddy & Keller, 2005; Touretzky,  1990; Wang, Zhang, & Okazaki, 2007; Yuceturk et al., 1999;  Zhang & Friedrich, 2003; Zhang & Morris, 1998; Zhang, 2001;  (Zhang, 1999a, 1999b); Zhang, Martin, Morris, & Kiparissides,  1997）。我们还在附录A中强调了其中的一些细节。此外，如果能够严格遵循附录中强调的适当训练步骤，则实现神经网络的计算成本和时间可以最小化。

对于化学过程系统中的参数估计，可以使用几种类型的神经网络，例如前馈神经网络（FFN）、内递归网络（IRN）、外递归网络（ERN）、径向基函数网络（RBFN）和形状可调神经网络（MNN）（陈和常，1996）。每种结构都有各自的特点，表2.1列出了比较结果。此外，表2.2（a）提供了人工神经网络在化工过程系统中应用的详细信息，包括估算的目标、其积极的亮点、涉及的单元操作以及与每个应用相关的参考文献。

另一种基于人工智能的算法是模糊逻辑方法，它已被用作化学过程中的估计器。模糊逻辑适用于表示元件最大极限的模糊集。从定义上讲，它是一种逻辑或多值逻辑，不仅区分真值和假值。它可以用[0,1]范围内的真实度和虚假度来表示，其中0为绝对虚假，1为绝对真实。它是由Zadeh在1964年通过其关于模糊集的论文引入的，自1987年以来，该应用变得非常流行（Negnitsky，2005）。模糊逻辑由语言变量和值、模糊规则、隶属函数、模糊推理和反模糊等元素组成。这些细节可以在多个参考文献中找到（Leondes，1998；Yetilmezsoy，Fingas和Fieldhouse，2011）。模糊Takagi-Sugeno、模糊Mamdani推理和模糊C-均值是用于开发化工过程单元估计器的模糊逻辑结构。

由于模糊逻辑的公式简单，并且能够准确地描述温度、速度和高度等参数的不精确值，因此被用作估计器。然而，模糊逻辑的一个缺点是，结果有时取决于规则的数量、推理系统和应用的隶属函数的类型。此外，除了尝试和错误，或基于与安类似的过去经验（Delrot、Guerra、Dammarine和Delmotte，2012年；Frank&Köppen Seliger，1997年；Liu，2007年），没有获得这些数据的指南。表2.2（b）列出了模糊逻辑作为估计器在化工过程系统中的所有应用。

除了人工神经网络和模糊逻辑外，专家系统（ES）和遗传算法（GA）也被应用于构建多个化工过程系统的估计器。专家系统（ES）是一个能够提供信息和专家建议的智能系统，也被称为基于知识的专家系统，因为它依赖于大量的知识来解决问题。专家系统基本上有五种类型，即基于规则的专家系统、基于框架的专家系统、基于案例的专家系统、模糊专家系统和神经模糊专家系统。基于规则的专家系统是以规则的形式表达知识以解决问题。它分为两个部分，分别是前提（前提/条件）和结果（结论/行动）。如果有许多先行项，则运算符和以及或用于组合所有先行项。这些规则是最流行的知识表示形式。由于ES能够表达关系、建议、指令、策略和启发式，因此它被用作估计量。它有五个基本组件，即知识库、数据库、推理机、解释工具和用户界面（Rich&Knight，1991），如图2.2所示（Kishan等人，2012年）。然而，由于其缩小问题范围的能力有限（Krishnamoorthy&Rajeev，1996），且一次只能生成一个解，因此很少将其用作估计量。这可以在表2.2（c）中看到。另一种解决方案是遗传算法，它能够生成许多可行的解决方案，并允许研究人员从几种方法中进行选择，以获得最佳结果（Krishnamoorthy&Rajeev，1996）。

遗传算法的概念最早是在20世纪70年代由荷兰提出的，目的是让计算机做大自然做的事情（Fernandez，1996）。在自然计算中，染色体是盲目选择的，能够将数据转换成二进制字符串。每个数据都是由一系列二元元素或基因组成的人工染色体，由称为编码的数字表示。同样，GA中的评估过程将选择fittest染色体进行交配，并有望在染色体内产生fittest-test后代。然而，由于选择是随机的，种群将保持稳定，直到出现优势染色体，这是它的局限性之一，即fittest基因将在很长一段时间内主导种群。遗传算法在过程控制、传输和模式识别等领域也得到了广泛的应用。虽然遗传算法在辅助决策方面提供了很好的技术，例如估计参数，但它也依赖于经验和启发式方法来获得更好的突变和世代。当这一概念被应用时，在达到理想的新一代之前，它可能需要几个尝试和错误步骤（Mohebbi、Shahidi、Fathi、Ehtiati和Noshad，2011年；Porter Ii和Passino，1995年）。表2.2（d）提供了遗传算法作为化学过程系统估计器的应用示例。

