CN102339040B - 精馏塔优化控制方法 - Google Patents
精馏塔优化控制方法 Download PDFInfo
- Publication number
- CN102339040B CN102339040B CN2010102325512A CN201010232551A CN102339040B CN 102339040 B CN102339040 B CN 102339040B CN 2010102325512 A CN2010102325512 A CN 2010102325512A CN 201010232551 A CN201010232551 A CN 201010232551A CN 102339040 B CN102339040 B CN 102339040B
- Authority
- CN
- China
- Prior art keywords
- optimization
- product
- model
- value
- rectification column
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种精馏塔优化控制方法,本方法根据物料平衡关系和组分平衡关系采用精馏塔轻重产品比作为主要被控变量对精馏塔进行控制,使用针对进料组分变化的前馈补偿策略,改进了精馏塔预测控制器的抑制进料组分扰动的效果,使用基于分片线性模型的稳态优化方法和基于动态预测模型的动态反馈卡边优化方法,在保证产品质量合格的约束下,实现了精馏塔高价值产品质量卡边、高价值产品收率最高、综合能耗最低的多目标优化,增加精馏塔运行的综合生产效益。
Description
技术领域
本发明涉及精馏塔生产过程自动控制领域,特别涉及一种精馏塔优化控制方法。
背景技术
在石油炼制的化工过程中,几乎每个装置都涉及到了液-液分离过程,其中精馏塔是实现互溶物液-液分离的主要过程单元。
由于精馏塔应用的广泛性,对精馏塔的控制与优化就具有十分重要的意义。通过对精馏塔的控制与优化,使其能够操作平稳,提高产品合格率,减少高价值组分在低价值产品中的流失,同时节能降耗,减少再沸器的热负荷。因此,对精馏塔的控制与优化就具有较高的经济效益。
本发明所涉及的精馏塔是狭义上的精馏塔,其将组成相对简单的原料中的各个主要组分分离,分离的精细程度视生产需要决定。每个精馏塔只有塔顶、塔底两个产品,每个组分只能主要存在于塔顶或者塔底产品中,如气分装置丙烯精馏塔、苯乙烯装置苯乙烯精馏塔等等,产品质量的主要衡量指标为杂质的含量。
最初的精馏塔控制方案主要对塔顶、塔底的温度进行控制,不直接进行产品质量控制。后来的精馏塔产品质量控制方案大多采用了基于产品质量软测量的方式,主要包括统计建模和经验公式两种方法,如乙烯装置中乙烯精馏塔的智能控制方法,高纯精馏的动态矩阵控制系统和方法等。通过建立精馏塔的产品质量软测量模型,利用精馏塔的温度、压力和流量等过程实时数据,在线实时计算产品质量,在此基础上实现控制与优化。这种软测量建模实现精馏塔切割点计算是可行的,但由于数据截断误差的原因难以达到精馏塔的要求。同时,由于精馏产品的高纯度需求,一般塔板数都比较多,且为了提高塔板的分离效率,其回流罐和塔板积蓄量与处理量之比相对较大。这就造成了精馏塔的动态特性具有大延迟、大时间常数的特点。当操作条件发生变化时,产品质量发生变化并达到稳定的时间相当长,超出了预测控制的接受程度。这也不利于基于产品质量软测量的控制方案。
现有技术根据实际精馏塔的操作过程分析和基于流程模拟软件的仿真研究发现:当精馏塔的操作条件发生变化,产品质量发生变化并达到稳定的时间变得相当长,但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)会产生较快的明显变化,并经常发生振荡,这是引起塔操作不稳的主要原因。因而提出将轻重产品比作为主要被控变量,通过预测控制方法调节回流量和再沸负荷,控制轻重产品比、温度达到平稳操作,并利用原料及产品的化验数据,使用神经网络代理模型和遗传算法进行操作优化,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。
上述方法在化验数据周期长、滞后大的情况下,在获得化验数据的间隔内,能够通过对轻重产品比的预测控制克服进料流量、进料温度、回流温度等常规干扰,维持精馏塔的平稳,并在获得化验数据后实现装置优化目标。然而,在实验室化验周期短或者使用在线分析仪的情况下,由于需要等待产品质量基本稳定才能进行优化求解,会有大量分析数据信息无法利用,不能充分挖掘优化控制的潜力。在两次操作优化运行之间,一方面,当进料组成发生变化后,即使已经采集到进料组成数据信息,预测控制仍按原有的轻重产品比控制目标操作,过程操作不再处于最优工作点;另一方面,当产品质量改变甚至超限导致产品不合格时,即使已经采集到产品质量超限信息,预测控制也不会做出任何调整。对于目前处理量越来越大的精馏过程,其过渡过程时间越来越长,上述问题也越来越突出。
分片线性近似方法是将非线性函数在定义域内划分为若干片,每一个分片内函数均进行线性近似,全局形成一系列线性函数叠加的方法。随着线性分片数的增加,每片内的线性近似误差之和会相应减小。分片线性近似方法在保证计算精度、减小计算负荷方面有着显著的优点。一方面,理论上已经证明,在线性分片数足够的情况下,分片线性近似能够以任意精度逼近非线性连续函数;另一方面,采用分片线性优化模型后,可以将优化问题求解转化为一系列子域线性规划逐步求解,其求解难度与计算量显著低于非线性优化求解。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题首先是在化验周期短或者使用在线分析仪的情况下,如何充分利用分析数据信息,充分挖掘优化控制的潜力,其次是当进料组成发生变化后,如何保证预测控制的过程操作一直处于最优工作点,并能够根据产品质量超限信息及时作出调整。
(二)技术方案
为此,本发明提供了一种精馏塔优化控制方法,包括:
步骤A1:分别读取分片线性优化模型、产品质量动态预测模型和阶跃响应控制模型,所述分片线性优化模型为:
CD=AHHD(η,TT,TB,CF) (1-1)
CB=AHHB(η,TT,TB,CF) (1-2)
R/F=AHHR(η,TT,TB,CF) (1-3)
Q/F=AHHQ(η,TT,TB,CF) (1-4)
JO=AHHO(CD,CB,η,R,Q) (1-5)
其中AHHD、AHHB、AHHR、AHHQ分别表示精馏塔的分片线性优化模型,AHHO为稳态优化目标函数的分片线性优化模型,CD为塔顶产品质量,CB为塔底产品质量,CF为进料组成(轻组分分率),R为回流量,Q为再沸负荷量,F为进料量,η为轻重产品比,TT为塔顶温度,TB为塔底温度,JO为稳态优化目标函数;
