CN112250538B - 一种异丙苯精制工艺流程 - Google Patents
一种异丙苯精制工艺流程 Download PDFInfo
- Publication number
- CN112250538B CN112250538B CN202011267612.9A CN202011267612A CN112250538B CN 112250538 B CN112250538 B CN 112250538B CN 202011267612 A CN202011267612 A CN 202011267612A CN 112250538 B CN112250538 B CN 112250538B
- Authority
- CN
- China
- Prior art keywords
- cumene
- tower
- pressure
- product
- component removal
- 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
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
- C07C7/00—Purification; Separation; Use of additives
- C07C7/005—Processes comprising at least two steps in series
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
- C07C7/00—Purification; Separation; Use of additives
- C07C7/04—Purification; Separation; Use of additives by distillation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Water Supply & Treatment (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明提供一种异丙苯产品精制工艺流程,包括如下步骤:(1)将来自烷基化反应器的产物与来自烷基化转移反应器的产物输送至原料混合器进行混合得到混合进料;(2)将所述混合进料输送至高压脱重塔,高压脱重塔的塔顶采出物输送至脱轻塔,高压脱重塔的塔釜采出物输送至低压脱重塔;(3)所述脱轻塔的塔釜采出物为异丙苯产品送入产品罐;(4)所述低压脱重塔的塔釜采出物为包括多异丙苯的重组分,所述低压脱重塔的塔顶采出物为异丙苯产品送入产品罐。本发明中的方案通三塔精馏分离能够提高异丙苯产品的纯度,并且通过将脱重塔拆分为高、低压两塔,能够方便地进行双效精馏换热,节省公用工程的消耗。
Description
技术领域
本发明涉及化工产品制备工艺技术领域,具体涉及一种异丙苯产品精制工艺流程。
背景技术
异丙苯是苯酚和丙酮的重要原材料,工业上大都是以丙烯和苯为原料,采用固体磷酸SPA为催化剂,反应得到粗异丙苯,再经过精制流程得到异丙苯产品,即UOP法。该流程中,精制流程利用两塔模型,先是经过脱轻塔得到副产品苯,再经过异丙苯脱重塔得到产品异丙苯和重组分,整个流程能耗相对较高,且受到原料组成及工况波动的影响,会造成产品质量的波动。
因此需要提供一种能优化精制流程,保证产品的高纯度以及降低工艺过程能耗。
发明内容
本发明旨在提供一种异丙苯产品精制工艺流程,以解决现有技术中异丙苯产品制备工艺流程存在的纯度较低和能耗较高的问题。
为此,本发明一部分实施例提供一种异丙苯产品精制工艺流程,包括如下步骤:
(1)将来自烷基化反应器的产物与来自烷基化转移反应器的产物输送至原料混合器进行混合得到混合进料;
(2)将所述混合进料输送至高压脱重塔,高压脱重塔的塔顶采出物输送至脱轻塔,高压脱重塔的塔釜采出物输送至低压脱重塔;
(3)所述脱轻塔的塔釜采出物为异丙苯产品送入产品罐;
(4)所述低压脱重塔的塔釜采出物为包括多异丙苯的重组分,所述低压脱重塔的塔顶采出物为异丙苯产品送入产品罐。
可选地,上述的异丙苯产品精制工艺流程,还包括如下步骤:
(5)通过异丙苯罐向所述脱轻塔和所述低压脱重塔输送异丙苯。
可选地,上述的异丙苯产品精制工艺流程,还包括如下步骤:
(6)采用在线调整控制模型实时调整控制工艺参数,其包括:
(6.1)采集步骤(1)中所述混合进料中苯的质量分数x1,异丙苯的质量分数x2,多异丙苯的质量分数x3,温度T1,压力P1和流量F1作为在线调整控制模型的输入参数;
(6.2)采集步骤(2)中高压脱重塔的塔顶温度T2和塔顶压力P2作为在线调整控制模型的输入参数;
(6.3)采集步骤(3)中脱轻塔中得到的异丙苯产品中的异丙苯质量分数Y1作为在线调整控制模型的目标值,步骤(4)中低压脱重塔中得到的异丙苯产品中的异丙苯质量分数Y2和产品罐中得到的异丙苯产品中的异丙苯质量分数Y作为在线调整控制模型的目标值;
(6.4)根据所述步骤(6.1)-(6.3)中得到的输入参数和目标值对步骤(3)中脱轻塔的塔顶压力P3、回流比R1,步骤(4)中低压脱重塔的塔顶压力P4和回流比R2以及步骤(5)中的异丙苯进脱轻塔的流量F2和异丙苯进低压脱重塔的流量F3进行调节,使步骤(6.3)中的异丙苯质量分数Y达到设定目标值。
可选地,上述的异丙苯产品精制工艺流程,所述步骤(6)中的在线调整控制模型包括预测模型和优化调整模型,其中,所述预测模型通过如下方式得到:
(6.01)在生产历史数据中提取历史工艺参数作为训练样本,历史工艺参数包括:混合进料中苯的质量分数、异丙苯的质量分数、多异丙苯的质量分数、压力、流量;高压脱重塔的塔顶温度和塔顶压力;脱轻塔的塔顶压力和回流比;低压脱重塔的塔顶压力和回流比;异丙苯进脱轻塔的流量和异丙苯进低压脱重塔的流量;以及上述历史工艺参数条件下脱轻塔中得到的异丙苯产品中的异丙苯质量分数、低压脱重塔中得到的异丙苯产品中的异丙苯质量分数;产品罐中异丙苯产品中的异丙苯质量分数;
(6.02)利用所述训练样本对机器学习模型进行训练,训练完成后的机器学习模型作为所述预测模型。
可选地,上述的异丙苯产品精制工艺流程,所述步骤(6.4)中具体包括:
(6.41)根据所述步骤(6.1)-(6.3)中得到的输入参数作为所述预测模型的输入时,所述预测模型输出产品罐中异丙苯产品的异丙苯质量分数预测值;
(6.42)若预测模型输出的异丙苯质量分数预测值未达到设定目标值则将异丙苯质量分数预测值传输至优化调整模型;
(6.43)所述优化调整模型根据异丙苯质量分数预测值与设定目标值之间的差值确定脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值。
可选地,上述的异丙苯产品精制工艺流程,还包括如下步骤:
(7)将脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值发送参数控制器,所述参数控制器依据各调整值调整对应的调节阀,之后返回步骤(6.1)。
可选地,上述的异丙苯产品精制工艺流程,所述步骤(6)中的预测模型由所述训练样本对ANN人工神经网络模型训练后得到,其通过如下公式表示:
以上公式中,A、a、b、c、d均为参数因子,Y’为产品罐中异丙苯产品的异丙苯质量分数预测值。
可选地,上述的异丙苯产品精制工艺流程,所述步骤(6)中的优化调整模型将产品罐中异丙苯产品的异丙苯质量分数值、脱轻塔的塔顶压力、脱轻塔的回流比,异丙苯进脱轻塔流量、低压脱重塔的塔顶压力,低压脱重塔的回流比和异丙苯进低压脱重塔流量降维后得到降维等势线模型;确定异丙苯质量分数预测值与设定目标值的偏差在等势线模型中对应的最短路径,将最短路径升维后分解为各调控参数对应的调整值。
可选地,上述的异丙苯产品精制工艺流程,所述步骤(6)中的优化调整模型通过如下公式表示:
Zi=aiP3+biR1+ciF2+diP4+eiR2+fiF3;
YM=f(Zi);
以上公式中,Zi为等势线模型中的降维变量,i=2或3,ai、bi、ci、di、ei、fi为参数因子,所述参数因子随实际数据的增加而修正;相同YM值对应的数据点连线界面化后形成等势线图,YM为与Zi为对应的产品罐中异丙苯产品的异丙苯质量分数值的设定目标值。
可选地,上述的异丙苯产品精制工艺流程,还包括如下步骤:
在步骤(2)中通过双效精馏换热器使所述高压脱重塔的塔顶产物冷凝;同时,在步骤(4)中通过所述双效精馏换热器作为所述低压脱重塔的塔底再沸器。
与现有技术相比,本发明实施例提供的上述技术方案至少具有以下有益效果:来自烷基化反应器的产物与来自烷基化转移反应器的产物混合后进入三塔精馏分离系统,通过高、低压脱重塔,实现产品异丙苯与重组分的分离,通过脱轻塔,实现产品异丙苯与轻组分的分离,产品进入罐区,三塔精馏分离能够提高异丙苯产品的纯度,并且通过将脱重塔拆分为高、低压两塔,能够方便地进行双效精馏换热,节省公用工程的消耗。
附图说明
图1为本发明一个实施例所述异丙苯产品精制工艺流程的流程图;
图2为本发明另一个实施例所述异丙苯产品精制工艺流程的流程图;
图3为图2所示异丙苯产品精制工艺流程中所采用的系统示意图;
图4为本发明一个实施例所述在线调整控制模型实时调整控制工艺参数的流程图;
图5为本发明一个实施例所述在线调整控制模型的结构框图;
图6为本发明一个实施例所述机器模型的训练结果示意图;
图7为采用图6所示模型预测得到的异丙苯质量分数与产品罐中异丙苯产品中的异丙苯实际质量分数之间的对应关系示意图;
图8为本发明一个实施例所述优化调控模型中成分降维后主成分元素占比示意图;
图9为本发明一个实施例所述异丙苯产品纯度等势线图。
具体实施方式
下面将结合附图进一步说明本发明实施例。在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明的简化描述,而不是指示或暗示所指的装置或组件必需具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。其中,术语“第一位置”和“第二位置”为两个不同的位置。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个组件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。本申请中提供的以下实施例中的各个技术方案,除非彼此之间相互矛盾,否则不同技术方案之间可以相互组合,其中的技术特征可以相互替换。
本发明一些实施例提供一种异丙苯产品精制工艺流程,如图1和图2所示,可以包括如下步骤:
(1)将来自烷基化反应器的产物W1与来自烷基化转移反应器的产物W2输送至原料混合器1进行混合得到混合进料;
(2)将所述混合进料输送至高压脱重塔2,高压脱重塔2的塔顶采出物输送至脱轻塔3,高压脱重塔2的塔釜采出物输送至低压脱重塔4;
(3)所述脱轻塔3的塔釜采出物为异丙苯产品送入产品罐5;
(4)所述低压脱重塔4的塔釜采出物为包括多异丙苯的重组分,所述低压脱重塔4的塔顶采出物为异丙苯产品送入产品罐5。
如图2所示,高压脱重塔2配置有高压脱重塔开车冷凝器9和高压脱重塔开车再沸器14,低压脱重塔4配置有低压脱重塔开车冷凝器11和低压脱重塔开车再沸器10,脱轻塔3配置有脱氢塔开车冷凝器13和脱氢塔开车再沸器12,上述冷凝器和再沸器的工作原理以及启动时机可采用现有工艺要求确定,不再详细介绍。
以上方案中,将来自烷基化反应器的产物与来自烷基化转移反应器的产物混合后进入三塔精馏分离系统,通过高、低压脱重塔,实现产品异丙苯与重组分的分离,通过脱轻塔,实现产品异丙苯与轻组分的分离,产品进入罐区。将脱重塔分为高压塔和低压塔两个,通过低压精馏使产品与重组分分离效果更好,三塔精馏分离能够提高异丙苯产品的纯度,并且通过将脱重塔拆分为高、低压两塔,能够方便地进行双效精馏换热,节省公用工程的消耗。
进一步地结合图2和图3所示,上述流程还可以包括如下步骤:
(5)通过异丙苯罐6向所述脱轻塔3和所述低压脱重塔4输送异丙苯,输送的异丙苯为高纯度的新鲜异丙苯。本方案中,通过调节新鲜异丙苯进入脱轻塔3和低压脱重塔4的料量及脱轻塔3和低压脱重塔4的参数以保证最终产品的高纯度。
进一步地,结合图2和图4,上述流程还可以包括如下步骤,(6)采用在线调整控制模型7实时调整控制工艺参数,在线调整控制模型7可以接收输入参数S1,最终输出各个工艺参数的调整值S2,线调整控制模型7通过实时监测并输入原料参数、高压脱重塔参数至控制模型系统,根据模型算法得到对应低压脱重塔4、脱轻塔3操作参数调整及新鲜异丙苯补料分配调整的指令,在进料参数以及工艺操作参数实时变化时,可根据实时变化情况对工艺参数进行调整,通过在线调整,保证产品采出的质量及纯度。
步骤(6)可以通过如图4所示的流程实现,其包括:
(6.1)采集步骤(1)中所述混合进料中苯的质量分数x1,异丙苯的质量分数x2,多异丙苯的质量分数x3,温度T1,压力P1和流量F1作为在线调整控制模型7的输入参数。
(6.2)采集步骤(2)中高压脱重塔2的塔顶温度T2和塔顶压力P2作为在线调整控制模型7的输入参数。
(6.3)采集步骤(3)中脱轻塔3中得到的异丙苯产品中的异丙苯质量分数Y1作为在线调整控制模型7的目标值,步骤(4)中低压脱重塔4中得到的异丙苯产品中的异丙苯质量分数Y2和产品罐5中得到的异丙苯产品中的异丙苯质量分数Y作为在线调整控制模型7的目标值。
(6.4)根据所述步骤(6.1)-(6.3)中得到的输入参数和目标值对步骤(3)中脱轻塔3的塔顶压力P3、回流比R1,步骤(4)中低压脱重塔4的塔顶压力P4和回流比R2以及步骤(5)中的异丙苯进脱轻塔的流量F2和异丙苯进低压脱重塔4的流量F3进行调节,使步骤(6.3)中的异丙苯质量分数Y达到设定目标值。
上述方案,如图5所示,所述步骤(6)中的在线调整控制模型包括预测模型71和优化调整模型72。前者为以监测变量+调控变量为输入值,产品纯度预测值为输出值的数学模型,主要作用是将实时监测值收集并分析,提供产品纯度预测值给在线优化调整模型控制器。后者则是以产品纯度预测值为输入值,各调控变量为输出值的数学模型,通过形成等势线,将产品纯度与各调控变量降维显示,在降维后的等势线模型中,根据预测值与设定值的偏差,寻找最短路径,再将其升维分解为具体的调控变量值至各子控制器,完成参数改变后,反馈实际产品纯度值作为预测值进行判定,进而实现闭环优化。
以上方案中,所述预测模型通过如下方式得到:
(6.01)在生产历史数据中提取历史工艺参数作为训练样本,历史工艺参数包括:混合进料中苯的质量分数、异丙苯的质量分数、多异丙苯的质量分数、压力、流量;高压脱重塔的塔顶温度和塔顶压力;脱轻塔的塔顶压力和回流比;低压脱重塔的塔顶压力和回流比;异丙苯进脱轻塔的流量和异丙苯进低压脱重塔的流量;以及上述历史工艺参数条件下脱轻塔中得到的异丙苯产品中的异丙苯质量分数、低压脱重塔中得到的异丙苯产品中的异丙苯质量分数;产品罐中异丙苯产品中的异丙苯质量分数;本步骤中,要通过对生产历史数据进行挖掘清理后,进一步应用模糊聚类算法进行数据识别,最后利用机器学习模型如(ANN人工神经网络模型)构建控制器的数学预测模型,实现对在线数据采集后的目标值预测。
以上的数据挖掘清理,是指通过填补缺失数据、消除噪声数据进行预处理,之后利用数据规范化实现清理不符合规范要求的数据,本实施例中数据来自装置在线数据库,获取数据为2018-2020年间运行数据,共计对10000组数据进行标准化,其中7500组数据用作神经网络训练集,2000组用作神经网络仿真集,最后500组用于模型预测集做验证调试。在进行神经网络模型构建及调试前,利用以下公式优先进行模糊聚类处理,以便于神经网络模型识别速度及预测精度的提升。数据存在边界且有现实意义的±符号区别,故设计本方案规范化算法如下:
式中,maxA、minA、new_maxA、new_minA分别为原始及变换后属性值中的最大与最小值;x为属性值。所述的模糊聚类算法,鉴于工艺流程中采集的生产数据往往对应不同生产负荷条件,其具有明显的分块聚类特征,但同时又存在关联性,故模糊聚类处理可以使数据识别更为准确、符合实际。本方案设计模糊聚类算法考虑到工艺数据的集中性以及类似性特点,以K-均值算法为基准,应用模糊聚类技术。该算法把n个向量xi,i=1,2,…,n,分成K个模糊集,并求得每个集的聚类中心,以使目标函数最小:
m为模糊权重指数,1<m<+∞,聚类中心。vi和隶属度uik的计算如下:
通过以上算法处理,可以实现数据的预处理及挖掘清洗,处理后的数据作为机器学习模型的训练、仿真及预测样本值。机器学习模型可选择ANN人工神经网络模型,ANN人工神经网络模型是指以拓扑结构、神经元传递函数、学习算法等构成的数学模型,通过对处理后的大量有效数据进行学习、仿真及预测,实现输入变量与输出变量的强关联,即对在线监测输入数据进行实时分析及预测值的输出。其中:
隐含层各节点的输入、输出分别为:
输入层各节点的输入、输出分别为:
之后开始进行神经网络模型的构建及调试,调试过程的界面化图形如图6所示。通过对7500组数据进行训练学习后,神经网络模型即具备初始分析能力,之后利用2000组数据进行仿真训练,调试和完善模型的各函数参数、模型的参数因子等,使模型的抗干扰程度、抗欠拟合/过拟合能力及预测能力满足使用要求,然后利用500组数据进行预测验证,如图7所示,图7所示结果中预测值和实际值重叠,可以确定本方案所构建预测模型具有较好的精确度,作为在线监测分析及预测模型控制器的数学模型使用,并且在后期不断补充新数据使其更加完善。
(6.02)利用所述训练样本对机器学习模型进行训练,训练完成后的机器学习模型作为所述预测模型71。基于上述分析,得到的预测模型可通过如下公式表示:
以上公式中,A、a、b、c、d均为参数因子,Y’为产品罐中异丙苯产品的异丙苯质量分数预测值。
进一步地,上述步骤(6.4)中具体包括:
(6.41)根据所述步骤(6.1)-(6.3)中得到的输入参数作为所述预测模型71的输入时,所述预测模型71输出产品罐中异丙苯产品的异丙苯质量分数预测值;步骤(6.1)-(6.3)中得到的输入参数可以通过在线仪表16检测得到。
(6.42)若预测模型71输出的异丙苯质量分数预测值未达到设定目标值则将异丙苯质量分数预测值传输至优化调整模型72;如果预测模型71输出的异丙苯质量分数预测值达到设定目标值则结束。
(6.43)所述优化调整模型72根据异丙苯质量分数预测值与设定目标值之间的差值确定脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值。
优选地,优化调整模型72将产品罐中异丙苯产品的异丙苯质量分数值、脱轻塔的塔顶压力、脱轻塔的回流比,异丙苯进脱轻塔流量、低压脱重塔的塔顶压力,低压脱重塔的回流比和异丙苯进低压脱重塔流量降维后得到降维等势线模型721;确定异丙苯质量分数预测值与设定目标值的偏差在等势线模型中对应的最短路径,将最短路径升维后分解为各调控参数对应的调整值。
本方案中的主成分降维算法,就是一种把原来多个指标变量转换为少数几个互相独立的综合指标的统计方法。通过全面分析各项指标所携带的信息,从中提出一些潜在的综合性指标(即主成分)。具体的,设X1,X2,…,XP是原始变量,需要求变量Z1,Z2,…,Zm,满足m<p;Zi与Zj不相关,即它们间的相关系数为0,并且Zi能代表p个原始变量xi的大部分变异信息,也即降低了原变量的纬数。对X1,X2,…,XP观察了n次,得到观察数据矩阵为:
用数据矩阵X的p个向量(即p个指标向量)X1,X2,…,Xp做线性组合为:
简写成:
Zi=a1iX1+a2iX2+…+apiXp,i=1,2,…,p;
当全Xi是n维向量时,Zi也是n维向量,这里关键是要求aij(i,j=1,2,…,p;且)使Var(Zi)值最大,那么解约束下方程,得到单位向量p,即主成分方向,一般2-3个主成分描述即可包含所需信息,如图8所示。所述的等势线模型,指通过主成分降维分析后,以各参数变量为基础自变量,以2-3个主成分变量为综合变量构筑的自变量→目标值的数学模型,再可视化为直观的二维或三维图像。使用Z1、Z2两个新维度变量即可表示输入与输出值关系,大大降低了输入变量与输出变量之间的映射维度数量,便于数据的处理速度提升以及构建可视化降维度模型。本方案中将原料组成、温度、压力及各塔操作指标进行降维处理,使用主成分变量Z1、Z2重新描述输出值即产品中异丙苯的浓度,得到等势线模型如图9所示。等势线模型为不同异丙苯浓度下,或相同异丙苯浓度下,各个输出变量对应的操作点的集合,可以清楚地显示历史及当前运行操作参数下其异丙苯的浓度及对应位置,用于后续模型调试。预测值及在线监测值传输进优化调整模型控制器,等势线模型对其进行分析,根据其对应的输入和输出值在模型中对其进行定位,同时考虑到在化工生产过程中,各输入的参数变量调节不易波动过大及大幅度调节,故等势线模型通过寻找最短路径至目标设定值,从而确定最佳调整策略,新得到的目标值定位后进行升维处理,重新分解成各个输出变量的调整建议值。以上,还可以包括如下步骤:
(7)将脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值发送参数控制器,所述参数控制器依据各调整值调整对应的调节阀15,之后返回步骤(6.1)。
进一步优选地,参考图2,在步骤(2)中通过双效精馏换热器8使所述高压脱重塔的塔顶产物冷凝;同时,在步骤(4)中通过所述双效精馏换热器8作为所述低压脱重塔的塔底再沸器。本方案中,通过双效精馏换热器8,利用高压脱重塔的塔顶物流与低压脱重塔塔釜物流换热,实现高效节能。具体使用时,当系统开车运行时,首先使用公用工程(如其中的低压脱重塔开车再沸器10保证系统运行起来,后续稳定后,再切换至双效精馏换热器8代替公用工程消耗,通过上述双效精馏系统,降低工艺能耗,体现节能高效。
下面结合具体示例对上述工艺进行说明。
以某园区53万吨/年的异丙苯装置为例,来自反应工序的两股原料,混合后进入产品精制工艺流程。工艺流程方面参考图2,两股进料先在原料混合器2中混合,原料混合器2起到缓冲作用,然后物料从塔中第22块板进入高压脱重塔2,高压脱重塔2压力控制在500kPa,温度160℃,塔顶采出苯及异丙苯,进入脱轻塔3,塔釜采出控制异丙苯<11wt%及多异丙苯的物流进入低压脱重塔4。低压脱重塔4进料位置为11块板,塔压力控制在30~55kPa,新鲜异丙苯料从10块板进入,起到强化分离效果的目的,低压脱重塔4通过调节回流比、塔压及新鲜料补入量控制塔顶异丙苯产品纯度满足要求,塔釜得到的多异丙苯则进入后续重组分处理系统。脱轻塔3进料为33块板,塔压控制在125~155kPa,新鲜异丙苯料从34块板进入,同样起到强化分离效果的目的,脱轻塔通过调节回流比、塔压以及新鲜料补入量控制塔釜异丙苯产品纯度满足要求,塔顶得到粗苯进入苯塔进而得到副产品苯。两股产品物流则进入产品罐5,新鲜异丙苯来自于异丙苯罐6,同时流程设有双效精馏换热器,主要参数由在线分析仪表测得并传送至控制系统。
在线调控系统方面参考图3-图5。通过在线分析仪表16,获取原料组成及操作参数,取某一工况进行说明,苯x1=0.16,异丙苯x2=0.76,多异丙苯x3=0.08,温度T1=130℃,压力P1=700kPa,流量F1=89376kg/h,脱重塔塔顶温度T2=157,塔顶压力P2=487kPa,信号传输至预测模型控制器,控制器根据内嵌数学模型,计算出当前工况下产品纯度预测值为99.7wt%,数值传输至逻辑判断系统,小于设定值99.9wt%,故将此时检测到的包括输入变量及调控变量和预测值传输至优化模型控制器,数据降维处理后,根据内嵌的等势线优化数学模型,确定当前操作点,如图3箭头起始红点,同时模型寻找最短路径至目标值操作点即图3箭头终点红点,得到目标值对应的变量后,再升维处理,分解得到目标操作点对应的调控变量值,各变量值传输到对应调节阀通过PID参数调整完成自动调节,通过提高塔的回流比,降低新鲜料补入量,降低塔压等至目标值,此时检测产品纯度值作为预测值反馈到逻辑判断系统,达到则停止调整,反之继续调整优化至目标值,系统每4h进行一次数据检测判断,整个系统完成一次调整时长为5~12min。
双效精馏系统参考图2,稳定运行时,利用高压脱重塔塔顶物流加热低压脱重塔塔釜物流。开车时,各自使用自身开车冷凝器/再沸器完成塔设备开车,之后逐渐切换至双效精馏换热器,停车时以及异常工况时,同样通过开车冷凝器/再沸器进行调节,保证塔设备的安全运行。
监控一段时间后,上述示例中的方案运行效果良好,既能保证工艺流程的节能降耗,更重要的是新流程设计中异丙苯产品质量稳定,当工况波动时,在线调整优化模型会实时进行优化调节来抵消波动带来的影响,同时先脱重再脱轻,以及两塔脱重模型可以保证产品损失最小。
本发明以上实施例中的方案通过新构建一种集质量优化、能量优化、实时优化等特点于一体的异丙苯精制工艺流程。该流程提高了产品纯度、降低了工艺能耗,并且通过实时调整以应对不同工况及原料参数的波动带来的影响。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种异丙苯产品精制工艺流程,其特征在于,包括如下步骤:
(1)将来自烷基化反应器的产物与来自烷基化转移反应器的产物输送至原料混合器进行混合得到混合进料;
(2)将所述混合进料输送至高压脱重塔,高压脱重塔的塔顶采出物输送至脱轻塔,高压脱重塔的塔釜采出物输送至低压脱重塔;
(3)所述脱轻塔的塔釜采出物为异丙苯产品送入产品罐;
(4)所述低压脱重塔的塔釜采出物为包括多异丙苯的重组分,所述低压脱重塔的塔顶采出物为异丙苯产品送入产品罐;
(5)通过异丙苯罐向所述脱轻塔和所述低压脱重塔输送异丙苯;
(6)采用在线调整控制模型实时调整控制工艺参数,其包括:
(6.1)采集步骤(1)中所述混合进料中苯的质量分数x1,异丙苯的质量分数x2,多异丙苯的质量分数x3,温度T1,压力P1和流量F1作为在线调整控制模型的输入参数;
(6.2)采集步骤(2)中高压脱重塔的塔顶温度T2和塔顶压力P2作为在线调整控制模型的输入参数;
(6.3)采集步骤(3)中脱轻塔中得到的异丙苯产品中的异丙苯质量分数Y1作为在线调整控制模型的目标值,步骤(4)中低压脱重塔中得到的异丙苯产品中的异丙苯质量分数Y2和产品罐中得到的异丙苯产品中的异丙苯质量分数Y作为在线调整控制模型的目标值;
(6.4)根据所述步骤(6.1)-(6.3)中得到的输入参数和目标值对步骤(3)中脱轻塔的塔顶压力P3、回流比R1,步骤(4)中低压脱重塔的塔顶压力P4和回流比R2以及步骤(5)中的异丙苯进脱轻塔的流量F2和异丙苯进低压脱重塔的流量F3进行调节,使步骤(6.3)中的异丙苯质量分数Y达到设定目标值;
所述步骤(6)中的在线调整控制模型包括预测模型和优化调整模型,其中,所述预测模型通过如下方式得到:
(6.01)在生产历史数据中提取历史工艺参数作为训练样本,历史工艺参数包括:混合进料中苯的质量分数、异丙苯的质量分数、多异丙苯的质量分数、压力、流量;高压脱重塔的塔顶温度和塔顶压力;脱轻塔的塔顶压力和回流比;低压脱重塔的塔顶压力和回流比;异丙苯进脱轻塔的流量和异丙苯进低压脱重塔的流量;以及上述历史工艺参数条件下脱轻塔中得到的异丙苯产品中的异丙苯质量分数、低压脱重塔中得到的异丙苯产品中的异丙苯质量分数;产品罐中异丙苯产品中的异丙苯质量分数;
(6.02)利用所述训练样本对机器学习模型进行训练,训练完成后的机器学习模型作为所述预测模型;
其中:
所述预测模型由所述训练样本对ANN人工神经网络模型训练后得到,其通过如下公式表示:
以上公式中,A、a、b、c、d均为参数因子,Y’为产品罐中异丙苯产品的异丙苯质量分数预测值;
所述优化调整模型通过如下公式表示:
Zi=aiP3+biR1+ciF2+diP4+eiR2+fiF3;
YM=f(Zi);
以上公式中,Zi为等势线模型中的降维变量,i=2或3,ai、bi、ci、di、ei、fi为参数因子,所述参数因子随实际数据的增加而修正;相同YM值对应的数据点连线界面化后形成等势线图,YM为与Zi为对应的产品罐中异丙苯产品的异丙苯质量分数值的设定目标值。
2.根据权利要求1所述的异丙苯产品精制工艺流程,其特征在于,所述步骤(6.4)中具体包括:
(6.41)根据所述步骤(6.1)-(6.3)中得到的输入参数作为所述预测模型的输入时,所述预测模型输出产品罐中异丙苯产品的异丙苯质量分数预测值;
(6.42)若预测模型输出的异丙苯质量分数预测值未达到设定目标值则将异丙苯质量分数预测值传输至优化调整模型;
(6.43)所述优化调整模型根据异丙苯质量分数预测值与设定目标值之间的差值确定脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值。
3.根据权利要求2所述的异丙苯产品精制工艺流程,其特征在于,还包括如下步骤:
(7)将脱轻塔的塔顶压力调整值,脱轻塔的回流比调整值,异丙苯进脱轻塔流量的调整值、低压脱重塔的塔顶压力调整值,低压脱重塔的回流比调整值和异丙苯进低压脱重塔流量的调整值发送参数控制器,所述参数控制器依据各调整值调整对应的调节阀,之后返回步骤(6.1)。
4.根据权利要求1所述的异丙苯产品精制工艺流程,其特征在于:
所述步骤(6)中的优化调整模型将产品罐中异丙苯产品的异丙苯质量分数值、脱轻塔的塔顶压力、脱轻塔的回流比,异丙苯进脱轻塔流量、低压脱重塔的塔顶压力,低压脱重塔的回流比和异丙苯进低压脱重塔流量降维后得到降维等势线模型;确定异丙苯质量分数预测值与设定目标值的偏差在等势线模型中对应的最短路径,将最短路径升维后分解为各调控参数对应的调整值。
5.根据权利要求1所述的异丙苯产品精制工艺流程,其特征在于,还包括如下步骤:
在步骤(2)中通过双效精馏换热器使所述高压脱重塔的塔顶产物冷凝;同时,在步骤(4)中通过所述双效精馏换热器作为所述低压脱重塔的塔底再沸器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267612.9A CN112250538B (zh) | 2020-11-13 | 2020-11-13 | 一种异丙苯精制工艺流程 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011267612.9A CN112250538B (zh) | 2020-11-13 | 2020-11-13 | 一种异丙苯精制工艺流程 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112250538A CN112250538A (zh) | 2021-01-22 |
CN112250538B true CN112250538B (zh) | 2023-01-13 |
Family
ID=74265560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011267612.9A Active CN112250538B (zh) | 2020-11-13 | 2020-11-13 | 一种异丙苯精制工艺流程 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112250538B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114493057B (zh) * | 2022-04-18 | 2022-07-22 | 希望知舟技术(深圳)有限公司 | 基于异常工况的生产工艺参数推荐方法及相关设备 |
CN115231525B (zh) * | 2022-07-29 | 2022-12-23 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
CN116798534B (zh) * | 2023-08-28 | 2023-11-07 | 山东鲁扬新材料科技有限公司 | 一种醋酸丙酸精馏过程数据采集处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1037699A (zh) * | 1988-05-09 | 1989-12-06 | 鲁姆斯克雷斯特公司 | 烷基苯的制造 |
TW200904779A (en) * | 2007-05-23 | 2009-02-01 | Uop Llc | Apparatus for producing ethylbenzene or cumene |
CN103030515A (zh) * | 2011-09-30 | 2013-04-10 | 中国石油化工股份有限公司 | 烷基苯生产方法 |
-
2020
- 2020-11-13 CN CN202011267612.9A patent/CN112250538B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1037699A (zh) * | 1988-05-09 | 1989-12-06 | 鲁姆斯克雷斯特公司 | 烷基苯的制造 |
TW200904779A (en) * | 2007-05-23 | 2009-02-01 | Uop Llc | Apparatus for producing ethylbenzene or cumene |
CN103030515A (zh) * | 2011-09-30 | 2013-04-10 | 中国石油化工股份有限公司 | 烷基苯生产方法 |
Non-Patent Citations (6)
Title |
---|
"Optimal operation and stabilizing control of the concentric heat-integrated distillation column (HIDiC)";Bisgaard, Thomas等;《Computers & Chemical Engineering》;20171231;196-211 * |
"Simulation and multi-criteria optimization under uncertain model parameters of a cumene process";Asprion, Norbert等;《Chemie Ingenieur Technik》;20171231;第89卷(第5期);665-674 * |
"Simulation of cumene synthesis by suspension catalytic distillation";Wang, Er-qiang等;《Advanced Materials Research (Durnten-Zurich, Switzerland)》;20121231;2243-2248 * |
"丙烯与苯合成异丙苯工艺流程的动态模拟";李若愚;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20180331(第3期);全文 * |
"异丙苯装置DCS控制系统的设计及实现";陈红;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150131(第12期);全文 * |
"非线性不确定系统的神经网络控制研究";任怀庆等;《中国博士学位论文全文数据库 工程科技Ⅰ辑》;20140930(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112250538A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112250538B (zh) | 一种异丙苯精制工艺流程 | |
CN112295255B (zh) | 一种甲醇精馏装置智能控制系统及控制方法 | |
CN114713381B (zh) | 基于浮选尾煤矿浆检测的浮选智能加药系统及加药方法 | |
CN109318055A (zh) | 一种铣削刀具磨损状态特征提取多目标优化方法 | |
WO2023131257A1 (zh) | 一种基于大数据的炼油过程模式识别及优化方法 | |
CN112597430A (zh) | 一种用于复杂精馏塔的操作参数优化方法 | |
CN114636654B (zh) | 一种通过噪声数据特征实现纳滤膜污染预测的方法 | |
CN1220660C (zh) | 乙烯装置中乙烯精馏塔的智能控制方法 | |
CN110302888A (zh) | 水泥磨机优化节能系统 | |
CN111905396B (zh) | 一种基于在线采样数据驱动的精馏过程实时监测方法 | |
CN111126671A (zh) | 一种炼油生产中初馏塔冲塔故障预警的方法 | |
CN111913447B (zh) | 一种在线数据驱动的非线性化工过程监测方法 | |
CN111914888B (zh) | 一种多工况识别与故障检测一体化的化工过程监测方法 | |
CN1166617C (zh) | 对二甲苯液相氧化反应器中反应温度的智能控制方法 | |
CN211782274U (zh) | 空气分离先进控制系统及空气分离生产系统 | |
CN113075883A (zh) | 一种制水业中混凝投药优化方法 | |
CN117131314A (zh) | 一种沥青路面施工用混合料温度监测及调控系统 | |
CN111612212A (zh) | 一种磨煤机煤粉细度的在线优化模型更新方法 | |
CN214808519U (zh) | 智控型多效精馏装置 | |
CN1171836C (zh) | 乙烯装置中丙烯精馏塔的智能控制方法 | |
CN108364095A (zh) | 基于数据挖掘的炼钢生产过程钢水质量诊断方法 | |
CN101251747B (zh) | 对二甲苯氧化反应工业装置模型的建模方法 | |
CN111914214B (zh) | 一种基于缩减kpls模型的pta生产过程软测量方法 | |
CN100441552C (zh) | 丁二烯精馏装置先进控制方法 | |
Xiong et al. | Research on prediction method of finish rolling power consumption of multi-specific strip steel based on random forest optimization model |
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 |