最近，研究人员开发了算法，将两种或两种以上人工智能方法结合在一起，形成所谓的混合系统。这些算法被用作估计器，以克服单一算法的局限性，并进一步提高估计器的性能。例如，ANN只允许从输入到输出进行推理，这可以通过使用自适应神经模糊推理系统（ANFIS）来克服（Yetilmezsoy等人，2011）。通常，这种组合利用了每种算法的优点，如混合神经网络（HNN）、ANFIS、模糊神经网络（FNN）和专家系统神经网络（ES-NN）（Sivan、Filo和Siegelmann，2007）。表2.2（e）给出了混合系统作为化学过程系统估计器的应用细节，表2.3给出了混合系统的类型及其优点和局限性。

大多数基于人工智能的估计器应用程序都是使用MATLAB（Araúzo Bravo等人，2004年；Bahar&Özgen，2010年；Devgelaere等人，2002年；Ng&Hussain，2004年；Patnaik，1997年；Silva，Pinotti，Cruz，Giordano，和Giordano，2008年；Wang，Shao，Wang和Wu，2006年；Yarlagadda&Teck Khong，2001年）和LabView软件（de Canite，del Saz Orozco，Gonzalez，和Garcia Moral，2012年）设计的使用他们自己的软件，如模拟科学代码（过程）（Himmelblau，2008年）、西门子动态系统自适应建模（SIAMOD）（Horn，2001年）、GENSYM G2（Kordon，Dhurjati和Bockrath，1996年）、DataFit（Turkdogan Aydınol和Yetilmezsoy，2010年）（Yetilmezsoy等人，2011年），ANSYS Fluent CFD（Delrot等人，2012年）和DAMADICS（Korbicz&Kowal，2007年）为其系统开发估计器。

3.指南和应用示例

在本节中，我们提供了如何选择合适的人工智能算法作为估计器的一般指南，并举例说明了一些典型的应用，以清楚地展示如何为化工过程系统开发基于人工智能的估计器。虽然基于人工智能的估计器可以在不完全了解过程动力学的情况下设计，但我们仍将使用过程模型来突出过程的非线性。确定过程模型并理解过程的行为是设计基于人工智能的估计器的第一步。然后确定特定系统的估计参数，如浓度、温度、熔体指数和压力。一旦确定了行为和估计参数，研究人员可以继续选择要使用的适当算法。

这些算法的多样性使得很难决定最合适的算法，因此图3.1所示的指南有助于帮助研究人员选择算法。在本文中，我们考虑了已经应用于化工过程系统的估计的主要算法，即ANN、模糊逻辑、GA、ES和混合系统。每种算法在公式方面都有所不同，既有各自的优点，也有局限性。表3.1给出了所有算法的优点、局限性和实际意义的比较，这也将有助于决定混合系统的组合，混合系统是基于单个算法的优点开发的。

为了应用人工神经网络，用于训练和验证的数据必须足以获得最佳结果（Lashkarbolooki et al.，2012），而模糊逻辑通常适用，因为它可以清楚地描述参数的不精确性及其避免估计结果模糊的能力（Genovesi，Harmand，&Steyer，1999；Liu，2007）。另一方面，遗传算法适用于易于应用突变概念的过程系统，并生成许多可供选择的可行解，而ES适用于非线性系统中的估计情况，其中只有一个解足以获得最佳性能（Krishnamoorthy&Rajeev，1996）。

这些是在化工过程系统中用作估计器的单一人工智能算法，一旦选择了这些算法，将对基于人工智能的估计器进行设计和验证测试，以观察性能，并在获得满意结果后，基于人工智能的估计器的开发已经完成（Chen&Lee，2008；Motlaghi、Jalali和Ahmadabadi，22008；Rezende、Costa、Costa、Maciel和Filho，2008；Sharma等人，004）。然而，如果结果不令人满意，则应考虑包括混合算法在内的混合方法。混合系统用于克服任何单一算法的局限性，包括估计速度慢和估计误差大，但组合在很大程度上取决于系统的行为（Li，Jia和Yu，2002）。同样，必须对这些混合系统进行评估，以观察其性能。

图3.1

对于第一个例子，我们选择ANN作为估计器，因为它是最有前途的方法。我们让读者参考图3.1中的指南以及阿齐兹、侯赛因和穆伊塔巴（2000）的基于人工智能的评估研究。首先，选择估算参数，即夹套间歇反应器释放的热量Qr，其中反应是放热的。然后，在选择合适的人工智能算法作为估计器之前，将确定动力学信息。基于这些信息，可用的数据足以应用人工神经网络，并且已被证明在估计未知参数时快速准确（Hussain，1999）。设计将采用三层前馈神经网络，使用18个隐藏节点，训练基于Levenberg–Marquardt方法（Aziz et al.，2000）。工艺模型还需要将反应器温度Tr、夹套温度Tj和能量平衡相互关联，如下所示。

Qj是热量输入，ΔH1和ΔH2是反应热，R1和R2为反应速率，k1和k2为恒定反应速率，Mr为总摩尔数，MA，MB，MC，MD为ABCD的摩尔数。输入层包括反应器和夹套温度的当前值和过去值以及过去的热释放值，而输出层将估计当前的热释放值。使用6个输入，通过正向建模方法对神经网络进行训练，以获得Qr（输出）的当前值。Input向隐藏层（bj）和输出层（bk）节点添加一个恒定偏差，其中（wji）和（wkj）是权重。数据以一个离散的时间间隔向前移动，直到所有数据都以移动窗口方案馈入网络，并重复进行，直到达到训练误差标准。

 图3.2

图3.3

实现了一种基于交叉验证的早期停止机制，并使用训练期间未使用的新数据集对神经网络进行了验证。输入和输出变量如表3.2所示，而多层ANN的拓扑结构如图3.2所示。验证结果如图3.3所示，由于验证显示实际值和估计值之间没有差异，因此可以最终确定使用ANN的估计器设计。

另一个例子是应用模糊逻辑作为估计器来预测Hisbullah、Hussain和Ramachandran（2003）研究的发酵罐中的特定CO2释放率、Qc和特定O2吸收率、Q0。对这些参数进行估计，以确定将在发酵罐中应用的两种速率（Qc-Qo）的差异，作为维持葡萄糖水平的设定点，从而在过程中获得最佳生产率和产量。该估计器基于Takagi–Sugeno推理方法，该方法由模糊定位和IF-THEN规则组成。输入变量是过程误差e和误差的变化，△e而输出变量是进给速度，△F.这些变量如下：

 首先，两个速率的设定值（Qc-Qo）假设当前值（Qc-Qo的初始估计值）的误差为et, 然后根据等式（B.2）计算误差变化，并根据期望输出值应用模糊估计器获得（Qc-Qo）的现值，△F t+1。下面给出了估算的规则，语言术语为Z=零，N=负，P=正

 图3.4

 结果如图3.4所示，其中（Qc-Qo）的实际值与模糊估计值非常一致，并且该设备的优点是能够实现良好的性能，即使对于难以计算的工艺参数也是如此

图3.5 

对于GA作为估计器，我们考虑了一个从Khairi Abdul Wahab，Azlan Hussain，和奥玛尔，2007）使用GA来预测CSTR中的冷却套温度T的例子，以最小化反应器温度的误差T。通常不直接测量冷却剂温度。用于生成初始总体的输入是反应器温度T，其中T和Tsp之间的误差不断受到监控。如果监测到的误差超过规定限值，将创建并重复二元冷却剂夹套温度（初始总体），以达到反应堆温度的最小误差。图3.5显示了涉及准遗传、交叉和突变选择的过程。

图3.6

图3.7

图3.8

选定的运营商根据适应度函数对人群进行评估，选出最好的个体。接下来，随机选择两个个体，并在交叉步骤中复制新个体。之后，变异能力将通过注入一个随机点来增强该方法，以便更好地搜索用于估计温度的整个参数。这个突变步骤包含染色体元素的随机值。将选择误差最小的最佳性能染色体作为新的估计冷却液夹套温度。结果如图3.6所示，其中估计温度遵循设定点或实际温度。

最后，以HNN为例说明混合系统是如何作为估计器的。它基于Hussain等人（Wei、Hussain和Wahab，2007）所做的工作，其中HNN用于估计聚合反应中的单体浓度。

考虑单体的质量平衡如下：

假设速率常数，kr在采样间隔之间为常数，等式3.11可积分为

其中，是是取样时单体的浓度，上式是在估算单体浓度之前，利用HNN估算速率常数的简化模型。 

HNN的训练采用串行方法进行，目标数据为浓度，输出为速率常数。因此，将浓度误差转换为速率常数误差需要灵敏度方程，灵敏度方程由式下式给出。

其中

训练的配置如图3.7所示，网络建设如表3.3所示。除此之外，本工作还讨论了使用HNN估算反应堆温度的问题。在输入层、隐层和输出层分别有8、7和1个节点的单隐层神经网络给出了预测浓度的最佳模型，该模型与实际数据几乎相似。此外，HNN更快、更容易构造，估计精度更高。这是基于训练结果和验证的最小均方误差，以及图3.8中给出的评估图。