所述动态预测模型为:
CD,m(k+1)=GO,D(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,RB(k-N+1),CF(k),...,CF(k-N+1)) (2-1)
=GO,D(η(k),TT(k),TB(k),CF(k))
CB,m(k+1)=GO,B(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,TB(k-N+1),CF(k),...,CF(k-N+1)) (2-2)
=GO,B(η(k),TT(k),TB(k),CF(k))
其中下标m为所述动态预测模型的计算值,N为所述动态预测模型的稳态截断长度,GO,D、GO,B为所述动态预测模型的非线性动态模型函数,所述动态预测模型的采样周期为动态反馈优化模块的周期tB;
所述阶跃响应控制模型为:
其中运算符*为卷积计算,GC是通过测试建模方法建立的阶跃响应模型,所述阶跃响应控制模型的采样周期为预测控制器的周期tC;
设置预测控制器的周期tC、优化器的前馈补偿模块的周期tF、动态反馈优化模块的周期tB和稳态优化模块的周期tO,设置预测控制器被控变量的给定值或控制限;
步骤A2:判断预测控制时刻到否:若预测控制时刻到,则执行步骤A3;否则,等待预测控制器周期tC后,执行步骤A2;
步骤A3:采集精馏塔现场数据并存入实时数据库,所述精馏塔现场数据包括:塔顶产品量D、塔底产品量B、塔顶温度TT、塔底温度TB、回流量R、再沸负荷量Q以及进料量F;并根据公式(4)和公式(5)计算液位动态补偿后的塔顶产品量DC和塔底产品量BC;根据公式(6)计算实际的轻重产品比η;
Dc=D+(VR(LR,new)-VR(LR,old))/t (4)
Bc=B+(VB(LB,new)-VB(LB,old))/t (5)
η=Dc/Bc (6)
其中t为补偿计算所取的时间间隔;VR、VB为基于容器数学模型的将液位转换为质量积蓄量的函数;LR,new、LR,old分别为当前和时间间隔t之前的时刻的塔顶回流罐液位检测值;LB,new、LB,old分别为当前和时间间隔t之前的时刻的塔底釜液位检测值;
步骤A4:判断稳态优化时刻到否:若稳态优化时刻到,则执行步骤A5;否则,执行步骤A6;
步骤A5:基于产品质量化验数据CD和CB用分片线性规划算法对所述分片线性优化模型进行稳态优化,求解最优决策变量,所述决策变量包括:轻重产品比η、塔顶温度TT和塔底温度TB的给定值;所述稳态优化的目标设定为在公式(1-1)-(1-4)的约束和各变量优化限区间不等式的约束下,产品价值减去能耗的综合生产效益值的相反数取最小;优化求解并实施后转入步骤A10;
步骤A6:判断动态反馈优化时刻到否;若动态反馈优化时刻已到且得到新的塔顶产品质量CD和塔底产品质量CB,则执行步骤A7;否则,执行步骤A8;
步骤A7:基于所述动态预测模型预测产品质量的稳态值,以其中高价值产品质量的动态预测稳态值卡上限为目标求解最优决策变量,所述决策变量包括轻重产品比η的给定值;使用带有反馈校正的动态预测模型(7)和(8),对产品质量进行稳态值预测:
CD,p(k+N)=CO,D(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(7)
+CD(k)-CD,m(k)
CB,p(k+N)=GO,B(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(8)
+VB(k)-CB,m(k)
其中下标p表示反馈校正后的模型预测值;
目标函数JDO为
JDO=wD(CD,max-CD,p(k+N))2+wB(CB,max-CB,p(k+N))2 (9)
其中wD、wB分别为塔顶产品质量CD、塔底产品质量CB的优化权值;wD、wB满足:当塔顶产品价格低于塔底产品价格时,wD=0,反之,则wB=0;
优化求解并实施后直接转入步骤A10;
步骤A8:判断前馈补偿时刻到否:若前馈补偿时刻已到且得到新的进料组成CF,则执行步骤A9;否则,转入步骤A10;
步骤A9:根据所述进料组成CF的数据的变化,用线性化增量公式(10)调整轻重产品比的控制目标;
其中ηsp表示新的轻重产品比的设定值,ηsp,old表示原来的轻重产品比的设定值,CF表示当前的进料组成,CF,old表示原来的进料组成;
步骤A10:以回流进料比R/F和再沸负荷进料比Q/F作为操作变量,以轻重产品比η、塔顶温度TT和塔底温度TB作为被控变量,对精馏塔进行多变量预测控制;
步骤A11:通过通讯接口实施回流量R和再沸负荷量Q的控制值,本控制周期结束,转到步骤A2等待下一周期。
其中,所述步骤A1中分片线性优化模型的建立过程包括:
步骤B1、使用流程模拟软件或精馏塔机理模型模拟实际精馏塔的运行,并根据模拟产生的过程数据和产品质量数据建立分片线性优化的代理模型;所述步骤B1包括步骤B1.1-B1.3;
步骤B1.1、使用流程模拟软件或精馏塔机理模型,建立精馏塔的流程模拟,并根据通过集散控制系统采集到的精馏塔现场数据对所述流程模拟的参数进行调整;
步骤B1.2、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,得到多组数据样本;
步骤B1.3、根据步骤B1.2得到的多组数据样本,使用分片线性规划方法分别建立塔顶产品质量CD、塔底产品质量CB、回流进料比R/F及再沸负荷进料比Q/F的分片线性优化模型;建立的所述分片线性优化模型为多个分片线性优化模型中训练误差和预测误差之和最小的一组模型;
步骤B2、在保证产品质量合格的条件下,使得产品价值减去能耗的综合生产效益值的相反数取最小,即;
其中cD、cB、cR、cQ为优化权值,所述cD、cB、cR和cQ的取值通过塔顶产品价格、塔底产品价格、回流泵用电价格、再沸器热源价格折算得到;CD,max、CB,max分别为塔顶产品质量CD、塔底产品质量CB的优化上限;如果cD小于cB,则wD=0,wB的取值范围为[1000,5000]×cB;反之,则wB=0,wD的取值范围为[1000,5000]×cD。
所述步骤B1.3中的分片线性规划方法包括如下步骤:
步骤C1、初始化n个决策变量的可行解;
步骤C2、对每个初始化后的可行解,在初始化后的可行解的小邻域内,将分片线性优化简化成子域线性规划;通过使用单纯型法求解获得所述子域线性规划的最优解,所述最优解记为X0;同时设置计数器M=0及计数器上限Mmax;
步骤C3、对所述最优解X0增加一个足够小的扰动,以保证获得一个新的可行解:
X′0=X0+ε; (12)
步骤C4、将新的可行解X′0重新构成子域线性规划,使用单纯型法求得新的子域最优解X*;
步骤C5、判断是否JO(X*)<JO(X0),是则令X0=X*,同时计数器M=0,返回步骤C3;否则令计数器M=M+1,执行步骤C6;
步骤C6、判断是否计数器M>Mmax,是则认为已求得分片线性规划的局部最优解;否则执行步骤C3;
步骤C7、对比n个局部最优解,选择目标函数JO最小的一个解作为全局最优解的近似。
所述步骤A1之前还包括:测试产品质量过渡过程时间:在所述精馏塔平稳时,给回流量R施加一个阶跃信号,等待产品质量全部稳定,记录产品质量过渡过程时间tCSS。
所述预测控制器周期tC取0.5~2分钟,前馈补偿模块周期tF取进料组成在线分析或化验周期,动态反馈优化模块周期tB取产品组成在线分析或化验周期,稳态优化模块周期tO取产品质量过渡过程时间tCSS长度的0.5~1倍。
所述轻重产品比以之前1~2小时实际值的平均值作为控制给定值,塔顶温度、塔底温度以之前1~2小时实际值的平均值增减预设控制限宽度作为控制上下限。
(三)有益效果
上述技术方案具有如下优点:本发明提供的精馏塔优化控制方法,从精馏塔的控制与优化需求出发,根据精馏塔产品质量精度要求高的特点,在采用精馏塔轻重产品比作为主要被控变量的基础上,提出了针对进料组成变化的前馈补偿策略,以改进精馏塔预测控制器的抑制进料组成扰动的效果;本发明还提出了精馏塔基于分片线性模型的稳态优化方法和基于动态预测模型的动态反馈卡边优化方法以及集成优化策略,在保证产品质量合格的约束下,实现精馏塔高价值产品质量卡边、高价值产品收率最高、综合能耗最低的多目标优化,增加精馏塔运行的综合生产效益。
附图说明
图1为本发明实施例的精馏塔装置的原理性工艺流程图;
图2为本发明实施例的控制与优化程序在上位机中的实现方式示意图,其中图2(a)为现场操作流程图,图2(b)为上位机操作流程图;
图3为本发明实施例的精馏塔在线优化控制的控制框图;
图4为本发明实施例的分片线性优化模型的建立方法流程图;
图5为图4中建立优化代理模型的方法流程图;
图6为本发明实施例的精馏塔优化控制方法流程图;
图7为本发明实施例的分片线性规划方法流程图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1、图2以及图3所示,其中图1为本发明实施例的精馏塔装置的原理性工艺流程图,图2为本发明实施例的控制与优化程序在上位机中的实现方式示意图,其中图2(a)为现场操作流程图,图2(b)为上位机操作流程图;图3为本发明实施例的精馏塔在线优化控制的控制框图,本发明中的数据采集、处理和控制与优化计算,可以通过上位机实现。
分片线性优化模型的建立
流程模拟软件或精馏塔机理模型通过机理建模方式对多种化工过程单元进行模拟仿真,通过参数调整,可达到足够的准确度来指导生产。由于采用机理方式,可以在较大范围内保证对实际单元过程模拟的准确性,但由于机理计算的复杂,计算量比较大,难以在线使用,且软件价格高昂。
本实施例使用流程模拟软件或精馏塔机理模型提供反映生产过程大范围变化的输入输出数据,进行统计模型的训练,获得简单的可在线使用的代理模型,就可以克服上述缺点。同时,使用流程模拟软件或精馏塔机理模型的数据训练,相对实际过程数据,还可以克服实际过程中数据有噪声干扰,数据覆盖范围小,无法获得真正的稳态数据等缺点。
如图4所示,为本发明实施例的分片线性优化模型的建立方法流程图,并参见图5所示,为图4中建立优化代理模型的方法流程图;本实施例中,首先使用流程模拟软件或精馏塔机理模型建立代理模型,进而建立稳态优化模块的分片线性优化模型,包括以下步骤:
步骤B1、使用流程模拟软件或精馏塔机理模型模拟实际精馏塔的运行,并根据模拟产生的过程数据和产品质量数据建立分片线性优化模型的代理模型,该步骤包括以下步骤B1.1-B1.3;
步骤B1.1、使用流程模拟软件或精馏塔机理模型,建立精馏塔的流程模拟,并根据集散控制系统采集到的精馏塔现场数据对流程模拟的参数进行调整,以获得与实际接近的模拟结果;
建立分片线性优化模型的代理模型,输入变量选取轻重产品比η、塔顶温度TT、塔底温度TB和进料组成CF,输出变量选取塔顶产品质量CD、塔底产品质量CB、以及回流进料比R/F和再沸负荷进料比Q/F。
其中塔顶产品质量以塔顶产品杂质分率表示,塔底产品质量以塔底产品杂质分率表示;进料组成CF代表进料轻组分分率;
步骤B1.2、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,得到多组数据样本;
其中工况包括产品质量不合格、操作变量、被控变量与设计工况偏离较大等情况,最终获得500组数据样本;
步骤B1.3、根据步骤B1.2得到的多组数据样本,使用分片线性规划方法分别建立塔顶产品质量CD、塔底产品质量CB及回流进料比R/F、再沸负荷进料比Q/F的分片线性优化模型,这些分片线性优化模型为多个分片线性优化模型中训练误差和预测误差综合最小的一组模型;
具体地,从500组数据样本中随机选取400组数据作为训练样本,另外100组数据作为测试样本。对训练样本进行分片线性优化模型训练,逐步增加所使用的线性分片数,并对每个线性分片数下训练所得的分片线性优化模型用训练样本计算训练误差,用测试样本计算预测误差,当预测误差由减小变为增大或者训练误差不再明显减小时,该分片线性优化模型训练结束。使用此方法训练多个分片线性优化模型,选择训练误差和预测误差均最小的分片线性优化模型作为训练结果;
最后建立的分片线性优化模型形式如下:
CD=AHHD(η,TT,TB,CF) (1-1)
CB=AHHB(η,TT,TB,CF) (1-2)
R/F=AHHR(η,TT,TB,CF) (1-3)
Q/F=AHHQ(η,TT,TB,CF) (1-4)
其中AHHD、AHHB、AHHR、AHHQ分别为精馏塔的分片线性优化模型,CD为塔顶产品质量,CR为塔底产品质量,CF为进料组成,R为回流量,Q为再沸负荷量,F为进料量,η为轻重产品比,TT为塔顶温度,TB为塔底温度;
步骤B2、在保证产品质量合格的条件下,实现高价值产品质量卡边、高价值产品收率最高、回流量和再沸负荷量所反映的综合能耗最低的多目标稳态优化,即以产品价值减去能耗的综合生产效益值的相反数取最小,即;
其中JO为稳态优化目标函数;cD、cB、cR、cQ为优化权值,取值通过塔顶产品价格、塔底产品价格、回流泵用电价格、再沸器热源价格折算得到;CD,max、CB,max分别为产品质量变量CD、CB的优化上限;wD、wB分别为变量CD、CB的优化权值;如果cD小于cB,则wD=0,wB的取值范围为[1000,5000]×cB;反之,则wB=0,wD的取值范围为[1000,5000]×cD;该JO稳态优化目标函数通常为非线性函数,因此要建立其分片线性优化模型;
根据操作经验可知上述塔顶产品质量CD,塔底产品质量CB,轻重产品比η,回流量R和再沸负荷量Q的操作范围,在此范围内随机取值,计算JO的目标函数值,以获得500组的数据样本,使用类似步骤B1.2的方法建立稳态优化目标函数的分片线性优化模型:
JO=AHHO(CD,CB,η,R,Q) (1-5)
其中AHHO表示稳态优化目标函数的分片线性优化模型;公式(1-1)-(1-5)组成本实施例的分片线性优化模型。
动态预测模型的建立
采用产品质量动态预测模型对产品质量的稳态值进行预测,可以在精馏过程未稳定的情况下进行优化计算,可以缩短优化周期,充分利用分析数据信息。其中产品质量动态预测模型利用当前产品质量的预测值与实际值之差进行反馈校正,可以最大程度上消除预测误差。
使用上述流程模拟进行动态测试建模,建立轻重产品比、塔顶温度、塔底温度、进料组成与塔顶产品质量、塔底产品质量之间的产品质量动态预测模型(2-1)和(2-2):
CD,m(k+1)=GO,D(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,TB(k-N+1),CF(k),...,CF(k-N+1)) (2-1)
=GO,D(η(k),TT(k),TB(k),CF(k))
CB,m(k+1)=GO,B(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,TB(k-N+1),CF(k),...,CF(k-N+1)) (2-2)
=GO,B(η(k),TT(k),TB(k),CF(k))
其中下标m为动态预测模型的计算值,N为动态预测模型的稳态截断长度,即阶跃响应在第N个采样时刻基本稳定,GO,D、GO,B为动态预测模型的非线性动态模型函数,动态预测模型的采样周期为动态反馈优化模块的周期tB。
阶跃响应控制模型的建立
本实施例建立阶跃响应控制模型的流程为,以回流进料比R/F和再沸负荷进料比Q/F作为操作变量,以轻重产品比η、塔顶温度TT和塔底温度TB作为被控变量,作为精馏塔的多变量预测控制方案。通过进行测试建模,可以建立回流进料比、再沸负荷进料比与轻重产品比、塔顶温度、塔底温度的阶跃响应控制模型,即
其中运算符*为卷积计算,GC是通过测试建模方法建立的阶跃响应模型,该阶跃响应控制模型的采样周期为预测控制器的周期tC;
精馏塔优化控制方法
如图6所示,为本发明实施例的精馏塔优化控制方法流程图,本方法包括以下步骤:
步骤A1:上位机初始化:
分别读取分片线性优化模型、动态预测模型和阶跃响应控制模型,设置预测控制器的周期tC、优化器的前馈补偿模块的周期tF、动态反馈优化模块的周期tB和稳态优化模块的周期tO,设置预测控制器被控变量的给定值或控制限;
例如,预测控制器周期tC可以取0.5~2分钟,前馈补偿模块周期tF取进料组成在线分析或化验周期,动态反馈优化模块周期tB取产品组成在线分析或化验周期,稳态优化模块周期tO取产品质量过渡过程时间tCSS长度的0.5~1倍;
轻重产品比以之前1~2小时实际值的平均值作为控制给定值,塔顶温度、塔底温度以之前1~2小时实际值的平均值增减预设控制限宽度作为控制上下限,即
控制上限=塔底温度于之前1-2小时实际值的平均值+预设控制限宽度;
控制下限=塔底温度于之前1-2小时实际值的平均值-预设控制限宽度;
其中预设控制限宽度DT取值范围为[0.1,2]。
步骤A1之前还可以包括:测试产品质量过渡过程时间的步骤:在精馏塔平稳时,给回流量R施加一个阶跃信号,等待产品质量全部稳定,记录产品质量过渡过程时间tCSS。
步骤A2:判断预测控制时刻到否:若预测控制时刻到,则执行步骤A3;否则,等待预测控制器周期tC后,执行步骤A2;
步骤A3:采集精馏塔现场数据并存入实时数据库,精馏塔现场数据包括:塔顶产品量D、塔底产品量B、塔顶温度TT、塔底温度TB、回流量R、再沸负荷量Q以及进料量F;并根据公式(4)和公式(5)计算液位动态补偿后的塔顶产品量DC和塔底产品量BC;根据公式(6)计算实际的轻重产品比η;
Dc=D+(VR(LR,new)-VR(LR,old))/t (4)
Bc=B+(VB(LB,new)-VB(LB,old))/t (5)
η=Dc/Bc (6)
其中t为补偿计算所取的时间间隔;VR、VB为基于容器数学模型的将液位转换为质量积蓄量的函数;LR,new、LR,old分别为当前和之前t时刻的塔顶回流罐液位检测值,其数值取百分数;LB,new、LB,old分别为当前和之前t时刻的塔底釜液位检测值,其数值取百分数;
步骤A4:判断稳态优化时刻到否:若稳态优化时刻到,则执行步骤A5;否则,执行步骤A6;
步骤A5:基于产品质量化验数据CD和CB用分片线性规划算法优化分片线性优化模型,求解最优决策变量,该决策变量包括:轻重产品比η、塔顶温度TT和塔底温度TB的给定值;稳态优化目标设定为在公式(1-1)-(1-4)的约束和各变量优化限区间不等式约束下,产品价值减去能耗的综合生产效益值的相反数,即公式(1-5)中JO取最小;优化求解并实施后直接转入步骤A10;
步骤A6:判断动态反馈优化时刻到否;若动态反馈优化时刻已到且得到新的塔顶产品质量CD和塔底产品质量CB,则执行步骤A7;否则,执行步骤A8;
步骤A7:为了能够充分利用产品质量分析数据CD和CB,使用具有较快执行周期的动态反馈优化模块,且通过实际产品质量值的反馈,可以避免分片线性代理模型失配所引起的调节残差。本实施例使用带有反馈校正的动态预测模型,实现对产品质量的稳态值预测:基于所述动态预测模型预测产品质量的稳态值,以其中高价值产品质量的动态预测稳态值卡上限为目标求解最优的决策变量,所述决策变量包括被控变量轻重产品比的给定值;使用带有反馈校正的动态预测模型,实现对产品质量的稳态值预测:
CD,p(k+N)=GO,D(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(7)
+CD(k)-CD,m(k)
CB,p(k+N)=GO,B(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(8)
+CB(k)-CB,m(k)
其中下标p表示反馈校正后的模型预测值;
由于精馏过程优化的重点是高价值产品质量卡边,所以根据产品质量动态预测稳态值优化目标为产品质量上限,对决策变量进行调整;目标函数JDO为
JDO=wD(CD,max-CD,p(k+N))2+wB(CB,max-CB,p(k+N))2 (9)
其中JDO为基于产品质量动态模型的卡边优化目标函数;wD、wB满足:当塔顶产品价格低于塔底产品价格时,wD=0,反之,则wB=0;
动态反馈优化对轻重产品比的及时调整,可以使得高价值产品质量真正稳定在其上限。
优化求解并实施后直接转入步骤A10;
步骤A8:判断前馈补偿时刻到否:若前馈补偿时刻已到且得到新的进料组成CF,则执行步骤A9;否则,转入步骤A10;
步骤A9:基于进料组成CF数据的变化,根据物料平衡和组分平衡关系,用线性化增量公式调整轻重产品比的控制目标;根据得到的当前的进料组成CF以及原来的进料组成CF,old,计算进料组成的变化量;根据公式(10)计算新的轻重产品比预测控制给定值:
其中ηsp,old表示原来的轻重产品比的设定值;
实际生产中,对于重要的精馏塔,原料和产品通常2~4小时采样化验一次,如有在线分析仪则能够缩短采样周期。而稳态优化要等到精馏塔基本平稳之后才能进行,因此进料组成分析数据信息不能全部被优化模块利用,因此本实施例使用前馈控制模块,根据物料平衡和组分平衡关系,基于进料组成的变化用线性化增量公式调整轻重产品比的控制目标,进行前馈补偿,以减小产品质量的波动。
步骤A10:以回流进料比R/F和再沸负荷进料比Q/F作为操作变量,以轻重产品比η、塔顶温度TT和塔底温度TB作为被控变量,对精馏塔进行多变量预测控制;
获取被控变量的控制限或给定值,其数值已由步骤A1初始化,并经步骤A5、A7或A9修改,且轻重产品比为给定值控制,塔顶温度和塔底温度为区域控制;根据阶跃响应预测模型,实现精馏塔的多变量预测控制;
步骤A11:通过通讯接口实施回流量R和再沸负荷Q的控制值,本控制周期结束,转到步骤A2等待下一周期。
轻重产品比实时值与给定值的计算
本实施例的步骤A3中在线计算轻重产品比的流程具体为:
根据精馏塔物料平衡,
Fo=Do+Bo (13)
FoCF=Do(1-CD)+BoCB (14)
其中Fo为进料量真实值、Do为塔顶产品流量真实值、Bo为塔底产品流量真实值;对应的仪表测量值(滤波后)为F、D、B,测量值与真实值之间存在静态误差;CF为进料组成、CD为塔顶产品质量、CB为塔底产品质量;
则存在塔顶塔底产品流量比Do/Bo为:
因此操作中欲维持产品质量不变,维持Do/Bo不变是一个基本条件,而维持D/B不变是等价的。
上述变量中的流量F、D、B可以实时获得,而物料组成CF、CD、CB需要通过化验或在线分析仪以较长周期获得,因此基于流量检测,可以计算轻重产品比的实时值,而基于进料组成数据和对产品质量的要求,可以计算轻重产品比的控制给定值。对于多组分精馏塔,其各组分会根据工艺设计集中在塔顶或者塔底,据此将所有组分划分到塔顶组分类或塔底组分类中,将两类组分看作两种组分处理,多组分精馏塔就可以等效于双组分精馏塔。
步骤D1:轻重产品比实时值的计算:
由于塔顶塔底液位的变化会影响产品实时流量,因此要进行液位动态补偿计算,将液位变化补偿到产品流量上,得到真正从塔内流出的流量,避免液位的波动而产生的产品积蓄而导致的产品流量测量偏差。
Dc=D+(VR(LR,new)-VR(LR,old))/t (4)
Bc=B+(VB(LB,new)-VB(LB,old))/t (5)
其中DC表示液位动态补偿后的塔顶产品流量,BC表示液位动态补偿后的塔底产品流量;t为补偿计算所取的时间间隔;VR、VB为基于容器数学模型的将液位转换为质量积蓄量的函数;LR,new、LR,old分别为当前和时间间隔t之前的时刻的塔顶回流罐液位检测值,其数值取百分数;LB,new、LB,old分别为当前和时间间隔t之前的时刻的塔底釜液位检测值,其数值取百分数;
补偿后的产品流量更能反映出操作的实际情况,即得到从塔流出的产品量的实际变化;
实际的轻重产品比η计算如下:
η=Dc/Bc (6)
实际计算轻重产品比时塔顶和塔底产品流量取测得的当前值,或此前2~10分钟内测得的实际值的算术平均值,平均时间增长会提高克服干扰能力,但降低响应速度。
步骤D2:轻重产品比给定值的计算:
由于上述仪表检测值不可避免的存在着静态误差,因此基于物料组成计算的轻重产品比给定值不能直接用于指导轻重产品比实时值的控制,所需轻重产品比要以实际精馏塔的轻重产品比为基础通过校正获得。
本实施例的方法采用自适应校正:在第一次使用时,取此前1~2小时内的Dc、Bc历史数据算术平均值计算轻重产品比,并将其作为初始给定值;等采集到实际的产品质量化验数据时,通过优化和产品质量细调来给出轻重产品比给定值的改变量。这种相对调整,就解决了由于仪表测量精度限制而在实际应用中无法得到真实的轻重产品比,而不能实现将轻重产品比控制到合理值的难题,这也是长期以来制约基于直接物料平衡控制方案直接实现产品质量的控制难于实现的问题。
分片线性规划方法
本实施例步骤A5在精馏塔基本稳定时,还要实现以综合生产效益为目标的稳态经济目标优化;依据分片线性优化模型公式(1-1)-(1-5),在保证产品质量合格的条件下,实现高价值产品收率最高、回流量和再沸负荷所反映的综合能耗最低的多目标稳态优化,使用分片线性规划算法,求解最优被控变量、操作变量目标值。
为克服局部极小问题,随机初始化大量的可行解,分别进行优化求解,尽可能多的获得局部最优解,最终从中获得全局最优解;如图7所示,为本发明实施例的分片线性规划方法流程图,包括以下步骤:
步骤C1、初始化n个决策变量可行解;
具体地,n可以取30~150,每个可行解是记为X={η,TT,TB}的一个数据组,对每个决策变量都在给定的优化限闭区间内随机取值,并检查包括分片线性优化模型在内的优化约束限,最终组合出n个可行解;
步骤C2、对每个初始可行解,在初始可行解的小邻域内,分片线性优化问题简化成子域线性规划;通过使用单纯型法求解可获得此子域线性规划的最优解,记做X0;同时设置计数器M=0及计数器上限Mmax;
其中计数器上限取20~50;
步骤C3、对该最优解X0增加一个足够小的扰动,以保证获得一个新的可行解,
X′0=X0+ε (12)
步骤C4、对步骤C3得到的新的可行解重新构成子域线性规划,使用单纯型法求新的子域的最优解X*;
步骤C5、判断是否JO(X*)<JO(X0),是则说明寻找到一个新的子域最优解,令X0=X*,同时计数器M=0,返回步骤C3;否则令计数器M=M+1,执行步骤C6;
步骤C6、判断是否计数器M>Mmax,是则认为已求得分片线性规划的局部最优解,执行步骤C7;否则执行步骤C3;
步骤C7、在得到所有n个局部最优解,对比选择目标函数JO最小的一个作为全局最优解。
本发明提供的精馏塔优化控制方法,从精馏塔的控制与优化需求出发,根据精馏塔产品质量精度要求高的特点,在采用精馏塔轻重产品比作为主要被控变量的基础上,提出了针对进料组成变化的前馈补偿策略,以改进精馏塔预测控制器的抑制进料组成扰动的效果;本发明还提出了精馏塔基于分片线性模型的稳态优化方法和基于动态预测模型的动态反馈卡边优化方法以及集成优化策略,在保证产品质量合格的约束下,实现精馏塔高价值产品质量卡边、高价值产品收率最高、综合能耗最低的多目标优化,增加精馏塔运行的综合生产效益。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.一种精馏塔优化控制方法,其特征在于,包括以下步骤:
步骤A1:分别读取分片线性优化模型、产品质量动态预测模型和阶跃响应控制模型,所述分片线性优化模型为:
CD=AHHD(η,TT,TB,CF) (1-1)
CB=AHHB(η,TT,TB,CF) (1-2)
R/F=AHHR(η,TT,TB,CF) (1-3)
Q/F=AHHQ(η,TT,TB,CF) (1-4)
JO=AHHO(CD,CB,η,R,Q) (1-5)
其中AHHD、AHHB、AHHR、AHHQ分别表示精馏塔的分片线性优化模型,AHHO为稳态优化目标函数的分片线性优化模型,CD为塔顶产品质量,CB为塔底产品质量,CF为进料组成,R为回流量,Q为再沸负荷量,F为进料量,η为轻重产品比,TT为塔顶温度,TB为塔底温度,JO为稳态优化目标函数;
所述动态预测模型为:
CD,m(k+1)=GO,D(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,TB(k-N+1),CF(k),...,CF(k-N+1)) (2-1)
=GO,D(η(k),TT(k),TB(k),CF(k))
CB,m(k+1)=GO,B(η(k),...,η(k-N+1),TT(k),...,TT(k-N+1),
TB(k),...,TB(k-N+1),CF(k),...,CF(k-N+1)) (2-2)
=GO,B(η(k),TT(k),TB(k),CF(k))
其中下标m为所述动态预测模型的计算值,N为所述动态预测模型的稳态截断长度,GO,D、GO,B为所述动态预测模型的非线性动态模型函数,所述动态预测模型的采样周期为动态反馈优化模块的周期tB;
所述阶跃响应控制模型为:
其中运算符*为卷积计算,GC是通过测试建模方法建立的阶跃响应模型,所述阶跃响应控制模型的采样周期为预测控制器的周期tC;
设置预测控制器的周期tC、优化器的前馈补偿模块的周期tF、动态反馈优化模块的周期tB和稳态优化模块的周期tO,设置预测控制器被控变量的给定值或控制限;
步骤A2:判断预测控制时刻到否:若预测控制时刻到,则执行步骤A3;否则,等待预测控制器周期tC后,执行步骤A2;
步骤A3:采集精馏塔现场数据并存入实时数据库,所述精馏塔现场数据包括:塔顶产品量D、塔底产品量B、塔顶温度TT、塔底温度TB、回流量R、再沸负荷量Q以及进料量F;并根据公式(4)和公式(5)计算液位动态补偿后的塔顶产品量DC和塔底产品量BC;根据公式(6)计算实际的轻重产品比η;
Dc=D+(VR(LR,new)-VR(LR,old))/t (4)
Bc=B+(VB(LB,new)-VB(LB,old))/t (5)
η=Dc/Bc (6)
其中t为补偿计算所取的时间间隔;VR、VB为基于容器数学模型的将液位转换为质量积蓄量的函数;LR,new、LR,old分别为当前和时间间隔t之前的时刻的塔顶回流罐液位检测值;LB,new、LB,old分别为当前和时间间隔t之前的时刻的塔釜液位检测值;
步骤A4:判断稳态优化时刻到否:若稳态优化时刻到,则执行步骤A5;否则,执行步骤A6;
步骤A5:基于产品质量化验数据CD和CB用分片线性规划算法对所述分片线性优化模型进行稳态优化,求解最优决策变量,所述决策变量包括:轻重产品比η、塔顶温度TT和塔底温度TB的给定值;所述稳态优化的目标设定为在公式(1-1)-(1-4)的约束和各变量优化限区间不等式的约束下,产品价值减去能耗的综合生产效益值的相反数取最小;优化求解并实施后转入步骤A10;
步骤A6:判断动态反馈优化时刻到否;若动态反馈优化时刻已到且得到新的塔顶产品质量CD和塔底产品质量CB,则执行步骤A7;否则,执行步骤A8;
步骤A7:基于所述动态预测模型预测产品质量的稳态值,以其中高价值产品质量的动态预测稳态值卡上限为目标求解最优决策变量,所述决策变量包括轻重产品比η的给定值;使用带有反馈校正的动态预测模型(7)和(8),对产品质量进行稳态值预测:
CD,p(k+N)=GO,D(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(7)
+CD(k)-CD,m(k)
CB,p(k+N)=GO,B(η(k+N-1),TT(k+N-1),TB(k+N-1),CF(k+N-1))
(8)
+CB(k)-CB,m(k)
其中下标p表示反馈校正后的模型预测值;
目标函数JDO为
JDO=wD(CD,max-CD,p(k+N))2+wB(CB,max-CB,p(k+N))2 (9)
其中wD、wB分别为塔顶产品质量CD、塔底产品质量CB的优化权值;wD、wB满足:当塔顶产品价格低于塔底产品价格时,wD=0,反之,则wB=0;
优化求解并实施后直接转入步骤A10;
步骤A8:判断前馈补偿时刻到否:若前馈补偿时刻已到且得到新的进料组成CF,则执行步骤A9;否则,转入步骤A10;
步骤A9:根据所述进料组成CF的数据的变化,用线性化增量公式(10)调整轻重产品比的控制目标;
其中ηsp表示新的轻重产品比的设定值,ηsp,old表示原来的轻重产品比的设定值,CF表示当前的进料组成,CF,old表示原来的进料组成;
步骤A10:以回流进料比R/F和再沸负荷进料比Q/F作为操作变量,以轻重产品比η、塔顶温度TT和塔底温度TB作为被控变量,对精馏塔进行多变量预测控制;
步骤A11:通过通讯接口实施回流量R和再沸负荷量Q的控制值,本控制周期结束,转到步骤A2等待下一周期。
2.如权利要求1所述的精馏塔优化控制方法,其特征在于,所述步骤A1中分片线性优化模型的建立过程包括:
步骤B1、使用流程模拟软件或精馏塔机理模型模拟实际精馏塔的运行,并根据模拟产生的过程数据和产品质量数据建立分片线性优化的代理模型;所述步骤B1包括步骤B1.1-B1.3;
步骤B1.1、使用流程模拟软件或精馏塔机理模型,建立精馏塔的流程模拟,并根据通过集散控制系统采集到的精馏塔现场数据对所述流程模拟的参数进行调整;
步骤B1.2、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,得到多组数据样本;
步骤B1.3、根据步骤B1.2得到的多组数据样本,使用分片线性规划方法分别建立塔顶产品质量CD、塔底产品质量CB、回流进料比R/F及再沸负荷进料比Q/F的分片线性优化模型;建立的所述分片线性优化模型为多个分片线性优化模型中训练误差和预测误差之和最小的一组模型;
步骤B2、在保证产品质量合格的条件下,使得产品价值减去能耗的综合生产效益值的相反数取最小,即;
其中cD、cB、cR、cQ为优化权值,所述cD、cB、cR和cQ的取值通过塔顶产品价格、塔底产品价格、回流泵用电价格、再沸器热源价格折算得到;CD,max、CB,max分别为塔顶产品质量CD、塔底产品质量CB的优化上限;如果cD小于cB,则wD=0,wB的取值范围为[1000,5000]×cB;反之,则wB=0,wD的取值范围为[1000,5000]×cD。
3.如权利要求2所述的精馏塔优化控制方法,其特征在于,所述步骤B1.3中的分片线性规划方法包括如下步骤:
步骤C1、初始化n个决策变量的可行解;
步骤C2、对每个初始化后的可行解,在初始化后的可行解的小邻域内,将分片线性优化简化成子域线性规划;通过使用单纯型法求解获得所述子域线性规划的最优解,所述最优解记为X0;同时设置计数器M=0及计数器上限Mmax;
步骤C3、对所述最优解X0增加一个足够小的扰动,以保证获得一个新的可行解:
X′0=X0+ε; (12)
步骤C4、将新的可行解X′0重新构成子域线性规划,使用单纯型法求得新的子域最优解X*;
步骤C5、判断是否JO(X*)<JO(X0),是则令X0=X*,同时计数器M=0,返回步骤C3;否则令计数器M=M+1,执行步骤C6;
步骤C6、判断是否计数器M>Mmax,是则认为已求得分片线性规划的局部最优解;否则执行步骤C3;
步骤C7、对比n个局部最优解,选择目标函数JO最小的一个解作为全局最优解的近似。
4.如权利要求1所述的精馏塔优化控制方法,其特征在于,所述步骤A1之前还包括:测试产品质量过渡过程时间:在所述精馏塔平稳时,给回流量R施加一个阶跃信号,等待产品质量全部稳定,记录产品质量过渡过程时间tCSS。
5.如权利要求1所述的精馏塔优化控制方法,其特征在于,所述预测控制器周期tC取0.5~2分钟,前馈补偿模块周期tF取进料组成在线分析或化验周期,动态反馈优化模块周期tB取产品组成在线分析或化验周期,稳态优化模块周期tO取产品质量过渡过程时间tCSS长度的0.5~1倍。
6.如权利要求1所述的精馏塔优化控制方法,其特征在于,所述轻重产品比以之前1~2小时实际值的平均值作为控制给定值,塔顶温度、塔底温度以之前1~2小时实际值的平均值增减预设控制限宽度作为控制上下限。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102325512A CN102339040B (zh) | 2010-07-15 | 2010-07-15 | 精馏塔优化控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2010102325512A CN102339040B (zh) | 2010-07-15 | 2010-07-15 | 精馏塔优化控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102339040A CN102339040A (zh) | 2012-02-01 |
CN102339040B true CN102339040B (zh) | 2013-06-19 |
Family
ID=45514825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2010102325512A Active CN102339040B (zh) | 2010-07-15 | 2010-07-15 | 精馏塔优化控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102339040B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6216112B2 (ja) * | 2012-11-30 | 2017-10-18 | アズビル株式会社 | 多変数制御装置および方法 |
CN103678903A (zh) * | 2013-12-06 | 2014-03-26 | 杭州电子科技大学 | 一种动态精馏塔建模方法 |
CN105435484B (zh) * | 2015-12-10 | 2017-12-05 | 南京工业大学 | 基于“自顶向下”的多单元反应精馏装置厂级过程控制系统设计方法 |
CN105700499A (zh) * | 2016-01-25 | 2016-06-22 | 夏继英 | 一种改进的精馏塔单端质量指标控制方法 |
CN106040676B (zh) * | 2016-05-19 | 2018-01-09 | 北京世纪隆博科技有限责任公司 | 一种精馏塔管线自动冲洗方法 |
CN106769646B (zh) * | 2016-11-11 | 2020-03-03 | 青岛科技大学 | 一种基于反演思想的精馏过程双变量扰动原因诊断方法 |
CN109299838B (zh) * | 2017-07-24 | 2022-02-08 | 中国石油化工股份有限公司 | 一种炼厂工艺能耗分析方法及装置 |
CN110728031B (zh) * | 2019-09-20 | 2021-06-22 | 北京化工大学 | 一种基于ann建模平衡复杂石化过程产能的多目标优化方法 |
CN110898454B (zh) * | 2019-11-19 | 2022-04-22 | 万华化学集团股份有限公司 | 精馏塔控制方法、存储介质及电子设备 |
CN111221251B (zh) * | 2020-01-17 | 2022-10-04 | 河北工业大学 | 一种基于滑模控制器的隔壁塔控制系统及控制方法 |
CN111474856B (zh) * | 2020-05-25 | 2022-12-27 | 北京化工大学 | 一种隔离壁精馏塔的浓度软测量方法 |
CN112295255B (zh) * | 2020-10-24 | 2021-11-02 | 四川泸天化创新研究院有限公司 | 一种甲醇精馏装置智能控制系统及控制方法 |
CN112506050B (zh) * | 2020-11-04 | 2021-12-03 | 中国矿业大学 | 一种基于潜变量过程迁移模型的间歇过程集成优化方法 |
CN112678911A (zh) * | 2020-12-08 | 2021-04-20 | 北京星枫先控科技有限公司 | 一种用于酚氨回收装置废水排放指标的控制方法 |
CN113440884B (zh) * | 2021-07-06 | 2022-09-20 | 万华化学(宁波)有限公司 | 一种塔组温度自适应调节方法、系统及存储介质 |
CN113856234A (zh) * | 2021-11-03 | 2021-12-31 | 四川泸天化创新研究院有限公司 | 一种甲醇精馏装置底水含醇量超低排放的智能控制方法 |
CN114768279B (zh) * | 2022-04-29 | 2022-11-11 | 福建德尔科技股份有限公司 | 用于电子级二氟甲烷制备的精馏控制系统及其控制方法 |
CN115097884B (zh) * | 2022-05-26 | 2022-12-30 | 福建省龙氟新材料有限公司 | 用于电子级氢氟酸制备的能源管理控制系统及其控制方法 |
CN115963795B (zh) * | 2023-01-04 | 2023-07-07 | 浙江中智达科技有限公司 | 一种流程工业控制方法、装置、设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713988A (zh) * | 2008-10-07 | 2010-05-26 | 艾默生过程管理电力和水力解决方案有限公司 | 两阶段模型预测控制技术 |
-
2010
- 2010-07-15 CN CN2010102325512A patent/CN102339040B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101713988A (zh) * | 2008-10-07 | 2010-05-26 | 艾默生过程管理电力和水力解决方案有限公司 | 两阶段模型预测控制技术 |
Non-Patent Citations (2)
Title |
---|
吕文祥,高小永,黄德先,金以慧,伊佳,王健.加热炉热效率的智能优化控制研究.《仪器仪表学报》.2009,第30卷(第6期),第108页至第113页. * |
王亮,吕文祥,黄德先.动态流程模拟及其在精馏塔的操作分析中的应用.《计算机与应用化学》.2006,第23卷(第1期),第83页至第87页. * |
Also Published As
Publication number | Publication date |
---|---|
CN102339040A (zh) | 2012-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102339040B (zh) | 精馏塔优化控制方法 | |
US9046882B2 (en) | Nonlinear model predictive control of a batch reaction system | |
CN101349893B (zh) | 自适应模型预测控制装置 | |
US8571689B2 (en) | Model predictive control of fermentation in biofuel production | |
US8521310B2 (en) | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process | |
CN109001979A (zh) | 基于懒惰学习的高炉铁水质量自适应鲁棒预测控制方法 | |
CN110320806B (zh) | 基于集成即时学习的污水处理过程自适应预测控制方法 | |
US11214850B2 (en) | Prediction control method and system for component contents in rare earth extraction process | |
CN103426035A (zh) | 钢铁行业副产高炉煤气自平衡调度系统及产消量预测方法 | |
CN105974953A (zh) | 一种反应釜负压精馏模糊控制方法 | |
CN102053595A (zh) | 一种乙烯装置中控制裂解炉裂解深度的方法 | |
CN102663235B (zh) | 一种变种群规模dna遗传算法的催化裂化主分馏塔建模方法 | |
Krishnamoorthy et al. | Online process optimization with active constraint set changes using simple control structures | |
CN111604163A (zh) | 一种炼焦煤选煤厂高精度重介智能控制系统及方法 | |
EP2084587B1 (en) | Integrated model predictive control of distillation and dehydration sub-processes in a biofuel production process | |
Egger et al. | Process control for energy efficient operation of reactive dividing wall columns | |
CN107085371A (zh) | 基于数据驱动的原油蒸馏装置经济模型预测控制方法 | |
CN111522230A (zh) | Mimo异因子紧格式无模型控制方法 | |
Li et al. | Applications of an IMC based PID Controller tuning strategy in atmospheric and vacuum distillation units | |
Wang et al. | A real-time optimization control method for coagulation process during drinking water treatment | |
Van Wijk et al. | Advanced process control and on-line optimisation in shell refineries | |
Mutturi | Dynamic optimization of fed-batch bioprocesses using flower pollination algorithm | |
Zhang et al. | Soft sensor for cobalt oxalate synthesis process in cobalt hydrometallurgy based on hybrid model | |
CN110045616B (zh) | 一种搅拌反应罐的鲁棒预测控制方法 | |
Kumar et al. | Real-Time optimization of a reactor–Separator–Recycle process II: dynamic evaluation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |