CN111142494B - 一种胺液再生装置的智能控制方法及系统 - Google Patents
一种胺液再生装置的智能控制方法及系统 Download PDFInfo
- Publication number
- CN111142494B CN111142494B CN202010054579.5A CN202010054579A CN111142494B CN 111142494 B CN111142494 B CN 111142494B CN 202010054579 A CN202010054579 A CN 202010054579A CN 111142494 B CN111142494 B CN 111142494B
- Authority
- CN
- China
- Prior art keywords
- amine
- parameters
- tower
- amine liquid
- artificial neuron
- 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
- 150000001412 amines Chemical class 0.000 title claims abstract description 201
- 239000007788 liquid Substances 0.000 title claims abstract description 101
- 230000008929 regeneration Effects 0.000 title claims abstract description 88
- 238000011069 regeneration method Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 70
- 210000002569 neuron Anatomy 0.000 claims abstract description 93
- 238000004088 simulation Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 239000002253 acid Substances 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 15
- 238000010992 reflux Methods 0.000 claims description 15
- 230000001172 regenerating effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012856 packing Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 33
- 239000007789 gas Substances 0.000 description 25
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 11
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 11
- 229910052799 carbon Inorganic materials 0.000 description 11
- 229910052717 sulfur Inorganic materials 0.000 description 11
- 239000011593 sulfur Substances 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 239000000047 product Substances 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 239000012071 phase Substances 0.000 description 6
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 2
- 230000002745 absorbent Effects 0.000 description 2
- 239000002250 absorbent Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 2
- -1 amine hydrogen sulfide Chemical class 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011065 in-situ storage Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000008213 purified water Substances 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- VVNCNSJFMMFHPL-VKHMYHEASA-N D-penicillamine Chemical compound CC(C)(S)[C@@H](N)C(O)=O VVNCNSJFMMFHPL-VKHMYHEASA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005261 decarburization Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006477 desulfuration reaction Methods 0.000 description 1
- 230000023556 desulfurization Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000012808 vapor phase Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/34—Chemical or biological purification of waste gases
- B01D53/96—Regeneration, reactivation or recycling of reactants
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Computation (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- General Chemical & Material Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Gas Separation By Absorption (AREA)
- Treating Waste Gases (AREA)
Abstract
本发明公开了一种胺液再生装置的智能控制方法及系统，所述方法包括如下步骤：步骤S1，采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立所述胺液再生装置的人工神经元网络模型；步骤S2，利用步骤S1所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作。
Description
技术领域
本发明涉及化学工程技术领域，特别是涉及一种胺液再生装置的智能控制方法及系统。
背景技术
在炼油、石化等工业企业内部，胺液吸收是脱硫脱碳的常规工艺，将使用后的吸收剂富胺进行加热再生，使之脱除酸性气体还原为贫胺的装置就是胺液再生装置，如图1所示。
胺液再生装置一般是服务于核心炼油、石化或油气加工的辅助工艺装置。上游装置多点产生富胺，汇总到一个胺液再生装置进行处理，这个特质造成胺液再生的富胺进料量和进料组成时刻波动，且波动幅度可能很大。根据目前行业内普遍的计量水平，贫胺、富胺的分析频率往往有限，难以做到实时计量。
目前国内一般胺液再生装置都采用集散控制系统(Distributed ControlSystem，DCS)控制方法对生产操作进行控制。由于胺液再生塔的进料和产品关键组分浓度波动，在全塔温度分布变化上体现的不明显，而进出料组分变化对再沸能量需求的影响其实相当大，因此一般DCS方案很容易导致产品(贫胺)质量过剩，造成能耗损失。
发明内容
为克服上述现有技术存在的不足，本发明之目的在于提供一种胺液再生装置的智能控制方法及系统，以利用胺液再生塔的人工神经元网络建模技术对难以实时计量的关键参数进行预测，从而将全塔运行状态控制在接近最优的状态，既防止产品不达标，又防止产品质量过剩造成能耗过量损失。
为达上述及其它目的，本发明提出一种胺液再生装置的智能控制方法，包括如下步骤：
步骤S1，采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立所述胺液再生装置的人工神经元网络模型；
步骤S2，利用步骤S1所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作。
优选地，步骤S1进一步包括：
步骤S100，采集覆盖所述胺液再生装置操作波动范围的全塔操作和分析数据，其数据来源既包括现场仪表计量和实验室分析数据，也包括对所述胺液再生装置进行流程模拟所得到的数据以补充现场难以大量计量的数据；
步骤S101，选择所述胺液再生装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的人工神经元网络数学模型；
步骤S102，根据选择的关键参数和关联参数建立人工神经元网络模型的结构；
步骤S103，对参与建模的关键参数与关联参数进行归一化处理；
步骤S104，利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果。
优选地，于步骤S100中，所述全塔操作和分析数据包括但不限于：
环境数据：大气温度和压力；
塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
精馏目标参数：塔底出料贫胺以及塔顶出酸性气的关键组分要求；
塔的操作参数：进料富胺的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底贫胺流量和组成分析；塔底再沸热源用量；
塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
优选地，于步骤S101中，所述关键参数包括但不限于所述胺液再生塔的进料富胺和出料贫胺的关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷。
优选地，步骤S1进一步包括：
步骤S105，每隔若干时间采集新的数据点，对所述人工神经元网络模型进行重新培训、实现参数更新，使之能够长期准确地对关键参数进行预测。
优选地，步骤S2进一步包括：
步骤S200，通过所述人工神经元网络模型对进料富胺中H2S和CO2的总含量进行智能预测；
步骤S201，根据步骤S200的预测结果，利用所述人工神经元网络模型对当前贫胺中的H2S和CO2的总含量进行智能预测；
步骤S202，利用智能预测得到的当前出料贫胺的H2S和CO2总浓度优化胺液再生塔塔底再沸负荷的控制。
优选地，于步骤S200中，将进料富胺的H2S和CO2总量作为关键参数，利用所述人工神经元网络模型，于进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量参数中选择若干操作参数进行关联，并利用对操作参数的计量以及所述人工神经元网络模型，实时预测富胺的H2S和CO2的总含量。
优选地，于步骤S201中，于进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量参数中选择若干操作参数，利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测当前贫胺的H2S和CO2的总含量。
优选地，于步骤S202中，利用智能预测得到的当前出料贫胺的H2S和CO2总含量，对比工艺要求的贫胺H2S和CO2总含量，确定再沸器蒸汽负荷的变化要求，从而优化胺液再生塔塔底再沸负荷的控制。
为达到上述目的，本发明还提供一种胺液再生装置的智能控制系统，包括：
建模单元，用于采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立该装置的人工神经元网络模型；
控制单元，用于利用所述建模单元所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作。
与现有技术相比，本发明一种胺液再生装置的智能控制方法及系统通过采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立所述胺液再生装置的人工神经元网络模型，然后利用所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作，本发明通过利用胺液再生塔的人工神经元网络模型对难以实时计量的关键参数进行预测，从而将全塔运行状态控制在接近最优的状态，既防止产品不达标，又防止产品质量过剩造成能耗过量损失。
附图说明
图1为现有技术中胺液再生装置工艺的工艺过程图；
图2为本发明一种胺液再生装置的智能控制方法的步骤流程图；
图3为本发明一种胺液再生装置的智能控制系统的系统架构图；
图4为本发明具体实施例中胺液再生装置的智能控制过程示意图。
具体实施方式
以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
图2为本发明一种胺液再生装置的智能控制方法的步骤流程图。如图2所示，本发明一种胺液再生装置的智能控制方法，包括如下步骤：
步骤S1，采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立该装置的人工神经元网络模型。
具体地，步骤S1进一步包括：
步骤S100，采集覆盖胺液再生装置操作波动范围的全塔操作和分析数据。
所述全塔操作和分析数据包括但不限制于：
1、环境数据：大气温度和压力；
2、塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
3、精馏目标参数：塔底出料贫胺以及塔顶出酸性气的关键组分要求；
4、塔的操作参数：进料富胺的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底贫胺流量和组成分析；塔底再沸热源用量；
5、塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
上述数据的采集可以通过如下两种方法实现：一种方法是通过现场计量仪表和分析数据的积累获得；另一种方法则是通过建立该装置的工艺流程模拟模型，通过在可行范围内调整模型参数来大量获取数据。这里需说明的是，通过现场计量仪表和实验室分析获得的数据，需基于物料及能量平衡的原则进行相应的数据校正处理；通过建立工艺流程模拟模型得到的数据需要补充现场计量和分析数据来进行模型数据校正，以确保模型数据与实际计量结果足够接近。
具体地，通过对所述胺液再生装置建立工艺流程模拟模型，利用该流程模拟模型在关键运行参数可行范围内调整模型参数反复执行模拟计算，从而大量补充获取现场难以大量计量的数据，对所述基于工艺流程模拟模型的建立，需同现场计量和实验室分析所得的多工况数据进行数据比较，确定工艺流程模拟数据与现场计量数据之间的系统偏差以及物性预测偏差，以确保所述工艺流程模拟模型的计算结果与实际计量结果足够接近。
步骤S101，选择胺液再生装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的人工神经元网络数学模型。
在本发明具体实施例中，所述关键参数包括但不限于胺液再生塔的进料富胺和出料贫胺的关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷。这些关键参数对评估装置再生效果和能耗水平有重要作用，且分析数据等难以实时计量。因此本发明利用人工神经元网络模型对这些关键参数进行预测，可以帮助装置控制生产性能。
每个关键变量都可以选择多种不同的相关参数组合进行关联，以进料富胺的硫化氢和二氧化碳总含量这个关键参数为例，可以考虑关联进料流量(FInlet)和温度(TInlet)、塔顶温度TOvhd、关键塔板温度(TKeyPlate)、回流流量(FRflx)和温度(TReflx)和再沸蒸汽量(QSteam)、塔顶气相产出(VTop)等相关变量。
其中，
代表进料富胺硫化氢和二氧化碳总含量，NN代表人工神经元网络模型。
实际生产应用时，即使采用同一种工艺，不同装置的计量水平和操作波动状况不同，需要根据实际需要选择关键参数。
步骤S102，根据选择的关键参数和关联参数建立人工神经元网络模型的结构。
人工神经元网络模型也称神经网络或类神经网络，是一种人工智能运算模型。对于胺液再生塔，本发明采用向前传递结构(Feed-forward networks)的人工神经元网络。所述模型的数学表述如下：
aj＝f1(Wi,jxi+bj)
yk＝f2(Wj,kaj+bk)
其中，xi为神经元的输入，即步骤S101中被选择的关联参数，aj是中间层神经元，yk为输出层结果，即步骤S101选出的关键变量由神经元网络模型计算得到的结果，W和b分别为对应各层各个神经元的权系数和偏置系数，f1和f2为传播函数，在本发明中，所述传播函数选择Sigmoid型函数，即：
z表示传播函数f1和f2输入数值。
在本发明具体实施例中，需要确立的模型结构参数包括输入层的神经元数目、隐藏层层数和神经元数目等。对同一组目标参数和关联参数，不同的神经元网络结果模型会导致不同的模型输出精度。
步骤S103，对参与建模的关键参数与关联参数进行归一化处理。即在本发明具体实施例中，需对所有现场采集的数据基于物料及能量平衡的原则进行归一化处理。
步骤S104，利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数(包括权系数W和偏置系数b)，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果(即步骤S100中采集到的数据)；
在本发明具体实施例中，采用反向传播培训算法，该算法通过调整权系数W和偏置系数b，利用梯度下降优化方法寻找人工神经元网络预测值与实际测量值的最小平方差：
其中N为参与培训样本数目，tk为人工神经元网络模型的预测值，F为预测值和实测值的最小评价方差。
通过上述步骤，可以得到对一个胺液再生塔的关键参数的预测模型。比如，可利用实时可以计量的环境压力、塔顶塔底压力和温度、进料量、回流量、回流温度和关键板温度等参数，预估进料富胺的H2S和CO2总含量，从而实现对进料关键组分的软仪表实时计量。
优选地，步骤S1还包括：
步骤S105，每隔若干时间采集新的数据点，对模型进行重新培训、实现参数更新，使之能够长期准确地对关键参数进行预测。由于实际生产中，胺液再生塔的操作表现会受其他一些环境因素的影响，可能随时间的推移发生变化，因此需要每隔一段时间补充新的数据点，对模型进行重新培训、实现参数更新，使之能够长期准确的对关键参数做出预测。
步骤S2，利用步骤S1所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作。
具体地，步骤S2进一步包括：
步骤S200，通过所述人工神经元网络模型对进料富胺中H2S和CO2的总含量进行智能预测。
由于进料富胺的酸性组分浓度对再生塔的能耗有显著影响。本发明利用该模型对其进行智能模型预测。具体地，将进料富胺的H2S和CO2总量作为关键参数，利用所述人工神经元网络模型，与一系列操作参数进行关联，这部分操作参数可以在下列参数中进行选择：进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量，这些用于关联的操作参数可以根据现场实际的计量条件进行增补或删减，然后利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测富胺的H2S和CO2的总含量。
步骤S201，根据步骤S200的预测结果，利用所述人工神经元网络模型对当前贫胺中的H2S和CO2的总含量进行智能预测。
由于贫胺中的硫、碳总浓度对再沸能耗有显著影响，因此需要利用人工神经元网络模型实时对其进行预测，确保贫胺中的硫、碳含量浓度合格。这部分操作参数可以在下列参数中进行选择：进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量。这些用于关联的操作参数可以根据现场实际的计量条件进行增补或删减，利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测当前贫胺的H2S和CO2的总含量
步骤S202，利用智能预测得到的当前出料贫胺的H2S和CO2总含量优化胺液再生塔塔底再沸负荷的控制。
具体地，于步骤S202中，利用智能预测得到的出料贫胺的H2S和CO2总含量，对比工艺要求的贫胺H2S和CO2浓度，确定再沸器蒸汽负荷的变化要求。需要指出的是，由于人工神经元网络模型对参数的预测有一定程度的误差，为防止模型误差导致净化水纯度不合格，可以在比较模型输出的贫胺硫、碳浓度和工艺要求时，将模型潜在的最大误差作为保证量纳入比较。即在工艺要求的贫胺硫、碳浓度的基础上，纳入模型最大误差，防止贫胺品质不合格。
图3为本发明一种胺液再生装置的智能控制系统的系统架构图。如图3所示，本发明一种胺液再生装置的智能控制系统，包括：
建模单元301，用于采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立该装置的人工神经元网络模型。
具体地，建模单元301进一步包括：
数据采集单元3010，用于采集覆盖胺液再生装置操作波动范围的全塔操作和分析数据。
所述全塔操作和分析数据包括但不限制于：
1、环境数据：大气温度和压力；
2、塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
3、精馏目标参数：塔底出料贫胺以及塔顶出酸性气的关键组分要求；
4、塔的操作参数：进料富胺的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底贫胺流量和组成分析；塔底再沸热源用量；
5、塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
上述数据的采集可以通过如下两种方法实现：一种方法是通过现场计量仪表和分析数据的积累获得；另一种方法则是通过建立该装置的工艺流程模拟模型，通过在可行范围内调整模型参数来大量获取数据。这里需说明的是，通过现场计量仪表和实验室分析获得的数据，需基于物料及能量平衡的原则进行相应的数据校正处理；通过建立工艺流程模拟模型得到的数据需要补充现场计量和分析数据来进行模型数据校正，以确保模型数据与实际计量结果足够接近。
具体地，通过对所述胺液再生装置建立工艺流程模拟模型，利用该流程模拟模型在关键运行参数可行范围内调整模型参数反复执行模拟计算，从而大量补充获取现场难以大量计量的数据，对所述基于工艺流程模拟模型的建立，需同现场计量和实验室分析所得的多工况数据进行数据比较，确定工艺流程模拟数据与现场计量数据之间的系统偏差以及物性预测偏差，以确保所述工艺流程模拟模型的计算结果与实际计量结果足够接近。
参数选择单元3011，用于选择胺液再生装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的人工神经元网络数学模型。
在本发明具体实施例中，所述关键参数包括但不限于胺液再生塔的进料富胺和出料贫胺的关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷。这些关键参数对评估装置再生效果和能耗水平有重要作用，且分析数据等难以实时计量。因此本发明利用人工神经元网络模型对这些关键参数进行预测，可以帮助装置控制生产性能。
每个关键变量都可以选择多种不同的相关参数组合进行关联，以进料富胺的硫化氢和二氧化碳总含量这个关键参数为例，可以考虑关联进料流量(FInlet)和温度(TInlet)、塔顶温度TOvhd、关键塔板温度(TKeyPlate)、回流流量(FRflx)和温度(TReflx)和再沸蒸汽量(QSteam)、塔顶气相产出(VTop)等相关变量。
其中，
代表进料富胺硫化氢和二氧化碳总含量，NN代表人工神经元网络模型。
实际生产应用时，即使采用同一种工艺，不同装置的计量水平和操作波动状况不同，需要根据实际需要选择关键参数。
模型构建单元3012，根据选择的关键参数和关联参数建立人工神经元网络模型的结构。
人工神经元网络模型也称神经网络或类神经网络，是一种人工智能运算模型。对于胺液再生塔，本发明采用向前传递结构(Feed-forward networks)的人工神经元网络。所述模型的数学表述如下：
aj＝f1(Wi,jxi+bj)
yk＝f2(Wj,kaj+bk)
其中，xi为神经元的输入，即参数选择单元3011中被选择的关联参数，aj是中间层神经元，yk为输出层结果，即参数选择单元3011选出的关键变量由神经元网络模型计算得到的结果，W和b分别为对应各层各个神经元的权系数和偏置系数，f1和f2为传播函数，在本发明中，所述传播函数选择Sigmoid型函数，即：
z表示传播函数f1和f2输入数值。
在本发明具体实施例中，需要确立的模型结构参数包括输入层的神经元数目、隐藏层层数和神经元数目等。对同一组目标参数和关联参数，不同的神经元网络结果模型会导致不同的模型输出精度。
归一化处理单元3013，用于对参与建模的关键参数与关联参数进行归一化处理。即在本发明具体实施例中，需对所有现场采集的数据基于物料及能量平衡的原则进行归一化处理。
模型训练单元3014，用于利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数(包括权系数W和偏置系数b)，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果(即步骤数据采集单元3010中采集到的数据)；
在本发明具体实施例中，采用反向传播培训算法，该算法通过调整权系数W和偏置系数b，利用梯度下降优化方法寻找人工神经元网络预测值与实际测量值的最小平方差：
其中N为参与培训样本数目，tk为人工神经元网络模型的预测值，F为预测值和实测值的最小评价方差。
通过上述步骤，可以得到对一个胺液再生塔的关键参数的预测模型。比如，可利用实时可以计量的环境压力、塔顶塔底压力和温度、进料量、回流量、回流温度和关键板温度等参数，预估进料富胺的H2S和CO2总含量，从而实现对进料关键组分的软仪表实时计量。
优选地，所述建模单元还包括：
重训练模块，用于每隔若干时间采集新的数据点，对模型进行重新培训、实现参数更新，使之能够长期准确地对关键参数进行预测。由于实际生产中，胺液再生塔的操作表现会受其他一些环境因素的影响，可能随时间的推移发生变化，因此需要每隔一段时间补充新的数据点，对模型进行重新培训、实现参数更新，使之能够长期准确的对关键参数做出预测。
控制单元302，用于利用建模单元301所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作。
具体地，控制单元302进一步包括：
富胺酸性气含量估算器3021，用于通过所述人工神经元网络模型对进料富胺中H2S和CO2的总含量进行智能预测。
由于进料富胺的酸性组分浓度对再生塔的能耗有显著影响。本发明利用该模型对其进行智能模型预测。具体地，将进料富胺的H2S和CO2总量作为关键参数，利用所述人工神经元网络模型，与一系列操作参数进行关联，这部分操作参数可以在下列参数中进行选择：进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量等，这些用于关联的操作参数可以根据现场实际的计量条件进行增补或删减，如图4所示，A1即富胺酸性气含量估算器3021，然后利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测富胺的H2S和CO2的总含量。
需说明的是，本发明中的H2S和CO2在胺液中，不是以原分子的状态存在的，实质上是与胺液离子结合存在的，预测富胺的硫和碳总含量即可预测富胺的H2S和CO2的总含量。
贫胺酸性气含量估算器3022，获得富胺酸性气含量估算器3021输出的富胺、酸性气的流量，利用所述人工神经元网络模型对当前贫胺中的H2S和CO2的总含量进行智能预测。
由于贫胺中的硫、碳总浓度对再沸能耗有显著影响，因此需要利用人工神经元网络模型实时对其进行预测，确保贫胺中的硫、碳含量浓度合格。这部分操作参数可以在下列参数中进行选择：进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量等。这些用于关联的操作参数可以根据现场实际的计量条件进行增补或删减，如图4所示，A2为贫胺酸性气含量估算器3022利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测当前贫胺的H2S和CO2的总含量。
也就是说，在本发明中，对贫胺中H2S和CO2含量的评估在富胺之后，其需要先通过富胺酸性气含量估算器A1估算出富胺的H2S和CO2总含量，然后就将其送入贫胺酸性气含量估算器A2得到贫胺的组分预测结果。
控制模块3023，用于利用智能贫胺酸性气含量估算器3022的预测结果优化胺液再生塔塔底再沸负荷的控制。
具体地，于控制模块3023，即图4中FC1，中，利用智能预测得到的当前出料贫胺的H2S和CO2总含量，对比工艺要求的贫胺H2S和CO2浓度，确定再沸器蒸汽负荷的变化要求。需要指出的是，由于人工神经元网络模型对参数的预测有一定程度的误差，为防止模型误差导致净化水纯度不合格，可以在比较模型输出的贫胺硫、碳浓度和工艺要求时，将模型潜在的最大误差作为保证量纳入比较。即在工艺要求的贫胺硫、碳浓度的基础上，纳入模型最大误差，防止贫胺品质不合格。
需说明的是，图4中LC为液位控制器，PC为压力控制器，TC为温度控制器，均为胺液再生装置的常规器件，在此不予赘述。
综上所述，本发明一种胺液再生装置的智能控制方法及系统通过采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立所述胺液再生装置的人工神经元网络模型，然后利用所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作，本发明通过利用胺液再生塔的人工神经元网络模型对难以实时计量的关键参数进行预测，从而将全塔运行状态控制在接近最优的状态，既防止产品不达标，又防止产品质量过剩造成能耗过量损失。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如权利要求书所列。
Claims (8)
1.一种胺液再生装置的智能控制方法，包括如下步骤：
步骤S1，采集并利用胺液再生装置的现场仪表计量和现场分析数据，结合针对该胺液再生装置的工艺流程模拟模型，建立所述胺液再生装置的人工神经元网络模型；
步骤S2，利用步骤S1所建立的人工神经元网络模型对胺液再生塔的进料富胺和出料贫胺的关键组分含量进行实时预测，并利用所述人工神经元网络模型的预测结果结合装置现场的DCS控制系统，实时智能控制胺液再生塔的操作；
步骤S1进一步包括：
步骤S100，采集覆盖所述胺液再生装置操作波动范围的全塔操作和分析数据，其数据来源既包括现场仪表计量和实验室分析数据，也包括对所述胺液再生装置进行流程模拟所得到的数据以补充现场难以大量计量的数据；
步骤S101，选择所述胺液再生装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的人工神经元网络数学模型；
步骤S102，根据选择的关键参数和关联参数建立人工神经元网络模型的结构；
步骤S103，对参与建模的关键参数与关联参数进行归一化处理；
步骤S104，利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果。
2.如权利要求1所述的一种胺液再生装置的智能控制方法，其特征在于，于步骤S100中，所述全塔操作和分析数据包括但不限于：
环境数据：大气温度和压力；
塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
精馏目标参数：塔底出料贫胺以及塔顶出酸性气的关键组分要求；
塔的操作参数：进料富胺的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底贫胺流量和组成分析；塔底再沸热源用量；
塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
3.如权利要求1所述的一种胺液再生装置的智能控制方法，其特征在于：于步骤S101中，所述关键参数包括但不限于所述胺液再生塔的进料富胺和出料贫胺的关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷。
4.如权利要求1所述的一种胺液再生装置的智能控制方法，其特征在于，步骤S1进一步包括：
步骤S105，每隔若干时间采集新的数据点，对所述人工神经元网络模型进行重新培训、实现参数更新，使之能够长期准确地对关键参数进行预测。
5.如权利要求1所述的一种胺液再生装置的智能控制方法，其特征在于，步骤S2进一步包括：
步骤S200，通过所述人工神经元网络模型对进料富胺中H2S和CO2的总含量进行智能预测；
步骤S201，根据步骤S200的预测结果，利用所述人工神经元网络模型对当前贫胺中的H2S和CO2的总含量进行智能预测；
步骤S202，利用智能预测得到的当前出料贫胺的H2S和CO2总浓度优化胺液再生塔塔底再沸负荷的控制。
6.如权利要求5所述的一种胺液再生装置的智能控制方法，其特征在于：于步骤S200中，将进料富胺的H2S和CO2总量作为关键参数，利用所述人工神经元网络模型，于进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量参数中选择若干操作参数进行关联，并利用对操作参数的计量以及所述人工神经元网络模型，实时预测富胺的H2S和CO2的总含量。
7.如权利要求6所述的一种胺液再生装置的智能控制方法，其特征在于：于步骤S201中，于进料温度、塔顶温度、塔底温度、塔顶压力、塔底压力、进料量、回流量、塔顶气相流量、再沸蒸汽用量参数中选择若干操作参数，利用对操作参数的计量以及所述人工神经元网络模型，可以实时预测当前贫胺的H2S和CO2的总含量。
8.如权利要求7所述的一种胺液再生装置的智能控制方法，其特征在于：于步骤S202中，利用智能预测得到的当前出料贫胺的H2S和CO2总含量，对比工艺要求的贫胺H2S和CO2总含量，确定再沸器蒸汽负荷的变化要求，从而优化胺液再生塔塔底再沸负荷的控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010054579.5A CN111142494B (zh) | 2020-01-17 | 2020-01-17 | 一种胺液再生装置的智能控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010054579.5A CN111142494B (zh) | 2020-01-17 | 2020-01-17 | 一种胺液再生装置的智能控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111142494A CN111142494A (zh) | 2020-05-12 |
| CN111142494B true CN111142494B (zh) | 2021-02-09 |
Family
ID=70525869
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010054579.5A Active CN111142494B (zh) | 2020-01-17 | 2020-01-17 | 一种胺液再生装置的智能控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111142494B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7431708B2 (ja) * | 2020-09-11 | 2024-02-15 | 株式会社東芝 | 酸性ガス除去制御装置、酸性ガス除去制御方法、および酸性ガス除去装置 |
| CN112486111B (zh) * | 2020-11-17 | 2021-12-14 | 湖南师范大学 | 一种基于数据分析的食用油碱炼工艺智能调节方法 |
| CN114191833A (zh) * | 2021-12-19 | 2022-03-18 | 山东清沂山石化科技有限公司 | 一种用于胺液再生塔的在线蒸塔洗盐系统 |
| CN117875167A (zh) * | 2023-12-27 | 2024-04-12 | 中国石油天然气集团有限公司 | 一种烟气co2捕集装置工艺参数的优化方法、装置和设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
| CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
| CN104657586A (zh) * | 2014-12-31 | 2015-05-27 | 重庆科技学院 | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 |
-
2020
- 2020-01-17 CN CN202010054579.5A patent/CN111142494B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104656441A (zh) * | 2014-12-29 | 2015-05-27 | 重庆科技学院 | 基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法 |
| CN104636600A (zh) * | 2014-12-31 | 2015-05-20 | 中国石油化工股份有限公司中原油田普光分公司 | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 |
| CN104657586A (zh) * | 2014-12-31 | 2015-05-27 | 重庆科技学院 | 基于异常工况检测的高含硫天然气净化工艺建模优化方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胺液再生装置节能降耗的探讨;姜俊晓;《石油化工设计》(第04期);全文 * |
| 胺液再生装置贫液指标对能耗的影响;汪青汉;《化工管理》;20160901(第25期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111142494A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| CN109840362B (zh) | 一种基于多目标优化的集成即时学习工业过程软测量建模方法 | |
| US6088630A (en) | Automatic control system for unit operation | |
| CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
| CN1193279C (zh) | 在线校准的方法 | |
| CN113420500B (zh) | 智能常减压系统 | |
| Wu et al. | Integrated soft sensing of coke-oven temperature | |
| CN115034129B (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
| CN104750902A (zh) | 基于多输出支持向量回归机的铁水质量多元动态软测量方法 | |
| CN110009142A (zh) | 一种数据驱动的石化企业计划优化方法 | |
| CN112083694A (zh) | 氧气底吹铜吹炼过程反馈控制方法、装置及电子设备 | |
| CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
| Al Jlibawi et al. | Optimization of distribution control system in oil refinery by applying hybrid machine learning techniques | |
| CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
| CN107247994B (zh) | 一种托盘塔脱硫装置脱硫效率的模糊建模方法 | |
| NASSER et al. | Online composition prediction of a debutanizer column using artificial neural network | |
| Jäschke et al. | Using process data for finding self-optimizing controlled variables | |
| CN107870611A (zh) | 车间模拟装置及车间模拟方法 | |
| CN106777468A (zh) | 高含硫天然气脱硫工艺强跟踪演化建模方法 | |
| CN115201408A (zh) | 一种全工况下脱硫出口二氧化硫浓度预测方法 | |
| CN114187975B (zh) | 一种柴油加氢装置数据模型的优化和自动更新方法及系统 | |
| Faber et al. | Data reconciliation for real-time optimization of an industrial coke-oven-gas purification process | |
| CN111079350A (zh) | 一种单塔低压酸性水汽提装置操作性能的建模方法及装置 | |
| CN109101683A (zh) | 燃煤分质利用与清洁预处理系统热解釜的模型更新方法 | |
| Jiang et al. | Optimal product quality control in a hydrocracking fractionator with process simulation approaches |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Lou Yuhang Inventor after: Zhang Nan Inventor after: Li Guanghui Inventor after: Rao Pinhua Inventor after: Gu Dungang Inventor before: Lou Yuhang Inventor before: Zhang Nan |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |