CN115851332B - 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 - Google Patents
从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 Download PDFInfo
- Publication number
- CN115851332B CN115851332B CN202211679492.2A CN202211679492A CN115851332B CN 115851332 B CN115851332 B CN 115851332B CN 202211679492 A CN202211679492 A CN 202211679492A CN 115851332 B CN115851332 B CN 115851332B
- Authority
- CN
- China
- Prior art keywords
- feature map
- gas
- decoding
- state
- value
- 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
Landscapes
- Separation Using Semi-Permeable Membranes (AREA)
Abstract
公开了一种从合成氨驰放气膜提氢尾气中制取天然气的方法及系统,其通过膜分离提氢处理、温度和压力调制、脱水纯化、主换热器处理、低温精馏、热交换、传质和传热、冷凝降温和分离处理从合成氨驰放气膜提氢尾气中制取天然气。在此过程中,结合基于深度学习的人工智能技术,对所述膜提氢尾气进行温度和压力调制,也就是,对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,利用卷积神经网络来提取所述两台分子筛吸附器间的多尺度全局关联特征,并经过解码回归处理得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值,以及用于表示推荐的输入膜提氢尾气的温度值的第二解码值,通过这样的方式,来优化除杂效果。
Description
技术领域
本申请涉及天然气制备领域,且更为具体地,涉及一种从合成氨驰放气膜提氢尾气中制取天然气的方法及系统。
背景技术
合成氨驰放气是氨合成工序排放出来的尾气,排放气量约为300Nm3/吨氨,其主要组分有氢气、氮气、甲烷、氩气、氨。目前合成氨驰放气的利用方式主要有两种,一是作为工厂燃料气,而是经过膜分离提氢装置或变压吸附(PSA)提氢装置回收氢气后作为工厂燃料气。由于合成氨驰放气中含有较多经济附加值较高的组分,作为燃料气或者简单回收部分氢气后作为燃料气烧掉,利用效率低,也是非常不经济的。同时,氨合成的压力一般都非常高,合成氨的驰放气以及经过膜分离提氢后的尾气压力通常在10-15MPa,压力目前的利用方式基本都会将驰放气压力降低到较低压力作为燃料气,无法利用合成氨驰放气的压力能。
因此,期待一种优化的合成氨驰放气处理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种从合成氨驰放气膜提氢尾气中制取天然气的方法及系统,其通过膜分离提氢处理、温度和压力调制、脱水纯化、主换热器处理、低温精馏、热交换、传质和传热、冷凝降温和分离处理从合成氨驰放气膜提氢尾气中制取天然气。在此过程中,结合基于深度学习的人工智能技术,对所述膜提氢尾气进行温度和压力调制,也就是,对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,利用卷积神经网络来提取所述两台分子筛吸附器间的多尺度全局关联特征,并经过解码回归处理得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值,以及用于表示推荐的输入膜提氢尾气的温度值的第二解码值,通过这样的方式,来优化除杂效果。
根据本申请的一个方面,提供了一种从合成氨驰放气膜提氢尾气中制取天然气的方法,其包括:
S1:对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气;
S2:对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器;
S3:将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体;
S4:将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气;
S5:将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%;以及
S6:将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S2,包括:S21:获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;S22:将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;S23:将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;S24:将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;S25:融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;S26:将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;S27:对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及,S28:将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S23,包括:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S24,包括:使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第二尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二状态关联特征图,所述第二卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S25,包括:以如下公式融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述第一状态关联特征图,F2表示所述第二状态关联特征图,Concat[·,·]表示级联函数,X表示所述全局状态关联特征图。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S26,包括:使用所述空间注意力模块的卷积编码部分对所述全局状态关联特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述全局状态关联特征图的按位置点乘以得到所述空间增强状态关联特征图。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S27,包括:以如下公式对所述空间增强状态关联特征图进行回归表征平展化以得到所述解码特征图;其中,所述公式为:
其中fi是所述空间增强状态关联特征图的预定特征值,fj是所述空间增强状态关联特征图的所述预定特征值以外的其它特征值,且是所述空间增强状态关联特征图的所有特征值的均值,且N是所述空间增强状态关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi′是所述解码特征图的第i个位置的特征值。
在上述从合成氨驰放气膜提氢尾气中制取天然气的方法中,所述步骤S28,包括:使用所述第一解码器以如下公式对所述解码特征图进行解码回归以获得所述第一解码值;其中,所述公式为:其中X是所述解码特征图中各个解码特征矩阵,Y1是所述第一解码值,W1是权重矩阵,/>表示矩阵乘;以及,使用所述第二解码器以如下公式对所述解码特征图进行解码回归以获得所述第二解码值;其中,所述公式为:其中X是所述解码特征图中各个解码特征矩阵,Y2是所述第二解码值,W2是权重矩阵,/>表示矩阵乘。
根据本申请的另一方面,提供了一种从合成氨驰放气膜提氢尾气中制取天然气的系统,包括:
监控模块,用于获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;
聚合模块,用于将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;
第一尺度特征提取模块,用于将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;
第二尺度特征提取模块,用于将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;
融合模块,用于融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;
空间增强模块,用于将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;
回归表征平展化模块,用于对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及
解码模块,用于将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
在上述从合成氨驰放气膜提氢尾气中制取天然气的系统中,所述第一尺度特征提取模块,进一步用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
在上述从合成氨驰放气膜提氢尾气中制取天然气的系统中,所述融合模块,进一步用于:以如下公式融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述第一状态关联特征图,F2表示所述第二状态关联特征图,Concat[·,·]表示级联函数,X表示所述全局状态关联特征图。
在上述从合成氨驰放气膜提氢尾气中制取天然气的系统中,所述空间增强模块,进一步用于:使用所述空间注意力模块的卷积编码部分对所述全局状态关联特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述全局状态关联特征图的按位置点乘以得到所述空间增强状态关联特征图。
在上述从合成氨驰放气膜提氢尾气中制取天然气的系统中,所述回归表征平展化模块,进一步用于:以如下公式对所述空间增强状态关联特征图进行回归表征平展化以得到所述解码特征图;其中,所述公式为:
其中fi是所述空间增强状态关联特征图的预定特征值,fj是所述空间增强状态关联特征图的所述预定特征值以外的其它特征值,且是所述空间增强状态关联特征图的所有特征值的均值,且N是所述空间增强状态关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi′是所述解码特征图的第i个位置的特征值。
在上述从合成氨驰放气膜提氢尾气中制取天然气的系统中,所述解码模块,进一步用于:使用所述第一解码器以如下公式对所述解码特征图进行解码回归以获得所述第一解码值;其中,所述公式为:其中X是所述解码特征图中各个解码特征矩阵,Y1是所述第一解码值,W1是权重矩阵,/>表示矩阵乘;以及,使用所述第二解码器以如下公式对所述解码特征图进行解码回归以获得所述第二解码值;其中,所述公式为:/> 其中X是所述解码特征图中各个解码特征矩阵,y2是所述第二解码值,W2是权重矩阵,/>表示矩阵乘。
与现有技术相比,本申请提供的从合成氨驰放气膜提氢尾气中制取天然气的方法及系统,其通过膜分离提氢处理、温度和压力调制、脱水纯化、主换热器处理、低温精馏、热交换、传质和传热、冷凝降温和分离处理从合成氨驰放气膜提氢尾气中制取天然气。在此过程中,结合基于深度学习的人工智能技术,对所述膜提氢尾气进行温度和压力调制,也就是,对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,利用卷积神经网络来提取所述两台分子筛吸附器间的多尺度全局关联特征,并经过解码回归处理得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值,以及用于表示推荐的输入膜提氢尾气的温度值的第二解码值,通过这样的方式,来优化除杂效果。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法的流程图。
图2为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中通过脱水纯化系统以得到脱水纯化后气体的流程图。
图3为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中通过脱水纯化系统以得到脱水纯化后气体的架构图。
图4为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中得到空间增强状态关联特征图的流程图。
图5为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的系统的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
如上所述,由于合成氨驰放气中含有较多经济附加值较高的组分,作为燃料气或者简单回收部分氢气后作为燃料气烧掉,利用效率低,也是非常不经济的。同时,氨合成的压力一般都非常高,合成氨的驰放气以及经过膜分离提氢后的尾气压力通常在10-15MPa,压力目前的利用方式基本都会将驰放气压力降低到较低压力作为燃料气,无法利用合成氨驰放气的压力能。因此,期待一种优化的合成氨驰放气处理方案。
具体地,在本申请的技术方案中,提出了一种从合成氨驰放气膜提氢尾气中制取天然气的方法,其包括:对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气;对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器;将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体;将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气;将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%;以及,将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%。
特别地,考虑到在步骤2:对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体中,输入尾气的压力和温度与所述由两台分子筛吸附器组成的脱水纯化系统的吸附性能的适配是优化除杂效果的关键。也就是说,为了能够优化除杂的效果,需要对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,以控制所述膜提氢尾气的压力和温度的调制数据。并且,考虑到由于所述脱水纯化系统的吸附性能可以通过对于两台分子筛吸附器的监测图像的分析来进行检测判断,但是,由于图像中的信息量较多,而分子筛吸附器的吸附性能特征在图像中为小尺度的信息,难以进行提取和挖掘,同时第一分子筛吸附器和第二分子筛吸附器的吸附特征都为各自的吸附性能特征,如何结合这两者的吸附特征信息来对于整体的脱水纯化系统的吸附性能进行检测是关键。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为脱水纯化系统的吸附性能检测提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,通过摄像头采集所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像。应可以理解,考虑到由于脱水纯化系统由第一分子筛吸附器和第二分子筛吸附器组成,而这两者分子筛吸附器的功能不同,因此,若想对于脱水纯化系统的吸附性能进行整体地准确检测,需要对于两个分子筛吸附器的分子筛状态图像进行分析来进行吸附性能判断。接着,考虑到在所述第一分子筛吸附器的分子筛状态特征与所述第二分子筛吸附器的分子筛状态特征之间具有着关联性,因此,进一步再将所述第一状态监测图像和所述第一状态监测图像沿着通道维度聚合为多通道状态监测图像以此来整合两个分子筛吸附器的分子筛状态图像信息,以此来进行多通道状态检测图像的特征挖掘以进行吸附性检测。
然后,考虑到所述第一分子筛吸附器的分子筛状态特征与所述第二分子筛吸附器的分子筛状态特征间的关联特征在不同尺度下具有不同程度的关联性。也就是说,在将调制后的所述膜提氢尾气经过所述第一分子筛吸附器处理后再通过所述第二分子筛吸附器进行处理以进行脱水纯化系统的吸附除杂的过程中,所述第一分子筛与所述第二分子筛的协同工作来决定了所述脱水纯化系统的吸附性能。
基于此,在本申请的技术方案中,为了能够充分地提取出所述多通道状态监测图像中关于所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征以对于所述脱水纯化系统的吸附性能进行准确检测,采用具有不同尺度的二维卷积核的卷积神经网络模型来分别对于所述多通道状态监测图像进行特征挖掘,以提取出所述多通道状态监测图像中关于所述第一分子筛状态特征与所述第二分子筛状态特征间的多尺度状态关联特征分布信息。具体地,将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图,并将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图。接着,再融合所述第一状态关联特征图和所述第二状态关联特征图,以融合所述第一分子筛状态特征与所述第二分子筛状态特征间的多尺度全局关联特征,从而得到全局状态关联特征图。
进一步地,考虑到在实际进行脱水纯化系统的吸附性能检测时,需要更加关注于所述脱水纯化系统的所述第一分子筛吸附器中的第一分子筛状态特征和所述第二分子筛吸附器中的第二分子筛状态特征间在空间上的位置关联特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,进一步将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图,以此来进行空间聚焦,也就是说,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出聚焦于空间位置上的所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征分布信息。
然后,再将具有所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征在空间上的特征分布信息的所述所述解码特征图分别通过第一解码器和第二解码器中进行解码回归,以得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值和用于表示推荐的输入膜提氢尾气的温度值的第二解码值。这样,能够对于脱水纯化系统的吸附性能进行实时检测,以此来控制所述膜提氢尾气的压力和温度的调制数据与其进行适配来优化除杂效果。
特别地,在本申请的技术方案中,由于使用具有第一尺度的二维卷积核的第一卷积神经网络模型和使用具有第二尺度的二维卷积核的第二卷积神经网络模型分别提取所述多通道状态监测图像的不同尺度的图像语义关联特征,因此优选地通过级联所述第一状态关联特征图和所述第二状态关联特征图得到所述全局状态关联特征图。
但是,由于所述全局状态关联特征图包含不同尺度的图像语义关联特征,在通过空间注意力模块之后,由于空间注意力模块分别进一步聚集各自尺度的图像语义关联特征的特征分布,使得所述全局状态关联特征图包含的不同尺度的图像语义关联特征的特征分布更加离散,这就使得所述空间增强状态关联特征图在解码器中展开为特征向量之后,与所述解码器的权重矩阵之间的拟合负担重,从而影响所述解码器的训练速度和解码结果的准确性。
因此,优选地进一步对所述空间增强状态关联特征图进行回归表征平展化,具体表示为:
fi是所述空间增强状态关联特征图的预定特征值,fj是所述空间增强状态关联特征图的所述预定特征值以外的其它特征值,且是所述空间增强状态关联特征图的所有特征值的均值,且N是所述空间增强状态关联特征图的尺度,即宽度乘以高度乘以通道数。
这里,所述特征图的回归表征平展化将用于高维特征空间内的特征分布的回归表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得回归超平面的平展的“切片”连续性,以增强所述空间增强状态关联特征图对于解码器的权重矩阵的拟合性能。这样,就提升了所述空间增强状态关联特征图通过解码器进行解码的训练速度和解码结果的准确性。这样,能够精准地对于脱水纯化系统的吸附性能进行实时检测,以此来控制所述膜提氢尾气的压力和温度的调制数据,进而达到优化除杂效果的目的。
基于此,本申请提出了一种从合成氨驰放气膜提氢尾气中制取天然气的方法,其包括:S1:对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气;
S2:对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器;S3:将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体;S4:将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气;S5:将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%;以及,S6:将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法
图1为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法的流程图。如图1所示,根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法,包括:S1:对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气;S2:对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器;S3:将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体;S4:将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气;S5:将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%;以及,S6:将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%。
如上所述,由于合成氨驰放气中含有较多经济附加值较高的组分,作为燃料气或者简单回收部分氢气后作为燃料气烧掉,利用效率低,也是非常不经济的。同时,氨合成的压力一般都非常高,合成氨的驰放气以及经过膜分离提氢后的尾气压力通常在10-15MPa,压力目前的利用方式基本都会将驰放气压力降低到较低压力作为燃料气,无法利用合成氨驰放气的压力能。因此,期待一种优化的合成氨驰放气处理方案。
在步骤S1中,对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气。所述膜分离是指膜分离技术,其是一种以分离膜为核心,进行分离、浓缩和提纯物质的一门新兴技术。该技术是一种使用半透膜的分离方法,由于膜分离操作一般在常温下进行,被分离物质能保持原来的性质。
在步骤S2中,对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器。特别地,在本申请的技术方案中,对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体中,输入尾气的压力和温度与所述由两台分子筛吸附器组成的脱水纯化系统的吸附性能的适配是优化除杂效果的关键。也就是说,为了能够优化除杂的效果,需要对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,以控制所述膜提氢尾气的压力和温度的调制数据。并且,考虑到由于所述脱水纯化系统的吸附性能可以通过对于两台分子筛吸附器的监测图像的分析来进行检测判断,但是,由于图像中的信息量较多,而分子筛吸附器的吸附性能特征在图像中为小尺度的信息,难以进行提取和挖掘,同时第一分子筛吸附器和第二分子筛吸附器的吸附特征都为各自的吸附性能特征,如何结合这两者的吸附特征信息来对于整体的脱水纯化系统的吸附性能进行检测是关键。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。深度学习以及神经网络的发展为脱水纯化系统的吸附性能检测提供了新的解决思路和方案。
图2为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中通过脱水纯化系统以得到脱水纯化后气体的流程图。如图2所示,所述对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器,包括:S21:获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;S22:将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;S23:将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;S24:将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;S25:融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;S26:将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;S27:对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及,S28:将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
图3为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中通过脱水纯化系统以得到脱水纯化后气体的架构图。如图3所示,在该架构中,首先,获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;接着,将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;然后,将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图,同时,将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;继而,融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;接着,将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;然后,对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;最后,将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
具体地,在步骤S21中,获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像。应可以理解,考虑到由于脱水纯化系统由第一分子筛吸附器和第二分子筛吸附器组成,而这两者分子筛吸附器的功能不同,因此,若想对于脱水纯化系统的吸附性能进行整体地准确检测,需要对于两个分子筛吸附器的分子筛状态图像进行分析来进行吸附性能判断。
具体地,在步骤S22中,将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像。考虑到在所述第一分子筛吸附器的分子筛状态特征与所述第二分子筛吸附器的分子筛状态特征之间具有着关联性,因此,进一步再将所述第一状态监测图像和所述第一状态监测图像沿着通道维度聚合为多通道状态监测图像以此来整合两个分子筛吸附器的分子筛状态图像信息,以此来进行多通道状态检测图像的特征挖掘以进行吸附性检测。
具体地,在步骤S23中,将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图。考虑到所述第一分子筛吸附器的分子筛状态特征与所述第二分子筛吸附器的分子筛状态特征间的关联特征在不同尺度下具有不同程度的关联性。也就是说,在将调制后的所述膜提氢尾气经过所述第一分子筛吸附器处理后再通过所述第二分子筛吸附器进行处理以进行脱水纯化系统的吸附除杂的过程中,所述第一分子筛与所述第二分子筛的协同工作来决定了所述脱水纯化系统的吸附性能。
基于此,在本申请的技术方案中,为了能够充分地提取出所述多通道状态监测图像中关于所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征以对于所述脱水纯化系统的吸附性能进行准确检测,采用具有不同尺度的二维卷积核的卷积神经网络模型来分别对于所述多通道状态监测图像进行特征挖掘,以提取出所述多通道状态监测图像中关于所述第一分子筛状态特征与所述第二分子筛状态特征间的多尺度状态关联特征分布信息。具体地,首先,将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图。
在本申请实施例中,使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
具体地,在步骤S24中,将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图。同样地,为了能够充分地提取出所述多通道状态监测图像中关于所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征以对于所述脱水纯化系统的吸附性能进行准确检测,在得到第一状态关联特征图的同时,将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图。
在本申请实施例中,使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第二尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第二卷积神经网络模型的最后一层的输出为所述第二状态关联特征图,所述第二卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
具体地,在步骤S25中,融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图。也就是,融合所述第一分子筛状态特征与所述第二分子筛状态特征间的多尺度全局关联特征,从而得到全局状态关联特征图。
更具体地,在本申请实施例中,以如下公式融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述第一状态关联特征图,F2表示所述第二状态关联特征图,Concat[·,·]表示级联函数,X表示所述全局状态关联特征图。
具体地,在步骤S26中,将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图。考虑到在实际进行脱水纯化系统的吸附性能检测时,需要更加关注于所述脱水纯化系统的所述第一分子筛吸附器中的第一分子筛状态特征和所述第二分子筛吸附器中的第二分子筛状态特征间在空间上的位置关联特征。鉴于注意力机制能够选择聚焦位置,产生更具分辨性的特征表示,且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此,进一步将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图,以此来进行空间聚焦,也就是说,这里,所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重,用来抑制或强化不同空间位置的特征,以此来提取出聚焦于空间位置上的所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征分布信息。
图4为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法中得到空间增强状态关联特征图的流程图。如图4所示,所述将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图,包括:S261,使用所述空间注意力模块的卷积编码部分对所述全局状态关联特征图进行深度卷积编码以得到初始卷积特征图;S262,将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;S263,将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,S264,计算所述空间注意力特征图和所述全局状态关联特征图的按位置点乘以得到所述空间增强状态关联特征图。
具体地,在步骤S27中,对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图。特别地,在本申请的技术方案中,由于使用具有第一尺度的二维卷积核的第一卷积神经网络模型和使用具有第二尺度的二维卷积核的第二卷积神经网络模型分别提取所述多通道状态监测图像的不同尺度的图像语义关联特征,因此优选地通过级联所述第一状态关联特征图和所述第二状态关联特征图得到所述全局状态关联特征图。
但是,由于所述全局状态关联特征图包含不同尺度的图像语义关联特征,在通过空间注意力模块之后,由于空间注意力模块分别进一步聚集各自尺度的图像语义关联特征的特征分布,使得所述全局状态关联特征图包含的不同尺度的图像语义关联特征的特征分布更加离散,这就使得所述空间增强状态关联特征图在解码器中展开为特征向量之后,与所述解码器的权重矩阵之间的拟合负担重,从而影响所述解码器的训练速度和解码结果的准确性。
因此,优选地进一步对所述空间增强状态关联特征图进行回归表征平展化,具体表示为:
其中fi是所述空间增强状态关联特征图的预定特征值,fj是所述空间增强状态关联特征图的所述预定特征值以外的其它特征值,且是所述空间增强状态关联特征图的所有特征值的均值,且N是所述空间增强状态关联特征图的尺度,即宽度乘以高度乘以通道数,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi′是所述解码特征图的第i个位置的特征值。
这里,所述特征图的回归表征平展化将用于高维特征空间内的特征分布的回归表征的有限多面体流形进行平展,同时保持流形的各平面之间的固有距离,并基于空间直观地避免交叉,其实质上是将该有限多面体流形分解为基于直角面相交和同顶点相交的立方体晶格,从而获得回归超平面的平展的“切片”连续性,以增强所述空间增强状态关联特征图对于解码器的权重矩阵的拟合性能。这样,就提升了所述空间增强状态关联特征图通过解码器进行解码的训练速度和解码结果的准确性。这样,能够精准地对于脱水纯化系统的吸附性能进行实时检测,以此来控制所述膜提氢尾气的压力和温度的调制数据,进而达到优化除杂效果的目的。
具体地,在步骤S28中,将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。也就是,将具有所述第一分子筛状态特征与所述第二分子筛状态特征间的关联性特征在空间上的特征分布信息的所述解码特征图分别通过第一解码器和第二解码器中进行解码回归,以得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值和用于表示推荐的输入膜提氢尾气的温度值的第二解码值。这样,能够对于脱水纯化系统的吸附性能进行实时检测,以此来控制所述膜提氢尾气的压力和温度的调制数据与其进行适配来优化除杂效果。
在本申请实施例中,使用所述第一解码器以如下公式对所述解码特征图进行解码回归以获得所述第一解码值;其中,所述公式为:其中X是所述解码特征图中各个解码特征矩阵,Y1是所述第一解码值,W1是权重矩阵,/>表示矩阵乘;以及,使用所述第二解码器以如下公式对所述解码特征图进行解码回归以获得所述第二解码值;其中,所述公式为:/> 其中X是所述解码特征图中各个解码特征矩阵,Y2是所述第二解码值,W2是权重矩阵,/>表示矩阵乘。
这样以后,再将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体。接着,将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气。继而,将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%。最后,将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%。
综上,基于本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的方法被阐明,其通过膜分离提氢处理、温度和压力调制、脱水纯化、主换热器处理、低温精馏、热交换、传质和传热、冷凝降温和分离处理从合成氨驰放气膜提氢尾气中制取天然气。在此过程中,结合基于深度学习的人工智能技术,对所述膜提氢尾气进行温度和压力调制,也就是,对于两台分子筛吸附器组成的脱水纯化系统的吸附性能进行实时监测,利用卷积神经网络来提取所述两台分子筛吸附器间的多尺度全局关联特征,并经过解码回归处理得到用于表示推荐的输入膜提氢尾气的压力值的第一解码值,以及用于表示推荐的输入膜提氢尾气的温度值的第二解码值,通过这样的方式,来优化除杂效果。
示例性系统
图5为根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的系统的框图。如图5所示,根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的系统100,包括:监控模块110,用于获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;聚合模块120,用于将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;第一尺度特征提取模块130,用于将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;第二尺度特征提取模块140,用于将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;融合模块150,用于融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;空间增强模块160,用于将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;回归表征平展化模块170,用于对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及,解码模块180,用于将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
在一个示例中,在上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中,所述第一尺度特征提取模块130,进一步用于:使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
在一个示例中,在上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中,所述融合模块150,进一步用于:以如下公式融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述第一状态关联特征图,F2表示所述第二状态关联特征图,Concat[·,·]表示级联函数,X表示所述全局状态关联特征图。
在一个示例中,在上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中,所述空间增强模块160,进一步用于:使用所述空间注意力模块的卷积编码部分对所述全局状态关联特征图进行深度卷积编码以得到初始卷积特征图;将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及,计算所述空间注意力特征图和所述全局状态关联特征图的按位置点乘以得到所述空间增强状态关联特征图。
在一个示例中,在上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中,所述回归表征平展化模块170,进一步用于:以如下公式对所述空间增强状态关联特征图进行回归表征平展化以得到所述解码特征图;其中,所述公式为:
其中fi是所述空间增强状态关联特征图的预定特征值,fj是所述空间增强状态关联特征图的所述预定特征值以外的其它特征值,且是所述空间增强状态关联特征图的所有特征值的均值,且N是所述空间增强状态关联特征图的尺度,exp(·)表示数值的指数运算,所述数值的指数运算表示以所述数值为幂的自然指数函数值,fi′是所述解码特征图的第i个位置的特征值。
在一个示例中,在上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中,所述解码模块180,进一步用于:使用所述第一解码器以如下公式对所述解码特征图进行解码回归以获得所述第一解码值;其中,所述公式为:其中X是所述解码特征图中各个解码特征矩阵,Y1是所述第一解码值,W1是权重矩阵,/>表示矩阵乘;以及,使用所述第二解码器以如下公式对所述解码特征图进行解码回归以获得所述第二解码值;其中,所述公式为:/>其中X是所述解码特征图中各个解码特征矩阵,Y2是所述第二解码值,W2是权重矩阵,/>表示矩阵乘。
这里,本领域技术人员可以理解,上述从合成氨驰放气膜提氢尾气中制取天然气的系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的从合成氨驰放气膜提氢尾气中制取天然气的方法的描述中得到了详细介绍,并因此,将省略其重复描述。
如上所述,根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的系统100可以实现在各种终端设备中,例如用于从合成氨驰放气膜提氢尾气中制取天然气的服务器等。在一个示例中,根据本申请实施例的从合成氨驰放气膜提氢尾气中制取天然气的系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该从合成氨驰放气膜提氢尾气中制取天然气的系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该从合成氨驰放气膜提氢尾气中制取天然气的系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该从合成氨驰放气膜提氢尾气中制取天然气的系统100与该终端设备也可以是分立的设备,并且该从合成氨驰放气膜提氢尾气中制取天然气的系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种从合成氨驰放气膜提氢尾气中制取天然气的方法,其特征在于,包括:
S1:对合成氨驰放气进行膜分离提氢处理以得到膜提氢尾气;
S2:对所述膜提氢尾气进行温度和压力调制后,通过脱水纯化系统以得到脱水纯化后气体,其中,所述脱水纯化系统包括相互级联的第一分子筛吸附器和第二分子筛吸附器;
S3:将所述脱水纯化后气体输入主换热器,出所述主换热器后进入低温精馏塔的底部再沸器,在出所述低温精馏塔的底部再沸器后再进入所述主换热器以得到热交换流体;
S4:将所述热交换流体通过节流阀进行温度和压力调制后去所述低温精馏塔的中部,其中,所述热交换流体中的液体混合回流液在所述低温精馏塔内的提馏段自上往下流动、与所述低温精馏塔内自下往上流动的所述热交换流体中的汽提气部分接触并完成传质和传热以得到传质和传热后液体,其中,所述热交换流体中的剩余汽提气部分在所述低温精馏塔内的精馏段自下往上流动、与所述低温精馏塔内自上向下流动的所述液体混合回流液完成传质和传热后以得到解析气;
S5:将所述传质和传热后液体通过所述再沸器进行加热后以得到汽提气和剩余液体,其中,所述剩余液体中的甲烷含量超过90%;以及
S6:将所述解析气输入所述低温精馏塔内的冷凝器进行降温,并将降温后的所述解析气输入所述低温精馏塔内的分离器以得到分离后液体作为所述液体混合回流液和富氮气,所述富氮气中氮气的含量大于等于80%;
其中,所述步骤S2,包括:
S21:获取由摄像头采集的所述第一分子筛吸附器的第一分子筛的第一状态监测图像和所述第二分子筛吸附器的第二分子筛的第二状态监测图像;
S22:将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;
S23:将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;
S24:将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;
S25:融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;
S26:将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;
S27:对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及
S28:将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
2.根据权利要求1所述的从合成氨驰放气膜提氢尾气中制取天然气的方法,其特征在于,所述步骤S23,包括:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
3.根据权利要求2所述的从合成氨驰放气膜提氢尾气中制取天然气的方法,其特征在于,所述步骤S24,包括:
使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行基于所述具有第二尺度的二维卷积核卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第二卷积神经网络模型的最后一层的输出为所述第二状态关联特征图,所述第二卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
4.根据权利要求3所述的从合成氨驰放气膜提氢尾气中制取天然气的方法,其特征在于,所述步骤S25,包括:
以如下公式融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;
其中,所述公式为:
X=Concat[F1,F2]
其中,F1表示所述第一状态关联特征图,F2表示所述第二状态关联特征图,Concat[·,·]表示级联函数,X表示所述全局状态关联特征图。
5.根据权利要求4所述的从合成氨驰放气膜提氢尾气中制取天然气的方法,其特征在于,所述步骤S26,包括:
使用所述空间注意力模块的卷积编码部分对所述全局状态关联特征图进行深度卷积编码以得到初始卷积特征图;
将所述初始卷积特征图输入所述空间注意力模块的空间注意力部分以得到空间注意力图;
将所述空间注意力图通过Softmax激活函数以得到空间注意力特征图;以及
计算所述空间注意力特征图和所述全局状态关联特征图的按位置点乘以得到所述空间增强状态关联特征图。
8.一种从合成氨驰放气膜提氢尾气中制取天然气的系统,其特征在于,包括:
监控模块,用于获取由摄像头采集的第一分子筛吸附器的第一分子筛的第一状态监测图像和第二分子筛吸附器的第二分子筛的第二状态监测图像;
聚合模块,用于将所述第一状态监测图像和所述第二状态监测图像沿着通道维度聚合为多通道状态监测图像;
第一尺度特征提取模块,用于将所述多通道状态监测图像通过使用具有第一尺度的二维卷积核的第一卷积神经网络模型以得到第一状态关联特征图;
第二尺度特征提取模块,用于将所述多通道状态监测图像通过使用具有第二尺度的二维卷积核的第二卷积神经网络模型以得到第二状态关联特征图;
融合模块,用于融合所述第一状态关联特征图和所述第二状态关联特征图以得到全局状态关联特征图;
空间增强模块,用于将所述全局状态关联特征图通过空间注意力模块以得到空间增强状态关联特征图;
回归表征平展化模块,用于对所述空间增强状态关联特征图进行回归表征平展化以得到解码特征图;以及
解码模块,用于将所述解码特征图分别通过第一解码器和第二解码器以得到第一解码值和第二解码值,所述第一解码值用于表示推荐的输入膜提氢尾气的压力值,所述第二解码值用于表示推荐的输入膜提氢尾气的温度值。
9.根据权利要求8所述的从合成氨驰放气膜提氢尾气中制取天然气的系统,其特征在于,所述第一尺度特征提取模块,进一步用于:
使用所述第一卷积神经网络模型的各层在层的正向传递中分别进行:
对输入数据进行基于所述具有第一尺度的二维卷积核卷积处理以得到卷积特征图;
对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图;以及
对所述池化特征图进行非线性激活以得到激活特征图;
其中,所述第一卷积神经网络模型的最后一层的输出为所述第一状态关联特征图,所述第一卷积神经网络模型的第一层的输入为所述多通道状态监测图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679492.2A CN115851332B (zh) | 2022-12-26 | 2022-12-26 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211679492.2A CN115851332B (zh) | 2022-12-26 | 2022-12-26 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115851332A CN115851332A (zh) | 2023-03-28 |
CN115851332B true CN115851332B (zh) | 2023-07-04 |
Family
ID=85654990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211679492.2A Active CN115851332B (zh) | 2022-12-26 | 2022-12-26 | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115851332B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117889612B (zh) * | 2024-03-12 | 2024-05-31 | 新疆凯龙清洁能源股份有限公司 | 含氮甲烷气脱氮液化的方法及系统 |
CN117970987B (zh) * | 2024-04-01 | 2024-06-11 | 新疆凯龙清洁能源股份有限公司 | 湿法脱硫智能化控制系统及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102827658A (zh) * | 2012-08-30 | 2012-12-19 | 河南开元空分集团有限公司 | 利用合成氨尾气制备高纯度液化天然气的方法 |
CN103601214B (zh) * | 2013-09-22 | 2015-10-07 | 湖北宜化化工股份有限公司 | 一种回收合成氨驰放气中的氢气及无动力氨的工艺 |
CN104913595B (zh) * | 2015-06-04 | 2017-08-29 | 成都同创伟业新能源科技有限公司 | 一种合成氨驰放气提氢联产液化天然气的方法 |
US9830709B2 (en) * | 2016-03-11 | 2017-11-28 | Qualcomm Incorporated | Video analysis with convolutional attention recurrent neural networks |
CN109241829B (zh) * | 2018-07-25 | 2020-12-04 | 中国科学院自动化研究所 | 基于时空注意卷积神经网络的行为识别方法及装置 |
CN112438006B (zh) * | 2018-08-01 | 2021-07-06 | 克鲁索能源系统公司 | 天然气发电和耗电系统和方法 |
CN114995131B (zh) * | 2022-05-25 | 2023-02-03 | 福建德尔科技股份有限公司 | 用于电子级三氟甲烷制备的精馏控制系统及其控制方法 |
CN115238833B (zh) * | 2022-09-22 | 2022-11-25 | 中国民航大学 | 一种空气涡轮起动机轴承性能退化特征提取方法 |
-
2022
- 2022-12-26 CN CN202211679492.2A patent/CN115851332B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115851332A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115851332B (zh) | 从合成氨驰放气膜提氢尾气中制取天然气的方法及系统 | |
Liang et al. | Jointly learning aspect-focused and inter-aspect relations with graph convolutional networks for aspect sentiment analysis | |
Han et al. | Flatten transformer: Vision transformer using focused linear attention | |
Lin et al. | Pilot plant test of the advanced flash stripper for CO 2 capture | |
Zhou et al. | Dual memory units with uncertainty regulation for weakly supervised video anomaly detection | |
CN115688592A (zh) | 用于电子级四氟化碳制备的精馏控制系统及其方法 | |
CN115342679B (zh) | 一种用于六氟丁二烯制备的智能化冷却液循环控制系统 | |
CN114870416A (zh) | 用于电子级一氟甲烷制备的精馏控制系统及精馏控制方法 | |
CN117058622A (zh) | 污水处理设备的智能监测系统及其方法 | |
CN116683092B (zh) | 新能源汽车电池的拆解系统及其方法 | |
CN116184972A (zh) | 空气分离装置的控制系统及其方法 | |
CN117077075A (zh) | 用于环境保护的水质监测系统及其方法 | |
CN117735481B (zh) | 电子级三氟化氯纯化方法 | |
Lee et al. | Revisiting self-similarity: Structural embedding for image retrieval | |
Li et al. | TC-GATN: Temporal Causal Graph Attention Networks With Nonlinear Paradigm for Multivariate Time-Series Forecasting in Industrial Processes | |
CN116311105A (zh) | 一种基于样本间上下文指导网络的车辆重识别方法 | |
CN115097884A (zh) | 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 | |
Fang et al. | Spatio-temporal meets wavelet: Disentangled traffic flow forecasting via efficient spectral graph attention network | |
Ren et al. | Multi-scale attention context-aware network for detection and localization of image splicing: efficient and robust identification network | |
Yu et al. | Heterogeneous graph contrastive learning with meta-path contexts and weighted negative samples | |
Zhang et al. | Vit-fod: a vision transformer based fine-grained object discriminator | |
CN208736034U (zh) | 一种聚丙烯尾气回收装置 | |
Wang et al. | Videoadviser: Video knowledge distillation for multimodal transfer learning | |
CN112733751A (zh) | 用于余热回收的智能进水控制方法 | |
CN117146572A (zh) | 石英砂的制取系统及其方法 |
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 |