基于深度学习模型的模拟移动床过程的在线优化

《Canadian Journal of Chemical Engineering》：Online optimization of simulated moving bed processes based on deep learning models

针对SMB分离过程传统机理模型计算耗时的问题，本文提出基于深度学习的代理模型，结合 dung beetle 优化算法调整模型参数，并采用双向长短期记忆网络和多头注意力机制。优化策略包含模型参数估计器和操作参数优化器，能有效应对稳态降解，维持高纯度和生产力，仿真验证了模型的高预测精度和实时适应性。

　　

摘要

由于模拟移动床（SMB）分离过程的机理模型需要较长的计算时间，直接将其应用于在线优化和控制颇具挑战性。为了解决这一问题，本文提出用基于深度学习的替代模型来替换传统的机理模型，从而实现SMB过程的实时优化。该优化策略的控制单元包含两个组成部分：模型参数估计器和操作参数优化器。模型参数估计器采用蜣螂优化（DBO）算法来调整卷积神经网络，该网络结合了双向长短期记忆网络和多头注意力机制（DBO-CNN-BiLSTM-MHA）。操作参数优化器由深度神经网络（DNN）和多目标蜣螂优化（MODBO）算法构成。在运行过程中，当由于固定相的降解导致产品纯度低于要求水平时，模型参数估计器会预测当前的模型参数，并将这些参数传递给操作参数优化器。优化器随后确定最佳的操作条件，以同时最大化产品纯度和生产效率。仿真结果表明，这两种模型在测试集上均具有较高的预测精度；所提出的在线优化策略能够根据固定相降解的持续变化不断调整操作参数，从而保持产品的高纯度和高生产效率。