CN101879378B - 内部热耦合精馏塔温度非线性观测系统及方法 - Google Patents

Abstract

一种内部热耦合精馏塔温度非线性观测系统，包括与内部热耦合精馏塔直接连接的现场智能仪表和DCS系统，所述DCS系统包括存储装置、控制站和上位机，所述现场智能仪表与存储装置、控制站和上位机相连，所述的上位机包括用以预测内部热耦合精馏塔将来时刻的塔板温度分布的观测器，所述的观测器包括：温度分布函数拟合模块、将来时刻内部热耦合精馏塔塔板温度预测模块和温度预测误差补偿模块。本发明也提供了内部热耦合精馏塔的非线性温度观测方法。本发明能够有效快速的在线预测内部热耦合精馏塔将来时刻的温度变化，准确地反应内部热耦合精馏塔的强非线性动态特性。

Description

内部热耦合精馏塔温度非线性观测系统及方法

技术领域

本发明涉及精馏塔的动态建模领域，特别提出内部热耦合精馏塔温度非线性观测器系统的设计和实现方法。

背景技术

精馏过程是化工过程中的一种核心过程，精馏塔是其中的一个关键单元。长久以来，精馏塔因为高耗能，低能效的问题成为国际精馏领域研究的焦点。精馏塔具有十分复杂的强非线性特征，尤其是内部热耦合精馏塔，其简化非线性建模非线性动态过程观测器设计成为一种世界性难题。

传统的复杂机理模型尽管能够精确的观测精馏塔的各种状态变量，但复杂的机理模型结构导致模型在线求解效率太低，不能直接应用于控制器设计当中。而基于阶跃脉冲响应辨识的近线性模型尽管具有较快的求解速度，但状态变量观测精度太低，甚至显著偏离真实值。实现内部热耦合精馏塔的高效率高精确度的非线性观测器对于该塔的控制设计节能研究等方面起着至关重要的作用。

发明内容

为了克服现有的内部热耦合精馏塔温度观测系统的状态变量测量精度太低、效率低的不足，本发明提供一种观测精度高、效率高的内部热耦合精馏塔温度非线性观测系统及方法。

本发明解决其技术问题所采用的技术方案是：

一种内部热耦合精馏塔温度非线性观测系统，包括与内部热耦合精馏塔直接连接的现场智能仪表和DCS系统，所述DCS系统包括存储装置、控制站和上位机，所述现场智能仪表与存储装置、控制站和上位机相连，所述的上位机包括用以预测内部热耦合精馏塔将来时刻的温度分布的观测器，所述观测器包括：温度分布函数拟合模块，用以采用历史数据库中的各块塔板温度T_i拟合温度分布函数，并将拟合参数存储到历史数据库当中，采用式(1)(2)得到：

${\hat{T}}_i=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r)}}$ i＝1，2，……，f-1                         (1)

${\hat{T}}_i=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s)}}$ i=f，f+1，……，n                                  (2)

其中，1为塔顶编号，f为进料板编号，n为塔底编号，

为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置；将来时刻内部热耦合精馏塔温度预测模块，用以根据当前温度数据以及温度分布函数预测将来时刻的温度变化趋势，该模块包括以下两部分：

①从历史数据库中读取温度测量值T_i(k)，计算当前时刻温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(3)-(11)得到：

$X_i\left(k\right)=\frac{P\×\mathrm{\α}\×{10}^{\frac{T_i\left(k\right)+c}{b}-a}-1}{\mathrm{\α}-1}$ i＝1，2，……，n                                   (3)

$Y_i\left(k\right)=\frac{\mathrm{\α}{X}_i\left(k\right)}{(\mathrm{\α}-1)X_i\left(k\right)+1}$ i＝1，2，……，n                                   (4)

Q_i(k)＝UA(T_i-T_i+f-1)i＝1，2，……，f-1         (5)

V₁＝F(1-q)                                     (6)

L_n＝Fq                                         (7)

$L_{f-1}=\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{Q_i\left(k\right)}{\mathrm{\λ}}---\left(8\right)$

V_f＝V₁+L_f-1                                    (9)

