專利名稱：精餾塔的一種自動控制和優(yōu)化方法
技術領域：
本發(fā)明涉及精餾塔的自動控制與優(yōu)化方法，屬于化工精餾塔和生產(chǎn)過程自動控制領域。
背景技術：
在石油煉制、化工過程中，幾乎每個裝置都涉及到了液-液分離過程，精餾塔是實現(xiàn)互溶物液-液分離的主要過程單元。
精餾塔根據(jù)產(chǎn)品數(shù)目和分離精度不同，可以分為兩類一類稱為分餾塔，目的是將組成非常復雜的如石油等原料按餾程分割成多個產(chǎn)品，因此除塔頂、塔底外存在多個產(chǎn)品側線，如常減壓裝置常壓蒸餾塔、催化裂化裝置主分餾塔等等，其產(chǎn)品質(zhì)量的主要衡量指標為餾程及類似參數(shù)；另一類是精餾塔，目的是將組成相對簡單的原料中的各個主要組分分離，分離的精細程度視生產(chǎn)需要決定。每個精餾塔只有塔頂、塔底兩個產(chǎn)品，每個組分只能主要存在于塔頂或者塔底產(chǎn)品中，如氣分裝置丙烯精餾塔、苯乙烯裝置苯乙烯精餾塔等等，產(chǎn)品質(zhì)量的主要衡量指標為雜質(zhì)的含量。
要將液-液混合物中的N類主要組分分離，則至少需要N-1個精餾塔。精餾塔是根據(jù)精餾原理設計的過程裝置。精餾塔的塔板自上而下溫度逐漸升高，原料從中部進入精餾塔后，在各層塔板上進行閃蒸，實現(xiàn)分離目的。塔頂溢出的氣相物質(zhì)經(jīng)冷凝后部分作為塔頂產(chǎn)品出裝置，部分作為回流用作調(diào)控手段。塔底抽出的液相物質(zhì)經(jīng)再沸器加熱后，汽化部分返塔作為主要熱源，液相部分作為塔底產(chǎn)品出裝置。合理地設計回流比，獲得足夠的分離精度；調(diào)控塔頂塔底溫度，使得塔頂塔底產(chǎn)品雜質(zhì)含量都符合標準。
由于精餾塔應用的廣泛性，對精餾塔的控制與優(yōu)化就具有十分重要的意義。通過對精餾塔的控制與優(yōu)化，使得裝置操作平穩(wěn)，提高產(chǎn)品合格率，減少高價值產(chǎn)品到低價值產(chǎn)品中的流失，同時節(jié)能降耗，減少再沸器的熱負荷。因此，對精餾塔的控制與優(yōu)化就具有較高的經(jīng)濟效益。
現(xiàn)有的精餾塔產(chǎn)品質(zhì)量控制方案幾乎均采用了基于產(chǎn)品質(zhì)量軟測量的方式。如乙烯裝置中丙烯精餾塔的智能控制方法(專利號02111034)，乙烯裝置中乙烯精餾塔的智能控制方法(專利號02148476)等。通過建立精餾塔的產(chǎn)品質(zhì)量軟測量模型，利用精餾塔的溫度、壓力、流量等過程實時數(shù)據(jù)，在線實時計算產(chǎn)品質(zhì)量，在此基礎上實現(xiàn)控制與優(yōu)化。這種軟測量建模實現(xiàn)分餾塔切割點計算是可行的，但難以達到精餾塔的要求，因為軟測量模型輸入變量如流量檢測的精度低，輸出變量為雜質(zhì)濃度，數(shù)量級通常在千分之幾到萬分之幾，且常為一位有效數(shù)字，截斷誤差大。同時，由于精餾的需要，一般塔板數(shù)都比較多，另外為提高塔板的分離效率，其回流罐和塔板積蓄量與處理量之比相對較大。這就造成了精餾塔的動態(tài)特性具有大延遲、大時間常數(shù)的特點。當操作條件發(fā)生變化時，產(chǎn)品質(zhì)量發(fā)生變化并達到穩(wěn)定的時間相當長，超出了預測控制的接受程度。這也不利于基于產(chǎn)品質(zhì)量軟測量的控制方案。
根據(jù)實際精餾塔的操作過程分析和基于流程模擬軟件的仿真研究發(fā)現(xiàn)當精餾塔的操作條件變化，產(chǎn)品質(zhì)量發(fā)生變化并達到穩(wěn)定的時間相當長，但塔頂輕產(chǎn)品和塔底重產(chǎn)品抽出比率會產(chǎn)生較快的明顯變化，并經(jīng)常發(fā)生振蕩，它是引起塔的操作不穩(wěn)的主要原因。塔頂輕產(chǎn)品和塔底重產(chǎn)品抽出比率偏離滿足產(chǎn)品質(zhì)量指標所需要的物料平衡關系和組分平衡關系是影響塔的產(chǎn)品質(zhì)量的主要影響因素，并且對于精餾塔這樣具有大滯后的過程，影響持續(xù)時間很長，也就是說當前的干擾對產(chǎn)品質(zhì)量的影響會在較長時間以后才會顯現(xiàn)出來，這時再進行調(diào)節(jié)就為時已晚了。因此，能夠在塔頂、塔底操作條件變化(如塔頂空冷機組啟停、氣候變化引起的回流溫度變化，塔底蒸汽溫度變化等)和進料條件變化(如進料流量、進料溫度等變化)引起輕重產(chǎn)品比率時，保持其它穩(wěn)定不變，將能夠克服進一步引起產(chǎn)品質(zhì)量變化的擾動因素，維持塔的產(chǎn)品質(zhì)量平穩(wěn)，這樣就能等到新的時刻塔的產(chǎn)品質(zhì)量化驗數(shù)據(jù)到來，進行新一輪的優(yōu)化和產(chǎn)品質(zhì)量的細調(diào)。對于進料組分變化的干擾，當包括進料組分的化驗數(shù)據(jù)到達時，在此時的優(yōu)化和產(chǎn)品質(zhì)量細調(diào)時給予補償，這主要可以由前饋補償來實現(xiàn)。

發(fā)明內(nèi)容
本發(fā)明的目的提出一種新型的精餾塔控制與優(yōu)化方法。根據(jù)精餾原理和精餾塔的物料平衡關系及組分平衡關系，采用輕重產(chǎn)品比率作為主要被控變量，通過調(diào)節(jié)回流量和再沸器熱負荷，控制輕重產(chǎn)品比率、溫度、回流比達到平穩(wěn)操作。通過流程模擬軟件或任何其它精餾塔的機理數(shù)學模型，實現(xiàn)對實際過程的仿真，并訓練神經(jīng)網(wǎng)絡模型作為過程優(yōu)化的代理模型。利用原料及產(chǎn)品的化驗數(shù)據(jù)，使用代理模型進行操作優(yōu)化，達到產(chǎn)品的卡邊優(yōu)化，在保證產(chǎn)品質(zhì)量合格的前提下，增加高價值產(chǎn)品的收率，并實現(xiàn)裝置的節(jié)能降耗。
本發(fā)明的特征在于該方法依次含有以下離線訓練和在線實施2個階段離線訓練階段含有以下步驟步驟A1使用HYSYS流程模擬軟件模擬實際的精餾塔，并根據(jù)此模擬軟件產(chǎn)生的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)建立優(yōu)化代理神經(jīng)網(wǎng)絡模型；此步驟依次按以下子步驟進行步驟A1.1使用HYSYS流程模擬軟件模擬精餾塔，并根據(jù)通過集散控制系統(tǒng)采集到的現(xiàn)場實際數(shù)據(jù)對模型參數(shù)進行調(diào)整，以獲得與實際接近的模擬結果；步驟A1.2對上述流程模擬軟件產(chǎn)生的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)樣本按下式進行標準化處理xo＝(x-mx)/σx，其中x為原始數(shù)據(jù)，xo為對應的標準化數(shù)據(jù)；mx、σx分別表示該數(shù)據(jù)樣本的算術平均值和標準差；所述數(shù)據(jù)樣本是通過以下步驟得到的改變操作條件，獲得不同工況下的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)，從而得到的多組數(shù)據(jù)；步驟A1.3根據(jù)步驟A1.2得到的多組數(shù)據(jù)樣本建立最終的神經(jīng)網(wǎng)絡模型，該模型是多個神經(jīng)網(wǎng)絡中最終訓練誤差和預測誤差均為最小的一個模型Ctopo=NNtop((D/B)o,Ttopo,Tboto,(R/F)o,(Q/F)o),]]>Cboto=NNbot((D/B)o,Ttopo,Tboto,(R/F)o,(R/F)o),]]>其中NNtop、NNbot表示神經(jīng)網(wǎng)絡模型，實際為5×10×1的RBF網(wǎng)絡；步驟A2對實際精餾塔進行測試建模，建立回流量、再沸器熱負荷與塔頂產(chǎn)品流量、塔底產(chǎn)品流量、塔頂溫度、塔底溫度的下述階躍響應模型DcBcTtopTbot=f(G,RQ),]]>其中f為卷積運算；G為測試建模所建立的階躍響應模型；在線實施階段包含以下步驟步驟B1上位機初始化設置定時器周期；塔頂產(chǎn)品雜質(zhì)分率Ctop的權重值WCtop；塔底產(chǎn)品雜質(zhì)分率Cbot的權重值WCbot；熱負荷量Q的權重值wQ；實際輕重產(chǎn)品比率超限量Δη的權重值wΔη；塔頂溫度超限量ΔTtop的權重值wΔTtop；塔底溫度超限量ΔTbot的權重值wΔTbot；回流比超限量Δr的權重值wΔr；使適應度函數(shù)J為正數(shù)而設定的常數(shù)Const；步驟B2判斷控制時刻到否若控制時刻到，則執(zhí)行下一步否則，等待；步驟B3上位機經(jīng)OPC通訊接口通過集散控制系統(tǒng)采集以下的精餾塔現(xiàn)場數(shù)據(jù)且存入實時數(shù)據(jù)庫塔頂產(chǎn)品量D、塔底產(chǎn)品量B、塔頂溫度Ttop、塔底溫度Tbot、回流量R、熱負荷量Q以及進料量F；同時按下式計算液位動態(tài)補償后的塔頂、塔底產(chǎn)品流量，以避免因塔頂、塔底液位波動而產(chǎn)生的產(chǎn)品積蓄變化而導致的產(chǎn)品流量測量偏差Dc＝D+(htop(Ltop，now)-htop(Ltop，old))/t，
Bc＝B+(hbot(Lbo，now)-hbot(Lbot，old))/t，其中htop、hbot為基于容器數(shù)學模型的將液位轉換為質(zhì)量積蓄量的函數(shù)；Ltop，new、Ltop，old分別為當前和一段時間之前的塔頂回流罐液位檢測值，其數(shù)值取百分數(shù)；Lbot，new、Lbot，old分別為當前和一段時間之前的塔底釜液位檢測值，其數(shù)值取百分數(shù)；t為補償計算所取的時間間隔；實際的輕重產(chǎn)品比率η＝Dc/Bc；步驟B4上位機判斷是否獲得新的產(chǎn)品質(zhì)量化驗數(shù)據(jù)若得到新的產(chǎn)品質(zhì)量化驗數(shù)據(jù)，則執(zhí)行步驟B5；否則，轉入步驟B6；步驟B5基于產(chǎn)品質(zhì)量化驗數(shù)據(jù)用遺傳算法優(yōu)化所述神經(jīng)網(wǎng)絡模型，以搜索更優(yōu)的被控變量，來達到保證產(chǎn)品質(zhì)量，減小回流量，降低再沸器熱負荷這兩個操作變量值的目的，所述被控變量是指輕重產(chǎn)品比率、塔頂溫度、塔底溫度以及回流比；此步驟依次含有以下各子步驟步驟B5.1初始化一個群體設定群體中個體數(shù)目n的取值，每個個體bi是記為{D/B，Ttop，Tbot，R/F，Q/F}的一個數(shù)據(jù)組，其中每個變量都在當前操作值的一個上下5～10％的閉區(qū)間內(nèi)均勻取多個值，最終組合出各不相同的數(shù)據(jù)組個體；步驟B5.2讀取神經(jīng)網(wǎng)絡模型，根據(jù)神經(jīng)網(wǎng)絡模型和下式計算每個個體的適應度，所述適應度為Fit＝Const-(wCtopCtop+wCbotCbot+wQQ)，步驟B5.3根據(jù)下式確定選擇每個個體的次數(shù)，以保留適應度大的個體，淘汰適應度小的個體，生成新的群體Num(bi)=Fit(bi)/Σj=1nFit(bj)*n,i=1,2,...,n;]]>步驟B5.4從步驟B5.3得到的群體中，隨機選擇pc*n對，pc＝0.05～0.1，在每對個體{bi，bj}中隨機選擇數(shù)據(jù)組中的第k個變量，按下式計算新值，并替換舊值，形成新的個體bi，new{k}＝Rand*bi，old{k}+(1-Rand)*bj，old{k}，bj，new{k}＝(1-Rand)*bi，old{k}+Rand*bj，old{k}，其中Rand為[-1，2]區(qū)間內(nèi)的均勻分布的隨機數(shù)；步驟B5.5從步驟B5.4得到的群體中，隨機選擇pv*n個，pv＝0.02～0.05，每個個體隨機選擇數(shù)據(jù)組中的某個變量，增大或者減小一個隨機百分比1～5％；
步驟B5.6對步驟B5.5得到的群體中，適當去除選擇操作中的重復數(shù)據(jù)，以保證群體中個體數(shù)目保持不變；步驟B5.7對步驟B5.6得到的群體中，重復步驟B5.2～B5.6，直至群體中個體最大的適應度趨于一個穩(wěn)定值，或者雖未達到穩(wěn)定值但已達到設定的迭代次數(shù)為止；取出這個最大適應度的個體作為優(yōu)化計算的最優(yōu)解，并將該解作為控制所述各被控變量的目標；步驟B6以回流量和再沸器熱負荷作為操作變量，以輕重產(chǎn)品比率、塔頂溫度、塔底溫度和回流比作為被控變量，對精餾塔進行多變量預測控制；此步驟依次含有以下各子步驟步驟B6.1判斷上述優(yōu)化是否未運行過若未運行過，則輕重產(chǎn)品比率以之前1～2小時實際值的平均值作為目標，塔頂溫度、塔底溫度和回流比以控制上下限的中線作為目標；若已運行過，則將步驟7得到的最優(yōu)解作為所述各被控變量的目標；步驟B6.2讀取階躍響應模型，并按階躍響應模型、輕重產(chǎn)品比率η的計算公式和下式生成過程的混合預測模型回流比rr＝R/Dc，步驟B6.3根據(jù)過程的混合預測模型，實現(xiàn)精餾塔的多變量預測控制首先，設定控制上下限輕重產(chǎn)品比率的控制限以控制目標為基礎，設置偏離的允許百分比，取0～10％，塔頂溫度、塔底溫度和回流比的控制限，由操作工根據(jù)精餾塔設計參數(shù)和操作經(jīng)驗在DCS操作界面上修改。
其次，設定軟優(yōu)先級回流比＞溫度＞輕重產(chǎn)品比率；其中，溫度包括塔頂溫度和塔底溫度；再次，控制目標設定為各個變量的超限量加權計算值最小Jc＝wη|Δη|+wTtop|ΔTtop|+wTbot|ΔTbot|+wr|Δr|，其中Jc為控制目標函數(shù)；“·”代表被控變量η、Ttop、Tbot、r中的一個；Δ·為各被控變量超出控制限的量值；被控變量值超限時為與對應控制限的差，不超限時為0；w·為各被控變量實際權值，由下式?jīng)Q定w＝wo/σv，其中w為實際設置權值；wo為標準化權值，根據(jù)上述軟優(yōu)先級設定；σv為對應變量的標準差；步驟B7回流量和再沸器熱負荷的控制值及響應的各被控變量的值，本控制周期結束，回到步驟B2等待下一周期。
使用證明本發(fā)明使精餾塔的操作更加平穩(wěn)，塔頂、塔底產(chǎn)品的雜質(zhì)下降，同時能耗也下降，且在相同的操作費用下有更高的分離度。


圖1.精餾塔裝置的原理性工藝流程圖。
圖2.控制與優(yōu)化程序在上位機中的一種實現(xiàn)方式a，現(xiàn)場操作流程圖；b，上位機操作流程圖。
圖3.離線訓練建模的步驟圖a，優(yōu)化的神經(jīng)網(wǎng)絡模型的訓練步驟，b，控制的階躍響應模型辨識步驟。
圖4.精餾塔在線優(yōu)化控制的程序流程圖。
具體實施例方式
優(yōu)化代理模型(神經(jīng)網(wǎng)絡模型)的建立流程模擬軟件或其它機理分析模型通過機理建模方式對多種化工過程單元進行模擬仿真，通過參數(shù)調(diào)整，可達到足夠的準確度來指導生產(chǎn)。由于采用機理方式，可以在較大范圍內(nèi)保證對實際單元過程模擬的準確性。但由于機理計算的復雜，計算量比較大，難以在線使用，且軟件價格高昂。
使用流程模擬軟件或其它機理分析模型提供反映生產(chǎn)過程大范圍變化的輸入輸出數(shù)據(jù)，進行統(tǒng)計模型的訓練，獲得簡單的可在線使用的代理模型，就可以克服這一缺點。同時，使用流程模擬軟件或其它機理分析模型的數(shù)據(jù)訓練，相對實際過程數(shù)據(jù)，還可以克服實際過程中數(shù)據(jù)有噪聲干擾，數(shù)據(jù)覆蓋范圍小，無法獲得真正的穩(wěn)態(tài)數(shù)據(jù)等弱點。
本方法中，使用HYSYS流程模擬軟件，建立精餾塔的流程模擬，并根據(jù)DCS實際數(shù)據(jù)對流程模擬參數(shù)進行調(diào)整，以獲得與實際接近的模擬結果。
建立優(yōu)化代理神經(jīng)網(wǎng)絡模型，輸入變量選取塔頂塔底產(chǎn)品量比D/B、塔頂溫度Ttop、塔底溫度Tbot、回流量進料比R/F、熱負荷量進料比Q/F，因此實際需要獲取的數(shù)據(jù)包括塔頂產(chǎn)品量D、塔底產(chǎn)品量B、塔頂溫度Ttop、塔底溫度Tbot、回流量R、熱負荷量Q、進料量F。同時輸出變量分別為塔頂產(chǎn)品雜質(zhì)分率Ctop、塔底產(chǎn)品雜質(zhì)分率Cbot，即塔頂塔底產(chǎn)品質(zhì)量。
改變操作條件，獲得不同工況下的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)。工況涵蓋了產(chǎn)品質(zhì)量不合格，操作變量、被控變量與設計工況偏離較大等情況。最終獲得500組數(shù)據(jù)樣本。對這些輸入輸出數(shù)據(jù)進行標準化處理xo＝(x-mx)/σx，其中x為原始數(shù)據(jù)，xo為對應的標準化數(shù)據(jù)；mx、σx分別表示該數(shù)據(jù)樣本的算術平均值和標準差；之后，從中選取400組數(shù)據(jù)作為訓練樣本，另外100組數(shù)據(jù)作為測試樣本。使用訓練樣本進行神經(jīng)網(wǎng)絡迭代訓練，并對每步訓練所得的神經(jīng)網(wǎng)絡用訓練樣本計算訓練誤差，用測試樣本計算預測誤差，當預測誤差由減小變?yōu)樵龃蠡蛘哂柧氄`差不再明顯減小時，該神經(jīng)網(wǎng)絡訓練結束。使用此方法訓練多個神經(jīng)網(wǎng)絡，選擇最終訓練誤差和預測誤差均最小的作為訓練結果。
最終建立的神經(jīng)網(wǎng)絡模型形式如下Ctopo=NNtop((D/B)o,Ttopo,Tboto,(R/F)o,(Q/F)o),]]>Cboto=NNbot((D/B)o,Ttopo,Tboto,(R/F)o,(Q/F)o),]]>其中NNtop、NNbot表示神經(jīng)網(wǎng)絡模型，實際為5×10×1的RBF網(wǎng)絡；在線計算輕重產(chǎn)品比率并進行儀表誤差校正(數(shù)據(jù)處理模塊)由精餾塔物料平衡，F(xiàn)＝D+BFxF＝DxD+BxB其中F、D、B為進料流量、塔頂、塔底產(chǎn)品流量；xF、xD、xB為進料、塔頂、塔底產(chǎn)品中輕組分分率，且xB＜xF＜xD。
則存在D/B＝(xF-xB)/(xD-xF)因此操作中欲維持產(chǎn)品質(zhì)量不變，維持D/B不變是一個基本條件。
基于進料化驗數(shù)據(jù)和對產(chǎn)品純度的要求，可以初步計算理想的輕重產(chǎn)品比率值。對于多組分精餾塔，其各組分會根據(jù)工藝設計集中在塔頂或者塔底，則據(jù)此將所有組分劃分到塔頂組分類或塔底組分類中，將兩類組分看作兩種組分處理，就可以等效于雙組分精餾塔。
由于塔頂塔底液位的變化會影響產(chǎn)品實時流量，因此要進行液位動態(tài)補償計算，將液位變化補償?shù)疆a(chǎn)品流量上，得到真正從塔內(nèi)流出的流量，避免液位的波動而產(chǎn)生的產(chǎn)品積蓄而導致的產(chǎn)品流量測量偏差。
Dc＝D+(htop(Ltop，now)-htop(Ltop，old))/t，Bc＝B+(hbot(Lbot，now)-hbot(Lbot，old))/t，其中Dc、Bc為補償后的塔頂、塔底產(chǎn)品流量；htop、hbot為基于容器數(shù)學模型的將液位轉換為質(zhì)量積蓄量的函數(shù)；Ltop，new、Ltop，old分別為當前和一段時間之前的塔頂回流罐液位檢測值，其數(shù)值取百分數(shù)；Lbot，new、Lbot，old分別為當前和一段時間之前的塔底釜液位檢測值，其數(shù)值取百分數(shù)；t為補償計算所取的時間間隔。
對于塔頂常見的臥式回流罐，
htop(·)=ρtopLentop*(arccos((0.5-·)HstopRtop)*Rtop2]]>-(0.5-·)HstopRtop2-((0.5-·)Hstop)2),]]>而對于塔底立式塔釜，hbot(·)=ρbot*πRtop2*(0.5-·)Hstop,]]>其中“·”代表Ltop，new、Ltop，old、Lbot，new、Lbot，old中的一個；ρtop、ρbot分別為塔頂、塔底液體的密度；Rtop、Rbot分別為塔頂回流罐、圓柱形塔底釜的半徑；Hstop、Hsbot分別為塔頂、塔底液位儀表的檢測高度；Lentop為塔頂回流罐的長度。
補償后的產(chǎn)品流量更能反映出裝置操作的實際情況，即得到從塔流出的產(chǎn)品量的實際變化。
實際的輕重產(chǎn)品比率，η計算如下η＝Dc/Bc。
計算時各流量取當前值或者此前2～10分鐘內(nèi)的算術平均值。平均時間增長會提高克服干擾能力，但降低響應速度。
由于現(xiàn)場流量儀表不可避免的存在著誤差，因此這個理想的輕重產(chǎn)品比率值不能直接用于指導生產(chǎn)，需要用實際的輕重產(chǎn)品比率值進行校正。本方法采用自適應校正，即在第一次使用時，取此前1至2小時內(nèi)的Dc、Bc歷史數(shù)據(jù)算術平均值計算輕重產(chǎn)品比率初始設定值，之后等到實際的產(chǎn)品質(zhì)量化驗數(shù)據(jù)到來時通過優(yōu)化和產(chǎn)品質(zhì)量細調(diào)來給出輕重產(chǎn)品比率設定值的改變量。這種相對調(diào)整，就解決了由于儀表測量精度限制而在實際應用中無法得到真實的輕重產(chǎn)品比率值，而不能實現(xiàn)將輕重產(chǎn)品比率控制到合理值的難題，這也是長期以來制約基于直接物料平衡控制方案直接實現(xiàn)產(chǎn)品質(zhì)量的控制難于實現(xiàn)的問題。
建立過程的預測模型以回流量和再沸器熱負荷作為操作變量，以輕重產(chǎn)品比率、塔頂溫度、塔底溫度、回流比作為被控變量，作為精餾塔的多變量預測控制方案。
通過進行測試建模，可以建立回流量、再沸器熱負荷與塔頂產(chǎn)品流量、塔底產(chǎn)品流量、塔頂溫度、塔底溫度的階躍響應模型DcBcTtopTbot=f(G,RQ),]]>其中f為卷積運算；
G為測試建模所建立的階躍響應模型。
然后通過機理分析計算，建立過程的混合預測模型。其中輕重產(chǎn)品比率計算已經(jīng)給出，回流比r計算如下r＝R/Dc。
