CN102486632A - 一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法 - Google Patents

Abstract

本发明提供了一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，对苯二甲酸生产的Invista工艺对二甲苯氧化工序中，对对苯二甲酸结晶粒径在线进行控制，选择对苯二甲酸串联结晶器的影响对苯二甲酸结晶粒径的工艺操作参数，并将其归一化，然后利用BP神经网络模型进行模拟计算，模型输出值经过反归一化后，利用对苯二甲酸结晶中值粒径的人工分析值对反归一化后的模型输出进行在线校正，从而得到对苯二甲酸结晶中值粒径的软测量值；最后根据对苯二甲酸结晶中值粒径的软测量值对对苯二甲酸串联结晶器进行实时推断控制，即根据软测量值过滤操作后采出的对苯二甲酸结晶粒径调节结晶器操作参数，实现对苯二甲酸晶体粒径的推断控制。

Description

一种对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法

一、技术领域

本发明属于化学反应工程领域，涉及采用Invista工艺的对二甲苯(以下简称PX，即P-xylene)液相催化氧化生产精对苯二甲酸(以下简称PTA，即Pure Terephthalic Acid)中对苯二甲酸(以下简称TA，即Terephthalic Acid)结晶粒径在线分析神经网络模型建立的建模技术。

二、背景技术

PTA是聚酯工业重要原料，主要用来合成聚酯的中间体苯二甲酸乙二醇酯(PET)。目前PTA主要采用PX空气氧化法生产。

PTA的合成历史可以追溯到上世纪二十年代。二战以后，开始工业化研究，到目前为止形成三种PTA成熟生产工艺：BP-Amoco生产工艺、Invista生产工艺和Eastman生产工艺。其中BP-Amoco生产工艺和Invisa生产工艺都包括对PX催化氧化生成TA和TA精制两个工序，产品纯度高；Eastman生产工艺省略了加氢精制工段，用二次氧化的方法除去4-CBA，其反应条件温和，工艺流程简单，但产品纯度不如前两种工艺。

目前世界上80％以上的PTA生产采用BP-Amoco生产工艺和Invista生产工艺。这两种工艺都包括对PX催化氧化生成TA和TA精制两个工序。其中Invista生产工艺与BP-Amoco工艺相比，增加了催化剂和TA回收操作单元，能实现低生产成本、低环境污染。但在实际生产过程中仍存在TA损耗较高等不足，这主要是因为TA结晶操作后，过滤母液和离心母液中TA颗粒粒径较小，因此TA晶体粒径是影响后序过滤和离心操作母液固含量的一个关键因素。为了提高TA回收率，降低生产成本和减少固体残渣对环境的污染，建立合理的TA结晶粒径分析模型，实现优化稳定的TA结晶操作非常必要。

这里以Invista生产工艺为技术背景建立对苯二甲酸结晶粒径的在线分析模型。Invista生产工艺中TA结晶在三个串联结晶器中实现。其中第一个结晶器包括PX二次氧化过程，属于氧化反应结晶器。因此TA结晶包含复杂的化学和物理变化过程。其中影响结晶晶体粒度大小的因素很多，比如各个结晶器进出口物料浓度、物料流速、结晶器操作压力、操作温度、液位和结晶器搅拌强度、溶剂闪蒸量等。这些因素既存在影响TA产品粒度分布的有效信息，也存在干扰信息，且各因素之间存在交互作用，所以采用机理分析或者传统的数学建模方法，难以得到精确的分析和预测模型。又由于工业生产中对结晶器的操作只控制影响结晶粒径大小的主要因素：结晶器的操作温度、操作压力和结晶器液位，所以要实现实时检测TA结晶粒径并优化调整结晶器生产操作参数需要通过模糊数学理论建立在线分析模型。

神经网络是一种模糊数学模型，可实现任意精度的函数数据逼近。其中误差反向传播(ErrorBack Propagation)BP神经网络由Rumelhart等人于1985年建立，由一个输入层、一个输出层和若干隐含层所组成。BP神经网络是非常成熟的神经网络模型；它结构简单、可操作性强和能模拟任意的非线性输入、输出关系等优点。目前已广泛应用于模式识别、智能控制、预测和图形识别等领域。在模拟、预测和优化复杂化工过程工艺条件的应用中也越来越受到重视。

本申请人的CN200410014996.8精对苯二甲酸生产装置中PTA粒径的智能控制方法，首先选取PTA精制单元加氢反应器温度及其出料流量、第一结晶器的液位及其温度、第二结晶器的液位及其温度作为产品粒径软测量系统的输入变量，建立主要操作参数对PTA粒径的影响关系。然后通过对过程数据的实时、连续采集，得到PTA粒径的软测量值。但上述方法并不具有普适性，而且Invista生产工艺中PX氧化工序的TA结晶粒径的影响因素也未在上述方案中公开。

三、发明内容

本发明所述的在线分析方法是：提出Invista生产工艺中PX氧化工序的TA结晶粒径在线分析方法。尤其是选择生产操作中影响TA结晶粒径的工艺操作参数，并将其归一化；然后利用BP神经网络模型计算，计算值经过反归一化，得到TA结晶中值粒径的预测值和软测量值；根据软测量值对TA串联结晶器进行实时推断控制。

本发明技术方案：对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，在对苯二甲酸生产Invista工艺的对二甲苯氧化工序中，对苯二甲酸结晶粒径在线进行控制，选择对苯二甲酸串联结晶器的影响对苯二甲酸结晶粒径的工艺操作参数，并将其归一化，然后利用BP神经网络模型进行模拟计算，模型输出值经过反归一化后，利用对苯二甲酸结晶中值粒径的人工分析值对反归一化后的模型输出进行在线校正，从而得到对苯二甲酸结晶中值粒径的软测量值；最后根据对苯二甲酸结晶中值粒径的软测量值对对苯二甲酸串联结晶器进行实时推断控制，即根据软测量值过滤操作后采出的对苯二甲酸结晶粒径调节结晶器操作参数，实现对苯二甲酸晶体粒径的推断控制。

本发明是在对苯二甲酸生产的Invista工艺控制的DCS中获取影响TA结晶粒径的工艺参数：所述工艺参数是串联的三个结晶器的操作温度、压力、液位：第一结晶器的操作温度T1(X1)，操作压力P1(X2)，液位L1(X3)；第二结晶器的操作温度T2(X4)，操作压力P2(X5)，液位L2(X6)；第三结晶器的操作温度T3(X7)，操作压力P3(X8)，液位L3(X9)，把上述九个工艺参数作为神经网络输入变量；选取对应时刻TA结晶中值粒径的人工分析值做为神经网络输出变量；将选取的工艺参数作为神经网络输入和输出变量的工艺参数并进行归一化处理。

在线分析模型是由经过改进的标准BP神经网络方法建立。根据当前粒径软测量值与设定值(标准值)间的偏差，采用控制程序对第一结晶器至第三结晶器的操作温度、液位、压力进行实时推断控制，即根据软测量值过滤操作后采出的对苯二甲酸结晶粒径调节结晶器操作参数，实现对苯二甲酸晶体粒径的推断控制。以得到符合要求的TA产品粒径。

本发明的有益效果是：本发明建立了对苯二甲酸结晶粒径神经网络模型建模方法。选择生产操作中影响TA结晶粒径的工艺操作参数，并将其归一化；然后利用BP神经网络模型计算，计算值经过反归一化，得到TA结晶中值粒径的预测值；再通过定期的人工分析值对预测值进行在线校正后，得到TA晶体中值粒径软测量值；最后根据软测量值对TA串联结晶器进行实时推断控制。即通过过滤机过滤后得到的TA结晶粒径调节TA串联结晶器操作参数，实现TA晶体粒径的推断控制。本发明利用精对苯二甲酸生产过程中对二甲苯氧化段三级串联结晶器的温度、压力、液位，通过对苯二甲酸结晶粒径神经网络模型，得到工业化生产中对苯二甲酸结晶粒径的软测量模型。使神经网络模型能通过生产操作参数在线分析对苯二甲酸结晶粒径，为实时改善操作参数，增大结晶粒径，降低母液固含量，增加催化剂及对苯二甲酸回收率提供了一种方法。

四、附图说明

图1为TA结晶中值粒径神经网络软测量模型结构图，该软测量模型采用改进的标准BP神经网络

图2为BP神经网络结构框图

图3为TA晶体中值粒径软测量模型程序框图

五、具体实施方式

下面结合实施实例和附图对本发明做进一步说明：

TA结晶粒径BP神经网络模型的建立：

前馈神经网络(BP模型)是目前神经网络领域研究最多应用最多的网络模型。其非线性逼近能力是它博得青睐的主要原因。但是BP算法也有一些缺陷，主要是由于它训练过程的不确定。

具体表现为：对于一些复杂的问题，由于学习速率太小，BP算法可能要经过几小时甚至更长时间的训练。这可采用变化的学习速率或自适应的学习速率来改进；由于BP算法采取梯度下降法，对于复杂的网络，其误差函数是多维空间的曲面，在训练过程中，可能陷入某一小谷区，而这小谷区是局部极小点，由此点向各方向变化均使误差增加，以至使训练无法逃出这一局部极小点，使BP算法网络权值收敛到一个局部最小解，而不能保证是误差超平面的全局最小解。这可以使用附加动量法来改进：附加动量法使网络在修正其权值时，不仅考虑误差在梯度上的作用，而且考虑在误差曲面上变化趋势的影响，其作用如同一个低通滤波器。

本发明采用了自适应学习率法和附加动量法结合后成改进的标准BP神经网络，建立复杂化工过程的在线分析模型。具体算法规则如下：

自适应学习速率：1.如果均方误差(在整个训练集上)权值在更新后增加了，且超过了某个设置的百分数δ，则权值更新取消，学习速率乘以一个因子ρ(0πρπ1)，并且动量系数γ设置为0；2.如果平方误差在权值更新后减少，则权值更新被接受，而且学习速度被乘以一个因子ηφ1。如果γ被设置为0，则恢复到以前值；3.如果平方误差的增长小于δ，则权值更新被接受，但学习速度保持不变。如果γ被设置为0，则恢复到以前值。

附加动量法：

$\mathrm{\Δ}{\mathrm{\ω}}^m\left(k\right)=\mathrm{\γ\Δ}{\mathrm{\ω}}^m(k-1)-(1-\mathrm{\γ})\∂s^m{\left(a^{m-1}\right)}^T$

${\mathrm{\Δb}}^m\left(k\right)=\mathrm{\γ}{\mathrm{\Δb}}^m(k-1)-(1-\mathrm{\γ}){\∂s}^m$

式中ω，b是权值和阀值，γ是动量项。使用动量项γ有两方面改善，可以在维持算法稳定前提下使用更高的学习速度；另一个是当轨迹进入某个一致的方向后，可以加速收敛，神经网络结构如附图1所示。

在DCS中获取影响TA串联结晶器晶体粒径的工艺参数，包括三个结晶器的温度：T1(X1)，T2(X4)，T3(X7)；三个结晶器压力：P1(X2)，P2(X5)，P3(X8)；三个结晶器液位：L1(X3)，L2(X6)，L3(X9)。这里的软测量模型考虑了上述9个参数对TA晶体粒径的影响。所以模型选择上述9个参数做为神经网络输入神经元，TA晶体中值粒径做为神经网络输出神经元单位为μm。

将T1(X1)，T2(X4)，T3(X7)，P1(X2)，P2(X5)，P3(X8)，L1(X3)，L2(X6)，L3(X9)以及当前时刻TA晶体中值粒径人工分析值数据进行归一化处理，归一化范围可以选取为[0，1]，[-1，1]，[-0.5，0.5]等，这里将其归一化到[0.1，0.9]之间。归一化方法为：

$x\left(i\right)=\frac{X\left(i\right)-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)}\×0.8+0.1$

其中：x为归一化处理后数据集；X为归一化以前数据集；max(X)和min(X)为数据集X的最大值和最小值。

在神经网络模型中，输入层的节点数为i(i＝9)，中间层层数为L(L＝2～100)，隐层节点数为j(j＝1～100)，输出层节点数为k(k＝1)，层之间传递函数有极限函数、线性函数、S形函数和竞争函数等。在本发明实施时：输入层的节点数为i(i＝9)，隐含层层数为L(L＝1)，隐层节点数为j(j＝17)，输出层节点数为k(k＝1)，输入层与隐含层之间传递函数为双曲正切S形函数、隐含层和输出层传递函数为对数-S形函数。

在工业生产现场采集到若干组实时数据，做为TA结晶粒径在线分析软测量模型的训练样本。选择改进后的标准BP神经网络对TA结晶粒径进行分析预测，输入神经元分别对应为归一化处理后的串联三个结晶器的操作温度、操作压力和液位：x1，x2，x3，x4，x5，x6，x7，x8，x9；输出神经元对应为归一化处理后的TA晶体中值粒径人工分析值，TA结晶中值粒径神经网络软测量模型结构如图2所示。

在上述训练样本中选择部分数据作为神经网络学习样本，另外的数据作为测试样本检测神经网络的稳定性和泛化能力，最后取学习样本和测试样本的预测值与人工分析值相对误差都较小的一组权值和阀值作为神经网络模型参数。

在上述神经网络模型参数确定后，就可以把现场实时不断采集的数据(模型输入变量所需数据)归一化处理后带入神经网络进行计算，然后将神经网络输出值经反归一化处理，就得到TA晶体中值粒径的神经网络预测值，单位为μm。

在DCS的应用模块或先进过程管理模块上按图3所示的程序流程实现控制语言的编程。通过数据的实时、连续采集，就能得到TA结晶中值粒径的实时神经网络预测值，或者采用其他在线计算机进行实时神经网络预测值计算。

模型校正：

由于实际生产过程中存在多种干扰因素，上述TA晶体粒径的神经网络模型预测值和工业装置的人工分析值不可避免会产生一定的偏差。因此，必须每隔一段时间，用人工分析值(通常每天分析一次)对神经网络模型预测值进行在线校正，使该神经网络模型能适应工业生产过程的变化性和连续性，最终得到TA晶体中值粒径的软测量值。模型校正方法：如果神经网络预测值与人工分析值之间相对误差超出神经网络模型允许误差范围，则通过定系数对预测值进行校正。

TA晶体粒径在线分析模型的建立：

根据TA晶体中值粒径的软测量值，经人工分析值分析在线校正后，据此对串联的三个结晶器操作温度、压力、液位进行实时推断控制；通过上述九个操作参数的实时调节，实现对TA结晶中值粒径的调节，即实现TA结晶粒径的推断控制。

通过使用本次发明所述方法对PTA生产中Invista工艺PX氧化工序的TA结晶器操作工艺参数实施智能控制，能够增大TA结晶粒径，降低后续过滤操作后母液固含量，增加TA和催化剂的回收率。

在DCS中获取PTA生产中PX氧化工序的影响TA结晶粒径的主要工艺操作参数：三个串联结晶器当前时刻的操作温度、操作压力和液位：T1(X1)、T2(X4)、T3(X7)，P1(X2)、P2(X5)、P3(X8)、L1(X3)、L2(X6)、L3(X7)，和当前时刻TA结晶中值粒径(μm)人工分析值。然后将这些数据归一化到[0.1，0.9]的范围，归一化方法如下：

$\mathrm{xi}=\frac{\mathrm{Xi}-\min \left(\mathrm{Xi}\right)}{\max \left(\mathrm{Xi}\right)-\min \left(\mathrm{Xi}\right)}\×0.8+0.1$

其中：x为归一化处理后数据集；X为归一化以前数据集；max(X)和min(X)为数据集X的最大值和最小值。第一结晶器操作温度变化范围取为[186.20，187.24]，单位为℃；第一结晶器操作压力变化范围取为[1.10，1.18]，单位为MPa；第一结晶器液位变化取为[73.08，78.68]，％；第二结晶器操作温度变化范围取为[154.32，159.19]，单位为℃；第二结晶器操作压力变化范围取为[0.27，0.32]，单位为MPa；第二结晶器液位变化取为[36.18，84.53]，％；第三结晶器操作温度变化范围取为[80.50，98.82]，单位为℃；第三结晶器操作压力变化范围取为[-68.80，-58.21]，单位为KPa；第三结晶器液位变化取为[24.89，83.22]，％；对应的TA结晶中值粒径人工分析值变化范围为[107，148]，单位为μm。

在工业生产现场采集240组实时数据，利用TA结晶中值粒径人工分析值作为目标值进行神经网络训练。其中前200组数据作为训练样本，后40组数据作为预测样本。通过对神经网络模型进行训练，得到改进的标准BP神经网络结构、权值和阀值。改进的标准BP神经网络计算采用的传递函数依次为双曲正切S形函数和对数-S形函数。

在DCS的应用模块或先进过程控制模块上按照图3的程序实现控制语言的编程，通过数据的实时、连续采集，将训练好的权值及阀值带入神经网络进行计算，此时得到的TA结晶中值粒径在[0.1，0.9]之间；将该神经网络计算值进行反归一化，得到TA结晶中值粒径软测量值在[112，149]范围内，单位为μm；最后，利用最近时刻TA结晶中值粒径的人工分析值对反归一化后的神经网络预测值进行在线校正，在线校正方法为：

Y^*＝(1+γ)*Y

如果 $\left|\frac{R-Y}{R}\right|\≥0.05,$ 则 $\mathrm{\γ}=\frac{R-Y}{R},$ 否则γ＝0

其中R表示人工分析值，Y表示神经网络预测值，Y^*为校正值。

神经网络预测值经过在线校正后得到TA结晶中值粒径的最终软测量值。

经过测试，利用上述神经网络模型分析得到的TA晶体中值粒径与人工分析值之间最大绝对相对误差为4.67％，平均绝对相对误差为1.67％。这表明在工业允许误差范围之内所建立模型可以实现TA晶体粒径的在线推断控制。

使用TA结晶粒径神经网络模型，对结晶器操作参数进行优化分析，得到了结晶器操作参数在下述范围内：第一结晶器温度：186.46～186.98℃、第一结晶器压力：1.10～1.14MPa、第一结晶器液位：73.08～75.88％、第二结晶器温度：156.76～157.97℃、第二结晶器压力：0.28～0.32MPa、第二结晶器液位：48.27～60.36％、第三结晶器温度：80.50～89.66℃、第三结晶器压力：-68.80～-63.51kPa、第三届结晶器液位54.06～68.64％时，TA晶体粒径范围约为145～155μm。

Claims (6)

1.对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是对苯二甲酸生产的Invista工艺对二甲苯氧化工序中，对对苯二甲酸结晶粒径在线进行控制，选择对苯二甲酸串联结晶器的影响对苯二甲酸结晶粒径的工艺操作参数，并将其归一化，然后利用BP神经网络模型进行模拟计算，模型输出值经过反归一化后，利用对苯二甲酸结晶中值粒径的人工分析值对反归一化后的模型输出进行在线校正，从而得到对苯二甲酸结晶中值粒径的软测量值；最后根据对苯二甲酸结晶中值粒径的软测量值对对苯二甲酸串联结晶器进行实时推断控制，即根据软测量值过滤操作后采出的对苯二甲酸结晶粒径调节结晶器操作参数，实现对苯二甲酸晶体粒径的推断控制。

2.由权利要求1所述的对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是在对苯二甲酸生产的Invista工艺控制的DCS中获取影响TA结晶粒径的工艺参数：所述工艺参数是串联的三个结晶器的操作温度、压力、液位：第一结晶器的操作温度T1(X1)，操作压力P1(X2)，液位L1(X3)；第二结晶器的操作温度T2(X4)，操作压力P2(X5)，液位L2(X6)；第三结晶器的操作温度T3(X7)，操作压力P3(X8)，液位L3(X9)，把上述九个工艺参数作为神经网络输入变量；选取对应时刻TA结晶中值粒径的人工分析值做为神经网络输出变量；将选取的工艺参数作为神经网络输入和输出变量并进行归一化处理。

3.由权利要求1所述的对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是由权利要求1所述的预测模型，其特征是该在线分析模型是由经过改进的标准BP神经网络方法建立。根据当前粒径软测量值与设定值间的偏差，采用程序控制策略对三个结晶器的温度、液位和压力进行实时自动控制，以得到符合要求的TA产品粒径。

4.由权利要求1或2所述的对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是由权利要求3所述的经过改进的标准BP神经网络模型的TA结晶粒径在线分析模型的建模技术，所述神经网络模型中采用的输入节点数为9，隐含层节点数为17，输出层节点数为1，输入层与隐含层之间传递函数为双曲正切S形函数、隐含层和输出层传递函数为对数-S形函数。

5.由权利要求1或2所述的对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是神经网络预测值进行在线校正，当预测值与人工分析值之间相对误差大于0.05时，通过对神经网络预测值乘以一个实时计算得到的系数进行在线校正；在线校正方法为：

Y^*＝(1+γ)*Y

如果 $\left|\frac{R-Y}{R}\right|\≥0.05,$ 则 $\mathrm{\γ}=\frac{R-Y}{R},$ 否则γ＝0

其中R表示人工分析值，Y表示神经网络预测值，Y^*为校正值；

神经网络预测值经过在线校正后得到TA结晶中值粒径的最终软测量值。

6.由权利要求1或2所述的对二甲苯氧化过程中对苯二甲酸结晶粒径在线分析方法，其特征是自适应学习率法结合后改进的标准BP神经网络，建立在线分析模型：

自适应学习速率：1).如果在整个训练集上均方误差权值在更新后增加了，且超过了某个设置的百分数δ，则权值更新取消，学习速率乘以一个因子ρ(0πρπ1)，并且动量系数γ设置为0；2).如果平方误差在权值更新后减少，则权值更新被接受，而且学习速度被乘以一个因子ηφ1；如果γ被设置为0，则恢复到以前值；3).如果平方误差的增长小于δ，则权值更新被接受，但学习速度保持不变；如果γ被设置为0，则恢复到以前值。

在DCS中获取影响TA串联结晶器晶体粒径的工艺参数，包括三个结晶器的温度：T1(X1)，T2(X4)，T3(X7)；三个结晶器压力：P1(X2)，P2(X5)，P3(X8)；三个结晶器液位：L1(X3)，L2(X6)，L3(X9)。这里的软测量模型考虑了上述9个参数对TA晶体粒径的影响。所以模型选择上述9个参数做为神经网络输入神经元，TA晶体中值粒径做为神经网络输出神经元，单位为μm。

将T1(X1)，T2(X4)，T3(X7)，P1(X2)，P2(X5)，P3(X8)，L1(X3)，L2(X6)，L3(X9)以及当前时刻TA晶体中值粒径人工分析值数据进行归一化处理，归一化范围可以选取为[0，1]，[-1，1]，[-0.5，0.5]等，这里将其归一化到[0.1，0.9]之间。归一化方法为：

$x\left(i\right)=\frac{X\left(i\right)-\min \left(X\right)}{\max \left(X\right)-\min \left(X\right)}\×0.8+0.1$

其中：x为归一化处理后数据集；X为归一化以前数据集；max(X)和min(X)为数据集X的最大值和最小值。

在神经网络模型中，输入层的节点数为i(i＝9)，中间层层数为L(L＝2～100)，隐层节点数为j(j＝1～100)，输出层节点数为k(k＝1)，层之间传递函数有极限函数、线性函数、S形函数和竞争函数等。在本发明实施时：输入层的节点数为i(i＝9)，隐含层层数为L(L＝1)，隐层节点数为j(j＝17)，输出层节点数为k(k＝1)，输入层与隐含层之间传递函数为双曲正切S形函数、隐含层和输出层传递函数为对数-S形函数。

Images