CN1382672A - 乙烯装置中丙烯精馏塔的智能控制方法 - Google Patents
乙烯装置中丙烯精馏塔的智能控制方法 Download PDFInfo
- Publication number
- CN1382672A CN1382672A CN 02111034 CN02111034A CN1382672A CN 1382672 A CN1382672 A CN 1382672A CN 02111034 CN02111034 CN 02111034 CN 02111034 A CN02111034 A CN 02111034A CN 1382672 A CN1382672 A CN 1382672A
- Authority
- CN
- China
- Prior art keywords
- propylene
- tower
- concentration
- pronane
- tower still
- 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
- QQONPFPTGQHPMA-UHFFFAOYSA-N Propene Chemical compound CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 28
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 239000005977 Ethylene Substances 0.000 title claims abstract description 10
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims abstract description 94
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 claims abstract description 18
- 239000001294 propane Substances 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000010992 reflux Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 5
- 238000011112 process operation Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000000691 measurement method Methods 0.000 claims 3
- 101100433727 Caenorhabditis elegans got-1.2 gene Proteins 0.000 claims 1
- 238000010438 heat treatment Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005265 energy consumption Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 241000282326 Felis catus Species 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 241001269238 Data Species 0.000 description 6
- 230000001276 controlling effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000009776 industrial production Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 1
- 239000004743 Polypropylene Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000004821 distillation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
该发明公开了乙烯装置中丙烯精馏塔的智能控制方法,其中包括应用神经网络研制开发的丙烯精馏塔塔顶丙烷浓度和塔釜丙烯浓度的软测量模型以及基于该软测量模型进一步开发实施的塔顶丙烷浓度和塔釜丙烯浓度的实时推断控制技术。采用本项发明技术后,能够降低丙烯精馏塔塔釜出料中丙烯产品的损失、稳定塔顶丙烯产品质量、增加丙烯产量、降低精馏塔的能耗,使丙烯精馏塔处于最佳操作工况。
Description
技术领域
本发明属于化工精馏过程和自动控制领域，涉及乙烯装置中丙烯精馏塔的控制方法。
背景技术
在乙烯生产过程中，丙烯精馏塔是生产装置的重要设备，它操作平稳与否，不仅影响整个丙烯精馏塔的产品质量和产量，而且还将影响下游生产装置(如聚丙烯等生产装置)和上游装置(乙烷裂解炉)的平稳操作。
丙烯精馏塔分离的主要组分丙烯和丙烷沸点较接近、且组分中含有一些易聚合的重碳物质，而分离的产品又是聚合级丙烯(纯度必须大于99.60％)，是一个很复杂的精密精馏过程；此系统的工艺操作和自动控制远比炼油厂气分装置中的丙烯精馏单元复杂得多，技术难度亦大得多，一直是国内外乙烯生产过程有待解决的难题之一。
目前国内所有乙烯装置都采用集散控制系统(Distributed ControlSystems，DCS)的基本控制功能对生产过程进行监控，这些基础控制系统保障了丙烯精馏塔的安全运行，但仍普遍存在塔釜出料中丙烯含量超标，塔釜再沸器能力不足，塔顶丙烯浓度波动较大或“过精馏”等问题。因此，为了充分发挥乙烯装置中DCS和操作设备的潜力，有效地利用原料和能源，增加装置的经济效益，结合丙烯精馏生产过程的工艺操作特点，综合应用化学工程、人工智能和自动控制科学中的最新技术，对丙烯精馏塔实施智能控制和优化操作，确保丙烯精馏塔各项工艺参数稳定在最优工作状态，该发明具有极其重要的实用价值。
发明内容
本发明所述的智能控制方法是：选择影响丙烯精馏塔塔顶丙烷浓度和塔釜丙烯浓度的工艺操作参数，并将其归一化，然后利用各自的神经网络模型进行计算，模型输出值经过反归一化后，丙烯精馏塔塔顶丙烷浓度和塔釜丙烯浓度的人工分析值对反归一化后的模型输出进行在线“滚动”校正，从而得到塔顶丙烷浓度和塔釜丙烯浓度的软测量值；最后根据丙烷浓度和丙烯浓度的软测量值对丙烯精馏塔进行实时推断控制(见图1)。
本发明技术方案：
塔顶丙烷浓度神经网络软测量模型的建立：
由于三层以上结构的反向传播(Back Propagation，BP)神经网络具有映射任意非线性函数的功能，为此，这里采用BP神经网络来建立塔顶丙烷浓度神经网络软测量模型。
在DCS中获取影响丙烯精馏塔塔顶丙烷浓度的工艺参数，包括塔顶温度T1、塔顶压力P1、塔釜温度T3以及回流比R(即塔顶回流量与塔顶采出量的比值)；这里的软测量模型考虑了上述4个因素对塔顶丙烷浓度影响的不同时间，根据丙烯精馏塔的具体结构和采样位置，这里选取T1当前时刻值T1(k)、P1当前时刻值P1(k)、T3当前时刻值T3(k)、R当前时刻值R(k)、R当前时刻之前的一个单位时间值R(k-1)、R当前时刻之前的另一单位时间值R(k-2)(一般指前两个单位时间)作为神经网络模型的输入变量；选取丙烯精馏塔塔顶丙烷浓度当前时刻的人工分析值作为神经网络模型的输出变量。
将T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2)以及当前时刻的塔顶丙烷浓度人工分析值数据进行归一化处理，归一化范围可以选取为[0，1]、[-0.5，0.5]，[-1，1]等，这里将其归一到[0.2，0.8]之间。归一化方法如下：
x＝(X-a)/((b-a)*0.6+0.2
其中，X为各输入变量的实际测量值，x为归一化后各输入变量的数值，[a，b]为X的量程范围。
在神经网络模型中，输入层的节点数为i(i＝6)，中间层的隐层层数为L(L＝1～100)，各隐层节点数为j(j＝2～100)，输出层节点为k(k＝1～100)。
利用丙烯精馏过程的工艺机理数学模型，在工业装置“操作点”周围进行“大区域”的正交模拟仿真试验，产生了80组操作范围变化较大的丙烯精馏生产过程操作信息数据，将这些样本数据与工业生产现场采集到的400组实时数据结合起来，构成丙烯精馏塔塔顶丙烷浓度神经网络软测量模型的480组训练样本。选择6×6×1结构的前向BP神经网络，其输入节点分别对应着归一化后丙烯精馏塔T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2)，而输出节点对应着归一化后的丙烷浓度人工分析值(见图2)。
在上述480组训练样本中，选择一定量的样本数据训练神经网络，而用另外一定量的样本来预测神经网络泛化能力，得到训练及预测误差较小的一组权值及阈值；在上述神经网络建模过程中，可以根据对模型精度的要求，选取不同的隐层层数及隐层节点数目；一般来说，适当范围内的增加隐层层数及其节点的数目，会相应提高模型精度。
在神经网络权值和阈值确定后，就可以通过现场实时数据(这里指模型中各输入变量数据)的不断采集，经归一化后带入神经网络模型进行计算，并将神经网络模型计算输出值经过反归一化处理后，便得到丙烯精馏塔塔顶丙烷浓度的神经网络预测值，单位为ppm。
丙烯精馏塔塔釜丙烯浓度神经网络软测量模型的建立：
这里，同样采用BP神经网络来建立塔釜丙烯浓度软测量模型。
在该模型中，选择当前时刻的丙烯精馏塔塔釜压力P2(k)、塔釜温度T3(k)、灵敏板温度T2(k)为影响丙烯精馏塔釜丙烯浓度操作特性的主要操作变量；即选取归一化后的P2(k)、T3(k)、T2(k)作为塔釜丙烯浓度软测量模型的输入变量。
将P2(k)、T3(k)、T2(k)以及当前k时刻的塔釜丙烯浓度人工分析值数据进行归一化处理，归一化的方法同上。
在工业装置“操作点”周围进行“大区域”正交模拟试验，获得了36组操作范围变化较大的丙烯精馏塔塔釜丙烯浓度操作样本，将这些样本数据与工业生产现场采集到的120组实时数据结合起来，构成丙烯精馏塔塔釜丙烯浓度神经网络软测量模型的156组训练样本。选择3×3×1结构的前向BP神经网络，其输入节点分别对应着丙烯精馏塔塔釜压力P2(k)、塔釜温度T3(k)和塔灵敏板温度T2(k)，而输出节点对应着丙烯浓度人工分析值(见图3)。
选择一定量的样本数据训练神经网络，用另外一定量的样本来预测神经网络泛化能力，得到训练及预测误差较小的一组权值及阈值。
在丙烯精馏塔现有仪表和DCS计算机控制系统的基础上，通过DCS系统对过程数据(这里指模型中各输入变量数据)的实时、连续采集，经归一化后带入神经网络模型进行计算，将模型输出值经过反归一化处理后，便得到丙烯精馏塔塔釜丙烯浓度的神经网络预测值，单位为ppm。
在DCS的应用模块或先进过程管理模块(Application Module orAdvanced Process Manager，AM or APM)上按图6所示的程序流程实现控制语言的编制，通过数据的实时、连续采集，就能得到塔顶丙烷浓度及塔釜丙烯浓度的实时神经网络预测值。
模型的校正：
由于实际工业生产过程中存在多种干扰因素，上述产品浓度的神经网络预测值与工业装置的人工分析值不可避免会产生一定的偏差。为此，必须每隔一段时间，用人工分析值(通常几个小时分析一次)对神经网络模型预测值进行在线“滚动”优化校正，以使该神经网络模型适应工业过程操作特性的变化和生产工况的迁移，最终得到塔顶丙烷浓度、塔釜丙烯浓度的最终软测量值。
塔顶丙烷浓度在线推断控制系统的建立：
塔顶丙烷浓度的软测量值，经超前/滞后环节补偿后，据此对回流比进行实时推断控制。同时塔顶回流罐液位控制回流量，以实时调节进料负荷对塔顶丙烷浓度的影响，并通过回流比控制器控制采出量，实现塔顶丙烷浓度的推断控制，如图4所示。
塔釜丙烯浓度在线推断控制系统的建立：
塔釜丙烯浓度的软测量值，经超前/滞后环节补偿后，据此对丙烯精馏塔灵敏板温度T2进行实时推断控制，通过调节塔釜再沸器热水流量以保证T2处于合适温度，从而达到控制塔釜丙烯浓度的要求，如图5所示。
通过使用本发明所述的方法对乙烯装置中丙烯精馏塔实施智能控制，能够降低丙烯精馏塔塔釜出料中丙烯产品损失、稳定塔顶丙烯质量、增加丙烯产量、降低塔的能耗，使丙烯精馏塔处于最佳操作工况。
附图说明
图1为丙烯精馏塔智能控制系统控制流程图。图中，T2为灵敏板温度控制器；T3为塔釜温度；FC1为塔顶回流量控制器；F1为塔顶回流量；FC2为塔顶采出量控制器；F2为塔顶采出量；FC3为侧线采出控制器；F3为侧线采出量；FC4为塔釜加热水流量控制器；F4为塔釜加热水流量；LC1为回流罐液位控制器；L1为回流罐液位值；LC2为塔釜液位控制器；L2为塔釜液位值；AC1为塔顶丙烷浓度控制器；AC2为塔釜丙烯浓度控制器；PC为塔釜压力控制器；P2为塔釜压力；P1为塔顶压力；K为回流比；
图2为塔顶丙烷浓度神经网络软测量模型的结构图，该软测量模型采用三层结构的BP神经网络(Artificial Neural Networks，ANN)，其中，w1，b1，w2，b2表示神经网络权值及阈值；SP代表设定值；S474为塔釜丙烯浓度人工分析值；S475为塔顶丙烷浓度人工分析值。
图3为塔釜丙烯浓度神经网络软测量模型的结构图
图4为丙烯精馏塔塔顶丙烷浓度控制系统框图
图5为丙烯精馏塔釜丙烯浓度控制系统框图
图6为塔顶丙烷浓度和塔釜丙烯浓度软测量模型的程序框图
实施举例
下面结合实施例及附图对本发明作进一步的说明：
在DCS中获取影响丙烯精馏塔塔顶丙烷浓度波动的主要工艺操作参数：塔顶温度、塔顶压力、塔釜温度、回流比等，其包括当前时刻塔顶温度T1(k)、当前时刻塔顶压力P1(k)、当前时刻塔釜温度T3(k)、当前时刻回流比R(k)、当前时刻之前1个小时R(k-1)、当前时刻之前2个小时R(k-2)以及当前时刻塔顶丙烷浓度人工分析值，并将这些数据归一化到[0.2，0.8]的范围，归一化的方法如下：
x＝(X-a)/((b-a)*0.6+0.2
其中，X为输入变量，[a，b]为X的量程范围，x为归一化后的输入。塔顶温度量程范围取为[45，55]，单位为℃；塔顶压力的量程范围取为[1.85，1.95]，单位为MPa；塔釜温度的量程范围取为[55，65]，单位为℃；塔顶回流比的量程范围取为[15，23]，无单位。
根据丙烯精馏过程的工艺机理数学模型，在工业装置“操作点”周围进行“大区域”的正交模拟仿真试验，产生了80组操作范围变化较大的丙烯精馏生产过程操作信息，将这些样本数据与工业生产现场采集到的400组实时数据结合起来，利用塔顶丙烷浓度人工分析值作为目标值。将前280组数据作为训练样本，后200组数据作为预测样本。
通过对神经网络模型进行离线训练，得到一组训练误差和预测误差都较小的神经网络权值及阈值。
在DCS的应用模块或先进过程管理模块(AM or APM，Application Module or Advanced Process Manager)上按照图6的程序流程实现控制语言的编制，通过数据的实时、连续采集，将训练好的权值及阈值带入神经网络进行计算，此时得到的丙烷浓度值在[0.2，0.8]之间；为此，将该计算出的神经网络输出进行反归一化，得到塔顶的丙烷浓度实时神经网络软测量值在[1000，4000]范围内，单位为ppm；最后，利用最近时刻塔顶丙烷浓度的人工分析值对反归一化后的神经网络预测值进行在线“滚动”优化校正，得到丙烷浓度最终软测量值。
在DCS系统的AM或APM上实现控制语言的编制，按图4的控制框图搭建控制模块，并进行工业现场对象操作特性测试、控制系统的工业装置实际投运和动态过程补偿等环节的参数调试，最终实现塔顶丙烷浓度的推断控制，确保塔顶丙烯浓度≥99.60％。
同理，按照上述丙烷浓度软测量值的实现方法，可以得到塔釜丙烯浓度的软测量值。并在DCS系统的AM/APM上实现控制语言的编制，按图5的结构搭建控制模块，并进行工业现场对象操作特性测试、控制系统的工业装置实际投运和各环节的参数调试，实现塔釜丙烯浓度的推断控制，达到控制塔釜丙烯浓度在5％以内。
Claims (9)
1、乙烯装置中丙烯精馏塔的智能控制方法，其特征是在于建立了基于神经网络的塔顶丙烷浓度和塔釜丙烯浓度软测量模型，并在此软测量模型基础上实现了塔顶丙烷浓度和塔釜丙烯浓度实时推断控制。
2、如权利要求1所述的塔顶丙烷浓度和塔釜丙烯浓度软测量方法，其特征是每隔一段时间用丙烯精馏塔塔顶丙烷浓度和塔釜丙烯浓度的人工分析值对相应时刻神经网络软测量模型的计算值进行在线“滚动”优化校正，得到塔顶丙烷浓度和塔釜丙烯浓度的软测量值。
3、如权利要求1所述的控制方法，其特征是首先选择影响丙烯精馏塔塔顶丙烷浓度及塔釜丙烯浓度波动的工艺操作参数，并将其归一化，然后分别计算出其神经网络模型的输出，输出值经过反归一化，并经塔顶丙烷浓度和塔釜丙烯浓度人工分析值校正后得到软测量值，最终根据丙烷及丙烯浓度的软测量值对丙烯精馏塔实施实时推断控制。
4、如权利要求3所述的方法，其特征为其中所述的影响丙烯精馏塔塔顶丙烷浓度波动的工艺操作参数为当前时刻塔顶温度、当前时刻塔顶压力、当前时刻塔釜温度、当前时刻回流比、当前时刻前一个单位时间的回流比、当前时刻前两个单位时间的回流比。
5、如权利要求3所述的方法，其特征为其中所述的影响丙烯精馏塔塔釜丙烯浓度的工艺操作参数为当前时刻塔釜压力、当前时刻塔釜温度和当前时刻灵敏板温度。
6、如权利要求3所述的方法，其特征是根据塔顶丙烷浓度软测量值，对丙烯精馏塔塔顶回流比进行实时推断控制；
7、如权利要求3所述的方法，其特征是根据塔釜丙烯浓度软测量值，对丙烯精馏塔灵敏板温度和塔釜加热急冷水进行实时推断控制。
8、如权利要求3所述的塔顶丙烷浓度和塔釜丙烯浓度的软测量方法，其特征是所述神经网络模型中，输入层的节点数由输入变量个数决定，中间层的隐层层数为L(L＝1～100)，各隐层节点数为j(j＝2～100)，输出层节点为k(k＝1～100)。
9、如权利要求4所述的塔顶丙烷浓度软测量方法，其特征是单位时间取1个小时，实现获取回流比当前时刻之前1个小时、2个小时的回流比R(k-1)，R(k-2)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB021110344A CN1171836C (zh) | 2002-03-13 | 2002-03-13 | 乙烯装置中丙烯精馏塔的智能控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB021110344A CN1171836C (zh) | 2002-03-13 | 2002-03-13 | 乙烯装置中丙烯精馏塔的智能控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1382672A true CN1382672A (zh) | 2002-12-04 |
| CN1171836C CN1171836C (zh) | 2004-10-20 |
Family
ID=4741360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB021110344A Expired - Fee Related CN1171836C (zh) | 2002-03-13 | 2002-03-13 | 乙烯装置中丙烯精馏塔的智能控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN1171836C (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100346856C (zh) * | 2005-10-14 | 2007-11-07 | 清华大学 | 精馏塔的一种自动控制和优化方法 |
| CN100440081C (zh) * | 2006-12-26 | 2008-12-03 | 浙江大学 | 空分塔的广义预测控制系统及方法 |
| CN102175069A (zh) * | 2011-03-15 | 2011-09-07 | 中国石油化工股份有限公司 | 裂解气顺序分离流程中冷箱与脱甲烷塔系统的优化方法 |
| CN102728088A (zh) * | 2011-08-25 | 2012-10-17 | 温州正展机械有限公司 | 外循环减压精馏塔 |
| CN105467965A (zh) * | 2015-12-30 | 2016-04-06 | 大连德泽药业有限公司 | 榄香烯工业化生产自动接收控制方法 |
| CN111121863A (zh) * | 2019-12-11 | 2020-05-08 | 南京连易智能科技有限公司 | 一种化工企业管理系统及对应的管理方法 |
| CN111467828A (zh) * | 2020-03-30 | 2020-07-31 | 北京化工大学 | 一种二元蒸馏塔温度控制系统及方法 |
| CN112295255A (zh) * | 2020-10-24 | 2021-02-02 | 四川泸天化创新研究院有限公司 | 一种甲醇精馏装置智能控制系统及控制方法 |
-
2002
- 2002-03-13 CN CNB021110344A patent/CN1171836C/zh not_active Expired - Fee Related
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN100346856C (zh) * | 2005-10-14 | 2007-11-07 | 清华大学 | 精馏塔的一种自动控制和优化方法 |
| CN100440081C (zh) * | 2006-12-26 | 2008-12-03 | 浙江大学 | 空分塔的广义预测控制系统及方法 |
| CN102175069A (zh) * | 2011-03-15 | 2011-09-07 | 中国石油化工股份有限公司 | 裂解气顺序分离流程中冷箱与脱甲烷塔系统的优化方法 |
| CN102728088A (zh) * | 2011-08-25 | 2012-10-17 | 温州正展机械有限公司 | 外循环减压精馏塔 |
| CN102728088B (zh) * | 2011-08-25 | 2015-11-25 | 温州正展机械有限公司 | 外循环减压精馏塔 |
| CN105467965A (zh) * | 2015-12-30 | 2016-04-06 | 大连德泽药业有限公司 | 榄香烯工业化生产自动接收控制方法 |
| CN105467965B (zh) * | 2015-12-30 | 2018-02-23 | 大连德泽药业有限公司 | 榄香烯工业化生产自动接收控制方法 |
| CN111121863A (zh) * | 2019-12-11 | 2020-05-08 | 南京连易智能科技有限公司 | 一种化工企业管理系统及对应的管理方法 |
| CN111467828A (zh) * | 2020-03-30 | 2020-07-31 | 北京化工大学 | 一种二元蒸馏塔温度控制系统及方法 |
| CN111467828B (zh) * | 2020-03-30 | 2021-07-20 | 北京化工大学 | 一种二元蒸馏塔温度控制系统及方法 |
| CN112295255A (zh) * | 2020-10-24 | 2021-02-02 | 四川泸天化创新研究院有限公司 | 一种甲醇精馏装置智能控制系统及控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN1171836C (zh) | 2004-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6718234B1 (en) | System for on line inference of physical and chemical properties and system for on line | |
| CN1693892A (zh) | 乙炔加氢反应器一段出口乙炔浓度的在线软测量方法 | |
| US5943662A (en) | Supporting method and system for process operation | |
| CN103744293B (zh) | 基于模糊神经网络的废水处理监控方法和系统 | |
| CN1220660C (zh) | 乙烯装置中乙烯精馏塔的智能控制方法 | |
| CN102629104A (zh) | 一种水泥回转窑煅烧预测控制系统及方法 | |
| CN102880905B (zh) | 一种常顶油干点在线软测量方法 | |
| US20220365521A1 (en) | Virtual simulation manufacturing platform based on automatic control | |
| CN1171836C (zh) | 乙烯装置中丙烯精馏塔的智能控制方法 | |
| CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
| CN101825870A (zh) | 一种控制水处理絮凝剂投放量的方法及系统 | |
| CN104636600A (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 | |
| CN101414158A (zh) | 一种乙烯裂解炉裂解反应操作条件的优化方法 | |
| CN113077039B (zh) | 基于任务驱动rbf神经网络的出水总氮tn软测量方法 | |
| CN108388137A (zh) | 一种轻烃回收装置操作点参数优化的方法和装置 | |
| CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
| CN101963785B (zh) | 精对苯二甲酸生产中氧化母液过滤过程的在线控制方法 | |
| CN103488085A (zh) | 甲醇四塔精馏系统多目标优化控制方法 | |
| CN101201331A (zh) | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 | |
| CN1588346A (zh) | 利用人工神经网络技术预测转炉终点的方法 | |
| CN106769748B (zh) | 膜生物反应器-mbr出水透水率的智能检测系统 | |
| CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
| CN1597918A (zh) | 食用菌液体发酵过程中温度的控制方法及装置 | |
| CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
| CN110629149B (zh) | 一种热镀锌机组锌层厚度控制装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| ASS | Succession or assignment of patent right |
Owner name: SHANGHAI ECUST ASSETS MANAGEMENT CO., LTD. Free format text: FORMER OWNER: EAST CHINA UNIVERSITY OF SCIENCE Effective date: 20111206 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20111206 Address after: 200237 No. 130, Meilong Road, Shanghai Patentee after: Shanghai Huali Asset Management Co. Ltd. Address before: 200237 Meilong Road, Shanghai, No. 130, No. Patentee before: East China University of Science and Technology |
|
| ASS | Succession or assignment of patent right |
Owner name: SHANGHAI HUALI AUTOMATIC SYSTEM ENGINEERING CO., L Free format text: FORMER OWNER: SHANGHAI ECUST ASSETS MANAGEMENT CO., LTD. Effective date: 20130402 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 200237 XUHUI, SHANGHAI TO: 200231 XUHUI, SHANGHAI |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20130402 Address after: 200231, room 3, building 507, Huajing Road, Shanghai, Xuhui District, 324 Patentee after: Shanghai Huali Automation System Engineering Co. Ltd. Address before: 200237 No. 130, Meilong Road, Shanghai Patentee before: Shanghai Huali Asset Management Co. Ltd. |
|
| DD01 | Delivery of document by public notice |
Addressee: Shanghai Huali Automation System Engineering Co. Ltd. Document name: Notification of Passing Examination on Formalities |
|
| DD01 | Delivery of document by public notice |
Addressee: Xu Xiulin Document name: payment instructions |
|
| DD01 | Delivery of document by public notice | ||
| DD01 | Delivery of document by public notice |
Addressee: Xu Xiulin Document name: Notice of termination of patent right |
|
| DD01 | Delivery of document by public notice | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20041020 Termination date: 20210313 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |