发明内容
本发明的目的在于提供蒸馏装置塔顶pH值的自动调控方法及装置,可通过实时在线监测和模型预测结合的方式实现塔顶回流罐内含硫污水高可靠性的pH值测量。
本发明的另一目的在于提供蒸馏装置塔顶pH值的自动调控方法及装置,可通过模型预测塔顶到塔顶回流罐之间水相的pH值分布,对塔顶回流罐之前的pH值进行控制。
为实现上述目的,根据本发明的第一方面,本发明提供了一种蒸馏装置塔顶pH值调控方法,包括如下步骤:通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值;通过采集工艺参数、加药数据、水质分析数据以及原油性质数据,对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择;通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果;对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值;依据塔顶回流罐内的确定的pH值,将中和剂和注水量作为寻优参数,对塔顶回流罐内的pH值进行实时调控。
进一步,上述技术方案中,该方法还可包括如下步骤:通过塔顶到塔顶回流罐之间的pH值模拟计算,在热平衡和物料平衡的基础上计算水相离子平衡,确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布;依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布,将中和剂和注水量作为寻优参数,对塔顶到塔顶回流罐之间的pH值进行实时调控。
进一步,上述技术方案中,塔顶回流罐内以及塔顶到塔顶回流罐之间的pH值实时调控可采用粒子群优化算法调整中和剂的加药量。
进一步,上述技术方案中,在线自动清洗pH计可采用水喷淋或气体吹扫的方式进行自动清洗。
进一步,上述技术方案中,工艺参数包括温度和/或压力;加药数据包括中和剂的类型、浓度、注剂量和/或注水量;水质分析数据包括注水的pH值、含硫污水氯离子含量和/或含硫污水铁离子含量;原油性质数据包括氯离子含量、硫含量和/或酸值。
进一步,上述技术方案中,特征选择的工具采用Relief算法、Lasso算法以及MI算法中的一种或几种。
进一步,上述技术方案中,Relief算法可通过更新每个所述特征的权重进行特征选择,具体为:
其中,A为特征;W(A)为特征权重;R为随机选择的一个样本;Hj为与R同类的第j个最近邻样本;diff(A,R,Hj)为样本R和Hj在A特征上的归一化距离;m为循环计算次数;k为各样本具有的最近邻样本的个数;p(C)为R样本类别的比例;p(class(R))为与R同类的样本占总样本的比例;Mj(C)为与R不同类的第j个最近邻样本。
进一步,上述技术方案中,Lasso算法在损失函数后加入L1正则化,通过惩罚项系数λ控制特征变量的数目,具体为:
其中,为损失函数;/>为L1正则化;xi为自变量;yi为因变量;n为样本个数;p为参数个数;h(x)为预测模型的关于输入样本x的预测值;θj为各特征参数的惩罚项。
进一步,上述技术方案中,pH软测量预测模型可采用ELM、BP、DNN或MLR神经网络模型。
进一步,上述技术方案中,pH软测量预测模型通过评价指标对经过Lasso算法结合所述Relief算法进行特征选择前后的预测结果进行评估,选取ELM、BP、DNN以及MLR神经网络模型中的最优模型对塔顶回流罐内的pH值进行预测。
进一步,上述技术方案中,评价指标可具体为反映预测模型精度的平均绝对误差MAE以及反映预测模型可信程度的平均百分比相对误差MAPE;
其中,N为主要输入参数的测试数据集样本的总个数,Yi表示第i时刻主要输入参数的测量值,表示第i时刻主要输入参数的模型预测值。
进一步,上述技术方案中,塔顶到塔顶回流罐之间的pH值模拟计算可采用BakerHughes离子模型或基于Pro II工艺仿真软件实现;将建模部位划分为三个区域分别进行计算,所述三个区域具体包括:
第一区域,为塔顶部塔盘至中和剂注入点区域;
第二区域,为所述中和剂注入点至注水点区域;
第三区域,为所述注水点至所述塔顶回流罐区域。
为实现上述目的,根据本发明的第二方面,本发明提供了一种蒸馏装置塔顶pH值调控装置,包括:硬测量值获取模块,用于通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值;特征选择模块,用于通过采集工艺参数、加药数据、水质分析数据以及原油性质数据,对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择;软测量预测模块,用于通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果;数据处理模块,用于对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值;第一调控模块,用于依据塔顶回流罐内的确定的pH值,将中和剂和注水量作为寻优参数,对塔顶回流罐内的pH值进行实时调控。
进一步,上述技术方案中,该装置还可包括:模拟计算模块,用于通过塔顶到塔顶回流罐之间的pH值模拟计算,在热平衡和物料平衡的基础上计算水相离子平衡,确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布;第二调控模块,用于依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布,将中和剂和注水量作为寻优参数,对塔顶到塔顶回流罐之间的pH值进行实时调控。
为实现上述目的,根据本发明的第三方面,本发明提供了一种存储器,包括指令集,所述指令集适于处理器执行前述任一所述蒸馏装置塔顶pH值调控方法中的步骤。
为实现上述目的,根据本发明的第四方面,本发明提供了一种蒸馏装置塔顶pH值调控设备,包括总线、输入装置、输出装置、处理器和前述存储器;总线用于连接存储器、输入装置、输出装置和处理器;输入装置和输出装置用于实现与用户的交互;处理器用于执行存储器中的指令集。
与现有技术相比,本发明具有如下有益效果:
1)本发明可用于提高蒸馏塔顶工艺防腐蚀pH值的控制精度和效果;
2)采用硬、软结合测量技术,即实时在线监测与模型算法结合实现塔顶回流罐含硫污水高可靠性的pH值测量,解决了现有技术中测量不可靠的问题;
3)特征选择采用多种算法结合的方式可进一步提高预测精度;
4)pH值预测模型的选择过程中可通过有效的评价指标进行更为精确的评估,以便保证预测模型的精度和可信度;
5)运用离子平衡模型模拟计算出塔顶到塔顶回流罐之间水相的pH值分布,通过控制中和剂的添加种类和添加量,以及注水量将pH值控制在可接受范围,可有效解决塔顶回流罐之前的pH控制;
6)通过本发明的方法既能有效控制塔顶腐蚀又能避免形成铵/胺盐结晶,也避免了因原油性质不断变化,分析频率低、且滞后,人工注剂调节跟不上实际腐蚀环境等原因影响工艺防腐效果。
根据下面参考附图对示例性实施例的详细说明,本发明的其它特征及方面将变得清楚。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本发明,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件未作详细描述,以便于凸显本发明的主旨。
实施例1
本发明的蒸馏装置塔顶pH值的自动调控方法包括塔顶回流罐内的pH值软硬测量,以及塔顶到塔顶回流罐之间的pH值模拟计算。塔顶回流罐内的pH值软硬测量,一方面通过在线pH计实现pH值的实时在线测量,另一方面根据装置的历史数据进行特征选择,运用基于神经网络的深度学习算法建立pH值预测模型,再根据实时数据对模型进行训练,给出pH值的软测量值;对软硬测量值进行加权处理,最终确定一个pH值。塔顶回流罐内的pH值软测量结果如图1所示。塔顶到回流罐的pH值模拟计算运用电解质模型,通过工艺仿真建模描述可电离物(例如HCl、NH3、RNH2、SOx、CO2等)在水相中的作用,确定pH值随温度的变化曲线。在获取塔顶回流罐内的pH值以及塔顶到塔顶回流罐之间的pH值后,通过注剂罐、注剂泵、注水泵及配套管路等进行pH值的自动调控,采用PLC自动控制,控制逻辑为将塔顶回流罐内的pH值和塔顶到塔顶回流罐之间的pH值作为优化目标,将相关性比较大且可控的中和剂和注水量作为寻优参数,并采用粒子群优化算法调整中和剂的加药量。
本发明的方法实施例1具体包括如下步骤:
步骤S101,通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值。具体地,可在塔顶回流罐水包处引出旁路,安装在线自动清洗pH计,在pH计前可增加过滤设施,根据现场水源或气源情况,pH计可采用水喷淋或气体吹扫的方式进行自动清洗。
步骤S102,通过采集工艺参数、加药数据、水质分析数据以及原油性质数据,对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择。具体地,如图1所示,在本步骤中,首先根据装置近几年历史数据进行pH值相关性分析,历史数据包括但不限于工艺参数(例如温度、压力等)、常顶石脑油馏分及常顶不凝气组成、加药数据(例如中和剂的类型、浓度、注剂量、注水量等)、水质分析数据(例如注水的pH值、含硫污水氯离子含量、铁离子含量)及原油数据(例如氯离子、硫含量、酸值)等。对这些数据先进行机理分析,通过经验剔除不相关的变量,选取相关的变量,减少变量的维数,提高后续特征选择的精度,例如经过机理分析,与pH相关的变量可包括塔顶回流罐温度、压力、至塔和所有侧线汽提塔的总汽提蒸汽、常压炉流速蒸汽、脱盐原油中的水、去塔顶的洗涤水注入速率、原油中的硫含量和酸值、注水量、注中和剂的种类和含量等。但由于反应过程的复杂,仅通过机理分析不能满足模型输入的需要,因此通过特征选择的方式选取对pH值预测模型输出变量相关性较大的输入变量,并对其进行重要性排序,可进一步提高模型的软测量精度。
特征选择可同时采用Relief系列算法、Lasso算法、MI算法中的一种或几种选取准确的特征变量。本实施例优选采用Relief系列算法和Lasso算法结合的方式选取特征变量。具体地,Relief算法通过更新每个特征的权重进行特征选择,用以下公式(1)表示:
其中,A为特征;W(A)为特征权重;R为随机选择的一个样本;Hj为与R同类的第j个最近邻样本;diff(A,R,Hj)为样本R和Hj在A特征上的归一化距离;m为循环计算次数;k为各样本具有的最近邻样本的个数;p(C)为R样本类别的比例;p(class(R))为与R同类的样本占总样本的比例;Mj(C)为与R不同类的第j个最近邻样本。
Lasso算法在损失函数后加入L1正则化,通过惩罚项系数λ控制特征变量的数目,用以下公式(2)表示:
其中,为损失函数;/>为L1正则化;xi为自变量;yi为因变量;n为样本个数;p为参数个数;h(x)为预测模型的关于输入样本x的预测值;θj为各特征参数的惩罚项,即绝对值。
下面以一个具体的实例说明采用Lasso算法和Relief算法结合的方式进行特征选择的过程和结果:
首先,将经过机理分析后的输入变量用标签进行标引如下:
表1-pH值预测模型相关变量表
然后,运用Lasso算法进行特征选择,结果如图2所示。图2中的具体结果数据如下表2所示。
表2-Lasso特征变量重要性排序表
变量 |
重要性 |
变量 |
重要性 |
X6 |
0.36 |
X10 |
0.0055 |
X7 |
0.0395 |
X5 |
0.0037 |
X2 |
0.0226 |
X4 |
0.0015 |
X9 |
0.0156 |
X3 |
0.0011 |
X1 |
0.0127 |
X8 |
0.0001 |
X11 |
0.0102 |
|
|
考虑到使用Lasso算法获得的特征变量重要性排序容易漏选一些对pH值预测模型输入影响较大的变量,且可能引入一些无关变量,因此加入Relief算法可进一步提高变量特征选取的精度。运用Relief算法进行特征选择,结果如图3所示。图3中的具体结果数据如下表3所示。
表3-Relief特征变量重要性排序表
变量 |
重要性 |
变量 |
重要性 |
X7 |
0.806 |
X3 |
0.081 |
X6 |
0.319 |
X9 |
0.033 |
X5 |
0.313 |
X11 |
0.02 |
X4 |
0.157 |
X8 |
0.011 |
X2 |
0.122 |
X10 |
0.005 |
X1 |
0.116 |
|
|
这里需要说明的是:重要性系数绝对值越高,表示因素之间的线性相关性越强,但是由于因素之间还可能存在非线性关系,因此相关性系数并不能代表相关性的绝对大小关系,只能在一定程度上定性的表示因素影响作用的强弱。根据上述两种算法得出的特征选择结果可以看出,对于塔顶回流罐内的pH值影响比较大的特征变量有中和剂的注入量(X6)、中和剂的类型(X7)、塔顶的注水量(X5)、塔顶注水速率(X4)、回流罐的温度和压力(X1)等。
本实施例还可以通过MI算法选择相关性较高的特征变量。MI算法的两个离散随机变量X和Y的互信息可以定义为下式所示:
在公式(3)中,p(x,y)为X和Y的联合概率分布函数;p(x)为X的边缘概率分布函数;p(y)为Y的边缘概率分布函数。
在连续随机变量的情形下,求和被替换成了二重定积分,如下式所示:
在公式(4)中,p(x,y)为X和Y的联合概率密度函数;p(x)为X的边缘概率密度函数;p(y)为Y的边缘概率密度函数。
互信息量I(xi;yj)为在联合概率空间P(XY)中的统计平均值。平均互信息I(X;Y)克服了互信息量I(xi;yj)的随机性,成为一个确定的量。如果对数以2为基底,互信息的单位是bit。
直观上,互信息度量X和Y共享的信息,即度量知道这两个变量其中一个,对另一个不确定度减少的程度。例如,如果X和Y相互独立,则知道X不对Y提供任何信息,反之亦然,所以它们的互信息为零。在另一个极端,如果X是Y的一个确定性函数,且Y也是X的一个确定性函数,那么传递的所有信息被X和Y共享,即知道X决定Y的值,反之亦然。因此,在此情形下互信息与Y(或X)单独包含的不确定度相同,称作Y(或X)的熵。而且,这个互信息与X的熵和Y的熵相同。互信息是X和Y联合分布相对于假定X和Y独立情况下的联合分布之间的内在依赖性。于是互信息以下面方式度量依赖性:I(X;Y)=0当且仅当X和Y为独立随机变量。从一个方向很容易看出:当X和Y独立时,p(x,y)=p(x)p(y)。
步骤S103,通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果。具体地,可分别采用ELM、BP、DNN、MLR等多种深层或浅层神经网络建立pH值软测量预测模型,并与实际值进行比较,选择较为准确的预测模型开展后续训练。上述预测模型本身以及后续训练均为现有技术,在此不再详述。
在分别采用不同的预测模型对塔顶回流罐内的pH值进行预测后,需要对不同预测模型的预测结果进行评估,即选取ELM、BP、DNN以及MLR神经网络模型中的最优模型对塔顶回流罐内的pH值进行预测。而且还要对进行了特征选择和未进行特征选择的预测结果进行比较。例如,本实施例pH软测量预测模型通过对经过前述Lasso算法结合Relief算法进行特征选择前后(即进行了特征选择和未进行特征选择)的预测结果进行评估。评价指标具体可采用反映预测模型精度的平均绝对误差MAE以及反映预测模型可信程度的平均百分比相对误差MAPE。
其中,N为主要输入参数的测试数据集样本的总个数,Yi表示第i时刻主要输入参数的测量值,表示第i时刻主要输入参数的模型预测值。以下表4至表6为采用不同预测模型、对进行了特征选择和未进行特征选择的预测精度和预测可信度的比较评估结果:
表4-pH值ELM特征选择结果
表5-pH值DNN特征选择结果
表6-pH值MLR特征选择结果
参考表4至表6,利用MAE和MAPE等评价指标可分析特征选择变量前后对预测模型精度和计算效率的影响。pH值采用lasso结合Relief特征选取前后预测模型建模结果的评价指标对比。从表4中可以得出,经过特征选择后ELM模型的MAE降低了33.3%,MAPE降低了29.8%。从表5中可以得出,经过特征选择后DNN模型的MAE降低了15.6%,MAPE降低了17.8%。提高了建模精度的同时降低了建模所需时间,因此经过特征选择后的预测模型可有效提高模型预测的精度。不同预测模型的预测结果散点图如图4至6所示,运用以上三种模型进行预测,可以看出ELM模型的预测值与理想曲线拟合最优,说明ELM可以更有效地预测塔顶回流罐内的pH值。
步骤S104,对步骤S101获取的硬测量值和步骤S103获取的软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值。
步骤S105,依据步骤S104中获得的塔顶回流罐内的确定的pH值,将中和剂和注水量作为寻优参数,对塔顶回流罐内的pH值进行实时调控。该实时调控可采用粒子群PSO算法进行模拟计算并自动控制中和剂的加药量和注水量。塔顶回流罐内的pH值调控与后续的塔顶到塔顶回流罐之间的pH值调控方式相同,将在步骤S107中进行说明。
步骤S106,通过塔顶到塔顶回流罐之间的pH值模拟计算,在热平衡和物料平衡的基础上计算水相离子平衡(即通过工艺仿真建模描述可电离物,例如HCl、NH3、RNH2、SOx、CO2等在水相中的作用),确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布。
具体地,塔顶到塔顶回流罐之间的pH值模拟计算可采用Baker Hughes离子模型或基于Pro II工艺仿真软件实现。本步骤将建模部位划分为三个区域分别进行计算,三个区域可具体包括:第一区域,为塔顶部塔盘至中和剂注入点区域(中和剂不与洗涤水一同注入);第二区域,为中和剂注入点至注水点区域(如果不注水,则延至水的自然露点处);第三区域,为注水点至塔顶回流罐区域。本步骤中的模型所需数据包括但不限于温度、压力、流量等工艺参数,水样化验分析数据,常顶石脑油馏分及常顶不凝气组成等数据,此外还需要多种有机中和胺类、无机铵的基本热力学性质等数据,可通过实验或分子模拟获取。
下面以一个具体的实例说明本步骤中运用Baker Hughes的离子模型对塔顶至塔顶回流罐之间的pH值进行预测,模型的输入参数见下表7:
表7-Baker Hughes的离子模型的输入参数
/>
将以上表7中的输入参数输入Baker Hughes离子模型,通过模拟计算得到的水相pH值分布情况如图7所示,塔顶至塔顶回流罐之间的pH值控制范围一般设置在5.5至7,在图7中的情况下塔顶系统所有有水存在的位置pH值均接近8。取消注水后,露点部位的pH值约为5.5,随后迅速提高到接近8。pH值控制范围高于一般控制范围5.5至7,这是由于系统内氨含量相对于酸含量较高造成的。发生HCl露点腐蚀的风险低,但在pH值7以上操作会增加HS-腐蚀的风险,同时过量的氨增加了结盐的风险,这种情况下应通过降低中和剂的注入量进行pH值调控。
步骤S107,依据步骤S106获得的塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布,将中和剂和注水量作为寻优参数,对塔顶到塔顶回流罐之间的pH值进行实时调控。具体地,在确定调控方案后,本实施例可实现自动加注,加注装置包括注剂罐、注剂泵、注水泵及配套管路等。加注点位置可设置在露点部位前,加注控制可采用PLC自动控制,控制逻辑为将塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值作为优化目标,将相关性比较大且可控的中和剂和注水量作为寻优参数,并采用粒子群优化算法调整中和剂的加药量。塔顶酸腐蚀的强度与水相中有效氢原子浓度成正比。腐蚀速率会随着pH值的降低而呈指数增大。为了将腐蚀速率控制在容许的水平,整个塔顶系统内任何位置的水相pH值都需要控制在近中性(无成膜缓蚀剂>5,有成膜缓蚀剂>4),为防止结盐,最高不超过7。并且保证只要有液态水存在的地方就必须有中和剂来控制pH值。塔顶回流罐水相的pH值加注有机胺时控制在5.5至7.5,加注有机胺+氨水时pH为6.5至8.0,注氨水时7.0至9.0,中和剂优选注有机胺。
本步骤前述将塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值作为优化目标,将相关性比较大且可控的中和剂和注水量作为寻优参数,并采用粒子群优化算法调整中和剂的加药量的调控过程参见图8,通过采集的pH值与预设的pH值上下限进行不断比较,以判断是否增加或者降低中和剂、注水量。增加或降低的量值则采用粒子群优化算法进行寻优迭代计算。
粒子群PSO算法初始化为一群随机的粒子,然后通过多次迭代找到最优解。每一次的迭代过程中,粒子通过本身所找到的最优解(即个体极值)和整个种群目前找到的最优解(即全局极值)来更新自己。也可以使用粒子本身的邻居的极值(即局部极值)来更新自己。
假设在一个N维的目标搜索空间中,有M个粒子组成一个种群,其中第i个粒子表示为一个N维的向量,Pi表示第i个粒子的位置,即:
Pi=(pi1,pi2,…,piN),i=1,2…,M
第i个粒子移动速度是一个N维的向量,即:
Vi=(vi1,vi2,…,viN),i=1,2,…,M
第i个粒子目前搜索到的最优位置称为个体极值,即:
Ebest=(pi1,pi2,…,piN),i=1,2,…,M
整个粒子群搜索到的全局最优位置,即:
Gbest=(pg1,pg2,…,pgN)
通过个体极值和全局最优值不断更新粒子的速度和位置(即本步骤中的塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值),通过反复迭代,直到满足终止迭代条件并获得满意的调控后的pH值为止,最后获得最优的中和剂和注水量。应用粒子群PSO算法计算本实施例的pH值的过程参见图9。
实施例2
如图10所示,本实施例的蒸馏装置塔顶pH值调控装置为与实施例1中调控方法对应的装置,即,通过虚拟装置的方式实现实施例1中的方法,构成蒸馏装置塔顶pH值调控装置的各个虚拟模块可以由电子设备执行,例如网络设备、终端设备、或服务器。
本实施例提供的蒸馏装置塔顶pH值调控装置具体包括:硬测量值获取模块201、特征选择模块202、软测量预测模块203、数据处理模块204以及第一调控模块205。其中,硬测量值获取模块201用于通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值;特征选择模块202用于通过采集工艺参数、加药数据、水质分析数据以及原油性质数据,对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择;软测量预测模块203用于通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果;数据处理模块204用于对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值;第一调控模块205用于依据塔顶回流罐内的确定的pH值,将中和剂和注水量作为寻优参数,对塔顶回流罐内的pH值进行实时调控。
进一步地,本实施例的蒸馏装置塔顶pH值调控装置还可包括:模拟计算模块206以及第二调控模块207。其中,模拟计算模块206用于通过塔顶到塔顶回流罐之间的pH值模拟计算,在热平衡和物料平衡的基础上计算水相离子平衡,确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布;第二调控模块207用于依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布,将中和剂和注水量作为寻优参数,对塔顶到塔顶回流罐之间的pH值进行实时调控。
实施例3
本实施例提供了一种存储器,该存储器可以是非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的蒸馏装置塔顶pH值调控方法的各个步骤,并实现相同的技术效果。
实施例4
本实施例提供了一种蒸馏装置塔顶pH值调控设备,该设备所包括的存储器中,包括有相应的计算机程序产品,计算机程序产品所包括程序指令被计算机执行时,可使计算机执行以上各个方面所述的蒸馏装置塔顶pH值调控方法,并实现相同的技术效果。
图11是本实施例作为电子设备的硬件结构示意图,如图11所示,该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括:输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器620可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器620可选包括相对于处理器610远程设置的存储器,这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息,以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中,当被所述一个或者多个处理器610执行时,执行:本发明蒸馏装置塔顶pH值调控方法。上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
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。