随着现今工业的日新月异发展,化工生产工艺的不断革新,炼化加工过程日趋规模化和复杂化。同时现代化生产往往对产品的质量要求也越来越高,原本单一简单的控制系统无法满足其要求,从而先进控制系统随之应运而生。其中辨识模型进行预估控制是诸多方法中最具代表性、效果出众的控制方案,它是直接从工业的过程控制中演变出来的一种先进计算机控制策略。因为它使用了分步预估、循环修正以及负反馈检验等诸多控制方法,因此其控制能力强品质优异,更适合于那些不方便构建精准的数学模型的情况,以及那些纷繁复杂的工业生产过程,因此倍受海内外工程师和控制专家的高度青睐,是一种很有未来前景的新型计算机控制策略。为了研究上述问题,本文针对在现代炼化企业中普遍存在且十分重要的化工环节——加氢裂化反应进行建模,采用神经网络的先进控制算法对加氢裂化产物转化率预估进行研究。在研究过程中,发现单纯的神经网络算法在该预测模型中表现不是很好,存在很多局限性。针对神经网络表现出的自身局限性问题,在大量查阅相关参考文献之后,提出了给出了一种对神经网络模型基于自适应遗传算法的优化方法。通过对比神经网络模型与基于自动修正参数的遗传算法优化后的网络模型两者之间的辨识精度,发现优化后的算法能够很好地解决神经网络初始权重完全随机等其自身缺陷的问题。最后通过MATLAB编程实现了本文所给出的加氢裂化转化率预估模型的构建,并使用真实的化工工艺参数数据进行转化率预估,通过仿真分析该预估模型的精度。在现代化工生产中,很多生产工艺流程都是复杂的工业加工过程,其反应原理本身就十分复杂,生产过程又具有非线性、随机性、瞬时性和强耦合等特点,所以探讨先进控制在工业生产中的应用具有尤为突出的实际意义。而加氢裂化反应又是炼化企业普遍又重要的化工工艺,对加氢裂化产物转化率的研究,有助于在现实工艺过程中对其进行控制,从而优化反应流程,提升化工企业的工艺效率。