實現(xiàn)精餾塔的多變量預測控制(控制模塊)以上述混合預測模型為基礎，實時計算輕重產(chǎn)品比率、回流比并獲取實時溫度值作為被控變量，進行多變量預測控制組態(tài)與實施。
要實現(xiàn)輕重產(chǎn)品比率、塔頂塔底溫度、回流比這三類被控變量的協(xié)調(diào)控制，需要在控制策略上對各類變量分別對待。
對于輕重產(chǎn)品比率，以優(yōu)化計算所給出控制目標為基礎，給出偏離的百分比作為控制限。偏離百分比限的取值范圍為0～10％，值增大有助于提高控制穩(wěn)定性，但降低了控制精度。對于溫度和回流比，采用區(qū)域控制，由操作工根據(jù)精餾塔設計參數(shù)和操作經(jīng)驗在DCS操作界面上修改控制的上下限。保持回流比在一定的區(qū)域內(nèi)是為了保證精餾塔有比較經(jīng)濟的分離度。
根據(jù)機理分析，各個變量在穩(wěn)定操作、保證產(chǎn)品合格上的能力不同，因而就應設置不同的軟優(yōu)先級，在變量超限時根據(jù)軟優(yōu)先級進行調(diào)節(jié)。軟優(yōu)先級設定如下回流比＞溫度＞輕重產(chǎn)品比率控制目標為各個變量的超限量加權計算值最小。即Jc＝wη|Δη|+wTtop|ΔTtop|+wTbot|ΔTbot|+wr|Δr|，其中Jc為控制目標函數(shù)；“·”代表被控變量η、Ttop、Tbot、r中的一個；Δ·為各被控變量超出控制限的量值；被控變量值超限時為與對應控制限的差，不超限時為0；w·為各被控變量實際權值。
加權計算方法具有連續(xù)性，既可以保證某一變量超限很大時對其進行主要調(diào)節(jié)，又可以實現(xiàn)幾個變量都超限不大時的協(xié)調(diào)控制。權值越大，說明該變量控制達到的超限量越小，即該變量軟優(yōu)先級越大。根據(jù)軟優(yōu)先級設定各變量不同大小的標準化權值wo，再根據(jù)該變量的方差大小，反推實際應該設置的權值w＝wo/σv，其中w為實際設置權值；wo為標準化權值；σv為對應變量的標準差。
通過工程師界面將反推所得的實際設置權值進行在線修改。
基于產(chǎn)品質(zhì)量化驗數(shù)據(jù)的代理模型操作優(yōu)化(優(yōu)化模塊)實際生產(chǎn)中，原料和產(chǎn)品通常4～8小時采樣化驗一次(如有在線分析儀更好，能夠有短得多的采樣周期)。在獲得化驗數(shù)據(jù)后，依據(jù)代理模型，以保證產(chǎn)品質(zhì)量，減小回流比，降低再沸器熱負荷為目標，使用遺傳算法等智能優(yōu)化算法，搜索更優(yōu)的被控變量、操作變量目標值。
初始化一個群體，取個體數(shù)目為n＝30～150。每個個體bi是記為{D/B，Ttop，Tbot，R/F，Q/F}的數(shù)據(jù)組，其中每個變量都在當前操作值的上下5～10％內(nèi)均勻取值(包括邊界)，最終組合出各不相同的數(shù)據(jù)組個體。
取適應度函數(shù)Fit＝Const-(wCtopCtop+wCbotCbot+wQQ)，其中Const為常數(shù)，作用為使J保證為正數(shù)；“·”代表變量Ctop、Cbot、Q中的一個；w·為各變量的權值。
根據(jù)神經(jīng)網(wǎng)絡模型和上式計算每個個體的適應度，其中神經(jīng)網(wǎng)絡模型為前向計算。
選擇運算根據(jù)Num(bi)=Fit(bi)/Σj=1nFit(bj)*n,i=1,2,...,n]]>確定選擇每個個體的次數(shù)，生成新的群體。這樣，適應度大的個體保留下來，適應度小的個體可能被淘汰。
交叉運算從新群體中隨機選擇pc*n對(pc＝0.05～0.1)，在每對個體中隨機選擇數(shù)據(jù)組中的某個變量，做內(nèi)插計算bi，new{k}＝Rand*bi，old{k}+(1-Rand)*bj，old{k}，bj，new{k}＝(1-Rand)*bi，old{k}+Rand*bj，old{k}，其中Rand為[-1，2]區(qū)間內(nèi)的均勻分布的隨機數(shù)。用計算所得新值替換舊值，形成新的個體。
變異運算在新群體中隨機選擇pv*n個(pv＝0.02～0.05)，每個個體隨機選擇數(shù)據(jù)組中的某個變量，增大或者減小一個隨機百分比(1～5％)。
之后，適當去除選擇操作中的重復數(shù)據(jù)，以保證群體中個體數(shù)目保持不變。對新群體迭代進行適應度計算和選擇、交叉、變異運算，直至群體中個體最大的適應度趨于一個穩(wěn)定值或者迭代次數(shù)達到某一數(shù)值(100～150)為止，取出這個最大適應度的個體作為優(yōu)化計算的最優(yōu)解，并將這個最優(yōu)解作為控制運算各被控變量的控制目標。
本發(fā)明從精餾塔的控制與優(yōu)化需求出發(fā)，根據(jù)精餾塔產(chǎn)品質(zhì)量精度要求高的特點，提出根據(jù)精餾原理和精餾塔的物料平衡關系和組分平衡關系，采用輕重產(chǎn)品比率作為主要被控變量的控制方法和使用代理模型進行操作優(yōu)化，達到產(chǎn)品的卡邊優(yōu)化，在保證產(chǎn)品質(zhì)量合格的前提下，增加高價值產(chǎn)品的收率，并實現(xiàn)裝置的節(jié)能降耗的優(yōu)化方法。該發(fā)明，通過解決輕重產(chǎn)品比率合理值的設定和優(yōu)化問題，實現(xiàn)了輕重產(chǎn)品比率這一快速反映產(chǎn)品質(zhì)量未來波動的觀測變量的控制，創(chuàng)造了保持產(chǎn)品質(zhì)量平穩(wěn)的條件，得以能夠利用較長采樣化驗周期的化驗數(shù)據(jù)進行優(yōu)化和產(chǎn)品質(zhì)量的細調(diào)。本發(fā)明不依賴于軟測量，克服了相對精餾塔高純度產(chǎn)品指標要求軟測量精度難以滿足要求帶來的諸多缺點。
圖1是精餾塔原理工藝流程圖。圖中，D為塔頂產(chǎn)品量、B為塔底產(chǎn)品量、Ttop為塔頂溫度、Tbot為塔底溫度、R為回流量、Q為熱負荷量、F為進料量。
本發(fā)明中的數(shù)據(jù)采集、處理和控制與優(yōu)化計算、實現(xiàn)可以通過上位機實現(xiàn)。圖2是在上位機中實現(xiàn)的一種方案?？刂瞥绦蛲ㄟ^實時數(shù)據(jù)庫或通過OPC(OLE for Process Control)方式獲取過程數(shù)據(jù)，主要的數(shù)據(jù)處理結果計算完成后在上位機顯示或送入DCS顯示。在上位機和DCS上顯示控制界面用來進行控制參數(shù)調(diào)整。
圖3是離線訓練建模的步驟圖，a為優(yōu)化的神經(jīng)網(wǎng)絡模型的訓練步驟，b為控制的階躍響應模型辨識步驟。
圖4是精餾塔在線優(yōu)化控制的程序流程圖。
下面結合一個丙烯丙烷精餾塔的實例對本發(fā)明做進一步說明。
使用HYSYS流程模擬軟件，建立丙烯丙烷精餾塔的流程模擬，并根據(jù)DCS實際數(shù)據(jù)對流程模擬參數(shù)進行調(diào)整，以獲得與實際接近的模擬結果。
建立優(yōu)化代理神經(jīng)網(wǎng)絡模型的輸入變量選取塔頂塔底產(chǎn)品量比D/B、塔頂溫度Ttop、塔底溫度Tbot、回流量進料比R/F、熱負荷量進料比Q/F，因此實際需要獲取的數(shù)據(jù)包括塔頂產(chǎn)品量D、塔底產(chǎn)品量B、塔頂溫度Ttop、塔底溫度Tbot、回流量R、熱負荷量Q、進料量F。同時輸出變量分別為塔頂產(chǎn)品雜質(zhì)分率Ctop、塔底產(chǎn)品雜質(zhì)分率Cbot，即塔頂塔底產(chǎn)品質(zhì)量。
改變操作條件，獲得不同工況下的產(chǎn)品質(zhì)量和過程數(shù)據(jù)。工況涵蓋了產(chǎn)品質(zhì)量不合格，操作變量、被控變量與設計工況偏離較大等情況。最終獲得500組數(shù)據(jù)樣本。對這些輸入輸出數(shù)據(jù)進行標準化處理。之后，從中選取400組數(shù)據(jù)作為訓練樣本，另外100組數(shù)據(jù)作為測試樣本。使用訓練樣本進行神經(jīng)網(wǎng)絡迭代訓練，并對每步訓練所得的神經(jīng)網(wǎng)絡用訓練樣本計算訓練誤差，用測試樣本計算預測誤差，當預測誤差由減小變?yōu)樵龃蠡蛘哂柧氄`差不再明顯減小時，該神經(jīng)網(wǎng)絡訓練結束。使用此方法訓練多個神經(jīng)網(wǎng)絡，選擇最終訓練誤差和預測誤差均最小的作為訓練結果。
以回流量和再沸器熱負荷作為操作變量，以輕重產(chǎn)品比率、塔頂溫度、塔底溫度、回流比作為被控變量，作為精餾塔的多變量預測控制方案。首先進行測試建模，建立回流量、再沸器熱負荷與塔頂產(chǎn)品流量、塔底產(chǎn)品流量、塔頂溫度、塔底溫度的階躍響應模型。然后通過機理分析計算，建立過程的混合預測模型。
以上述混合預測模型為基礎，實時計算輕重產(chǎn)品比率、回流比并獲取實時溫度值作為被控變量，進行多變量預測控制DCS組態(tài)與實施。
使用通訊接口程序通過控制網(wǎng)絡將橫河DCS上的過程數(shù)據(jù)采集到上位機的實時數(shù)據(jù)庫中?？刂破鞒绦驈膶崟r數(shù)據(jù)庫中所需獲取數(shù)據(jù)，然后在線計算補償后的產(chǎn)品流量、輕重產(chǎn)品比率、回流比。其中輕重產(chǎn)品比率計算時各流量取當前值或者此前5分鐘內(nèi)的算術平均值。
對輕重產(chǎn)品比率采用自適應校正，即在第一次使用時，取此前2小時內(nèi)的補償后的塔頂、塔底產(chǎn)品流量歷史數(shù)據(jù)算術平均值計算輕重產(chǎn)品比率初始設定值。
輕重產(chǎn)品比率以優(yōu)化計算所給出控制目標為基礎，給出偏離的百分比作為控制限，偏離百分比范圍設置為5％。溫度和回流比采用區(qū)域控制，由操作工根據(jù)精餾塔設計參數(shù)和操作經(jīng)驗在DCS操作界面上修改控制的上下限，塔頂溫度限為47～49℃，塔底溫度限為57～60℃，回流比限為12～20。
根據(jù)機理分析，各個變量在穩(wěn)定操作、保證產(chǎn)品合格上的能力不同，因而就應設置不同的軟優(yōu)先級，在變量超限時根據(jù)軟優(yōu)先級進行調(diào)節(jié)。軟優(yōu)先級設定如下回流比＞溫度＞輕重產(chǎn)品比率標準化權值設置依次設置為1.5、1、0.5，實際設置權值為0.15、1、5。通過工程師界面將反推所得的實際設置權值進行在線修改。
本例中，原料4小時化驗一次，塔頂產(chǎn)品2小時化驗一次，塔底產(chǎn)品4小時化驗一次。在獲得化驗數(shù)據(jù)后，依據(jù)代理模型，以保證產(chǎn)品質(zhì)量，減小回流比，降低再沸器熱負荷為目標，使用遺傳算法等智能優(yōu)化算法，搜索更優(yōu)的被控變量、操作變量目標值。
初始化一個群體，取個體數(shù)目為n＝100。每個個體bi是記為{D/B，Ttop，Tbot，R/F，Q/F}的數(shù)據(jù)組，其中每個變量都在當前操作值的上下10％內(nèi)均勻取值(包括邊界)，最終組合出各不相同的數(shù)據(jù)組個體。
計算每個個體的適應度，并進行選擇、交叉、變異運算。其中pc＝0.1，pv＝0.03，迭代截止次數(shù)為120。
取出最大適應度的個體作為優(yōu)化計算的最優(yōu)解，并將這個最優(yōu)解作為控制運算各被控變量的控制目標。
該方案實施后，塔的操作更平穩(wěn)了，塔頂丙烯含量由98.85％提高至99.3％，塔底丙烷中丙烯含量一般為0％，丙烯收率由28.8％提高至30.5％，裝置能量消耗由29.53千克標油降低至23.7千克標油，且最大限度地保證了平穩(wěn)的分餾操作條件和相同操作費用下的更高分離度，在裝置長期運行在超過設計負荷的30％的情況下，仍能使裝置平穩(wěn)生產(chǎn)。
權利要求
1.精餾塔的一種自動控制和優(yōu)化方法，其特征在于該方法依次含有以下離線訓練和在線實施2個階段離線訓練階段含有以下步驟步驟A1使用HYSYS流程模擬軟件模擬實際的精餾塔，并根據(jù)此模擬軟件產(chǎn)生的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)建立優(yōu)化代理神經(jīng)網(wǎng)絡模型；此步驟依次按以下子步驟進行步驟A1.1使用HYSYS流程模擬軟件模擬精餾塔，并根據(jù)通過集散控制系統(tǒng)采集到的現(xiàn)場實際數(shù)據(jù)對模型參數(shù)進行調(diào)整，以獲得與實際接近的模擬結果；步驟A1.2對上述流程模擬軟件產(chǎn)生的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)樣本按下式進行標準化處理x°＝(x-mx)/σx，其中x為原始數(shù)據(jù)，x°為對應的標準化數(shù)據(jù)；mx、σx分別表示該數(shù)據(jù)樣本的算術平均值和標準差；所述數(shù)據(jù)樣本是通過以下步驟得到的改變操作條件，獲得不同工況下的過程數(shù)據(jù)和產(chǎn)品質(zhì)量數(shù)據(jù)，從而得到的多組數(shù)據(jù)；步驟A1.3根據(jù)步驟A1.2得到的多組數(shù)據(jù)樣本建立最終的神經(jīng)網(wǎng)絡模型，該模型是多個神經(jīng)網(wǎng)絡中最終訓練誤差和預測誤差均為最小的一個模型Ctopo=NNtop((D/B)o,Ttopo,Tboto,(R/F)o,(Q/F)o),]]>Cboto=NNbot((D/B)o,Ttopo,Tboto,(R/F)o,(Q/F)o),]]>其中NNtop、NNbot表示神經(jīng)網(wǎng)絡模型，實際為5×10×1的RBF網(wǎng)絡；步驟A2對實際精餾塔進行測試建模，建立回流量、再沸器熱負荷與塔頂產(chǎn)品流量、塔底產(chǎn)品流量、塔頂溫度、塔底溫度的下述階躍響應模型DcBcTtopTbot=fG,RQ,]]>其中f為卷積運算；G為測試建模所建立的階躍響應模型；在線實施階段包含以下步驟步驟B1上位機初始化設置定時器周期；塔頂產(chǎn)品雜質(zhì)分率Ctop的權重值wCtop；塔底產(chǎn)品雜質(zhì)分率Cbot的權重值wCbot；熱負荷量Q的權重值wQ；實際輕重產(chǎn)品比率超限量Δη的權重值wΔη；塔頂溫度超限量ΔTtop的權重值wΔTtop；塔底溫度超限量ΔTbot的權重值wΔTbot；回流比超限量Δr的權重值wΔr；使適應度函數(shù)J為正數(shù)而設定的常數(shù)Const；步驟B2判斷控制時刻到否若控制時刻到，則執(zhí)行下一步；否則，等待；步驟B3上位機經(jīng)OPC通訊接口通過集散控制系統(tǒng)采集以下的精餾塔現(xiàn)場數(shù)據(jù)且存入實時數(shù)據(jù)庫塔頂產(chǎn)品量D、塔底產(chǎn)品量B、塔頂溫度Ttop、塔底溫度Tbot、回流量R、熱負荷量Q以及進料量F；同時按下式計算液位動態(tài)補償后的塔頂、塔底產(chǎn)品流量，以避免因塔頂、塔底液位波動而產(chǎn)生的產(chǎn)品積蓄變化而導致的產(chǎn)品流量測量偏差Dc＝D+(htop(Ltop，now)-htop(Ltop，old))/t，Bc＝B+(hbot(Lbot，now)-hbot(Lbot，old))/t，其中htop、hbot為基于容器數(shù)學模型的將液位轉換為質(zhì)量積蓄量的函數(shù)；Ltop，new、Ltop，old分別為當前和一段時間之前的塔頂回流罐液位檢測值，其數(shù)值取百分數(shù)；Lbot，new、Lbot，old分別為當前和一段時間之前的塔底釜液位檢測值，其數(shù)值取百分數(shù)；t為補償計算所取的時間間隔；實際的輕重產(chǎn)品比率η＝Dc/Bc；步驟B4上位機判斷是否獲得新的產(chǎn)品質(zhì)量化驗數(shù)據(jù)若得到新的產(chǎn)品質(zhì)量化驗數(shù)據(jù)，則執(zhí)行步驟B5；否則，轉入步驟B6；步驟B5基于產(chǎn)品質(zhì)量化驗數(shù)據(jù)用遺傳算法優(yōu)化所述神經(jīng)網(wǎng)絡模型，以搜索更優(yōu)的被控變量，來達到保證產(chǎn)品質(zhì)量，減小回流量，降低再沸器熱負荷這兩個操作變量值的目的，所述被控變量是指輕重產(chǎn)品比率、塔頂溫度、塔底溫度以及回流比；此步驟依次含有以下各子步驟步驟B5.1初始化一個群體設定群體中個體數(shù)目n的取值，每個個體bi是記為{D/B，Ttop，Tbot，R/F，Q/F}的一個數(shù)據(jù)組，其中每個變量都在當前操作值的一個上下5～10％的閉區(qū)間內(nèi)均勻取多個值，最終組合出各不相同的數(shù)據(jù)組個體；步驟B5.2讀取神經(jīng)網(wǎng)絡模型，根據(jù)神經(jīng)網(wǎng)絡模型和下式計算每個個體的適應度，所述適應度為Fit＝Const-(wCtop，Ctop+wCbotCbot+wQQ)，步驟B5.3根據(jù)下式確定選擇每個個體的次數(shù)，以保留適應度大的個體，淘汰適應度小的個體，生成新的群體Num(bi)=Fit(bi)/Σj=1nFit(bj)*n,i=1,2,...,n;]]>步驟B5.4從步驟B5.3得到的群體中，隨機選擇pc*n對，pc＝0.05～0.1，在每對個體{bi，bj}中隨機選擇數(shù)據(jù)組中的第k個變量，按下式計算新值，并替換舊值，形成新的個體bi，new{k}＝Rand*bi，old{k}+(1-Rand)*bj，old{k}，bj，new{k}＝(1-Rand)*bi，old{k}+Rand*bj，old{k}，其中Rand為[-1，2]區(qū)間內(nèi)的均勻分布的隨機數(shù)；步驟B5.5從步驟B5.4得到的群體中，隨機選擇pv*n個，pv＝0.02～0.05，每個個體隨機選擇數(shù)據(jù)組中的某個變量，增大或者減小一個隨機百分比1～5％；步驟B5.6對步驟B5.5得到的群體中，適當去除選擇操作中的重復數(shù)據(jù)，以保證群體中個體數(shù)目保持不變；步驟B5.7對步驟B5.6得到的群體中，重復步驟B5.2～B5.6，直至群體中個體最大的適應度趨于一個穩(wěn)定值，或者雖未達到穩(wěn)定值但已達到設定的迭代次數(shù)為止；取出這個最大適應度的個體作為優(yōu)化計算的最優(yōu)解，并將該解作為控制所述各被控變量的目標；步驟B6以回流量和再沸器熱負荷作為操作變量，以輕重產(chǎn)品比率、塔頂溫度、塔底溫度和回流比作為被控變量，對精餾塔進行多變量預測控制；此步驟依次含有以下各子步驟步驟B6.1判斷上述優(yōu)化是否未運行過若未運行過，則輕重產(chǎn)品比率以之前1～2小時實際值的平均值作為目標，塔頂溫度、塔底溫度和回流比以控制上下限的中線作為目標；若已運行過，則將步驟7得到的最優(yōu)解作為所述各被控變量的目標；步驟B6.2讀取階躍響應模型，并按階躍響應模型、輕重產(chǎn)品比率η的計算公式和下式生成過程的混合預測模型回流比rr＝R/Dc，步驟B6.3根據(jù)過程的混合預測模型，實現(xiàn)精餾塔的多變量預測控制首先，設定控制上下限輕重產(chǎn)品比率的控制限以控制目標為基礎，設置偏離的允許百分比，取0～10％，塔頂溫度、塔底溫度和回流比的控制限，由操作工根據(jù)精餾塔設計參數(shù)和操作經(jīng)驗在DCS操作界面上修改。其次，設定軟優(yōu)先級回流比＞溫度＞輕重產(chǎn)品比率；其中，溫度包括塔頂溫度和塔底溫度；再次，控制目標設定為各個變量的超限量加權計算值最小Jc＝wη|Δη|+wTtop|ΔTtop|+wTbot|ΔTbot|+wr|Δr|，其中Jc為控制目標函數(shù)；“·”代表被控變量η、Ttop、Tbot、r中的一個；Δ·為各被控變量超出控制限的量值；被控變量值超限時為與對應控制限的差，不超限時為0；w·為各被控變量實際權值，由下式?jīng)Q定w＝w°/σv，其中w為實際設置權值；w°為標準化權值，根據(jù)上述軟優(yōu)先級設定；σv為對應變量的標準差；步驟B7回流量和再沸器熱負荷的控制值及響應的各被控變量的值，本控制周期結束，回到步驟B2等待下一周期。
2.根據(jù)權利要求1所述的精餾塔的一種自動控制和優(yōu)化方法，其特征在于所述htop、hbot分別通過下式得到對于塔頂常見的臥式回流罐htop(·)=ρtopLentop*(arccos((0.5-·)HstopRtop)*Rtop2]]>-(0.5-·)HstopRtop2-((0.5-·)Hstop)2),]]>對于塔底立式塔釜hbot(·)=ρbot*πRtop2*(0.5-·)Hstop,]]>其中“·”代表Ltop，new、Ltop，old、Lbot，new、Lbot，old中的一個；ρtop、ρbot分別為塔頂、塔底液體的密度；Rtop、Rbot分別為塔頂回流罐、圓柱形塔底釜的半徑；HStop、HSbot分別為塔頂、塔底液位儀表的檢測高度；Lentop為塔頂回流罐的長度。
全文摘要
本發(fā)明涉及精餾塔控制與優(yōu)化方法。其特征是根據(jù)物料平衡關系和組分平衡關系對精餾塔進行控制，使用代理模型對精餾塔實現(xiàn)優(yōu)化。根據(jù)精餾原理和精餾塔的物料平衡和組分平衡關系，采用塔頂輕產(chǎn)品和塔底重產(chǎn)品抽出比率(以下簡稱為輕重產(chǎn)品比率)作為主要被控變量，通過調(diào)節(jié)回流量和再沸器熱負荷，控制輕重產(chǎn)品比率、溫度、回流比達到平穩(wěn)操作。通過流程模擬軟件，實現(xiàn)對實際過程的仿真，并訓練神經(jīng)網(wǎng)絡模型作為過程優(yōu)化的代理模型。利用原料及產(chǎn)品的化驗數(shù)據(jù)，使用代理模型進行操作優(yōu)化，達到產(chǎn)品的卡邊優(yōu)化，在保證產(chǎn)品質(zhì)量合格的前提下，增加高價值產(chǎn)品的收率，并實現(xiàn)裝置的節(jié)能降耗。
文檔編號B01D3/42GK1762525SQ20051008661
公開日2006年4月26日 申請日期2005年10月14日 優(yōu)先權日2005年10月14日
發(fā)明者黃德先, 呂文祥, 王宇紅, 金以慧 申請人:清華大學