$\frac{{\mathrm{ds}}_r}{\mathrm{dt}}\left(k\right)=\frac{[V_f{Y}_f\left(k\right)-L_{f-1}{X}_{f-1}\left(k\right)-V_1{Y}_1\left(k\right)](\mathrm{\α}-1){(1+e^{-k_r(i-s_r)})}^2}{\mathrm{HP\α}(T_{\max ,r}-T_{\min ,r})k_r{e}^{-k_r(i-s_r)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(10\right)$

$\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)=\frac{[-V_f{Y}_f\left(k\right)-L_n{X}_n\left(k\right)+L_{f-1}{Y}_{f-1}\left(k\right)+{\mathrm{FZ}}_f](\mathrm{\α}-1){(1+e^{-k_s(i-s_s)})}^2}{\mathrm{HP\α}(T_{\max ,s}-T_{\min ,s})k_s{e}^{-k_s(i-s_s)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(11\right)$

其中，k为当前采样时刻，P为精馏塔压强，α为相对挥发度，a、b、c为安东尼常数，T_i、T_i+f-1分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k采样时刻塔顶和进料板处的汽相轻组分浓度，分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度；

②从历史数据库中获取温度分布曲线位置变化速度数据，温度分布函数拟合参数，采样周期δ并计算下一时刻波形位置以及下一时刻温度分布，采用式(12)-(15)得到：

$S_r(k+1)=S_r\left(k\right)+\frac{{\mathrm{dS}}_r}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(12\right)$

$S_s(k+1)=S_s\left(k\right)+\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(13\right)$

${\hat{T}}_i(k+1)=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r(k+1))}}$ i＝1，2，……,1地                              (14)

${\hat{T}}_i(k+1)=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s(k+1))}}$ i＝f，f+1，……，n                             (15)

其中，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置，为k+1采样时刻精馏段或提馏段的第i块塔板温度的预测值；

温度预测误差补偿模块，用以从历史数据库中获取当前温度测量值，以及预测值，计算预测误差，修正温度预测值，采用式(16)(17)得到

$r_i\left(k\right)=T_i\left(k\right)-{\hat{T}}_i\left(k\right)$ i＝1，2，……，n                               (16)

$T_i^{\%}(k+1)={\hat{T}}_i(k+1)+r_i\left(k\right)$ i＝1，2，……，n                               (17)

其中，

为k采样时刻精馏段或提馏段的第i块塔板温度的预测值，r_i(k)为k采样时刻第i块塔板的温度预测误差，

为k+1采样时刻的温度预测修正值；

作为优选的一种方案：所述的上位机还包括人机界面模块，用以设定采样周期，显示观测器输出的将来时刻温度预测值和当前时刻温度测量值。

一种内部热耦合精馏塔温度非线性过程观测系方法，所述的观测方法包括以下步骤：

1)确定采样周期，并将相对挥发度α，安东尼常数a、b、c、保存在历史数据库当中；

2)检测k采样时刻精馏塔压强P，以及各塔板温度T_i，计算液相轻组分浓度值，采用式(3)得到：

$X_i=\frac{P\×\mathrm{\α}\×{10}^{\frac{T_i+c}{b}-a}-1}{\mathrm{\α}-1}$ i＝1，2，……，n                                (3)

其中，下脚标i为塔板编号，1为塔顶编号，f为进料板编号，n为塔底编号，X_i为第i块塔板的液相组分浓度，P为精馏塔压强，T_i为第i块塔板的温度，α为相对挥发度，a、b、c为安东尼常数；

3)从历史数据库当中获取k采样时刻温度的测量值，拟合k采样时刻的温度分布函数如式(1)(2)：

${\hat{T}}_i=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r)}}$ i＝1，2，……，f-1                             (1)

${\hat{T}}_i=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s)}}$ i＝f，f+1，……，n                             (2)

其中，

为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置；

4)计算k采样时刻的温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(4)-(11)得到：

$Y_i\left(k\right)=\frac{\mathrm{\α}{X}_i\left(k\right)}{(\mathrm{\α}-1)X_i\left(k\right)+1}$ i＝1，2，……，n                              (4)

Q_i(k)＝UA(T_i-T_i+f-1)i＝1，2，……，f-1    (5)

V₁＝F(1-q)                                (6)

L_n＝Fq                                    (7)

$L_{f-1}=\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{Q_i\left(k\right)}{\mathrm{\λ}}---\left(8\right)$

V_f＝V₁+L_f-1                (9)

$\frac{{\mathrm{ds}}_r}{\mathrm{dt}}\left(k\right)=\frac{[V_f{Y}_f\left(k\right)-L_{f-1}{X}_{f-1}\left(k\right)-V_1{Y}_1\left(k\right)](\mathrm{\α}-1){(1+e^{-k_r(i-s_r)})}^2}{\mathrm{HP\α}(T_{\max ,r}-T_{\min ,r})k_r{e}^{-k_r(i-s_r)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(10\right)$

$\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)=\frac{[-V_f{Y}_f\left(k\right)-L_n{X}_n\left(k\right)+L_{f-1}{Y}_{f-1}\left(k\right)+{\mathrm{FZ}}_f](\mathrm{\α}-1){(1+e^{-k_s(i-s_s)})}^2}{\mathrm{HP\α}(T_{\max ,s}-T_{\min ,s})k_s{e}^{-k_s(i-s_s)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(11\right)$

其中，k为当前采样时刻，α为相对挥发度，a、b、c为安东尼常数，T_i、T_i+f₁分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k时刻塔顶和进料板处的汽相轻组分浓度，分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度；

5)预测k+1采样时刻的温度分布，从历史数据库中获取曲线位置变化速度数据，温度分布函数拟合参数，采样周期值，采用式(12)-(15)得到：

$S_r(k+1)=S_r\left(k\right)+\frac{{\mathrm{dS}}_r}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(12\right)$

$S_s(k+1)=S_s\left(k\right)+\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(13\right)$

${\hat{T}}_i(k+1)=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r(k+1))}}$ i＝1，2，……，f-1             (14)

${\hat{T}}_i(k+1)=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s(k+1))}}$ i＝f，f+1，……，n             (15)

其中，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置，为k+1采样时刻精馏段或提馏段的第i块塔板温度的预测值；

6)从历史数据库中获取当前温度测量值，以及预测值，计算k采样时刻的温度预测误差过程如式(16)：

$r_i\left(k\right)=T_i\left(k\right)-{\hat{T}}_i\left(k\right)$ i＝1，2，……，n                      (16)

其中，

为k采样时刻精馏段或提馏段的第i块塔板温度的预测值，r_i(k)为k采样时刻第i块塔板的温度预测误差7)修正温度预测值，采用式(17)得到：

$T_i^{\%}(k+1)={\hat{T}}_i(k+1)+r_i\left(k\right)$ i＝1，2，……，n                      (17)

其中，

为k+1采样时刻的温度预测修正值。

进一步，所述的历史数据库为DCS系统中存储装置，控制站读取历史数据库，显示观测器工作过程状态。

本发明的有益效果主要表现在：1.基于内部热耦合精馏塔的机理模型以及传热传质原理建立了高精度的内部热耦合精馏塔的简化非线性动态模型，能够准确跟踪反应内部热耦合精馏塔的温度分布变化的非线性特征，比传统辨识模型更为精确；2.在确保温度观测器跟踪高精度效能的情况下，能够同时保持较快的在线求解速度，效率远远高于机理模型。

附图说明

图1是内部热耦合精馏塔温度非线性观测系统的结构图。

图2是上位机观测器实现方法的原理图。

图3是内部热耦合精馏塔温度非线性观测方法流程图。

具体实施方式

下面根据附图具体说明本发明。

实施例1

参照图1、图2和图3内部热耦合精馏塔温度非线性观测系统，观测系统包括与内部热耦合精馏塔1直接连接的现场智能仪表2和DCS系统13，所述DCS系统包括存储装置4控制站5和上位机6，所述现场智能仪表2与存储装置4、控制站5和上位机6通过现场总线和数据接口3依次相连；所述的智能仪表用以实现检测模块7的功能即检测得到精馏塔的温度、压强数据，所述的数据接口用以实现I/O模块8的功能即数据的输入输出。

所述的上位机6包括用以预测内部热耦合精馏塔将来时刻的温度分布的观测器，所述的观测器包括温度分布函数拟合模块9、将来时刻内部热耦合精馏塔温度预测模块11和温度预测误差补偿模块10。

所述的温度分布函数拟合模块9，采用历史数据库中的各块塔板温度T_i拟合温度分布函数，并将拟合参数存储到历史数据库当中，采用式(1)(2)得到：

${\hat{T}}_i=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r)}}$ i＝1，2，……，f-1                            (1)

${\hat{T}}_i=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s)}}$ i＝f，f+1，……，n                            (2)

其中，1为塔顶编号，f为进料板编号，n为塔底编号，为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置。

所述的将来时刻内部热耦合精馏塔温度预测模块11，根据当前温度数据以及温度分布函数预测将来时刻的温度变化趋势，该模块包括以下两部分：

①从历史数据库中读取温度测量值T_i(k)，计算当前时刻温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(3)-(11)得到：

$X_i\left(k\right)=\frac{P\×\mathrm{\α}\×{10}^{\frac{T_i\left(k\right)+c}{b}-a}-1}{\mathrm{\α}-1}$ i＝1，2，……，n                              (3)

$Y_i\left(k\right)=\frac{\mathrm{\α}{X}_i\left(k\right)}{(\mathrm{\α}-1)X_i\left(k\right)+1}$ i＝1，2，……，n                              (4)

Q_i(k)＝UA(T_j-T_j+f-1)i＝1，2，……，f-1    (5)

V₁＝F(1-q)                                (6)

L_n＝Fq                                    (7)

$L_{f-1}=\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{Q_i\left(k\right)}{\mathrm{\λ}}---\left(8\right)$

V_f＝V₁+L_f-1                               (9)

$\frac{{\mathrm{ds}}_r}{\mathrm{dt}}\left(k\right)=\frac{[V_f{Y}_f\left(k\right)-L_{f-1}{X}_{f-1}\left(k\right)-V_1{Y}_1\left(k\right)](\mathrm{\α}-1){(1+e^{-k_r(i-s_r)})}^2}{\mathrm{HP\α}(T_{\max ,r}-T_{\min ,r})k_r{e}^{-k_r(i-s_r)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(10\right)$

$\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)=\frac{[-V_f{Y}_f\left(k\right)-L_n{X}_n\left(k\right)+L_{f-1}{Y}_{f-1}\left(k\right)+{\mathrm{FZ}}_f](\mathrm{\α}-1){(1+e^{-k_s(i-s_s)})}^2}{\mathrm{HP\α}(T_{\max ,s}-T_{\min ,s})k_s{e}^{-k_s(i-s_s)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(11\right)$

其中，k为当前采样时刻，P为精馏塔压强，α为相对挥发度，a、b、c为安东尼(Antonie)常数，T_i、T_i+f1分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k采样时刻塔顶和进料板处的汽相轻组分浓度，

分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度。

②从历史数据库中获取温度分布曲线位置变化速度数据，温度分布函数拟合参数，采样周期并计算下一时刻波形位置以及下一时刻温度分布，采用式(12)-(15)得到：

$S_r(k+1)=S_r\left(k\right)+\frac{{\mathrm{dS}}_r}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(12\right)$

$S_s(k+1)=S_s\left(k\right)+\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(13\right)$

${\hat{T}}_i(k+1)=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r(k+1))}}$ i＝1，2，……，f-1                    (14)

${\hat{T}}_i(k+1)=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s(k+1))}}$ i＝f，f+1，……，n                    (15)

其中，δ为采样周期，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置，为k+1采样时刻精馏段或提馏段的第i块塔板温度的预测。

所述的温度预测误差补偿模块10，从历史数据库中获取当前温度测量值，以及预测值，计算预测误差，修正温度预测值，采用式(16)(17)得到

$r_i\left(k\right)=T_i\left(k\right)-{\hat{T}}_i\left(k\right)$ i＝1，2，……，n             (16)

$T_i^{\%}(k+1)={\hat{T}}_i(k+1)+r_i\left(k\right)$ i＝1，2，……，n             (17)

其中，

为k采样时刻精馏段或提馏段的第i块塔板温度的预测值，r_i(k)为k采样时刻第i块塔板的温度预测误差，为k+1采样时刻的温度预测修正值。

所述的上位机包括人机界面模块12，用于设定采样周期，显示观测器输出的将来时刻温度预测值和当前时刻温度测量值。

实施例2

参照图1、图2和图3，一种内部热耦合精馏塔的温度非线性过程观测方法，所述的观测方法包括以下步骤：

1)如图3模块14确定采样周期，并将相对挥发度α，Antonie常数a、b、c、保存在历史数据库当中；

2)如图3模块15检测k采样时刻精馏塔压强P，以及各塔板温度T_i，计算液相轻组分浓度值，采用式(1)得到：

$X_i=\frac{P\×\mathrm{\α}\×{10}^{\frac{T_i+c}{b}-a}-1}{\mathrm{\α}-1}$ i＝1，2，……，n              (3)

其中，下脚标i为塔板编号，1为塔顶编号，f为进料板编号，n为塔底编号，X_i为第i块塔板的液相组分浓度，P为精馏塔压强，T_i为第i块塔板的温度，α为相对挥发度，a、b、c为安东尼(Antonie)常数；

3)如图3模块16从历史数据库当中获取k采样时刻温度的测量值，拟合k采样时刻的温度分布函数如式(1)(2)：

${\hat{T}}_i=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r)}}$ i＝1，2，……，f-1                 (1)

${\hat{T}}_i=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s)}}$ i＝f，f+1，……，n                 (2)

其中，为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置；

4)如图3模块17计算k采样时刻的温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(4)-(11)得到

$Y_i\left(k\right)=\frac{\mathrm{\α}{X}_i\left(k\right)}{(\mathrm{\α}-1)X_i\left(k\right)+1}$ i＝1，2，……，n                               (4)

Q_i(k)＝UA(T_i-T_i+f-1)i＝1，2，……，f-1     (5)

V₁＝F(1-q)                                 (6)

L_n＝Fq                                     (7)

$L_{f-1}=\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{Q_i\left(k\right)}{\mathrm{\λ}}---\left(8\right)$

V_f＝V₁+L_f-1

$\frac{{\mathrm{ds}}_r}{\mathrm{dt}}\left(k\right)=\frac{[V_f{Y}_f\left(k\right)-L_{f-1}{X}_{f-1}\left(k\right)-V_1{Y}_1\left(k\right)](\mathrm{\α}-1){(1+e^{-k_r(i-s_r)})}^2}{\mathrm{HP\α}(T_{\max ,r}-T_{\min ,r})k_r{e}^{-k_r(i-s_r)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(10\right)$

$\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)=\frac{[-V_f{Y}_f\left(k\right)-L_n{X}_n\left(k\right)+L_{f-1}{Y}_{f-1}\left(k\right)+{\mathrm{FZ}}_f](\mathrm{\α}-1){(1+e^{-k_s(i-s_s)})}^2}{\mathrm{HP\α}(T_{\max ,s}-T_{\min ,s})k_s{e}^{-k_s(i-s_s)}\underset{i=1}{\overset{f-1}{\mathrm{\Σ}}}\frac{\ln 10}{T_i+c-\mathrm{ab}}}---\left(11\right)$

其中，k为当前采样时刻，α为相对挥发度，a、b、c为安东尼(Antonie)常数，T_i、T_i+f1分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k采样时刻塔顶和进料板处的汽相轻组分浓度，

分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度；

(5)如图3模块18预测k+1采样时刻的温度分布，从历史数据库中获取曲线位置变化速度数据，温度分布函数拟合参数，采样周期值，采用式(12)-(15)得到：

$S_r(k+1)=S_r\left(k\right)+\frac{{\mathrm{dS}}_r}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(12\right)$

$S_s(k+1)=S_s\left(k\right)+\frac{{\mathrm{dS}}_s}{\mathrm{dt}}\left(k\right)\×\mathrm{\δ}---\left(13\right)$

${\hat{T}}_i(k+1)=T_{\min ,r}+\frac{T_{\max ,r}-T_{\min ,r}}{1+e^{-k_r(i-S_r(k+1))}}$ i＝1，2，……，f-1           (14)

${\hat{T}}_i(k+1)=T_{\min ,s}+\frac{T_{\max ,s}-T_{\min ,s}}{1+e^{-k_s(i-S_s(k+1))}}$ i＝f，f+1，……，n           (15)

其中，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置，

为k+1采样时刻精馏段或提馏段的第i块塔板温度的预测值；

6)如图3模块19从历史数据库中获取当前温度测量值，以及预测值，计算k采样时刻的温度预测误差过程如式(16)：

$r_i\left(k\right)=T_i\left(k\right)-{\hat{T}}_i\left(k\right)$ i＝1，2，……，n             (16)

其中，

为k采样时刻精馏段或提馏段的第i块塔板温度的预测值r_i(k)为k采样时刻第i块塔板的温度预测误差；

7)如图3模块20修正温度预测值，采用式(17)得到

$T_i^{\%}(k+1)={\hat{T}}_i(k+1)+r_i\left(k\right)$ i＝1，2，……，n             (17)

其中，

为k+1采样时刻的温度预测修正值。

所述的历史数据库为DCS系统中的存储装置4，所述的DCS系统包括数据接口3，存储装置4，控制站5，其中控制站可以读取历史数据库，显示观测器工作过程状态。

上述实施例用来解释说明本发明，而不是对本发明进行限制，在本发明的精神和权利要求的保护范围内，对本发明作出的任何修改和改变，都落入本发明的保护范围。

Claims (4)

1.一种内部热耦合精馏塔温度非线性观测系统，包括与内部热耦合精馏塔直接连接的现场智能仪表和DCS系统，所述DCS系统包括存储装置、控制站和上位机，所述现场智能仪表与存储装置、控制站和上位机相连，其特征在于：所述的上位机包括用以预测内部热耦合精馏塔将来时刻的温度分布的观测器，所述观测器包括：温度分布函数拟合模块，用以采用历史数据库中的各块塔板温度T_i拟合温度分布函数，并将拟合参数存储到历史数据库当中，采用式(1)(2)得到：

i＝1，2，……，f-1    (1)

i＝f，f+1，……，n    (2)

其中，1为塔顶编号，f为进料板编号，n为塔底编号， 

为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置；将来时刻内部热耦合精馏塔温度预测模块，用以根据当前温度数据以及温度分布函数预测将来时刻的温度变化趋势，该模块包括以下两部分：

①从历史数据库中读取温度测量值T_i(k)，计算当前时刻温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(3)-(11)得到：

i＝1，2，……，n    (3)

i＝1，2，……，n    (4)

Q_i(k)＝UA(T_i-T_i+f-1)    i＝1，2，……，f-1    (5)

V₁＝F(1-q)                                    (6)

L_n＝Fq                                        (7)

V_f＝V₁+L_f-1                                   (9) 

其中，k为当前采样时刻，P为精馏塔压强，α为相对挥发度，a、b、c为安东尼常数，T_i、T_i+f-1分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k采样时刻塔顶和进料板处的汽相轻组分浓度， 

分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度；

②从历史数据库中获取温度分布曲线位置变化速度数据，温度分布函数拟合参数，采样周期δ并计算下一时刻波形位置以及下一时刻温度分布，采用式(12)-(15)得到：

i＝1，2，……，f-1    (14)

i＝f，f+1，……，n    (15)

其中，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置， 

为k+1时刻精馏段或提馏段的第i块塔板温度的预测值；

温度预测误差补偿模块，用以从历史数据库中获取当前温度测量值，以及预测值，计算预测误差，修正温度预测值，采用式(16)(17)得到

i＝1，2，……，n    (16) 

i＝1，2，……，n    (17)

其中， 

为k采样时刻精馏段或提馏段的第i块塔板温度的预测值，r_i(k)为k采样时刻第i块塔板的温度预测误差， 

为k+1采样时刻的温度预测修正值。

2.如权利要求1所述的观测系统，其特征在于：所述的上位机还包括人机界面模块，用以设定采样周期，显示观测器输出的将来时刻温度预测值和当前时刻温度测量值。

3.一种如权利要求1所述的内部热耦合精馏塔温度非线性过程观测系统实现的温度非线性观测方法，其特征在于：所述的观测方法包括以下步骤：

1)确定采样周期，并将相对挥发度α，安东尼常数a，b，c，保存在历史数据库当中；

2)检测k采样时刻精馏塔压强P，以及各塔板温度T_i，计算液相轻组分浓度值，采用式(3)得到：

i＝1，2，……，n    (3)

其中，下脚标i为塔板编号，1为塔顶编号，f为进料板编号，n为塔底编号，X_i为第i块塔板的液相组分浓度，P为精馏塔压强，T_i为第i块塔板的温度，α为相对挥发度，a、b、c为安东尼常数；

3)从历史数据库当中获取k采样时刻温度的测量值，拟合k采样时刻的温度分布函数如式(1)(2)：

i＝1，2，……，f-1    (1)

i＝f，f+1，……，n    (2)

其中， 

为第i块塔板处预估温度，T_min，r、T_max，r、k_r、T_min，s、T_max，s、k_s为拟合参数，S_r、S_s分别为内部热耦合精馏塔精馏段、提馏段液温度分布曲线的位置；

4)计算k采样时刻的温度分布曲线位置变化速度，并将曲线位置变化速度存储到历史数据库当中，采用式(4)-(11)得到：

                              i＝1，2，……，n    (4)

Q_i(k)＝UA(T_i-T_i+f-1)    i＝1，2，……，f-1  (5) 

V₁＝F(1-q)                                         (6)

L_n＝Fq                                             (7)

V_f＝V₁+L_f-1                                        (9)

其中，k为当前采样时刻，α为相对挥发度，a、b、c为安东尼常数，T_i、T_i+f-1分别为第i块塔板和第i+f-1块塔板的温度，Q_i(k)为k采样时刻第i块塔板之间的热耦合量，UA为传热速率，q为进料热状况，F为进料流率，λ为汽化潜热，V₁、V_f分别为塔顶和进料板处的汽相流率，L_f-1、L_n分别为第f-1块塔板和塔底的液相流率，H为持液量，Z_f为进料组分浓度，T_i(k)、X_i(k)、Y_i(k)分别为k采样时刻第i块塔板温度、液相轻组分浓度和汽相轻组分浓度，X_f-1(k)、X_n(k)分别为k采样时刻第f-1块塔板和塔底的液相轻组分浓度，Y₁(k)、Y_f(k)分别为k采样时刻塔顶和进料板处的汽相轻组分浓度， 

分别为k采样时刻精馏段和提馏段的温度分布曲线位置变化速度；5)预测k+1采样时刻的温度分布，从历史数据库中获取曲线位置变化速度数据，温度分布函数拟合参数，采样周期值，采用式(12)-(15)得到：

i＝1，2，……，f-1    (14)

i＝f，f+1，……，n    (15)

其中，δ为采样周期，S_r(k)、S_s(k)分别为k采样时刻精馏段、提馏段温度分布曲线位置，S_r(k+1)、S_s(k+1)分别为k+1采样时刻精馏段、提馏段温度分布曲线位置， 

为k+1时刻精馏段或提馏段的第i 块塔板温度的预测值；

6)从历史数据库中获取当前温度测量值，以及预测值，计算k采样时刻的温度预测误差过程如式(16)：

i＝1，2，……，n    (16)

其中， 为k采样时刻精馏段或提馏段的第i块塔板温度的预测值，r_i(k)为k采样时刻第i块塔板的温度预测误差

7)修正温度预测值，采用式(17)得到：

i＝1，2，……，n    (17)

其中， 

为k+1采样时刻的温度预测修正值。

4.如权利要求3所述的温度非线性观测方法，其特征在于：所述的历史数据库为DCS系统中存储装置，控制站读取历史数据库，显示观测器工作过程状态。 

Images