CN102380220A - 一种乙烯精馏塔塔釜乙烯浓度的测量方法 - Google Patents

Abstract

本发明公开了一种乙烯精馏塔塔釜乙烯浓度的测量方法，包括：选取塔釜压力、塔釜温度和灵敏板温度作为输入变量，选取塔釜乙烯浓度作为输出变量，采用免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量器，输入输出关系为式，A₁(k)＝f(P(k)，T₁(k)，T₂(k))式中，A₁(k)为釜液中乙烯浓度，单位PPM，P(k)为塔釜压力，单位Mpa，T₁(k)为塔釜温度，单位℃，T₂(k)为灵敏板温度，单位℃；将免疫神经网络DHIA-RBFNN建立的塔釜乙烯浓度间接测量器结合人工分析值校正后得到的乙烯浓度测量值和设定值输入塔釜乙烯浓度控制器；塔釜乙烯浓度控制器输出灵敏板温度控制器的控制量，动态调节加热介质流量，使加热介质流量跟踪流量设定值的变化，使塔釜的乙烯浓度稳定在设定值附近。

Description

一种乙烯精馏塔塔釜乙烯浓度的测量方法

技术领域

本发明属于化工技术领域，特别涉及一种乙烯精馏塔塔釜乙烯浓度的测量方法。

背景技术

乙烯精馏塔是乙烯装置的核心设备之一，精馏塔的进料的主要组分是乙烯和乙烷，并含有少量甲烷、氢气和丙烯，该塔的目的是将乙烯和乙烷，以及少量杂质通过精馏的方法进行分离，以获得高纯度的聚合级乙烯产品。其工艺流程如图1所示。

塔的精馏段主要用于乙烯和轻组分的分离，塔顶馏出物经塔顶冷凝器的丙烯冷剂冷凝后，进入乙烯精馏塔回流罐；从而将冷凝的乙烯和未被冷凝的轻组分分离，冷凝的乙烯经回流泵加压后，作为回流返回乙烯精馏塔。在塔内部，回流液与塔釜上升的气体在塔板上对流接触，经过热和质的交换，小部分液体作为成品乙烯侧线出料，大部分液体继续流向塔釜，经塔底再沸器中的丙烯热媒加热又气化上升。聚合级乙烯产品从乙烯塔侧线采出后，送至乙烯球罐贮存。从乙烯精馏塔塔釜采出的物料，主要成分为乙烷，含有少量乙烯和重组分，经过循环乙烷汽化器，送到裂解炉作为裂解原料。

为保证乙烯产品的质量，精馏塔塔釜常用控制方案是将提馏段灵敏板乙烯浓度控制器作为主控制器、再沸器丙烯热剂流量控制器作为副控制器，构成成分-流量串级控制。尽管塔釜乙烯浓度的准确测量是精馏塔精确控制的前提，塔底排出液中一般要求乙烯含量小于0.5％，但是精馏塔的浓度控制器的测量值取自灵敏板乙烯浓度在线红外分析仪。一方面其测量存在着一定的滞后且出现故障的频率较高，致使串级控制系统经常不能投用或调整不够及时，多数情况下，仅靠人工调节加热量，易造成塔釜乙烯浓度的大幅波动；另一方面因分析仪的检测点为灵敏板，不能够完全准确地反映塔釜中乙烯浓度及其变化趋势，即使串级系统能够投用，也不能保证塔釜乙烯浓度的稳定。

为了克服乙烯浓度测量的缺陷，提高精馏塔塔釜乙烯的控制精确度，目前已经有将两层结构的前向(BP)神经网络或径向基(RBF)神经网络应用于塔釜乙烯浓度的测量，通过辅助变量推断出乙烯浓度值。但是由于BP网络存在局部最小问题，并且收敛速度慢，而合适的RBF网络隐层中心点位置和径向基函数扩展宽度通常难以确定，这些都影响了乙烯浓度测量估计的效果和控制的准确性。

发明内容

本发明的目的是提供一种乙烯精馏塔塔釜乙烯浓度的测量方法，以解决现有神经网络应用于塔釜乙烯浓度测量时乙烯浓度测量效果和控制准确性不高的缺陷。

本发明的技术方案是，一种乙烯精馏塔塔釜乙烯浓度的测量方法，所述的测量方法包括步骤：

A1，选取塔釜压力、塔釜温度和灵敏板温度作为输入变量，选取塔釜乙烯浓度作为输出变量，采用免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量器，输入输出关系为式(1)，

A₁(k)＝f(P(k)，T₁(k)，T₂(k))        (1)

式中，A₁(k)为釜液中乙烯浓度，单位PPM，

P(k)为塔釜压力，单位Mpa，

T₁(k)为塔釜温度，单位℃，

T₂(k)为灵敏板温度，单位℃；

A2，将免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量器结合人工分析值校正后得到的乙烯浓度测量值和设定值输入塔釜乙烯浓度控制器；

A3，塔釜乙烯浓度控制器输出灵敏板温度控制器的控制量，动态调节加热介质流量，使加热介质流量跟踪流量设定值的变化，最终使塔釜的乙烯浓度稳定在设定值附近。

进一步的，所述的免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器由三层RBF神经网络构成，并分为两个阶段估计乙烯浓度：

第一阶段，先用动态超变异免疫算法DHIA自动求取乙烯浓度间接测量器的隐层中心点的位置和径向基函数的扩展宽度；

第二阶段，用最小二乘法直接计算乙烯浓度间接测量器的输出权值，

将测量器的实际输出和期望输出的均方差目标函数对应于抗原，并设测量器的输出的均方差目标函数为：

$J=E=\frac{1}{\mathrm{pm}}\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{[t_{\mathrm{kl}}-y_{\mathrm{kl}}]}^2---\left(2\right)$

式中p为训练样本数，t_kl和y_kl分别为第k个样本在第l个输出处的期望输出值和测量器的实际输出值，抗体和抗原的亲和度定义为J的倒数。

进一步的，构造免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器的算法确定步骤是：

C1，将构造乙烯浓度测量器的RBF神经网络结构初始化，将网络中心点和扩展宽度表示为抗体；

C2，训练RBF神经网络，同时用DHIA算法自动优化确定网络的中心c和扩展宽度δ，具体又有：

D1，根据RBF网络结构，求抗体亲和度；

iv.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(3\right)$

v.再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(4\right)$

vi.根据网络输出与样本期望值的差计算网络的目标函数值J，由此得出抗体的亲和度值；

D2，选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

D3，对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

D4，对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp -(\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(5\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度；

D5，按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(6\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij；

D6，在记忆库M中选择N_d个抗体插入R_n中，获得新一代抗体群，满足终止条件，即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，否则转入步骤D1，是则输出最佳网络中心c和扩展宽度δ；

C3，当网络训练完成后，训练好的网络便可用于对对塔釜乙烯浓度进行实时测量估计。

进一步的，

E1.选取乙烯浓度人工分析数据作为已构造免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器的训练期望值，将对应的塔釜压力、塔釜温度、灵敏板温度的测量数据作为测试样本数据集，其中训练样本为N₁组，测试样本为N₂组，并对工程单位变量数据进行归一化的处理，使不同数量级的输入数据有一个对输出影响的共同标准；

E2.将N₁个训练样本用于DHIA-RBFNN网络训练，建立塔釜乙烯浓度估计模型，并由DHIA算法获得RBF网络的最佳隐层中心和扩展宽度；

E3.将训练好得DHIA-RBFNN模型用于N₂个测试样本进行离线校正，通过观察塔釜乙烯预测结果和绝对误差微调神经网络参数；

E4.将获得的基于DHIA-RBFNN的乙烯浓度估计模型应用于对精馏塔的乙烯浓度进行实时估计，结合人工分析值对估计结果进行在线校正，对校正前的神经网络模型乙烯浓度估计值进行反归化处理，以将其转化为一定取值范围内的工程单位数据，所述的估计结果用于进行对乙烯浓度的反馈控制。

本发明根据现场数据及历史数据，利用径向基函数(RBF)网络具有唯一最佳逼近的特性，采用径向基函数(RBF)神经网络对塔釜乙烯浓度进行实时间接测量，不仅有效避免人工分析值的滞后所带来的不良影响，解决因缺乏乙烯浓度在线分析仪而无法进行实时反馈控制的难题。另一方面，本发明还同时采用动态超变异免疫算法(DHIA)自动求取构造乙烯浓度间接测量器的RBF网络隐层中心点的位置和径向基函数的扩展宽度，该方法可以克服局部最小问题，并解决RBF网络参数设定难的问题，以增强乙烯浓度间接测量器的自适应性和泛化能力，提高预测乙烯浓度的准确度。

该发明基于免疫神经网络对乙烯精馏塔的塔釜乙烯浓度进行间接测量，可以准确地实时估计出产品中塔釜乙烯浓度，为精确在线控制精馏塔提供过程变量的参考值，以保证乙烯产品生产的质量。

附图说明

图1是乙烯精馏塔工艺流程示意图。

图2本发明基于免疫神经网络(DHIA-RBFNN)的塔釜乙烯浓度间接测量流程示意图。

具体实施方式

如图2所示，根据乙烯精馏塔的化学工艺机理，可知塔釜乙烯浓度与塔釜压力、塔釜温度和灵敏板的温度有密切相关，在采用免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量模型的过程中，选取塔釜压力，塔釜温度和灵敏板温度作为输入变量，取塔釜乙烯浓度作为输出变量，存在如下关系式：

A₁(k)＝f(P(k)，T₁(k)，T₂(k))        (1)

式中：A₁(k)：釜液中乙烯浓度，单位：PPM

P(k)：塔釜压力，单位：MPa(表)

T₁(k)：塔釜温度，单位：℃

T₂(k)：灵敏板温度，单位：℃

基于DHIA-RBFNN的塔釜乙烯浓度间接测量方法如图2所示。由于对塔釜乙烯浓度的测量目前尚无在线实时分析仪，为使系统适应过程操作特性的变化和生产工况的迁移，用DHIA-RBFNN依据塔釜压力、塔釜温度和灵敏板温度等变量与乙烯浓度之间的某种关系，从而构造乙烯浓度的间接测量器，并由此估计出乙烯浓度值，先经过人工分析值进行校正后，再输入塔釜乙烯浓度控制器，进行动态调节加热介质流量，使加热介质流量跟踪流量设定值的变化，最终使塔釜的乙烯浓度稳定在设定值附近。

基于DHIA-RBFNN的塔釜乙烯浓度间接测量器由三层RBF神经网络构成，并分为两个阶段估计乙烯浓度：第一阶段先用动态超变异免疫算法DHIA自动求取乙烯浓度间接测量器的隐层中心点的位置和径向基函数的扩展宽度；第二阶段用最小二乘法直接计算乙烯浓度间接测量器的输出权值。该方法利用免疫算法设计隐层非线性参数，能够对解空间进行多点搜索，在全局范围内进行参数寻优。而采用最小二乘法设计线性输出层，降低了设计空间的维数，提高了估计效率。该方法将h个隐层中心和h个扩展宽度组成的向量对应一个抗体，将测量器的实际输出和期望输出(人工分析值)的均方差目标函数对应于抗原，并设测量器的输出的均方差目标函数为：

$J=E=\frac{1}{\mathrm{pm}}\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{[t_{\mathrm{kl}}-y_{\mathrm{kl}}]}^2---\left(2\right)$

式中p为训练样本数，t_kl和y_kl分别为第k个样本在第l个输出处的期望输出值和测量器的实际输出值。抗体和抗原的亲和度定义为J的倒数。相应的测量器的参数的确定算法的基本步骤描述如下：

①将构造乙烯浓度测量器的RBF神经网络结构初始化。将网络中心点和扩展宽度表示为抗体。

②开始训练RBF神经网络，同时用DHIA算法自动优化确定网络的中心c和扩展宽度δ。

a)根据RBF网络结构，求抗体亲和度；

i.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(3\right)$

ii  再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(4\right)$

iii.根据网络输出与样本期望值的差计算网络的目标函数值J，由此得出抗体的亲和度值；

b)选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

c)对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

d)对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp -(\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(5\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度。

e)按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(6\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，

S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij。

f)在记忆库M中选择N_d个抗体插入R_n中，获得新一代抗体群；

满足终止条件，即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，否则转入第(a)步，是则输出最佳网络中心c和扩展宽度δ。

③当网络训练完成后，训练好的网络便可用于对对塔釜乙烯浓度进行实时测量估计。然后，

1.选取N组乙烯浓度人工分析数据作为构造测量器的神经网络的训练期望值，将对应的塔釜压力、塔釜温度、灵敏板温度的测量数据作为样本数据集，其中训练样本为N₁，测试样本为N₂组，并对工程单位变量数据进行归一化的处理，使不同数量级的输入数据有一个对输出影响的共同标准；

2.将N₁个训练样本用于DHIA-RBFNN网络训练，建立塔釜乙烯浓度估计模型，并由DHIA算法获得RBF网络的最佳隐层中心和扩展宽度。

3.将训练好得DHIA-RBFNN模型用于N₂个测试样本进行离线校正，通过观察塔釜乙烯预测结果和绝对误差微调神经网络参数。

4.将获得的基于DHIA-RBFNN的乙烯浓度估计模型应用于对精馏塔的乙烯浓度进行实时估计，并将估计结果用于进行对乙烯浓度的反馈控制。在实际控制系统应用中，需要结合人工分析值对估计结果进行在线校正，校正前的神经网络模型乙烯浓度估计值需进行反归化处理，以将其转化为一定取值范围内的工程单位数据。

本发明构造的塔釜乙烯浓度间接测量器采用径向基函数(RBF)神经网络构造乙烯浓度测量器对塔釜乙烯浓度进行测量估计，克服了人工分析值的滞后的问题，解决因缺乏乙烯浓度在线实时分析仪而无法进行实时反馈控制的难题。RBF网络具有唯一最佳逼近的特性，克服了局部最小问题。采用动态超变异免疫算法(DHIA)求取构造乙烯浓度测量器的RBF网络隐层中心点的位置和径向基函数的扩展宽度，实现了乙烯浓度测量器参数的自动设定。

Claims (4)

1.一种乙烯精馏塔塔釜乙烯浓度的测量方法，其特征在于，所述的测量方法包括步骤：

A1，选取塔釜压力、塔釜温度和灵敏板温度作为输入变量，选取塔釜乙烯浓度作为输出变量，采用免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量器，输入输出关系为式(1)，

A₁(k)＝f(P(k)，T₁(k)，T₂(k))        (1)

式中，A₁(k)为釜液中乙烯浓度，单位PPM，

P(k)为塔釜压力，单位Mpa，

T₁(k)为塔釜温度，单位℃，

T₂(k)为灵敏板温度，单位℃；

A2，将免疫神经网络DHIA-RBFNN建立塔釜乙烯浓度间接测量器结合人工分析值校正后得到的乙烯浓度测量值和设定值输入塔釜乙烯浓度控制器；

A3，塔釜乙烯浓度控制器输出灵敏板温度控制器的控制量，动态调节加热介质流量，使加热介质流量跟踪流量设定值的变化，最终使塔釜的乙烯浓度稳定在设定值附近。

2.如权利要求1所述的乙烯精馏塔塔釜乙烯浓度的测量方法，其特征在于，所述的免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器由三层RBF神经网络构成，并分为两个阶段估计乙烯浓度：

第一阶段，先用动态超变异免疫算法DHIA自动求取乙烯浓度间接测量器的隐层中心点的位置和径向基函数的扩展宽度；

第二阶段，用最小二乘法直接计算乙烯浓度间接测量器的输出权值，

将测量器的实际输出和期望输出的均方差目标函数对应于抗原，并设测量器的输出的均方差目标函数为：

$J=E=\frac{1}{\mathrm{pm}}\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{[t_{\mathrm{kl}}-y_{\mathrm{kl}}]}^2---\left(2\right)$

式中p为训练样本数，t_kl和y_kl分别为第k个样本在第l个输出处的期望输出值和测量器的实际输出值，抗体和抗原的亲和度定义为J的倒数。

3.如权利要求2所述的乙烯精馏塔塔釜乙烯浓度的测量方法，其特征在于，构造免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器的算法确定步骤是：

C1，将构造乙烯浓度测量器的RBF神经网络结构初始化，将网络中心点和扩展宽度表示为抗体；

C2，训练RBF神经网络，同时用DHIA算法自动优化确定网络的中心c和扩展宽度δ，具体又有：

D1，根据RBF网络结构，求抗体亲和度；

i.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(3\right)$

ii  再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(4\right)$

iii.根据网络输出与样本期望值的差计算网络的目标函数值J，由此得出抗体的亲和度值；

D2，选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

D3，对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

D4，对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp -(\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(5\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度；

D5，按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(6\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij；

D6，在记忆库M中选择N_d个抗体插入R_n中，获得新一代抗体群，满足终止条件，即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，否则转入步骤D1，是则输出最佳网络中心c和扩展宽度δ；

C3，当网络训练完成后，训练好的网络便可用于对对塔釜乙烯浓度进行实时测量估计。

4.如权利要求3所述的乙烯精馏塔塔釜乙烯浓度的测量方法，其特征在于，

E1.选取乙烯浓度人工分析数据作为已构造免疫神经网络DHIA-RBFNN塔釜乙烯浓度间接测量器的训练期望值，将对应的塔釜压力、塔釜温度、灵敏板温度的测量数据作为测试样本数据集，其中训练样本为N₁组，测试样本为N₂组，并对工程单位变量数据进行归一化的处理，使不同数量级的输入数据有一个对输出影响的共同标准；

E2.将N₁个训练样本用于DHIA-RBFNN网络训练，建立塔釜乙烯浓度估计模型，并由DHIA算法获得RBF网络的最佳隐层中心和扩展宽度；

E3.将训练好得DHIA-RBFNN模型用于N₂个测试样本进行离线校正，通过观察塔釜乙烯预测结果和绝对误差微调神经网络参数；

E4.将获得的基于DHIA-RBFNN的乙烯浓度估计模型应用于对精馏塔的乙烯浓度进行实时估计，结合人工分析值对估计结果进行在线校正，对校正前的神经网络模型乙烯浓度估计值进行反归化处理，以将其转化为一定取值范围内的工程单位数据，所述的估计结果用于进行对乙烯浓度的反馈控制。

Images