CN109966771A - 基于局部浓度测量的精馏过程全局浓度在线观测器及方法 - Google Patents
基于局部浓度测量的精馏过程全局浓度在线观测器及方法 Download PDFInfo
- Publication number
- CN109966771A CN109966771A CN201910352999.9A CN201910352999A CN109966771A CN 109966771 A CN109966771 A CN 109966771A CN 201910352999 A CN201910352999 A CN 201910352999A CN 109966771 A CN109966771 A CN 109966771A
- Authority
- CN
- China
- Prior art keywords
- concentration
- column plate
- measurement
- formula
- measurement point
- 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.)
- Granted
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D3/00—Distillation or related exchange processes in which liquids are contacted with gaseous media, e.g. stripping
- B01D3/42—Regulation; Control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Vaporization, Distillation, Condensation, Sublimation, And Cold Traps (AREA)
- Sampling And Sample Adjustment (AREA)
Abstract
本发明涉及一种基于局部浓度测量的精馏过程全局浓度在线观测器及方法,所述在线观测器包括与精馏塔连接浓度测量装置,与所述浓度测量装置连接的局部浓度测量点离线选取分析模块,与所述浓度测量装置连接的数据存储装置,以及与所述数据存储装置连接的全局浓度在线观测器;所述局部浓度测量点离线选取分析模块包括用于生成分析数据的浓度分布描述模块、用于选择第一测量点的灵敏度矩阵分析模块以及用于选择其他测量点的待选塔板相关性分析模块。本发明通过对精馏塔进行局部浓度测量点选取分析,在有限个塔板位置安装浓度测量装置来实现所有塔板的物料浓度在线观测,在保证全局浓度观测准确性的前提下,大大减少浓度测量装置的安装数量,节约成本。
Description
技术领域
本发明属于精馏过程中的在线观测技术领域,具体地说,涉及一种基于局部浓度测量的精馏过程全局浓度在线观测器及方法。
背景技术
精馏过程是化工过程中广泛使用的操作单元,主要用于各种混合物的分离与提纯。精馏提纯的产品广泛的应用于生活生产当中,产品的纯度控制是精馏过程的重要目标,直接影响精馏过程的经济效益。
浓度测量是在线监测产品纯度的手段之一,实际监测过程中,无法在精馏塔的每个塔板安装浓度测量仪表,目前,常用的方式是只在精馏塔的塔顶和塔底安装浓度测量仪表,通过塔顶和塔底浓度测量仪表分别测量塔顶和塔底的产品纯度,这种方式不利于实时监控精馏塔内部的工作状态。由于精馏过程具有较大的时滞,当塔顶和塔底的产品纯度出现问题时,故障或者异常往往早已发生,精馏塔内部塔板的物料浓度也早已偏离正常范围,只监测塔顶和塔底的产品纯度的方法已经无法满足在线实时监测的需求。因此,设计一种用于局部浓度测量的全局观测器,对实现精馏塔内部各塔板物料浓度的全局实时监测具有重要意义,为精馏过程的产品品质提供保障。
发明内容
本发明针对现有精馏塔只测量塔顶塔底产品纯度而不监测各塔板物料浓度时存在的上述不足,提供了一种基于局部浓度测量的精馏过程全局浓度在线观测器及方法,根据有限的浓度测量点,在线实时估计所有塔板的物料浓度,进而辅助监测精馏塔内部的工作状态,有助于及时发现异常情况,具有所需浓度测量仪表数量少、浓度预测精度高、实时性好等特点。
为了达到上述目的,本发明提供了一种基于局部浓度测量的精馏过程全局浓度在线观测器,包括:
浓度测量装置,与精馏塔连接,用于测量精馏塔中的物料浓度;
局部浓度测量点离线选取分析模块,与所述浓度测量装置连接,用于离线分析决策局部浓度测量点的数量,并根据局部浓度测量点确定浓度测量装置的安装位置;
所述局部浓度测量点离线选取分析模块包括用于生成分析数据的浓度分布描述模块、用于选择第一测量点的灵敏度矩阵分析模块以及用于选择其他测量点的待选塔板相关性分析模块;
数据存储装置,与所述浓度测量装置连接,用于对所述浓度测量装置测量的物料浓度进行存储;
全局浓度在线观测器,与所述数据存储装置连接,用于通过局部物料浓度测量信息对全局浓度进行在线观测。
进一步的,还包括上位机监测界面,与所述全局浓度在线观测器连接,用于实时显示与监测塔板的物料浓度信息。
优选的,所述浓度分布描述模块生成分析数据的步骤为:
确定浓度分布公式中的参数初始值,浓度分布公式的表达式如下:
式中,m表示当前采样时刻,i表示塔板编号,表示m采样时刻第i块塔板的物料浓度预测值,S(m)表示m采样时刻浓度分布曲线的拐点位置,即曲线斜率绝对值最大的点,Xmax(m)表示m采样时刻浓度分布曲线的最大渐进浓度, Xmin(m)表示m采样时刻浓度分布曲线的最小渐进浓度,k(m)表征了m采样时刻拐点处的斜率大小,e为自然指数;S、Xmax、Xmin、k为浓度分布参数,其初始值表示为S(0)、Xmax(0)、Xmin(0)、k(0),即0采样时刻的取值;
通过求解以下最优问题得到浓度分布参数的初始值:
式中,n表示塔板总数,表示0采样时刻第i块塔板的物料浓度预测值,Xi(0)表示0采样时刻各塔板的物料浓度初始值,通过历史数据或者查询精馏塔的正常工作状态设计数据获得;
通过对浓度分布参数在初始值基础上进行阶跃变化,根据公式(1)计算精馏塔各塔板的物料浓度预测值发生的变化,即生成各塔板物料浓度对于浓度分布参数变化的灵敏度矩阵;灵敏度矩阵的元素计算公式如下:
式中,Xi(0)表示第i块塔板的物料浓度初始值,表示在浓度分布参数变化的情况下第i块塔板的物料浓度变化值,p表示浓度分布参数,即 p=[S,Xmax,Xmin,k],j表示参数编号,pj(0)∈{S(0),Xmax(0),Xmin(0),k(0)},表示浓度分布参数初始值,表示指定的参数阶跃变化幅度;Kij为第i块塔板的物料浓度对第j个浓度分布参数变化的灵敏度,Kij越大,表示相应塔板的物料浓度对相应参数的灵敏度越高。
优选的,所述灵敏度矩阵分析模块选取第一个测量点的步骤为:
计算协方差矩阵,其步骤为:根据公式(3)获得灵敏度矩阵元素,即灵敏度Kij,所有灵敏度矩阵元素构成灵敏度矩阵K,进而根据公式(4)得到协方差矩阵,公式(4)的表达式如下:
X=KTK (4)
式中,KT表示灵敏度矩阵K的转置,X表示协方差矩阵;
计算塔板的加权评价系数,并根据加权评价系数的大小选取第一个测量点,其步骤为:
根据公式(5)求取各塔板的加权评价系数,公式(5)的表达式如下:
式中,λj为协方差矩阵X的第j个特征值,Cij表示λj对应的单位特征向量的第i个元素,q表示浓度分布参数的数量,Ei表示第i块塔板的加权评价系数,表征了第i块塔板的物料浓度对于浓度分布参数的总体影响;
选择最大的Ei对应的第i块塔板作为第一个测量点。
优选的,所述待选塔板相关性分析模块选取第2个到第q个测量点的步骤为:
(1)选取第2个测量点,其选取方法为:
设选取的第一块塔板编号为k1,其对应的灵敏度向量可记为其中元素从灵敏度矩阵K获得;
对于任意一个未选择的塔板i,对应的灵敏度向量记为si,则与si之间的夹角θi表示为:
选择夹角θi最接近90°对应的塔板i为第二个测量点;
(2)选取第3个到第q个测量点,其选取方法为:
a、设已经选取了n个测量点,则2≤n<q,每个对应塔板的灵敏度向量记为其中,l∈[1n],kl表示已选择作为测量点的塔板编号;
组成的n维向量空间中,任意向量表示为:
式中,al为常数;
对于任意一个未选择塔板对应的灵敏度向量si,在n维向量空间中与该未选择塔板距离最近的向量满足:
si与之间的夹角θi表示为:
选取夹角θi最接近90°对应的塔板i为下一个测量点;
b、迭代循环进行步骤a,直到找出q个测量点。
优选的,根据所述局部浓度测量点离线选取分析模块选取的q个测量点,实际安装浓度测量装置,所述数据存储装置将所述浓度测量装置测得的q个塔板的物料浓度测量值进行储存,并将所测数据传输给所述全局浓度在线观测器;所述全局浓度在线观测器根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
优选的,全局浓度在线观测器根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值的步骤为:
根据所测q个塔板的物料浓度在线估计浓度分布参数,通过求解如下最优问题实现参数估计:
式中,m表示当前采样时刻,q表示测量点的总数,l表示测量点的编号,kl表示测量点对应的塔板编号,表示当前采样时刻测量点所在的塔板物料浓度实测值,表示当前采样时刻测量点所在的塔板物料浓度估计值;
求解公式(10)表示的最优问题即可得到当前采样时刻浓度分布参数的值 S(m)、Xmax(m)、Xmin(m)、k(m);
根据当前时刻浓度分布参数的值S(m)、Xmax(m)、Xmin(m)、k(m),通过公式 (11)得到没有浓度测量点的塔板的物料浓度估计值公式(11)表示为:
式中,i表示塔板编号,i≠kl,即不包含浓度测量点所在的塔板;
没有浓度测量点的塔板的物料浓度估计值与有浓度测量点的塔板物料浓度实测值共同构成整个精馏塔的全局浓度观测值,通过全局浓度观测值对精馏塔进行全局浓度观测,即实现全局塔板物料浓度观测。
为了达到上述目的,本发明还提供了一种精馏过程全局浓度在线观方法,采用上述基于局部浓度测量的精馏过程全局浓度在线观测器,其步骤为:
S1、局部浓度测量点离线选取分析模块选取q个测量点,根据已选测量点安装浓度测量装置;
S2、浓度测量装置测量q个塔板的物料浓度,并通过数据存储装置进行存储;
S3、数据存储装置将存储的物料浓度信息传输给全局浓度在线观测器,全局浓度在线观测器根据q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
与现有技术相比,本发明的优点和积极效果在于:本发明对精馏过程中的浓度分布进行分析,选取有限个浓度测量点,通过局部的浓度测量,实现所有塔板物料浓度的全局在线观测,不需要在每块塔板上都安装浓度测量装置即可实时监测精馏塔内部的物料浓度变化,节省了大量的浓度测量装置购买、安装和维护成本,在线观测运算效率高、浓度观测准确,能够实时准确地监测精馏塔所有塔板的物料浓度变化情况。
附图说明
附图1为本发明具体实施例的结构示意图;
附图2为本发明具体实施例局部浓度测量点离线选取分析模块的原理图。
图中,1、浓度测量装置,2、精馏塔,3、局部浓度测量点离线选取分析模块,31、浓度分布描述模块,32、灵敏度矩阵分析模块,33、待选塔板相关性分析模块,4、数据存储装置,5、全局浓度在线观测器,6、上位机监测界面。
具体实施方式
下面,通过示例性的实施方式对本发明进行具体描述。然而应当理解,在没有进一步叙述的情况下,一个实施方式中的元件、结构和特征也可以有益地结合到其他实施方式中。
参见图1和图2,本发明揭示了一种基于局部浓度测量的精馏过程全局浓度在线观测器,包括:
浓度测量装置1,与精馏塔2连接,用于测量精馏塔2中的物料浓度;
局部浓度测量点离线选取分析模块3,与所述浓度测量装置1连接,用于离线分析决策局部浓度测量点的数量,并根据局部浓度测量点确定浓度测量装置的安装位置;
所述局部浓度测量点离线选取分析模块3包括用于生成分析数据的浓度分布描述模块31、用于选择第一测量点的灵敏度矩阵分析模块32以及用于选择其他测量点的待选塔板相关性分析模块33;
数据存储装置4,与所述浓度测量装置1连接,用于对所述浓度测量装置1 测量的物料浓度进行存储;
全局浓度在线观测器5,与所述数据存储装置4连接,用于通过局部物料浓度测量信息对全局浓度进行在线观测。
本发明上述在线观测器,通过局部浓度测量点离线选取分析模块对精馏过程中的浓度分布进行分析,选取有限个浓度测量点,确定浓度测量装置的安装位置,通过浓度测量装置对物料局部浓度进行测量,然后由全局浓度在线观测器通过局部物料浓度测量信息对全局浓度进行在线观测,从而实现所有塔板物料浓度的全局在线观测。不需要在精馏塔每块塔板上安装浓度测量装置即可实现监测精馏塔内部的物料浓度变化,在有限个塔板位置安装浓度测量装置来实现所有塔板的物料浓度在线观测,在保证全局浓度观测准确性的前提下,大大减少浓度测量装置的安装数量,节约成本,且在线观测运算效率高、浓度观测准确,能够实时准确地监测精馏塔所有塔板的物料浓度变化情况。
继续参见图1,在上述在线观测器的一优选实施方式中,所述在线观测器还包括上位机监测界面6,与所述全局浓度在线观测器5连接,用于实时显示与监测塔板的物料浓度信息。通过上位机监测界面显示由全局浓度在线观测器观测的所有塔板物料浓度信息并监测塔板的物料浓度信息。
作为上述在线观测器的优选方案,所述浓度测量装置可以采用浓度测量仪,也可以采用浓度传感器。
上述在线观测器中,所述浓度分布描述模块31生成分析数据的步骤为:
S311、确定浓度分布公式中的参数初始值,浓度分布公式的表达式如下:
式中,m表示当前采样时刻,i表示塔板编号,表示m采样时刻第i块塔板的物料浓度预测值,S(m)表示m采样时刻浓度分布曲线的拐点位置,即曲线斜率绝对值最大的点,Xmax(m)表示m采样时刻浓度分布曲线的最大渐进浓度, Xmin(m)表示m采样时刻浓度分布曲线的最小渐进浓度,k(m)表征了m采样时刻拐点处的斜率大小,e为自然指数;S、Xmax、Xmin、k为浓度分布参数,其初始值表示为S(0)、Xmax(0)、Xmin(0)、k(0),即0采样时刻的取值;
通过求解以下最优问题得到浓度分布参数的初始值:
式中,n表示塔板总数,表示0采样时刻第i块塔板的物料浓度预测值,Xi(0)表示0采样时刻各塔板的物料浓度初始值,通过历史数据或者查询精馏塔的正常工作状态设计数据获得;
S312、通过对浓度分布参数在初始值基础上进行阶跃变化,根据公式(1) 计算精馏塔各塔板的物料浓度预测值发生的变化,即生成各塔板物料浓度对于浓度分布参数变化的灵敏度矩阵;灵敏度矩阵的元素计算公式如下:
式中,Xi(0)表示第i块塔板的物料浓度初始值,表示在浓度分布参数变化的情况下第i块塔板的物料浓度变化值,p表示浓度分布参数,即 p=[S,Xmax,Xmin,k],j表示参数编号,pj(0)∈{S(0),Xmax(0),Xmin(0),k(0)},表示浓度分布参数初始值,表示指定的参数阶跃变化幅度;Kij为第i块塔板的物料浓度对第j个浓度分布参数变化的灵敏度,Kij越大,表示相应塔板的物料浓度对相应参数的灵敏度越高。
上述在线观测器中,所述灵敏度矩阵分析模块32选取第一个测量点的步骤为:
S321、计算协方差矩阵,其步骤为:根据公式(3)获得灵敏度矩阵元素,即灵敏度Kij,所有灵敏度矩阵元素构成灵敏度矩阵K,进而根据公式(4)得到协方差矩阵,公式(4)的表达式如下:
X=KTK (4)
式中,KT表示灵敏度矩阵K的转置,X表示协方差矩阵;
S322、计算塔板的加权评价系数,并根据加权评价系数的大小选取第一个测量点,其步骤为:
根据公式(5)求取各塔板的加权评价系数,公式(5)的表达式如下:
式中,λj为协方差矩阵X的第j个特征值,Cij表示λj对应的单位特征向量的第i个元素,q表示浓度分布参数的数量,Ei表示第i块塔板的加权评价系数,表征了第i块塔板的物料浓度对于浓度分布参数的总体影响;
选择最大的Ei对应的第i块塔板作为第一个测量点。
上述在线观测器中,所述待选塔板相关性分析模块33选取第2个到第q个测量点的步骤为:
S331、选取第2个测量点,其选取方法为:
设选取的第一块塔板编号为k1,其对应的灵敏度向量可记为其中元素从灵敏度矩阵K获得;
对于任意一个未选择的塔板i,对应的灵敏度向量记为si,则与si之间的夹角θi表示为:
选择夹角θi最接近90°对应的塔板i为第二个测量点;
S332、选取第3个到第q个测量点,其选取方法为:
a、设已经选取了n个测量点,则2≤n<q,每个对应塔板的灵敏度向量记为其中,l∈[1n],kl表示已选择作为测量点的塔板编号;
组成的n维向量空间中,任意向量表示为:
式中,al为常数;
对于任意一个未选择塔板对应的灵敏度向量si,在n维向量空间中与该未选择塔板距离最近的向量满足:
si与之间的夹角θi表示为:
选取夹角θi最接近90°对应的塔板i为下一个测量点;
b、迭代循环进行步骤a,直到找出q个测量点。
在上述在线观测器的一优选实施方式中,根据所述局部浓度测量点离线选取分析模块选取的q个测量点,实际安装浓度测量装置,所述数据存储装置将所述浓度测量装置测得的q个塔板的物料浓度测量值进行储存,并将所测数据传输给所述全局浓度在线观测器;所述全局浓度在线观测器根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
上述在线观测器中,全局浓度在线观测器5根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值的步骤为:
S51、根据所测q个塔板的物料浓度在线估计浓度分布参数,通过求解如下最优问题实现参数估计:
式中,m表示当前采样时刻,q表示测量点的总数,l表示测量点的编号,kl表示测量点对应的塔板编号,表示当前采样时刻测量点所在的塔板物料浓度实测值,表示当前采样时刻测量点所在的塔板物料浓度估计值;
求解公式(10)表示的最优问题即可得到当前采样时刻浓度分布参数的值 S(m)、Xmax(m)、Xmin(m)、k(m);
S52、根据当前时刻浓度分布参数的值S(m)、Xmax(m)、Xmin(m)、k(m),通过公式(11)得到没有浓度测量点的塔板的物料浓度估计值公式(11)表示为:
式中,i表示塔板编号,i≠kl,即不包含浓度测量点所在的塔板;
没有浓度测量点的塔板的物料浓度估计值与有浓度测量点的塔板物料浓度实测值共同构成整个精馏塔的全局浓度观测值,通过全局浓度观测值对精馏塔进行全局浓度观测,即实现全局塔板物料浓度观测。
本发明还揭示了一种精馏过程全局浓度在线观测方法,采用上述在线观测器,其具体步骤为:
S1、局部浓度测量点离线选取分析模块选取q个浓度测量点,根据已选浓度测量点安装浓度测量装置;
其中,选取q个浓度测量点的具体步骤为:
S11、浓度分布描述模块生成分析数据。
S111、确定浓度分布公式中的参数初始值,浓度分布公式的表达式如下:
式中,m表示当前采样时刻,i表示塔板编号,表示m采样时刻第i块塔板的物料浓度预测值,S(m)表示m采样时刻浓度分布曲线的拐点位置,即曲线斜率绝对值最大的点,Xmax(m)表示m采样时刻浓度分布曲线的最大渐进浓度, Xmin(m)表示m采样时刻浓度分布曲线的最小渐进浓度,k(m)表征了m采样时刻拐点处的斜率大小,e为自然指数;S、Xmax、Xmin、k为浓度分布参数,其初始值表示为S(0)、Xmax(0)、Xmin(0)、k(0),即0采样时刻的取值;
通过求解以下最优问题得到浓度分布参数的初始值:
式中,n表示塔板总数,表示0采样时刻第i块塔板的物料浓度预测值,Xi(0)表示0采样时刻各塔板的物料浓度初始值,通过历史数据或者查询精馏塔的正常工作状态设计数据获得;
S112、通过对浓度分布参数在初始值基础上进行阶跃变化,根据公式(1) 计算精馏塔各塔板的物料浓度预测值发生的变化,即生成各塔板物料浓度对于浓度分布参数变化的灵敏度矩阵;灵敏度矩阵的元素计算公式如下:
式中,Xi(0)表示第i块塔板的物料浓度初始值,表示在浓度分布参数变化的情况下第i块塔板的物料浓度变化值,p表示浓度分布参数,即 p=[S,Xmax,Xmin,k],j表示参数编号,pj(0)∈{S(0),Xmax(0),Xmin(0),k(0)},表示浓度分布参数初始值,表示指定的参数阶跃变化幅度;Kij为第i块塔板的物料浓度对第j个浓度分布参数变化的灵敏度,Kij越大,表示相应塔板的物料浓度对相应参数的灵敏度越高。
S12、灵敏度矩阵分析模块选取第一个测量点。
S121、计算协方差矩阵。
根据公式(3)获得灵敏度矩阵元素,即灵敏度Kij,所有灵敏度矩阵元素构成灵敏度矩阵K,进而根据公式(4)得到协方差矩阵,公式(4)的表达式如下:
X=KTK (4)
式中,KT表示灵敏度矩阵K的转置,X表示协方差矩阵;
S122、计算塔板的加权评价系数,并根据加权评价系数的大小选取第一个测量点。
根据公式(5)求取各塔板的加权评价系数,公式(5)的表达式如下:
式中,λj为协方差矩阵X的第j个特征值,Cij表示λj对应的单位特征向量的第i个元素,q表示浓度分布参数的数量,Ei表示第i块塔板的加权评价系数,表征了第i块塔板的物料浓度对于浓度分布参数的总体影响;
选择最大的Ei对应的第i块塔板作为第一个测量点。
S13、待选塔板相关性分析模块选取第2个到第q个测量点。
S131、选取第2个测量点,其选取方法为:
设选取的第一块塔板编号为k1,其对应的灵敏度向量可记为其中元素从灵敏度矩阵K获得;
对于任意一个未选择的塔板i,对应的灵敏度向量记为si,则与si之间的夹角θi表示为:
选择夹角θi最接近90°对应的塔板i为第二个测量点;
S132、选取第3个到第q个测量点,其选取方法为:
a、设已经选取了n个测量点,则2≤n<q,每个对应塔板的灵敏度向量记为其中,l∈[1n],kl表示已选择作为测量点的塔板编号;
组成的n维向量空间中,任意向量表示为:
式中,al为常数;
对于任意一个未选择塔板对应的灵敏度向量si,在n维向量空间中与该未选择塔板距离最近的向量满足:
si与之间的夹角θi表示为:
选取夹角θi最接近90°对应的塔板i为下一个测量点;
b、迭代循环进行步骤a,直到找出q个测量点。
S2、浓度测量装置测量q个塔板的物料浓度,并通过数据存储装置进行存储;
S3、数据存储装置将存储的物料浓度信息传输给全局浓度在线观测器,全局浓度在线观测器根据q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
在上述在线观测方法的一优选方式中,在步骤S3之后,全局浓度在线观测器观测的各塔板物料浓度信息通过上位机监测界面进行显示和监测。
上述在线观测方法选取有限个浓度测量点,通过局部的浓度测量,实现所有塔板物料浓度的全局在线观测,无需测量每块塔板物料浓度即可实时监测精馏塔内部的物料浓度变化,节约成本,在线观测运算效率高、浓度观测准确。
上述实施例用来解释本发明,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,对本发明做出的任何修改和改变,都落入本发明的保护范围。
Claims (9)
1.一种基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,包括:浓度测量装置,与精馏塔连接,用于测量精馏塔中的物料浓度;
局部浓度测量点离线选取分析模块,与所述浓度测量装置连接,用于离线分析决策局部浓度测量点的数量,并根据局部浓度测量点确定浓度测量装置的安装位置;
所述局部浓度测量点离线选取分析模块包括用于生成分析数据的浓度分布描述模块、用于选择第一测量点的灵敏度矩阵分析模块以及用于选择其他测量点的待选塔板相关性分析模块;
数据存储装置,与所述浓度测量装置连接,用于对所述浓度测量装置测量的物料浓度进行存储;
全局浓度在线观测器,与所述数据存储装置连接,用于通过局部物料浓度测量信息对全局浓度进行在线观测。
2.如权利要求1所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,还包括上位机监测界面,与所述全局浓度在线观测器连接,用于实时显示与监测塔板的物料浓度信息。
3.如权利要求1或2所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,所述浓度分布描述模块生成分析数据的步骤为:
确定浓度分布公式中的参数初始值,浓度分布公式的表达式如下:
式中,m表示当前采样时刻,i表示塔板编号,表示m采样时刻第i块塔板的物料浓度预测值,S(m)表示m采样时刻浓度分布曲线的拐点位置,即曲线斜率绝对值最大的点,Xmax(m)表示m采样时刻浓度分布曲线的最大渐进浓度,Xmin(m)表示m采样时刻浓度分布曲线的最小渐进浓度,k(m)表征了m采样时刻拐点处的斜率大小,e为自然指数;S、Xmax、Xmin、k为浓度分布参数,其初始值表示为S(0)、Xmax(0)、Xmin(0)、k(0),即0采样时刻的取值;
通过求解以下最优问题得到浓度分布参数的初始值:
式中,n表示塔板总数,表示0采样时刻第i块塔板的物料浓度预测值,Xi(0)表示0采样时刻各塔板的物料浓度初始值,通过历史数据或者查询精馏塔的正常工作状态设计数据获得;
通过对浓度分布参数在初始值基础上进行阶跃变化,根据公式(1)计算精馏塔各塔板的物料浓度预测值发生的变化,即生成各塔板物料浓度对于浓度分布参数变化的灵敏度矩阵;灵敏度矩阵的元素计算公式如下:
式中,Xi(0)表示第i块塔板的物料浓度初始值,表示在浓度分布参数变化的情况下第i块塔板的物料浓度变化值,p表示浓度分布参数,即p=[S,Xmax,Xmin,k],j表示参数编号,pj(0)∈{S(0),Xmax(0),Xmin(0),k(0)},表示浓度分布参数初始值,表示指定的参数阶跃变化幅度;Kij为第i块塔板的物料浓度对第j个浓度分布参数变化的灵敏度,Kij越大,表示相应塔板的物料浓度对相应参数的灵敏度越高。
4.如权利要求3所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,所述灵敏度矩阵分析模块选取第一个测量点的步骤为:
计算协方差矩阵,其步骤为:根据公式(3)获得灵敏度矩阵元素,即灵敏度Kij,所有灵敏度矩阵元素构成灵敏度矩阵K,进而根据公式(4)得到协方差矩阵,公式(4)的表达式如下:
X=KTK (4)
式中,KT表示灵敏度矩阵K的转置,X表示协方差矩阵;
计算塔板的加权评价系数,并根据加权评价系数的大小选取第一个测量点,其步骤为:
根据公式(5)求取各塔板的加权评价系数,公式(5)的表达式如下:
式中,λj为协方差矩阵X的第j个特征值,Cij表示λj对应的单位特征向量的第i个元素,q表示浓度分布参数的数量,Ei表示第i块塔板的加权评价系数,表征了第i块塔板的物料浓度对于浓度分布参数的总体影响;
选择最大的Ei对应的第i块塔板作为第一个测量点。
5.如权利要求4所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,所述待选塔板相关性分析模块选取第2个到第q个测量点的步骤为:
(1)选取第2个测量点,其选取方法为:
设选取的第一块塔板编号为k1,其对应的灵敏度向量可记为其中元素从灵敏度矩阵K获得;
对于任意一个未选择的塔板i,对应的灵敏度向量记为si,则与si之间的夹角θi表示为:
选择夹角θi最接近90°对应的塔板i为第二个测量点;
(2)选取第3个到第q个测量点,其选取方法为:
a、设已经选取了n个测量点,则2≤n<q,每个对应塔板的灵敏度向量记为其中,l∈[1n],kl表示已选择作为测量点的塔板编号;
组成的n维向量空间中,任意向量表示为:
式中,al为常数;
对于任意一个未选择塔板对应的灵敏度向量si,在n维向量空间中与该未选择塔板距离最近的向量满足:
si与之间的夹角θi表示为:
选取夹角θi最接近90°对应的塔板i为下一个测量点;
b、迭代循环进行步骤a,直到找出q个测量点。
6.如权利要求5所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,根据所述局部浓度测量点离线选取分析模块选取的q个测量点,实际安装浓度测量装置,所述数据存储装置将所述浓度测量装置测得的q个塔板的物料浓度测量值进行储存,并将所测数据传输给所述全局浓度在线观测器;所述全局浓度在线观测器根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
7.如权利要求6所述的基于局部浓度测量的精馏过程全局浓度在线观测器,其特征在于,全局浓度在线观测器根据局部q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值的步骤为:
根据所测q个塔板的物料浓度在线估计浓度分布参数,通过求解如下最优问题实现参数估计:
式中,m表示当前采样时刻,q表示测量点的总数,l表示测量点的编号,kl表示测量点对应的塔板编号,表示当前采样时刻测量点所在的塔板物料浓度实测值,表示当前采样时刻测量点所在的塔板物料浓度估计值;求解公式(10)表示的最优问题即可得到当前采样时刻浓度分布参数的值S(m)、Xmax(m)、Xmin(m)、k(m);
根据当前时刻浓度分布参数的值S(m)、Xmax(m)、Xmin(m)、k(m),通过公式(11)得到没有浓度测量点的塔板的物料浓度估计值公式(11)表示为:
式中,i表示塔板编号,i≠kl,即不包含浓度测量点所在的塔板;
没有浓度测量点的塔板的物料浓度估计值与有浓度测量点的塔板物料浓度实测值共同构成整个精馏塔的全局浓度观测值,通过全局浓度观测值对精馏塔进行全局浓度观测,即实现全局塔板物料浓度观测。
8.一种精馏过程全局浓度在线观方法,其特征在于,采用如权利要求1至7任意一项所述在线观测器,其步骤为:
局部浓度测量点离线选取分析模块选取q个浓度测量点,根据已选浓度测量点安装浓度测量装置;
浓度测量装置测量q个塔板的物料浓度,并通过数据存储装置进行存储;
数据存储装置将存储的物料浓度信息传输给全局浓度在线观测器,全局浓度在线观测器根据q个塔板的物料浓度测量值在线估计所有塔板的物料浓度值,即实现全局塔板物料浓度观测。
9.如权利要求8所述精馏过程全局浓度在线观方法,其特征在于,全局浓度在线观测器观测的各塔板物料浓度信息通过上位机监测界面进行显示和监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910352999.9A CN109966771B (zh) | 2019-04-29 | 2019-04-29 | 基于局部浓度测量的精馏过程全局浓度在线观测器及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910352999.9A CN109966771B (zh) | 2019-04-29 | 2019-04-29 | 基于局部浓度测量的精馏过程全局浓度在线观测器及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109966771A true CN109966771A (zh) | 2019-07-05 |
CN109966771B CN109966771B (zh) | 2021-01-22 |
Family
ID=67086881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910352999.9A Active CN109966771B (zh) | 2019-04-29 | 2019-04-29 | 基于局部浓度测量的精馏过程全局浓度在线观测器及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109966771B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6707473B2 (en) * | 2001-08-01 | 2004-03-16 | Microsoft Corporation | Dynamic rendering of ink strokes with transparency |
CN101884849A (zh) * | 2010-06-30 | 2010-11-17 | 浙江大学 | 一种高纯精馏过程的浓度非线性观测系统及方法 |
CN102380220A (zh) * | 2011-10-10 | 2012-03-21 | 上海师范大学 | 一种乙烯精馏塔塔釜乙烯浓度的测量方法 |
CN104606912A (zh) * | 2015-01-13 | 2015-05-13 | 中国石油大学(华东) | 基于温度波特性的内部热耦合精馏在线观测器 |
CN109683559A (zh) * | 2017-10-18 | 2019-04-26 | 林德股份公司 | 蒸馏塔在运行状态变化时的建模 |
-
2019
- 2019-04-29 CN CN201910352999.9A patent/CN109966771B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6707473B2 (en) * | 2001-08-01 | 2004-03-16 | Microsoft Corporation | Dynamic rendering of ink strokes with transparency |
CN101884849A (zh) * | 2010-06-30 | 2010-11-17 | 浙江大学 | 一种高纯精馏过程的浓度非线性观测系统及方法 |
CN102380220A (zh) * | 2011-10-10 | 2012-03-21 | 上海师范大学 | 一种乙烯精馏塔塔釜乙烯浓度的测量方法 |
CN104606912A (zh) * | 2015-01-13 | 2015-05-13 | 中国石油大学(华东) | 基于温度波特性的内部热耦合精馏在线观测器 |
CN109683559A (zh) * | 2017-10-18 | 2019-04-26 | 林德股份公司 | 蒸馏塔在运行状态变化时的建模 |
Also Published As
Publication number | Publication date |
---|---|
CN109966771B (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dunia et al. | A unified geometric approach to process and sensor fault identification and reconstruction: the unidimensional fault case | |
Altissimo et al. | New Eurocoin: Tracking economic growth in real time | |
US20180046155A1 (en) | Identifying and implementing refinery or petrochemical plant process performance improvements | |
Giannone et al. | VARs, common factors and the empirical validation of equilibrium business cycle models | |
CN110245650B (zh) | 振动智能检测方法及相关产品 | |
CN109242041A (zh) | 一种电能表异常数据检测方法、装置、设备及存储介质 | |
Camacho et al. | Spanish diffusion indexes | |
CN110319808A (zh) | 倾角传感器测量大跨度拱桥拱肋变形精度预测及评估方法 | |
CN110052050A (zh) | 基于塔板温度的内部热耦合精馏塔全局状态观测器及方法 | |
CN109784528A (zh) | 基于时间序列和支持向量回归的水质预测方法及装置 | |
Yang et al. | Performance monitoring method based on balanced partial least square and statistics pattern analysis | |
CN109040084A (zh) | 一种网络流量异常检测方法、装置、设备及存储介质 | |
CN110186854A (zh) | 一种食品安全性信息检测方法 | |
CN105842298A (zh) | 两相流含水率的自适应估计方法 | |
CN109966771A (zh) | 基于局部浓度测量的精馏过程全局浓度在线观测器及方法 | |
Magari | Statistics for laboratory method comparison studies | |
CN108955837A (zh) | 一种质量流量计在线系统误差的确定方法及其应用 | |
CN110052051A (zh) | 基于塔板温度的精馏过程全局浓度在线观测器及方法 | |
CN111912638A (zh) | 一种在线故障根源识别的精馏塔故障诊断方法 | |
CN110045714B (zh) | 一种基于权重近邻规则的工业过程监控方法 | |
Paloviita | Inflation dynamics in the euro area and the role of expectations: further results | |
CN109816554A (zh) | 基于灰色关联度的电网投资预测指标选择方法 | |
Corona et al. | Data-derived analysis and inference for an industrial deethanizer | |
Xie et al. | A data-driven adaptive multivariate steady state detection strategy for the evaporation process of the sodium aluminate solution | |
Gao et al. | Soft sensor modeling based on PCA and LS-SVM for strip thickness in cold steel rolling mills |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |