CN112597430A - 一种用于复杂精馏塔的操作参数优化方法 - Google Patents
一种用于复杂精馏塔的操作参数优化方法 Download PDFInfo
- Publication number
- CN112597430A CN112597430A CN202011527100.1A CN202011527100A CN112597430A CN 112597430 A CN112597430 A CN 112597430A CN 202011527100 A CN202011527100 A CN 202011527100A CN 112597430 A CN112597430 A CN 112597430A
- Authority
- CN
- China
- Prior art keywords
- rectifying tower
- data
- complex
- parameters
- neural network
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 55
- 230000007246 mechanism Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000003913 materials processing Methods 0.000 claims abstract description 5
- 239000007791 liquid phase Substances 0.000 claims description 30
- 239000012808 vapor phase Substances 0.000 claims description 21
- 239000000203 mixture Substances 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000003556 assay Methods 0.000 claims description 17
- 239000012071 phase Substances 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 11
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004821 distillation Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 101150036841 minJ gene Proteins 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010946 mechanistic model Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013433 optimization analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/12—Simultaneous equations, e.g. systems of linear equations
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Fluid Mechanics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提出了一种用于复杂精馏塔的操作参数优化方法，包括：采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的数据进行预处理；将预处理后的运行数据输入神经网络模型，通过神经网络模型输出对操作参数的初步优化结果；将初步优化结果输入严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果；根据优化结果调整复杂精馏塔的操作参数。结合神经网络模型和严格机理模型对复杂精馏塔的操作参数进行两次优化，其中神经网络模型先得到操作参数的初步优化结果，加快了后续对严格机理模型进行求解时的收敛速度和鲁棒性。
Description
技术领域
本发明属于工业设备优化领域，尤其涉及一种用于复杂精馏塔的操作参数优化方法。
背景技术
精馏是化工生产中最常见的分离单元操作，实现了90％～95％的化工产品的分离提纯和回收精制，因此复杂精馏塔是石油炼制过程中最主要的生产设备，但同时也是能耗最大的设备单元，其工艺生产水平直接影响到整个企业的经济效益及对原料的使用效率。为了提高产品收率、降低能耗成本，通常基于反应机理建立联立方程对复杂精馏塔的运行参数进行优化，但现有的优化方法仅对复杂精馏塔进行建模分析，而对塔内组分的热力学物性采用传统的序贯模块法，降低了求解效率，影响实时优化的响应速度。
发明内容
为了解决现有技术中存在的缺点和不足，本发明提出了一种用于复杂精馏塔的操作参数优化方法，包括：
采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的运行数据和化验数据进行预处理；
将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果；
将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果；
根据优化结果调整复杂精馏塔的操作参数。
可选的，所述采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的运行数据和化验数据进行预处理，包括：
通过平滑滤波算法对运行数据与化验数据进行去噪；
对去噪后的数据进行稳态检测，筛选出稳态数据；
根据稳态数据的实际测量值对稳态数据进行整定。
可选的，所述将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果，包括：
将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出复杂精馏塔的操作参数与状态参数的值作为初步优化结果；
所述操作参数包括复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率；
所述状态参数包括复杂精馏塔各塔板的汽相混合物焓、液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数。
可选的，所述将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果，包括：
由严格机理模型和复杂精馏塔的立方型状态方程组成联立方程组；
在预设约束条件下，对联立方程组进行自动微分，得到稀疏Jacobians矩阵和稀疏Hessians矩阵；
将稀疏Jacobians矩阵和稀疏Hessians矩阵输入预先构建的非线性规划求解器进行求解，将求解结果作为操作参数的优化结果。
可选的，所述预设约束条件包括精馏塔效益约束、组分约束、操作参数约束、状态参数约束、产品质量约束、立方型状态方程约束以及模型平衡约束。
具体的，所述精馏塔效益约束包括基于公式一构建能耗目标函数；
OBJ＝min J(m,s,u) 公式一；
J为复杂精馏塔的操纵变量m、状态参数s以及能耗费用u之间的关系函数，OBJ为关系函数J的最小值。
具体的，所述组分约束用于规定严格机理模型中各塔板的汽相组分变量、液相组分变量与进料组分变量的取值范围。
具体的，所述操作参数约束用于规定复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率的取值范围。
具体的，所述状态参数约束用于规定复杂精馏塔各塔板的汽液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数的取值范围。
可选的，所述根据优化结果调整复杂精馏塔的操作参数，包括：
将操作参数的优化结果作为设定值，通过APC控制器控制复杂精馏塔的执行器调整操作参数至设定值。
本发明提供的技术方案带来的有益效果是：
结合神经网络模型和严格机理模型对复杂精馏塔的操作参数进行两次优化，其中神经网络模型先得到操作参数的初步优化结果，加快了后续对严格机理模型进行求解时的收敛速度和鲁棒性。通过严格机理模型结合了满足热力学物性的预设约束条件，并采用自动微分算法和非线性规化求解器进行求解，降低了模型的复杂度，实现对初步优化结果的进一步优化，从而使优化的操作参数满足复杂精馏塔的实际反应需求
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的一种用于复杂精馏塔的操作参数优化方法的流程示意图；
图2为复杂精馏塔的优化系统架构图。
具体实施方式
为使本发明的结构和优点更加清楚，下面将结合附图对本发明的结构作进一步地描述。
实施例一
如图1所示，本发明提出了一种用于复杂精馏塔的操作参数优化方法，包括：
S1：采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的运行数据和化验数据进行预处理。
S2：将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果。
S3：将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果。
S4：根据优化结果调整复杂精馏塔的操作参数。
本实施例分别通过神经网络模型和严格机理模型对采集到的数据进行两次优化分析，充分发挥了神经网络模型和机理模型的优势，加快了模型的收敛速度，缩短的优化分析的时间，同时提高了求解稳定性。
如图2所示，本实施例通过在线实时优化系统实现操作参数的优化，包括预处理模块、优化模型模块、优化分析模块以及控制模块。
本实施例通过从实时数据库中获取精馏塔生产过程生成的运行数据，通过近红外分析仪获取化验数据。
所述运行数据主要包括精馏塔的操作工况，如塔进料参数、塔回流比、灵敏板温度、压力和塔顶、塔底或侧线采出量等参数；化验分析数据主要包括原料、中间组分和产品的质量分数等性质。
由于预先部署的传感器与近红外分析仪在采集数据可能出现误差，因此需要对数据进行预处理，由在线实时优化系统中的在线预处理模块执行，保证后续参与优化过程的数据均是存在且有效的。具体包括：
通过平滑滤波算法对运行数据与化验数据进行去噪，本实施例中采用3-delta去离值点、指数平滑滤波去噪等数据处理算法。
再通过过程稳态检测模块，对去噪后的数据进行稳态检测，筛选出稳态数据。所述稳态检测即分析是否有异常浮动的数据，比较预设时段内数据的变化速率，若变化速率在允许变化的范围内，则人为所述数据为稳态数据，将稳态数据存储到用于实时优化的数据仓库中，需要注意的是，所述允许变化的范围可根据不同的数据的变量特点进行人为设定。通过稳态检测，进一步去除因外部不可控因素而导致数据异常浮动的无效数据，避免影响操作参数的优化结果。
根据稳态数据的实际测量值对稳态数据进行整定。通过对复杂精馏塔进行物料平衡和能量平衡分析，对数据仓库中的数据进行整定，使整定值与实际测量值之间偏差的加权最小二乘目标函数最小化。
在本实施例中，所述将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果，包括：
将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出复杂精馏塔的操作参数与状态参数的值作为初步优化结果。所述神经网络模型的训练过程包括：
获取历史运行数据、历史化验数据以及对应的历史操作参数、历史状态参数，将历史运行数据、历史化验数据进行归一化处理后组成训练矩阵，将训练矩阵输入神经网络的输入节点，对神经网络中的卷积层、激励层、池化层中的各个参数进行训练，直至输出节点输出的结果与历史操作参数、历史状态参数之间的偏差的平方和小于预设阈值时，结束神经网络模型的训练。
在本实施例中，通过运行数据获取操作参数的初步优化结果，通过化验数据获取状态参数的初步优化结果。所述操作参数包括复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率；所述状态参数包括复杂精馏塔各塔板的汽液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数。
其中，相平衡常数指在一定温度和压力下，气液两相达到平衡状态时，气相中某一组分的摩尔分数与其液相中此组分的摩尔分数的比值，用于表征互成平衡的气-液两相组成之间的关系。
传统的优化方式通常首先使用成熟的序贯模块法对精馏塔进行模拟，仅依靠严格机理模型基于模拟结果求解出最优的操作参数，此做法在一定程度上降低了求解效率，并且增加了装置在线实时优化实施时的操作难度系数。本实施例通过神经网络模型对操作参数和状态参数进行初步估计，加快了对严格机理模型进行求解时的收敛速度和鲁棒性，提高了在线实时优化系统的分析效率。
在本实施例中，所述将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果，包括：
由严格机理模型和复杂精馏塔的立方型状态方程组成联立方程组。所述严格机理模型包括物料平衡方程、相平衡方程以及能量平衡方程。所述物料平衡方程指某一给定物质的总浓度等于各种有关形式平衡浓度之和，所述相平衡方程指对于双组分物系，表示互成平衡的气液两相组成间的关系，所述能量平衡方程即满足热力学第一定律的守恒方程。
在预设约束条件下，对联立方程组进行自动微分，得到稀疏Jacobians矩阵和稀疏Hessians矩阵；将稀疏Jacobians矩阵和稀疏Hessians矩阵输入预先构建的非线性规划求解器进行求解，将求解结果作为操作参数的优化结果。本领域技术人员应当知道如何通过自动微分得到稀疏Jacobians矩阵和稀疏Hessians矩阵，此处不再赘述。
将稀疏Jacobians矩阵和稀疏Hessians矩阵输入预先构建的非线性规划求解器进行求解，将求解结果作为操作参数的优化结果。所述非线性规划求解器为开源的求解算法模块，能够加快求解效率。
所述预设约束条件包括精馏塔效益约束、组分约束、操作参数约束、状态参数约束、产品质量约束、立方型状态方程约束以及模型平衡约束。
其中，所述精馏塔效益约束包括基于公式一构建能耗目标函数；
OBJ＝min J(m,s,u) 公式一；
J为复杂精馏塔的操纵变量m、状态参数s以及能耗费用u之间的关系函数，OBJ为关系函数J的最小值。m、s的取值范围为实数，u的取值范围为正整数，minJ(m,s,u)即表示能耗费用u的最小值。
所述组分约束用于规定严格机理模型中各塔板的汽相组分变量、液相组分变量与进料组分变量的取值范围。在本实施例中，所述组分约束包括：
0≤xi,j,yi.j≤1
0≤zi,j≤1
其中，x、y、z分别为复杂精馏塔各塔板的汽液相组成和各个进料组成，i为汽液相组分系数，j为塔板编号，i＝1,2,…,C，j＝1,2,…,N，C、N分别为组分总数和塔板。
所述操作参数约束用于规定复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率的取值范围。在本实施例中，所述操作参数约束包括：
mi,j,min≤mi.j≤mi.j.max
其中，mi,j,min、mi.j.max分别为设定的各个操作参数i的最小值和最大值，i的取值范围为1到8的正整数，所述操作参数包括复杂精馏塔各塔板的温度、塔板压力、汽相流率、液相流率、汽相采出流率、液相采出流率、塔板采出热负荷以及塔板进料流率。
所述状态参数约束用于规定复杂精馏塔各塔板的汽液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数的取值范围。在本实施例中，所述状态参数约束包括：
si,j,min≤si.j≤si.j.max
其中，si,j,min、si.j.max分别为设定的状态参数i的最小值和最大值，i的取值范围为1到5的正整数，所述状态参数包括塔板的汽相混合物焓、液相混合物焓、各组分的相平衡常数、汽相逸度系数以及液相逸度系数。
本实施例中预设约束条件还包括产品质量要求约束，用于规定表征产品质量的参数的取值范围，所述产品分别为塔顶、塔底以及侧线的采出产品。
本实施例中预设约束条件还包括立方型状态方程约束，立方型状态方程为经典热力学状态方程，本领域技术人员应当知道如何设置复杂精馏塔的立方型状态方程，根据立方型状态方程的求解原理，所述立方型状态方程约束包括：
f(ξ)＝ξ3+a1ξ2+a2ξ+a3＝0
f(rV)＝0，f'(rV)≥0，f”(rV)≥0
f(rL)＝0，f'(rL)≥0，f”(rL)≤0
其中，ξ为立方型状态方程的可压缩因子，a1、a2、a3分别为方程系数，rV、rL分别为汽相状态和液相状态时的根。
本实施例中预设约束条件还包括模型平衡约束，用于建立非线性联立方程组，所述模型平衡约束有：
G(xi,j,yi,j,mi,j,si,j,yquality,i,f)＝0
其中，G为S3中建立的非线性的联立方程组，包括物料平衡方程M、相平衡方程E、能量平衡方程H和复杂精馏塔塔板各组分相平衡常数、汽液相混合物摩尔焓等热力学性质关联式方程以及立方型状态方程f，xi,j、yi,j、mi,j、si,j、yquality,i均为上述方程中涉及的变量，取值范围为正数。
在本实施例中，所述根据优化结果调整复杂精馏塔的操作参数，包括：
将操作参数的优化结果作为设定值，通过APC控制器控制复杂精馏塔的执行器调整操作参数至设定值。
如图2所示，通过先进控制器APC进行PID/DCS控制复杂精馏塔的执行器，根据对联立方程组进行求解得到的优化结果调整执行器的操作参数，并将调整后操作参数和状态参数的实时数据上传至实时数据库。在本实施例中，求解得到的优化结果还可以再经过过程稳态检测模块的稳态处理后，再发送到先进控制器APC进行PID/DCS控制，使复杂精馏塔能够平稳快速的达到操作参数的优化值，从而实现复杂精馏塔装置的在线实时优化，使得精馏塔装置效益达到最大化。
上述实施例中的各个序号仅仅为了描述，不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述操作参数优化方法包括：
采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的运行数据和化验数据进行预处理；
将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果；
将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果；
根据优化结果调整复杂精馏塔的操作参数。
2.根据权利要求1所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述采集复杂精馏塔的运行数据和投入物料的化验数据，对采集到的运行数据和化验数据进行预处理，包括：
通过平滑滤波算法对运行数据与化验数据进行去噪；
对去噪后的数据进行稳态检测，筛选出稳态数据；
根据稳态数据的实际测量值对稳态数据进行整定。
3.根据权利要求1所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出对操作参数的初步优化结果，包括：
将预处理后的运行数据与化验数据输入预先构建的神经网络模型，通过神经网络模型输出复杂精馏塔的操作参数与状态参数的值作为初步优化结果；
所述操作参数包括复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率；
所述状态参数包括复杂精馏塔各塔板的汽相混合物焓、液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数。
4.根据权利要求1所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述将初步优化结果输入预先构建的严格机理模型，由严格机理模型与热力学方程组成联立方程组，在预设约束条件下对联立方程组进行求解，得到操作参数的优化结果，包括：
由严格机理模型和复杂精馏塔的立方型状态方程组成联立方程组；
在预设约束条件下，对联立方程组进行自动微分，得到稀疏Jacobians矩阵和稀疏Hessians矩阵；
将稀疏Jacobians矩阵和稀疏Hessians矩阵输入预先构建的非线性规划求解器进行求解，将求解结果作为操作参数的优化结果。
5.根据权利要求1所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述预设约束条件包括精馏塔效益约束、组分约束、操作参数约束、状态参数约束、产品质量约束、立方型状态方程约束以及模型平衡约束。
6.根据权利要求5所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述精馏塔效益约束包括基于公式一构建能耗目标函数；
OBJ＝minJ(m,s,u) 公式一；
J为复杂精馏塔的操纵变量m、状态参数s以及能耗费用u之间的关系函数，OBJ为关系函数J的最小值。
7.根据权利要求5所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述组分约束用于规定严格机理模型中各塔板的汽相组分变量、液相组分变量与进料组分变量的取值范围。
8.根据权利要求5所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述操作参数约束用于规定复杂精馏塔各塔板的温度、塔板压力、汽相流率以及液相流率的取值范围。
9.根据权利要求5所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述状态参数约束用于规定复杂精馏塔各塔板的汽液相混合物焓以及各组分的相平衡常数、汽相逸度系数、液相逸度系数的取值范围。
10.根据权利要求1所述的一种用于复杂精馏塔的操作参数优化方法，其特征在于，所述根据优化结果调整复杂精馏塔的操作参数，包括：
将操作参数的优化结果作为设定值，通过APC控制器控制复杂精馏塔的执行器调整操作参数至设定值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011527100.1A CN112597430B (zh) | 2020-12-22 | 2020-12-22 | 一种用于复杂精馏塔的操作参数优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011527100.1A CN112597430B (zh) | 2020-12-22 | 2020-12-22 | 一种用于复杂精馏塔的操作参数优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112597430A true CN112597430A (zh) | 2021-04-02 |
| CN112597430B CN112597430B (zh) | 2024-04-05 |
Family
ID=75199895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011527100.1A Active CN112597430B (zh) | 2020-12-22 | 2020-12-22 | 一种用于复杂精馏塔的操作参数优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112597430B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113433906A (zh) * | 2021-06-24 | 2021-09-24 | 之江实验室 | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 |
| CN114307219A (zh) * | 2022-02-23 | 2022-04-12 | 万华化学集团股份有限公司 | 丙烯精馏塔精馏调节方法、设备及计算机可读存储介质 |
| CN115933386A (zh) * | 2022-11-25 | 2023-04-07 | 南通大学 | 一种考虑输入约束的精馏塔过程抗扰控制结构及控制方法 |
| WO2023226236A1 (zh) * | 2022-05-26 | 2023-11-30 | 福建龙氟新材料有限公司 | 用于电子级氢氟酸制备的能源管理控制系统及其控制方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
| CN110348090A (zh) * | 2019-06-28 | 2019-10-18 | 浙江大学 | 基于人工神经网络实现多柱连续流层析设计及分析的方法 |
| CN111461406A (zh) * | 2020-03-10 | 2020-07-28 | 华东理工大学 | 一种基于混合建模的乙烯生产原料优化方法 |
| US20200239982A1 (en) * | 2019-01-28 | 2020-07-30 | East China Jiaotong University | Prediction Control Method And System For Component Contents In Rare Earth Extraction Process |
-
2020
- 2020-12-22 CN CN202011527100.1A patent/CN112597430B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107728478A (zh) * | 2017-09-27 | 2018-02-23 | 吉林大学 | 燃料电池氧气过剩系数神经网络预测控制方法 |
| US20200239982A1 (en) * | 2019-01-28 | 2020-07-30 | East China Jiaotong University | Prediction Control Method And System For Component Contents In Rare Earth Extraction Process |
| CN110348090A (zh) * | 2019-06-28 | 2019-10-18 | 浙江大学 | 基于人工神经网络实现多柱连续流层析设计及分析的方法 |
| CN111461406A (zh) * | 2020-03-10 | 2020-07-28 | 华东理工大学 | 一种基于混合建模的乙烯生产原料优化方法 |
Non-Patent Citations (4)
| Title |
|---|
| LI QINGRUI 等: "Parameter optimization of rectification tower model based on SRK equation", 2013 IEEE 3RD ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL AND INTELLIGENT SYSTEMS (CYBER), pages 48 - 51 * |
| 司东东 等: "基于CAPE-OPEN标准的复杂吸收塔单元模块开发", 计算机与应用化学, vol. 34, no. 9, pages 711 - 716 * |
| 哈莹: "催化裂化汽油烷基化脱硫催化精馏过程的模拟分析与优化", 中国优秀博士论文全文数据库 工程科技Ⅰ辑, pages 1 - 106 * |
| 李长俊;刘刚;贾文龙;: "高含硫天然气输送管道内硫沉积研究进展", 科学通报, no. 09, pages 38 - 49 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113433906A (zh) * | 2021-06-24 | 2021-09-24 | 之江实验室 | 一种蒸馏装置产物预测及蒸馏操作参数优化的方法 |
| CN114307219A (zh) * | 2022-02-23 | 2022-04-12 | 万华化学集团股份有限公司 | 丙烯精馏塔精馏调节方法、设备及计算机可读存储介质 |
| WO2023226236A1 (zh) * | 2022-05-26 | 2023-11-30 | 福建龙氟新材料有限公司 | 用于电子级氢氟酸制备的能源管理控制系统及其控制方法 |
| CN115933386A (zh) * | 2022-11-25 | 2023-04-07 | 南通大学 | 一种考虑输入约束的精馏塔过程抗扰控制结构及控制方法 |
| CN115933386B (zh) * | 2022-11-25 | 2023-12-19 | 南通大学 | 一种考虑输入约束的精馏塔过程抗扰控制结构及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112597430B (zh) | 2024-04-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112597430A (zh) | 一种用于复杂精馏塔的操作参数优化方法 | |
| CN109839825B (zh) | 一种稀土萃取过程组分含量的预测控制方法及系统 | |
| US6088630A (en) | Automatic control system for unit operation | |
| CN106406083A (zh) | 一种模糊控制选煤方法 | |
| WO2011140220A1 (en) | Advanced batch control | |
| Udugama et al. | A comparison of a novel robust decentralised control strategy and MPC for industrial high purity, high recovery, multicomponent distillation | |
| CN102004444A (zh) | 稀土萃取过程组分含量多模型预测控制方法 | |
| CN105159071A (zh) | 一种迭代学习策略下工业模型预测控制系统的经济性能评估方法 | |
| CN113450880A (zh) | 一种脱硫系统入口so2浓度智能预测方法 | |
| CN112486111A (zh) | 一种基于数据分析的食用油碱炼工艺智能调节方法 | |
| CN103048927B (zh) | 用于精馏系统的模型预测控制方法 | |
| CN104865944B (zh) | 基于pca‑lssvm的气分装置控制系统性能评估方法 | |
| CN113420500A (zh) | 智能常减压系统 | |
| CN103995466A (zh) | 一种基于软约束的区间预测控制建模及优化方法 | |
| CN101169387A (zh) | 一种在线确定常压塔顶石脑油质量指标的软测量方法 | |
| Lu et al. | Control systems technology in the advanced manufacturing of biologic drugs | |
| CN105808929A (zh) | 一种高炉十字测温装置中心温度估计方法 | |
| CN114117919A (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
| CN114139446A (zh) | 一种用于特殊精馏过程组分在线检测软测量方法 | |
| Navia et al. | On dealing with measured disturbances in the modifier adaptation method for real-time optimization | |
| CN115826648A (zh) | 一种基于云边协同的加热炉托管温度控制方法及系统 | |
| KRÄ et al. | Process Systems Engineering, 5. Process Dynamics, Control, Monitoring, and Identification | |
| CN108132596A (zh) | 一种微分超前广义智能内部模型集pid控制器设计方法 | |
| CN108332362A (zh) | 基于向量化分析的暖通循环水系统节能控制系统及方法 | |
| CN104950847B (zh) | 碱液浓缩生产工艺中强制循环蒸发控制过程的自优化被控变量的计算方法 |
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 |