精馏塔的一种自动控制和优化方法

摘要

本发明涉及精馏塔控制与优化方法。其特征是根据物料平衡关系和组分平衡关系对精馏塔进行控制，使用代理模型对精馏塔实现优化。根据精馏原理和精馏塔的物料平衡和组分平衡关系，采用塔顶轻产品和塔底重产品抽出比率(以下简称为轻重产品比率)作为主要被控变量，通过调节回流量和再沸器热负荷，控制轻重产品比率、温度、回流比达到平稳操作。通过流程模拟软件，实现对实际过程的仿真，并训练神经网络模型作为过程优化的代理模型。利用原料及产品的化验数据，使用代理模型进行操作优化，达到产品的卡边优化，在保证产品质量合格的前提下，增加高价值产品的收率，并实现装置的节能降耗。

主权项

1.精馏塔的一种自动控制和优化方法，其特征在于该方法依次含有以下离线训练和在线实施2个阶段：离线训练阶段含有以下步骤：步骤A1：使用HYSYS流程模拟软件模拟实际的精馏塔，并根据此模拟软件产生的过程数据和产品质量数据建立优化代理神经网络模型；此步骤依次按以下子步骤进行：步骤A1.1：使用HYSYS流程模拟软件模拟精馏塔，并根据通过集散控制系统采集到的现场实际数据对模型参数进行调整，以获得与实际接近的模拟结果；步骤A1.2：对上述流程模拟软件产生的过程数据和产品质量数据样本按下式进行标准化处理：xo＝(x-mx)/σx，其中x为原始数据，xo为对应的标准化数据；mx、σx分别表示该数据样本的算术平均值和标准差；所述数据样本是通过以下步骤得到的：改变操作条件，获得不同工况下的过程数据和产品质量数据，从而得到的多组数据；步骤A1.3：根据步骤A1.2得到的多组数据样本建立最终的神经网络模型，该模型是多个神经网络中最终训练误差和预测误差均为最小的一个模型：$C_{\mathrm{top}}^o={\mathrm{NN}}_{\mathrm{top}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$$C_{\mathrm{bot}}^o={\mathrm{NN}}_{\mathrm{bot}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$其中NNtop、NNbot表示神经网络模型，实际为5×10×1的RBF网络；步骤A2：对实际精馏塔进行测试建模，建立回流量、再沸器热负荷与塔顶产品流量、塔底产品流量、塔顶温度、塔底温度的下述阶跃响应模型：$\left[\begin{array}{c}{D}_c\\ B_c\\ T_{\mathrm{top}}\\ T_{\mathrm{bot}}\end{array}\right]=f(G,\left[\begin{array}{c}R\\ Q\end{array}\right]),$其中f为卷积运算；G为测试建模所建立的阶跃响应模型；在线实施阶段包含以下步骤：步骤B1：上位机初始化：设置：定时器周期；塔顶产品杂质分率Ctop的权值wCtop；塔底产品杂质分率Cbot的权值wCbot；热负荷量Q的权值wQ；实际轻重产品比率超限量Δη的权值wη；塔顶温度超限量ΔTtop的权值wTtop；塔底温度超限量ΔTbot的权值wTbot；回流比超限量Δr的权值wr；使适应度函数J为正数而设定的常数Const；步骤B2：判断控制时刻到否：若控制时刻到，则执行下一步；否则，等待；步骤B3：上位机经OPC通讯接口通过集散控制系统采集以下的精馏塔现场数据且存入实时数据库：塔顶产品量D、塔底产品量B、塔顶温度Ttop、塔底温度Tbot、回流量R、热负荷量Q以及进料量F；同时按下式计算液位动态补偿后的塔顶、塔底产品流量，以避免因塔顶、塔底液位波动而产生的产品积蓄变化而导致的产品流量测量偏差：Dc＝D+(htop(Ltop，new)-htop(Ltop，old))/t，Bc＝B+(hbot(Lbot，new)-hbot(Lbot，old))/t，其中htop、hbot为基于容器数学模型的将液位转换为质量积蓄量的函数；Ltop，new、Ltop，old分别为当前和一段时间之前的塔顶回流罐液位检测值，其数值取百分数；Lbot，new、Lbot，old分别为当前和一段时间之前的塔底釜液位检测值，其数值取百分数；t为补偿计算所取的时间间隔；实际的轻重产品比率：η＝Dc/Bc；步骤B4：上位机判断是否获得新的产品质量化验数据：若得到新的产品质量化验数据，则执行步骤B5；否则，转入步骤B6；步骤B5：基于产品质量化验数据用遗传算法优化所述神经网络模型，以搜索更优的被控变量，来达到保证产品质量，减小回流量，降低再沸器热负荷这两个操作变量值的目的，所述被控变量是指轻重产品比率、塔顶温度、塔底温度以及回流比；此步骤依次含有以下各子步骤：步骤B5.1：初始化一个群体：设定群体中个体数目n的取值，每个个体bi是记为{D/B，Ttop，Tbot，R/F，Q/F}的一个数据组，其中每个变量都在当前操作值的一个上下5～10％的闭区间内均匀取多个值，最终组合出各不相同的数据组个体；步骤B5.2：读取神经网络模型，根据神经网络模型和下式计算每个个体的适应度，所述适应度为Fit＝Const-(wCtopCtop+wCbotCbot+wQQ)；步骤B5.3：根据下式确定选择每个个体的次数，以保留适应度大的个体，淘汰适应度小的个体，生成新的群体：$\mathrm{Num}\left(b_i\right)=\mathrm{Fit}\left(b_i\right)/\underset{i=1}{\overset{n}{\Sigma }}\mathrm{Fit}\left(b_i\right)*n,i=\mathrm{1,2},...,n;$步骤B5.4：从步骤B5.3得到的群体中，随机选择pc*n对，pc＝0.05～0.1，在每对个体{bi，bj}中随机选择数据组中的第k个变量，按下式计算新值，并替换旧值，形成新的个体：bi，new{k}＝Rand*bi，old{k}+(1-Rand)*bj，old{k}，bj，new{k}＝(1-Rand)*bi，old{k}+Rand*bj，old{k}，其中Rand为[-1，2]区间内的均匀分布的随机数；步骤B5.5：从步骤B5.4得到的群体中，随机选择pv*n个，pv＝0.02～0.05，每个个体随机选择数据组中的某个变量，增大或者减小一个随机百分比1～5％；步骤B5.6：对步骤B5.5得到的群体中，适当去除选择操作中的重复数据，以保证群体中个体数目保持不变；步骤B5.7：对步骤B5.6得到的群体中，重复步骤B5.2～B5.6，直至群体中个体最大的适应度趋于一个稳定值，或者虽未达到稳定值但已达到设定的迭代次数为止；取出这个最大适应度的个体作为优化计算的最优解，并将该解作为控制所述各被控变量的目标；步骤B6：以回流量和再沸器热负荷作为操作变量，以轻重产品比率、塔顶温度、塔底温度和回流比作为被控变量，对精馏塔进行多变量预测控制；此步骤依次含有以下各子步骤：步骤B6.1：判断上述优化是否未运行过：若未运行过，则轻重产品比率以之前1～2小时实际值的平均值作为目标，塔顶温度、塔底温度和回流比以控制上下限的中线作为目标；若已运行过，则将步骤B5.7得到的最优解作为所述各被控变量的目标；步骤B6.2：读取阶跃响应模型，并按阶跃响应模型、轻重产品比率η的计算公式和下式生成过程的混合预测模型：回流比r：r＝R/Dc；步骤B6.3：根据过程的混合预测模型，实现精馏塔的多变量预测控制：首先，设定控制上下限：轻重产品比率的控制限以控制目标为基础，设置偏离的允许百分比，取0～10％，塔顶温度、塔底温度和回流比的控制限，由操作工根据精馏塔设计参数和操作经验在集散控制系统操作界面上修改。其次，设定软优先级：回流比＞温度＞轻重产品比率；其中，温度包括塔顶温度和塔底温度；再次，控制目标设定为各个变量的超限量加权计算值最小：Jc＝wη|Δη|+wTtop|ΔTtop|+wTbot|ΔTbot|+wr|Δr|，其中Jc为控制目标函数；Δη、ΔTtop、ΔTbot、Δr分别为被控变量η、Ttop、Tbot、r超出控制限的量值，各被控变量值超限时为与对应控制限的差，不超限时为0；wη、wTtop、wTbot、wr分别为被控变量η、Ttop、Tbot、r的实际权值，由下式决定：$w_{\eta }=w_{\eta }^o/{\sigma }_{v,\eta },w_{\mathrm{Ttop}}=w_{\mathrm{Ttop}}^o/{\sigma }_{v,\mathrm{Ttop}},w_{\mathrm{Tbop}}=w_{\mathrm{Tbot}}^o/{\sigma }_{v,\mathrm{Tbot}},w_r=w_r^o/{\sigma }_{v,r},$其中wηo、wTtopo、wTboto、wro分别为被控变量η、Ttop、Tbot、r的标准化权值，根据上述软优先级设定；σv，η、σv，Ttop、σv，Tbot、σv，r分别为被控变量η、Ttop、Tbot、r的标准差；步骤B7：回流量和再沸器热负荷的控制值及响应的各被控变量的值，本控制周期结束，回到步骤B2等待下一周期。