CN118171127A - 一种单塔低压酸性水汽提装置智能优化方法和系统 - Google Patents
一种单塔低压酸性水汽提装置智能优化方法和系统 Download PDFInfo
- Publication number
- CN118171127A CN118171127A CN202311818331.1A CN202311818331A CN118171127A CN 118171127 A CN118171127 A CN 118171127A CN 202311818331 A CN202311818331 A CN 202311818331A CN 118171127 A CN118171127 A CN 118171127A
- Authority
- CN
- China
- Prior art keywords
- intelligent
- tower
- model
- stripping device
- data driving
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 239000002253 acid Substances 0.000 title claims abstract description 27
- 210000004556 brain Anatomy 0.000 claims abstract description 69
- 230000007246 mechanism Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 9
- 239000007788 liquid Substances 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 10
- 239000008213 purified water Substances 0.000 claims description 9
- 239000007789 gas Substances 0.000 claims description 7
- 238000010992 reflux Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 claims description 6
- 229910000037 hydrogen sulfide Inorganic materials 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 claims 1
- 210000002569 neuron Anatomy 0.000 claims 1
- IJGRMHOSHXDMSA-UHFFFAOYSA-N nitrogen Substances N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims 1
- 229910052757 nitrogen Inorganic materials 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 abstract description 4
- 230000002378 acidificating effect Effects 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000003344 environmental pollutant Substances 0.000 description 2
- 231100000719 pollutant Toxicity 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000010865 sewage Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种单塔低压酸性水汽提装置智能优化方法和系统，包括：搭建酸性水汽提装置的机理模型；通过多工况实际生产数据对机理模型进行验证；通过经过验证的机理模型，采用随机采样方法，生成不同工况的数据；根据所述机理模型生成不同工况的数据，并对所述孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；将经过验证的所述孪生数据驱动模型作为训练环境，通过所述训练环境对智慧大脑进行训练，生成能快速准确做出操作决策的智慧大脑；通过装置实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性；解决了计算效率低、模型与实际工厂失配、现场数据无法满足建模要求等不足。
Description
技术领域
本发明涉及一种单塔低压酸性水汽提装置智能优化方法和系统，属于人工智能污水处理技术领域。
背景技术
酸性水汽提装置是一种广泛应用于污水处理的技术，实现净化水污染物组分的精准控制，有利于酸性水汽提装置的节能降耗。由于酸性水来源广泛导致其组分多变，及时准确地确定酸性水汽提装置最佳操作条件对操作人员来说是一个巨大的挑战。现有技术中采用实时优化技术可以提高装置的运行水平，目前，典型的优化技术路线分为基于机理模型的和基于机器学习模型两种。
1)基于机理模型的优化技术
基于机理模型的实时优化技术，需要反复迭代一个严格的数学模型来获得最优操作参数。由于化工过程属于复杂的非线性系统，迭代过程需要耗费大量的时间，因此难以满足实时优化的时效性。
2)基于机器学习模型的优化技术
基于机器学习模型的优化技术，通过神经网络、支持向量机等机器学习模型学习一个过程输入-输出数据的关系，再结合优化算法获得最优操作参数。相比基于机理模型的实时优化技术，该技术能显著提高优化速度，但仍存在反复迭代优化求解的过程。此外，实际工厂数据存在噪声或错误，通常难以满足机器学习模型的训练要求。随着装置设备性能和工况的变化，训练好的机器学习容易与装置实际情况失配，导致优化结果与实际情况不符。
发明内容
针对上述问题，本发明的目的是提供了一种单塔低压酸性水汽提装置智能优化方法和系统，其将数字孪生和人工智能算法融合，解决了现有技术中存在的计算效率低、模型与实际工厂失配、现场数据无法满足建模要求等不足。
为实现上述目的，本发明提出了以下技术方案：一种单塔低压酸性水汽提装置智能优化方法，包括以下步骤：根据酸性水汽提装置，搭建酸性水汽提装置的机理模型；通过多工况实际生产数据对所述机理模型进行验证，直到所述机理模型满足精度要求；通过经过验证的所述机理模型，采用随机采样方法，生成不同工况的数据；根据不同工况的数据，并对所述孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；将经过验证的所述孪生数据驱动模型作为训练环境，通过所述训练环境对智慧大脑进行训练，生成能做出操作决策的智慧大脑；利用装置实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
进一步，通过流程模拟软件搭建酸性水汽提装置的机理模型，流程模拟软件可采用Petrosim、Unisim和Hysys等。
进一步，所述酸性水汽提装置包括汽提塔和气液分离罐，经预热后的酸性水被送入所述汽提塔，通过所述汽提塔的底部蒸汽间接加热，使得溶解在水中的氨气和硫化氢被汽提出来；所述汽提塔的塔顶气经冷凝后进入所述气液分离罐，硫化氢和氨气的混合气体送至下游装置，液体返回至所述汽提塔的塔顶。
进一步，所述酸性水汽提装置包括入口流量控制回路、汽提蒸汽流量控制回路、塔顶压力控制回路、塔顶冷回流温度控制回路、回流罐液位控制回路和塔釜液位控制回路。
进一步，所述孪生数据驱动模型采用人工神经网络或支持向量机。
进一步，对训练好的所述孪生数据驱动模型进行验证的方法为：以所述机理模型为基准，对数据驱动模型预测精度进行验证，数据驱动模型预测精度满足要求的情况下进行下一步，若数据驱动模型预测精度不能满足要求，则需要对数据驱动模型进行重新训练，直到满足精度要求为止。
进一步，所述智慧大脑根据不同酸性水氨氮含量、酸性水进塔温度、酸性水进塔流量以及汽提蒸汽流量，确定满足塔底净化水控制指标所对应的汽提蒸汽流量设定值。
进一步，所述智慧大脑进行更新的方法为：根据优化问题，定义智慧大脑的性能指标、观测变量和操作变量，以所述孪生数据驱动模型作为训练环境，通过智慧大脑与所述训练环境进行数据通讯，不断提升智慧大脑的优化决策能力，直到智慧大脑的优化决策能力满足要求为止，将训练好的智慧大脑部署到实际装置，并利用装置实际生产数据对智慧大脑进行更新。
本发明还公开了一种单塔低压酸性水汽提装置智能优化系统，包括：机理模型建立模块，用于根据酸性水汽提装置，搭建酸性水汽提装置的机理模型；机理模型验证模块，用于通过多工况实际生产数据对所述机理模型进行验证，直到所述机理模型满足精度要求；工况数据生成模块，用于对经过验证的所述机理模型，采用随机采样方法，生成不同工况的数据；数据驱动模型建立模块，用于根据不同工况的数据，对孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；智慧大脑训练模块，将经过验证的所述孪生数据驱动模型作为训练环境，通过所述训练环境对智慧大脑进行训练，生成能做出操作决策的智慧大脑；智慧大脑更新模块，用于通过实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
本发明还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现任一项所述的单塔低压酸性水汽提装置智能优化方法。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明中方案解决了现有技术中的计算效率低、模型与实际工厂失配、现场数据无法满足建模要求等不足。
2、本发明创新性地提出了一种融合数字孪生和人工智能算法的酸性水汽提装置实时优化方法。
3、本方法通过机器学习模型一次计算获得酸性水汽提装置的最优操作参数，其时效性显著高于现有方法，可实现毫秒级的计算。
4、本发明设计了基于正态概率密度分布的奖励函数，该奖励函数可提高机器学习模型训练过程的稳定性和速度。
附图说明
图1是本发明一实施例中单塔低压酸性水汽提装置智能优化方法的流程图；
图2是本发明一实施例中单塔低压酸性水汽提装置的结构示意图；
图3是本发明一实施例中机理模型预测结果与神经网络模型预测结果对比图；
图4是本发明一实施例中经过训练的智慧大脑性能变化曲线图；
图5是本发明一实施例中经过训练的智慧大脑的训练结果图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
为了解决现有技术中存在的计算效率低、模型与实际工厂失配、现场数据无法满足建模要求等不足。本发明提出了一种单塔低压酸性水汽提装置智能优化方法和系统，搭建酸性水汽提装置的机理模型；通过经过验证的机理模型，采用随机采样方法，生成不同工况的数据；根据机理模型生成精度相当的孪生数据驱动模型，通过生成的不同工况的数据对孪生数据驱动模型进行训练，根据经过验证的孪生数据驱动模型生成训练环境，通过训练环境对智慧大脑进行训练，生成经过训练的智慧大脑；通过装置实际生产数据，对经过训练的智慧大脑进行更新，输出最佳操作参数。本发明中创新性地提出了一种融合数字孪生和人工智能算法的酸性水汽提装置实时优化方法。通过机器学习模型一次计算获得酸性水汽提装置的最优操作参数，其时效性显著高于现有方法，可实现毫秒级的计算。下面结合附图通过实施例对本发明方案进行详细阐述。
实施例一
本实施例公开了一种单塔低压酸性水汽提装置智能优化方法，如图1所示，包括以下步骤：
S1根据酸性水汽提装置，搭建酸性水汽提装置的机理模型。
如图2所示，酸性水汽提装置包括汽提塔和气液分离罐，经预热后的酸性水被送入汽提塔，通过汽提塔的底部蒸汽间接加热，使得溶解在水中的氨气和硫化氢被汽提出来；汽提塔的塔顶气经冷凝后进入气液分离罐，硫化氢和氨气的混合气体送至下游装置，液体返回至汽提塔的塔顶。汽提塔塔内发生气液两相传质传热，塔顶为高纯度酸性气，塔底为净化水。酸性水汽提装置包括入口流量控制回路、汽提蒸汽流量控制回路、塔顶压力控制回路、塔顶冷回流温度控制回路、回流罐液位控制回路和塔釜液位控制回路等7个控制回路。
本实施例中通过流程模拟软件Petrosim搭建酸性水汽提装置的机理模型。
S2通过多工况实际生产数据对机理模型进行验证，直到机理模型满足精度要求。
利用多工况实际生产数据对搭建的机理模型进行验证，机理模型预测精度满足要求的情况下可进行下一步，若机理模型预测精度不能满足要求，则需要对机理模型参数进行调整，直到满足精度要求为止。表1为机理模型模拟值与实际值的对比。在酸性水进塔条件、塔顶压力及净化水控制指标一致的情况下，模拟结果与实际结果吻合较好，关键参数最大误差不超过1.5％。
表1机理模型模拟值与实际值的对比表
| 项目 | 实际值 | 模拟值 | 相对误差，％ |
| 塔顶温度，℃ | 115.4 | 116.9 | 1.30 |
| 塔底温度，℃ | 127.1 | 128.5 | 1.10 |
| 回流量，t/h | 7.92 | 8 | 1.01 |
S3通过经过验证的机理模型，采用随机采样方法，生成不同工况的数据。
采用随机采样方法，利用酸性水汽提装置机理模型生成2000-5000个不同工况的数据。
S4根据机理模型生成不同工况的数据，并对孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型。
本实施例中，孪生数据驱动模型采用人工神经元网络或支持向量机，本实施例中也可以采用其它机器学习模型，不以本实施例中公开的内容为限。
对训练好的孪生数据驱动模型进行验证的方法为：以机理模型为基准，对数据驱动模型预测精度进行验证，数据驱动模型预测精度满足要求的情况下进行下一步，若数据驱动模型预测精度不能满足要求，则需要对数据驱动模型进行重新训练，直到满足精度要求为止。
在对人工神经元网络预测性能进行测试时，其决定系数R2为1.000，均方误差为5.006，均方根误差为2.237。图3为机理模型预测结果与人工神经元网络模型预测结果对比，两者吻合较好。
S5将经过验证的孪生数据驱动模型作为训练环境，通过训练环境对智慧大脑进行训练，生成能快速准确做出操作决策的智慧大脑。
智慧大脑根据观测不同酸性水氨氮含量、酸性水进塔温度、酸性水进塔流量以及汽提蒸汽流量，确定满足塔底净化水控制指标所对应的汽提蒸汽流量设定值。
S6利用装置实际生产数据对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
智慧大脑进行更新的方法为：根据优化问题，定义智慧大脑的性能指标、观测变量和操作变量，以孪生数据驱动模型作为训练环境，通过智慧大脑与训练环境进行数据通讯，不断提升智慧大脑的优化决策能力，直到智慧大脑的优化决策能力满足要求为止，将训练好的智慧大脑部署到实际装置，并利用装置实际生产数据对智慧大脑进行更新。如图4所示，图4是经过训练的智慧大脑性能变化曲线图，利用优化算法对智慧大脑进行训练，可见在Epoch达到25000以后，性能指标稳定在1。说明通过训练提高了智慧大脑做决策的能力。
如图5所示，将训练好的智慧大脑用于测试。结果表明，随着酸性水氨氮含量、酸性水流量，酸性水入塔温度的变化，智慧大脑均可将净化水氨氮含量控制在45±1ppm。
综上所述，智慧大脑能根据酸性水氨氮含量、酸性水流量，酸性水入塔温度的变化，及时给出最优操作条件，不仅可以保证净化水污染物满足工艺要求，还可达到节能降耗的目的。采用本实施例提出的酸性水汽提装置智能优化方法，可更好地实现酸性水汽提装置的节能优化，并显著提高净化水工艺指标合格率。采用单塔低压酸性水汽提装置智能优化方法后，可实现100-500万元/年的经济效益。
实施例二
基于相同的发明构思，本实施例公开了一种单塔低压酸性水汽提装置智能优化系统，包括：
机理模型建立模块，用于根据酸性水汽提装置设计资料和生产运行数据，搭建酸性水汽提装置的机理模型；
机理模型验证模块，用于通过多工况实际生产数据对机理模型进行验证，直到机理模型满足精度要求；
工况数据生成模块，用于通过经过验证的机理模型，采用随机采样方法，生成不同工况的数据；
数据驱动模型建立模块，用于根据机理模型生成不同工况的数据，并对孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；
智慧大脑训练模块，将经过验证的孪生数据驱动模型作为训练环境，通过训练环境对智慧大脑进行训练，生成能快速准确做出操作决策的智慧大脑；
智慧大脑更新模块，用于通过装置实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
实施例三
基于相同的发明构思，本实施例公开了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现任一项的单塔低压酸性水汽提装置智能优化方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种单塔低压酸性水汽提装置智能优化方法，其特征在于，包括以下步骤：
根据酸性水汽提装置，搭建酸性水汽提装置的机理模型；
通过多工况实际生产数据对所述机理模型进行验证，直到所述机理模型满足精度要求；
通过经过验证的所述机理模型，采用随机采样方法，生成不同工况的数据；
根据不同工况的数据，并对所述孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；
将经过验证的所述孪生数据驱动模型作为训练环境，通过所述训练环境对智慧大脑进行训练，生成能做出操作决策的智慧大脑；
利用装置实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
2.如权利要求1所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，通过流程模拟软件搭建酸性水汽提装置的机理模型，流程模拟软件采用Petrosim、Unisim或Hysys。
3.如权利要求1所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，所述酸性水汽提装置包括汽提塔和气液分离罐，经预热后的酸性水被送入所述汽提塔，通过所述汽提塔的底部蒸汽间接加热，使得溶解在水中的氨气和硫化氢被汽提出来；所述汽提塔的塔顶气经冷凝后进入所述气液分离罐，硫化氢和氨气的混合气体送至下游装置，液体返回至所述汽提塔的塔顶。
4.如权利要求3所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，所述酸性水汽提装置包括入口流量控制回路、汽提蒸汽流量控制回路、塔顶压力控制回路、塔顶冷回流温度控制回路、回流罐液位控制回路和塔釜液位控制回路。
5.如权利要求1所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，所述孪生数据驱动模型采用人工神经元网络或支持向量机。
6.如权利要求5所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，对训练好的所述孪生数据驱动模型进行验证的方法为：以所述机理模型为基准，对数据驱动模型预测精度进行验证，数据驱动模型预测精度满足要求的情况下进行下一步，若数据驱动模型预测精度不能满足要求，则需要对数据驱动模型进行重新训练，直到满足精度要求为止。
7.如权利要求1所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，所述智慧大脑根据不同酸性水氨氮含量、酸性水进塔温度、酸性水进塔流量以及汽提蒸汽流量，确定满足塔底净化水控制指标所对应的汽提蒸汽流量设定值。
8.如权利要求7所述的单塔低压酸性水汽提装置智能优化方法，其特征在于，所述智慧大脑进行更新的方法为：根据优化问题，定义智慧大脑的性能指标、观测变量和操作变量，以所述孪生数据驱动模型作为仿真环境，通过智慧大脑与所述仿真环境进行数据通讯，不断提升智慧大脑的优化决策能力，直到智慧大脑的优化决策能力满足要求为止，将训练好的智慧大脑部署到实际装置，并利用装置实际生产数据对智慧大脑进行更新。
9.一种单塔低压酸性水汽提装置智能优化系统，其特征在于，包括：
机理模型建立模块，用于根据酸性水汽提装置，搭建酸性水汽提装置的机理模型；
机理模型验证模块，用于通过多工况实际生产数据对所述机理模型进行验证，直到所述机理模型满足精度要求；
工况数据生成模块，用于对经过验证的所述机理模型，采用随机采样方法，生成不同工况的数据；
数据驱动模型建立模块，用于根据不同工况的数据，对孪生数据驱动模型进行训练和验证，最终得到与机理模型精度相当的孪生数据驱动模型；
智慧大脑训练模块，将经过验证的所述孪生数据驱动模型作为训练环境，通过所述训练环境对智慧大脑进行训练，生成能做出操作决策的智慧大脑；
智慧大脑更新模块，用于通过实际生产数据，对经过训练的智慧大脑进行更新，确保智慧大脑做出决策的准确性。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现如权利要求1-8任一项所述的单塔低压酸性水汽提装置智能优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311818331.1A CN118171127A (zh) | 2023-12-27 | 2023-12-27 | 一种单塔低压酸性水汽提装置智能优化方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311818331.1A CN118171127A (zh) | 2023-12-27 | 2023-12-27 | 一种单塔低压酸性水汽提装置智能优化方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118171127A true CN118171127A (zh) | 2024-06-11 |
Family
ID=91358922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311818331.1A Pending CN118171127A (zh) | 2023-12-27 | 2023-12-27 | 一种单塔低压酸性水汽提装置智能优化方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118171127A (zh) |
-
2023
- 2023-12-27 CN CN202311818331.1A patent/CN118171127A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104656441B (zh) | 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 | |
| CN104636600B (zh) | 基于极限学习机的高含硫天然气净化工艺建模、优化方法 | |
| Wu et al. | Intelligent predictive control of large-scale solvent-based CO2 capture plant using artificial neural network and particle swarm optimization | |
| CN104657586B (zh) | 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 | |
| CN106777465A (zh) | 高含硫天然气净化工艺动态演化建模与节能优化方法 | |
| Gao et al. | Estimation of Chinese C0 2 Emission Based on A Discrete Fractional Accumulation Grey Model. | |
| CN115034129B (zh) | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 | |
| CN112742187A (zh) | 一种脱硫系统中pH值的控制方法及装置 | |
| CN117031950A (zh) | 深度调峰火电机组控制系统建模的方法及装置 | |
| US12123292B1 (en) | Differentiated real-time injection-production optimization adjustment method of intelligent injection-production linkage device | |
| CN116822380A (zh) | 一种基于数字孪生在铜冶炼过程中尾气回收利用的协同优化方法 | |
| CN118171127A (zh) | 一种单塔低压酸性水汽提装置智能优化方法和系统 | |
| CN106292289B (zh) | 流程工业控制回路对象的混合精英随机搜索优化方法 | |
| CN117077340A (zh) | 一种管道仿真方法、装置、系统以及存储介质 | |
| Qiu et al. | An energy‐efficiency evaluation method for high‐sulfur natural gas purification system using artificial neural networks and particle swarm optimization | |
| CN116613740A (zh) | 基于transform与TCN组合模型的智能负荷预测方法 | |
| CN102609601B (zh) | 一种基于类内质网体膜计算的渣油加氢反应动力学模型参数估计方法 | |
| Hsiao et al. | Expandable neural networks for efficient modeling of various amine scrubbing configurations for CO2 capture | |
| CN111859783B (zh) | 水压预测方法、系统、存储介质、设备、城市供水系统 | |
| Zhou et al. | Performance monitoring of steam turbine regenerative system based on extreme learning machine | |
| Juuso | Data-based development of hybrid models for biological wastewater treatment in pulp and paper industry | |
| CN114429258A (zh) | 一种基于能效评价的天然气净化控制方法及在线优化平台 | |
| Grelewicz et al. | Practical Verification of the Advanced Control Algorithms Based on the Virtual Commissioning Methodology-A Case Study | |
| Wang et al. | A novel prediction model of desulfurization efficiency based on improved FCM-PLS-LSSVM | |
| CN111650894A (zh) | 一种基于隐变量的贝叶斯网络复杂工业过程软测量方法 |
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 |