CN1762525A - 精馏塔的一种自动控制和优化方法 - Google Patents

Abstract

本发明涉及精馏塔控制与优化方法。其特征是根据物料平衡关系和组分平衡关系对精馏塔进行控制，使用代理模型对精馏塔实现优化。根据精馏原理和精馏塔的物料平衡和组分平衡关系，采用塔顶轻产品和塔底重产品抽出比率(以下简称为轻重产品比率)作为主要被控变量，通过调节回流量和再沸器热负荷，控制轻重产品比率、温度、回流比达到平稳操作。通过流程模拟软件，实现对实际过程的仿真，并训练神经网络模型作为过程优化的代理模型。利用原料及产品的化验数据，使用代理模型进行操作优化，达到产品的卡边优化，在保证产品质量合格的前提下，增加高价值产品的收率，并实现装置的节能降耗。

Description

精馏塔的一种自动控制和优化方法

技术领域

本发明涉及精馏塔的自动控制与优化方法，属于化工精馏塔和生产过程自动控制领域。

背景技术

在石油炼制、化工过程中，几乎每个装置都涉及到了液-液分离过程，精馏塔是实现互溶物液-液分离的主要过程单元。

精馏塔根据产品数目和分离精度不同，可以分为两类：一类称为分馏塔，目的是将组成非常复杂的如石油等原料按馏程分割成多个产品，因此除塔顶、塔底外存在多个产品侧线，如常减压装置常压蒸馏塔、催化裂化装置主分馏塔等等，其产品质量的主要衡量指标为馏程及类似参数；另一类是精馏塔，目的是将组成相对简单的原料中的各个主要组分分离，分离的精细程度视生产需要决定。每个精馏塔只有塔顶、塔底两个产品，每个组分只能主要存在于塔顶或者塔底产品中，如气分装置丙烯精馏塔、苯乙烯装置苯乙烯精馏塔等等，产品质量的主要衡量指标为杂质的含量。

要将液-液混合物中的N类主要组分分离，则至少需要N-1个精馏塔。精馏塔是根据精馏原理设计的过程装置。精馏塔的塔板自上而下温度逐渐升高，原料从中部进入精馏塔后，在各层塔板上进行闪蒸，实现分离目的。塔顶溢出的气相物质经冷凝后部分作为塔顶产品出装置，部分作为回流用作调控手段。塔底抽出的液相物质经再沸器加热后，汽化部分返塔作为主要热源，液相部分作为塔底产品出装置。合理地设计回流比，获得足够的分离精度；调控塔顶塔底温度，使得塔顶塔底产品杂质含量都符合标准。

由于精馏塔应用的广泛性，对精馏塔的控制与优化就具有十分重要的意义。通过对精馏塔的控制与优化，使得装置操作平稳，提高产品合格率，减少高价值产品到低价值产品中的流失，同时节能降耗，减少再沸器的热负荷。因此，对精馏塔的控制与优化就具有较高的经济效益。

现有的精馏塔产品质量控制方案几乎均采用了基于产品质量软测量的方式。如乙烯装置中丙烯精馏塔的智能控制方法(专利号02111034)，乙烯装置中乙烯精馏塔的智能控制方法(专利号02148476)等。通过建立精馏塔的产品质量软测量模型，利用精馏塔的温度、压力、流量等过程实时数据，在线实时计算产品质量，在此基础上实现控制与优化。这种软测量建模实现分馏塔切割点计算是可行的，但难以达到精馏塔的要求，因为软测量模型输入变量如流量检测的精度低，输出变量为杂质浓度，数量级通常在千分之几到万分之几，且常为一位有效数字，截断误差大。同时，由于精馏的需要，一般塔板数都比较多，另外为提高塔板的分离效率，其回流罐和塔板积蓄量与处理量之比相对较大。这就造成了精馏塔的动态特性具有大延迟、大时间常数的特点。当操作条件发生变化时，产品质量发生变化并达到稳定的时间相当长，超出了预测控制的接受程度。这也不利于基于产品质量软测量的控制方案。

根据实际精馏塔的操作过程分析和基于流程模拟软件的仿真研究发现：当精馏塔的操作条件变化，产品质量发生变化并达到稳定的时间相当长，但塔顶轻产品和塔底重产品抽出比率会产生较快的明显变化，并经常发生振荡，它是引起塔的操作不稳的主要原因。塔顶轻产品和塔底重产品抽出比率偏离满足产品质量指标所需要的物料平衡关系和组分平衡关系是影响塔的产品质量的主要影响因素，并且对于精馏塔这样具有大滞后的过程，影响持续时间很长，也就是说当前的干扰对产品质量的影响会在较长时间以后才会显现出来，这时再进行调节就为时已晚了。因此，能够在塔顶、塔底操作条件变化(如塔顶空冷机组启停、气候变化引起的回流温度变化，塔底蒸汽温度变化等)和进料条件变化(如进料流量、进料温度等变化)引起轻重产品比率时，保持其它稳定不变，将能够克服进一步引起产品质量变化的扰动因素，维持塔的产品质量平稳，这样就能等到新的时刻塔的产品质量化验数据到来，进行新一轮的优化和产品质量的细调。对于进料组分变化的干扰，当包括进料组分的化验数据到达时，在此时的优化和产品质量细调时给予补偿，这主要可以由前馈补偿来实现。

发明内容

本发明的目的：提出一种新型的精馏塔控制与优化方法。根据精馏原理和精馏塔的物料平衡关系及组分平衡关系，采用轻重产品比率作为主要被控变量，通过调节回流量和再沸器热负荷，控制轻重产品比率、温度、回流比达到平稳操作。通过流程模拟软件或任何其它精馏塔的机理数学模型，实现对实际过程的仿真，并训练神经网络模型作为过程优化的代理模型。利用原料及产品的化验数据，使用代理模型进行操作优化，达到产品的卡边优化，在保证产品质量合格的前提下，增加高价值产品的收率，并实现装置的节能降耗。

本发明的特征在于：该方法依次含有以下离线训练和在线实施2个阶段：

离线训练阶段含有以下步骤：

步骤A1：使用HYSYS流程模拟软件模拟实际的精馏塔，并根据此模拟软件产生的过程数据和产品质量数据建立优化代理神经网络模型；此步骤依次按以下子步骤进行：

步骤A1.1：使用HYSYS流程模拟软件模拟精馏塔，并根据通过集散控制系统采集到的现场实际数据对模型参数进行调整，以获得与实际接近的模拟结果；

步骤A1.2：对上述流程模拟软件产生的过程数据和产品质量数据样本按下式进行标准化处理：

x^o＝(x-m_x)/σ_x，

其中x为原始数据，x^o为对应的标准化数据；

m_x、σ_x分别表示该数据样本的算术平均值和标准差；

所述数据样本是通过以下步骤得到的：改变操作条件，获得不同工况下的过程数据和产品质量数据，从而得到的多组数据；

步骤A1.3：根据步骤A1.2得到的多组数据样本建立最终的神经网络模型，该模型是多个神经网络中最终训练误差和预测误差均为最小的一个模型：

$C_{\mathrm{top}}^o={\mathrm{NN}}_{\mathrm{top}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$

$C_{\mathrm{bot}}^o={\mathrm{NN}}_{\mathrm{bot}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(R/F)}^o),$

其中NN_top、NN_bot表示神经网络模型，实际为5×10×1的RBF网络；

步骤A2：对实际精馏塔进行测试建模，建立回流量、再沸器热负荷与塔顶产品流量、塔底产品流量、塔顶温度、塔底温度的下述阶跃响应模型：

$\left[\begin{array}{c}{D}_c\\ B_c\\ T_{\mathrm{top}}\\ T_{\mathrm{bot}}\end{array}\right]=f(G,\left[\begin{array}{c}R\\ Q\end{array}\right]),$

其中f为卷积运算；

G为测试建模所建立的阶跃响应模型；

在线实施阶段包含以下步骤：

步骤B1：上位机初始化：

设置：定时器周期；

塔顶产品杂质分率C_top的权重值W_Ctop；

塔底产品杂质分率C_bot的权重值W_Cbot；

热负荷量Q的权重值w_Q；

实际轻重产品比率超限量Δη的权重值w_Δη；

塔顶温度超限量ΔT_top的权重值w_ΔTtop；

塔底温度超限量ΔT_bot的权重值w_ΔTbot；

回流比超限量Δr的权重值w_Δr；

使适应度函数J为正数而设定的常数Const；

步骤B2：判断控制时刻到否：

若控制时刻到，则执行下一步：否则，等待；

步骤B3：上位机经OPC通讯接口通过集散控制系统采集以下的精馏塔现场数据且存入实时数据库：塔顶产品量D、塔底产品量B、塔顶温度T_top、塔底温度T_bot、回流量R、热负荷量Q以及进料量F；同时按下式计算液位动态补偿后的塔顶、塔底产品流量，以避免因塔顶、塔底液位波动而产生的产品积蓄变化而导致的产品流量测量偏差：

D_c＝D+(h_top(L_top，now)-h_top(L_top，old))/t，

B_c＝B+(h_bot(L_bo，now)-h_bot(L_bot，old))/t，

其中h_top、h_bot为基于容器数学模型的将液位转换为质量积蓄量的函数；

L_top，new、L_top，old分别为当前和一段时间之前的塔顶回流罐液位检测值，其数值取百分数；

L_bot，new、L_bot，old分别为当前和一段时间之前的塔底釜液位检测值，其数值取百分数；

t为补偿计算所取的时间间隔；

实际的轻重产品比率：

η＝D_c/B_c；

步骤B4：上位机判断是否获得新的产品质量化验数据：

若得到新的产品质量化验数据，则执行步骤B5；否则，转入步骤B6；

步骤B5：基于产品质量化验数据用遗传算法优化所述神经网络模型，以搜索更优的被控变量，来达到保证产品质量，减小回流量，降低再沸器热负荷这两个操作变量值的目的，所述被控变量是指轻重产品比率、塔顶温度、塔底温度以及回流比；此步骤依次含有以下各子步骤：

步骤B5.1：初始化一个群体：

设定群体中个体数目n的取值，每个个体b_i是记为{D/B，T_top，T_bot，R/F，Q/F}的一个数据组，其中每个变量都在当前操作值的一个上下5～10％的闭区间内均匀取多个值，最终组合出各不相同的数据组个体；

步骤B5.2：读取神经网络模型，根据神经网络模型和下式计算每个个体的适应度，所述适应度为

Fit＝Const-(w_CtopC_top+w_CbotC_bot+w_QQ)，

步骤B5.3：根据下式确定选择每个个体的次数，以保留适应度大的个体，淘汰适应度小的个体，生成新的群体：

$\mathrm{Num}\left(b_i\right)=\mathrm{Fit}\left(b_i\right)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Fit}\left(b_j\right)*n,i=\mathrm{1,2},...,n;$

步骤B5.4：从步骤B5.3得到的群体中，随机选择p_c*n对，p_c＝0.05～0.1，在每对个体{b_i，b_j}中随机选择数据组中的第k个变量，按下式计算新值，并替换旧值，形成新的个体：

b_i，new{k}＝Rand*b_i，old{k}+(1-Rand)*b_j，old{k}，

b_j，new{k}＝(1-Rand)*b_i，old{k}+Rand*b_j，old{k}，

其中Rand为[-1，2]区间内的均匀分布的随机数；

步骤B5.5：从步骤B5.4得到的群体中，随机选择p_v*n个，p_v＝0.02～0.05，每个个体随机选择数据组中的某个变量，增大或者减小一个随机百分比1～5％；

步骤B5.6：对步骤B5.5得到的群体中，适当去除选择操作中的重复数据，以保证群体中个体数目保持不变；

步骤B5.7：对步骤B5.6得到的群体中，重复步骤B5.2～B5.6，直至群体中个体最大的适应度趋于一个稳定值，或者虽未达到稳定值但已达到设定的迭代次数为止；取出这个最大适应度的个体作为优化计算的最优解，并将该解作为控制所述各被控变量的目标；

步骤B6：以回流量和再沸器热负荷作为操作变量，以轻重产品比率、塔顶温度、塔底温度和回流比作为被控变量，对精馏塔进行多变量预测控制；此步骤依次含有以下各子步骤：

步骤B6.1：判断上述优化是否未运行过：若未运行过，则轻重产品比率以之前1～2小时实际值的平均值作为目标，塔顶温度、塔底温度和回流比以控制上下限的中线作为目标；若已运行过，则将步骤7得到的最优解作为所述各被控变量的目标；

步骤B6.2：读取阶跃响应模型，并按阶跃响应模型、轻重产品比率η的计算公式和下式生成过程的混合预测模型：

回流比r：

r＝R/D_c，

步骤B6.3：根据过程的混合预测模型，实现精馏塔的多变量预测控制：

首先，设定控制上下限：轻重产品比率的控制限以控制目标为基础，设置偏离的允许百分比，取0～10％，塔顶温度、塔底温度和回流比的控制限，由操作工根据精馏塔设计参数和操作经验在DCS操作界面上修改。

其次，设定软优先级：回流比＞温度＞轻重产品比率；其中，温度包括塔顶温度和塔底温度；

再次，控制目标设定为各个变量的超限量加权计算值最小：

J_c＝w_η|Δη|+w_Ttop|ΔT_top|+w_Tbot|ΔT_bot|+w_r|Δr|，

其中J_c为控制目标函数；

“·”代表被控变量η、T_top、T_bot、r中的一个；

Δ·为各被控变量超出控制限的量值；被控变量值超限时为与对应控制限的差，不超限时为0；

w·为各被控变量实际权值，由下式决定：

w＝w^o/σ_v，

其中w为实际设置权值；

w^o为标准化权值，根据上述软优先级设定；

σ_v为对应变量的标准差；

步骤B7：回流量和再沸器热负荷的控制值及响应的各被控变量的值，本控制周期结束，回到步骤B2等待下一周期。

使用证明：本发明使精馏塔的操作更加平稳，塔顶、塔底产品的杂质下降，同时能耗也下降，且在相同的操作费用下有更高的分离度。

附图说明

图1.精馏塔装置的原理性工艺流程图。

图2.控制与优化程序在上位机中的一种实现方式：a，现场操作流程图；b，上位机操作流程图。

图3.离线训练建模的步骤图：a，优化的神经网络模型的训练步骤，b，控制的阶跃响应模型辨识步骤。

图4.精馏塔在线优化控制的程序流程图。

具体实施方式

优化代理模型(神经网络模型)的建立

流程模拟软件或其它机理分析模型通过机理建模方式对多种化工过程单元进行模拟仿真，通过参数调整，可达到足够的准确度来指导生产。由于采用机理方式，可以在较大范围内保证对实际单元过程模拟的准确性。但由于机理计算的复杂，计算量比较大，难以在线使用，且软件价格高昂。

使用流程模拟软件或其它机理分析模型提供反映生产过程大范围变化的输入输出数据，进行统计模型的训练，获得简单的可在线使用的代理模型，就可以克服这一缺点。同时，使用流程模拟软件或其它机理分析模型的数据训练，相对实际过程数据，还可以克服实际过程中数据有噪声干扰，数据覆盖范围小，无法获得真正的稳态数据等弱点。

本方法中，使用HYSYS流程模拟软件，建立精馏塔的流程模拟，并根据DCS实际数据对流程模拟参数进行调整，以获得与实际接近的模拟结果。

建立优化代理神经网络模型，输入变量选取塔顶塔底产品量比D/B、塔顶温度T_top、塔底温度T_bot、回流量进料比R/F、热负荷量进料比Q/F，因此实际需要获取的数据包括塔顶产品量D、塔底产品量B、塔顶温度T_top、塔底温度T_bot、回流量R、热负荷量Q、进料量F。同时输出变量分别为塔顶产品杂质分率C_top、塔底产品杂质分率C_bot，即塔顶塔底产品质量。

改变操作条件，获得不同工况下的过程数据和产品质量数据。工况涵盖了产品质量不合格，操作变量、被控变量与设计工况偏离较大等情况。最终获得500组数据样本。对这些输入输出数据进行标准化处理：

x^o＝(x-m_x)/σ_x，

其中x为原始数据，x^o为对应的标准化数据；

m_x、σ_x分别表示该数据样本的算术平均值和标准差；

之后，从中选取400组数据作为训练样本，另外100组数据作为测试样本。使用训练样本进行神经网络迭代训练，并对每步训练所得的神经网络用训练样本计算训练误差，用测试样本计算预测误差，当预测误差由减小变为增大或者训练误差不再明显减小时，该神经网络训练结束。使用此方法训练多个神经网络，选择最终训练误差和预测误差均最小的作为训练结果。

最终建立的神经网络模型形式如下：

$C_{\mathrm{top}}^o={\mathrm{NN}}_{\mathrm{top}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$

$C_{\mathrm{bot}}^o={\mathrm{NN}}_{\mathrm{bot}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$

其中NN_top、NN_bot表示神经网络模型，实际为5×10×1的RBF网络；

在线计算轻重产品比率并进行仪表误差校正(数据处理模块)

由精馏塔物料平衡，

F＝D+B

Fx_F＝Dx_D+Bx_B

其中F、D、B为进料流量、塔顶、塔底产品流量；

x_F、x_D、x_B为进料、塔顶、塔底产品中轻组分分率，且x_B＜x_F＜x_D。

则存在

D/B＝(x_F-x_B)/(x_D-x_F)

因此操作中欲维持产品质量不变，维持D/B不变是一个基本条件。

基于进料化验数据和对产品纯度的要求，可以初步计算理想的轻重产品比率值。对于多组分精馏塔，其各组分会根据工艺设计集中在塔顶或者塔底，则据此将所有组分划分到塔顶组分类或塔底组分类中，将两类组分看作两种组分处理，就可以等效于双组分精馏塔。

由于塔顶塔底液位的变化会影响产品实时流量，因此要进行液位动态补偿计算，将液位变化补偿到产品流量上，得到真正从塔内流出的流量，避免液位的波动而产生的产品积蓄而导致的产品流量测量偏差。

D_c＝D+(h_top(L_top，now)-h_top(L_top，old))/t，

B_c＝B+(h_bot(L_bot，now)-h_bot(L_bot，old))/t，

其中D_c、B_c为补偿后的塔顶、塔底产品流量；

h_top、h_bot为基于容器数学模型的将液位转换为质量积蓄量的函数；

L_top，new、L_top，old分别为当前和一段时间之前的塔顶回流罐液位检测值，其数值取百分数；

L_bot，new、L_bot，old分别为当前和一段时间之前的塔底釜液位检测值，其数值取百分数；

t为补偿计算所取的时间间隔。

对于塔顶常见的卧式回流罐，

$h_{\mathrm{top}}(\·)={\mathrm{\ρ}}_{\mathrm{top}}{\mathrm{Len}}_{\mathrm{top}}*(\arccos \left(\frac{(0.5-\·){\mathrm{Hs}}_{\mathrm{top}}}{R_{\mathrm{top}}}\right)*R_{\mathrm{top}}^2$

$-(0.5-\·){\mathrm{Hs}}_{\mathrm{top}}\sqrt{R_{\mathrm{top}}^2-\left({(0.5-\·){\mathrm{Hs}}_{\mathrm{top}})}^2\right)},$

而对于塔底立式塔釜，

$h_{\mathrm{bot}}(\·)={\mathrm{\ρ}}_{\mathrm{bot}}*{\mathrm{\πR}}_{\mathrm{top}}^2*(0.5-\·){\mathrm{Hs}}_{\mathrm{top}},$

其中“·”代表L_top，new、L_top，old、L_bot，new、L_bot，old中的一个；

ρ_top、ρ_bot分别为塔顶、塔底液体的密度；

R_top、R_bot分别为塔顶回流罐、圆柱形塔底釜的半径；

Hs_top、Hs_bot分别为塔顶、塔底液位仪表的检测高度；

Len_top为塔顶回流罐的长度。

补偿后的产品流量更能反映出装置操作的实际情况，即得到从塔流出的产品量的实际变化。

实际的轻重产品比率，η计算如下：

η＝D_c/B_c。

计算时各流量取当前值或者此前2～10分钟内的算术平均值。平均时间增长会提高克服干扰能力，但降低响应速度。

由于现场流量仪表不可避免的存在着误差，因此这个理想的轻重产品比率值不能直接用于指导生产，需要用实际的轻重产品比率值进行校正。本方法采用自适应校正，即在第一次使用时，取此前1至2小时内的D_c、B_c历史数据算术平均值计算轻重产品比率初始设定值，之后等到实际的产品质量化验数据到来时通过优化和产品质量细调来给出轻重产品比率设定值的改变量。这种相对调整，就解决了由于仪表测量精度限制而在实际应用中无法得到真实的轻重产品比率值，而不能实现将轻重产品比率控制到合理值的难题，这也是长期以来制约基于直接物料平衡控制方案直接实现产品质量的控制难于实现的问题。

建立过程的预测模型

以回流量和再沸器热负荷作为操作变量，以轻重产品比率、塔顶温度、塔底温度、回流比作为被控变量，作为精馏塔的多变量预测控制方案。

通过进行测试建模，可以建立回流量、再沸器热负荷与塔顶产品流量、塔底产品流量、塔顶温度、塔底温度的阶跃响应模型：

$\left[\begin{array}{c}{D}_c\\ B_c\\ T_{\mathrm{top}}\\ T_{\mathrm{bot}}\end{array}\right]=f(G,\left[\begin{array}{c}R\\ Q\end{array}\right]),$

其中f为卷积运算；

G为测试建模所建立的阶跃响应模型。

然后通过机理分析计算，建立过程的混合预测模型。其中轻重产品比率计算已经给出，回流比r计算如下：

r＝R/D_c。

实现精馏塔的多变量预测控制(控制模块)

以上述混合预测模型为基础，实时计算轻重产品比率、回流比并获取实时温度值作为被控变量，进行多变量预测控制组态与实施。

要实现轻重产品比率、塔顶塔底温度、回流比这三类被控变量的协调控制，需要在控制策略上对各类变量分别对待。

对于轻重产品比率，以优化计算所给出控制目标为基础，给出偏离的百分比作为控制限。偏离百分比限的取值范围为0～10％，值增大有助于提高控制稳定性，但降低了控制精度。对于温度和回流比，采用区域控制，由操作工根据精馏塔设计参数和操作经验在DCS操作界面上修改控制的上下限。保持回流比在一定的区域内是为了保证精馏塔有比较经济的分离度。

根据机理分析，各个变量在稳定操作、保证产品合格上的能力不同，因而就应设置不同的软优先级，在变量超限时根据软优先级进行调节。软优先级设定如下：

回流比＞温度＞轻重产品比率

控制目标为各个变量的超限量加权计算值最小。即

J_c＝w_η|Δη|+w_Ttop|ΔT_top|+w_Tbot|ΔT_bot|+w_r|Δr|，

其中J_c为控制目标函数；

“·”代表被控变量η、T_top、T_bot、r中的一个；

Δ·为各被控变量超出控制限的量值；被控变量值超限时为与对应控制限的差，不超限时为0；

w·为各被控变量实际权值。

加权计算方法具有连续性，既可以保证某一变量超限很大时对其进行主要调节，又可以实现几个变量都超限不大时的协调控制。权值越大，说明该变量控制达到的超限量越小，即该变量软优先级越大。根据软优先级设定各变量不同大小的标准化权值w^o，再根据该变量的方差大小，反推实际应该设置的权值：

w＝w^o/σ_v，

其中w为实际设置权值；

w^o为标准化权值；

σ_v为对应变量的标准差。

通过工程师界面将反推所得的实际设置权值进行在线修改。

基于产品质量化验数据的代理模型操作优化(优化模块)

实际生产中，原料和产品通常4～8小时采样化验一次(如有在线分析仪更好，能够有短得多的采样周期)。在获得化验数据后，依据代理模型，以保证产品质量，减小回流比，降低再沸器热负荷为目标，使用遗传算法等智能优化算法，搜索更优的被控变量、操作变量目标值。

初始化一个群体，取个体数目为n＝30～150。每个个体b_i是记为{D/B，T_top，T_bot，R/F，Q/F}的数据组，其中每个变量都在当前操作值的上下5～10％内均匀取值(包括边界)，最终组合出各不相同的数据组个体。

取适应度函数

Fit＝Const-(w_CtopC_top+w_CbotC_bot+w_QQ)，

其中Const为常数，作用为使J保证为正数；

“·”代表变量C_top、C_bot、Q中的一个；

w·为各变量的权值。

根据神经网络模型和上式计算每个个体的适应度，其中神经网络模型为前向计算。

选择运算：根据

$\mathrm{Num}\left(b_i\right)=\mathrm{Fit}\left(b_i\right)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Fit}\left(b_j\right)*n,i=\mathrm{1,2},...,n$

确定选择每个个体的次数，生成新的群体。这样，适应度大的个体保留下来，适应度小的个体可能被淘汰。

交叉运算：从新群体中随机选择p_c*n对(p_c＝0.05～0.1)，在每对个体中随机选择数据组中的某个变量，做内插计算

b_i，new{k}＝Rand*b_i，old{k}+(1-Rand)*b_j，old{k}，

b_j，new{k}＝(1-Rand)*b_i，old{k}+Rand*b_j，old{k}，

其中Rand为[-1，2]区间内的均匀分布的随机数。用计算所得新值替换旧值，形成新的个体。

变异运算：在新群体中随机选择p_v*n个(p_v＝0.02～0.05)，每个个体随机选择数据组中的某个变量，增大或者减小一个随机百分比(1～5％)。

之后，适当去除选择操作中的重复数据，以保证群体中个体数目保持不变。对新群体迭代进行适应度计算和选择、交叉、变异运算，直至群体中个体最大的适应度趋于一个稳定值或者迭代次数达到某一数值(100～150)为止，取出这个最大适应度的个体作为优化计算的最优解，并将这个最优解作为控制运算各被控变量的控制目标。

本发明从精馏塔的控制与优化需求出发，根据精馏塔产品质量精度要求高的特点，提出根据精馏原理和精馏塔的物料平衡关系和组分平衡关系，采用轻重产品比率作为主要被控变量的控制方法和使用代理模型进行操作优化，达到产品的卡边优化，在保证产品质量合格的前提下，增加高价值产品的收率，并实现装置的节能降耗的优化方法。该发明，通过解决轻重产品比率合理值的设定和优化问题，实现了轻重产品比率这一快速反映产品质量未来波动的观测变量的控制，创造了保持产品质量平稳的条件，得以能够利用较长采样化验周期的化验数据进行优化和产品质量的细调。本发明不依赖于软测量，克服了相对精馏塔高纯度产品指标要求软测量精度难以满足要求带来的诸多缺点。

图1是精馏塔原理工艺流程图。图中，D为塔顶产品量、B为塔底产品量、T_top为塔顶温度、T_bot为塔底温度、R为回流量、Q为热负荷量、F为进料量。

本发明中的数据采集、处理和控制与优化计算、实现可以通过上位机实现。图2是在上位机中实现的一种方案。控制程序通过实时数据库或通过OPC(OLE for Process Control)方式获取过程数据，主要的数据处理结果计算完成后在上位机显示或送入DCS显示。在上位机和DCS上显示控制界面用来进行控制参数调整。

图3是离线训练建模的步骤图，a为优化的神经网络模型的训练步骤，b为控制的阶跃响应模型辨识步骤。

图4是精馏塔在线优化控制的程序流程图。

下面结合一个丙烯丙烷精馏塔的实例对本发明做进一步说明。

使用HYSYS流程模拟软件，建立丙烯丙烷精馏塔的流程模拟，并根据DCS实际数据对流程模拟参数进行调整，以获得与实际接近的模拟结果。

建立优化代理神经网络模型的输入变量选取塔顶塔底产品量比D/B、塔顶温度T_top、塔底温度T_bot、回流量进料比R/F、热负荷量进料比Q/F，因此实际需要获取的数据包括塔顶产品量D、塔底产品量B、塔顶温度T_top、塔底温度T_bot、回流量R、热负荷量Q、进料量F。同时输出变量分别为塔顶产品杂质分率C_top、塔底产品杂质分率C_bot，即塔顶塔底产品质量。

改变操作条件，获得不同工况下的产品质量和过程数据。工况涵盖了产品质量不合格，操作变量、被控变量与设计工况偏离较大等情况。最终获得500组数据样本。对这些输入输出数据进行标准化处理。之后，从中选取400组数据作为训练样本，另外100组数据作为测试样本。使用训练样本进行神经网络迭代训练，并对每步训练所得的神经网络用训练样本计算训练误差，用测试样本计算预测误差，当预测误差由减小变为增大或者训练误差不再明显减小时，该神经网络训练结束。使用此方法训练多个神经网络，选择最终训练误差和预测误差均最小的作为训练结果。

以回流量和再沸器热负荷作为操作变量，以轻重产品比率、塔顶温度、塔底温度、回流比作为被控变量，作为精馏塔的多变量预测控制方案。首先进行测试建模，建立回流量、再沸器热负荷与塔顶产品流量、塔底产品流量、塔顶温度、塔底温度的阶跃响应模型。然后通过机理分析计算，建立过程的混合预测模型。

以上述混合预测模型为基础，实时计算轻重产品比率、回流比并获取实时温度值作为被控变量，进行多变量预测控制DCS组态与实施。

使用通讯接口程序通过控制网络将横河DCS上的过程数据采集到上位机的实时数据库中。控制器程序从实时数据库中所需获取数据，然后在线计算补偿后的产品流量、轻重产品比率、回流比。其中轻重产品比率计算时各流量取当前值或者此前5分钟内的算术平均值。

对轻重产品比率采用自适应校正，即在第一次使用时，取此前2小时内的补偿后的塔顶、塔底产品流量历史数据算术平均值计算轻重产品比率初始设定值。

轻重产品比率以优化计算所给出控制目标为基础，给出偏离的百分比作为控制限，偏离百分比范围设置为5％。温度和回流比采用区域控制，由操作工根据精馏塔设计参数和操作经验在DCS操作界面上修改控制的上下限，塔顶温度限为47～49℃，塔底温度限为57～60℃，回流比限为12～20。

根据机理分析，各个变量在稳定操作、保证产品合格上的能力不同，因而就应设置不同的软优先级，在变量超限时根据软优先级进行调节。软优先级设定如下：

回流比＞温度＞轻重产品比率

标准化权值设置依次设置为1.5、1、0.5，实际设置权值为0.15、1、5。通过工程师界面将反推所得的实际设置权值进行在线修改。

本例中，原料4小时化验一次，塔顶产品2小时化验一次，塔底产品4小时化验一次。在获得化验数据后，依据代理模型，以保证产品质量，减小回流比，降低再沸器热负荷为目标，使用遗传算法等智能优化算法，搜索更优的被控变量、操作变量目标值。

初始化一个群体，取个体数目为n＝100。每个个体b_i是记为{D/B，T_top，T_bot，R/F，Q/F}的数据组，其中每个变量都在当前操作值的上下10％内均匀取值(包括边界)，最终组合出各不相同的数据组个体。

计算每个个体的适应度，并进行选择、交叉、变异运算。其中p_c＝0.1，p_v＝0.03，迭代截止次数为120。

取出最大适应度的个体作为优化计算的最优解，并将这个最优解作为控制运算各被控变量的控制目标。

该方案实施后，塔的操作更平稳了，塔顶丙烯含量由98.85％提高至99.3％，塔底丙烷中丙烯含量一般为0％，丙烯收率由28.8％提高至30.5％，装置能量消耗由29.53千克标油降低至23.7千克标油，且最大限度地保证了平稳的分馏操作条件和相同操作费用下的更高分离度，在装置长期运行在超过设计负荷的30％的情况下，仍能使装置平稳生产。

Claims (2)

1.精馏塔的一种自动控制和优化方法，其特征在于该方法依次含有以下离线训练和在线实施2个阶段：

离线训练阶段含有以下步骤：

步骤A1：使用HYSYS流程模拟软件模拟实际的精馏塔，并根据此模拟软件产生的过程数据和产品质量数据建立优化代理神经网络模型；此步骤依次按以下子步骤进行：

步骤A1.1：使用HYSYS流程模拟软件模拟精馏塔，并根据通过集散控制系统采集到的现场实际数据对模型参数进行调整，以获得与实际接近的模拟结果；

步骤A1.2：对上述流程模拟软件产生的过程数据和产品质量数据样本按下式进行标准化处理：

x°＝(x-m_x)/σ_x，

其中x为原始数据，x°为对应的标准化数据；

m_x、σ_x分别表示该数据样本的算术平均值和标准差；

所述数据样本是通过以下步骤得到的：改变操作条件，获得不同工况下的过程数据和产品质量数据，从而得到的多组数据；

步骤A1.3：根据步骤A1.2得到的多组数据样本建立最终的神经网络模型，该模型是多个神经网络中最终训练误差和预测误差均为最小的一个模型：

$C_{\mathrm{top}}^o={\mathrm{NN}}_{\mathrm{top}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$

$C_{\mathrm{bot}}^o={\mathrm{NN}}_{\mathrm{bot}}({(D/B)}^o,T_{\mathrm{top}}^o,T_{\mathrm{bot}}^o,{(R/F)}^o,{(Q/F)}^o),$

其中NN_top、NN_bot表示神经网络模型，实际为5×10×1的RBF网络；

步骤A2：对实际精馏塔进行测试建模，建立回流量、再沸器热负荷与塔顶产品流量、塔底产品流量、塔顶温度、塔底温度的下述阶跃响应模型：

$\left[\begin{array}{c}{D}_c\\ B_c\\ T_{\mathrm{top}}\\ T_{\mathrm{bot}}\end{array}\right]=f\left(\begin{array}{c}G,\left[\begin{array}{c}R\\ Q\end{array}\right]\end{array}\right),$

其中f为卷积运算；

G为测试建模所建立的阶跃响应模型；

在线实施阶段包含以下步骤：

步骤B1：上位机初始化：

设置：定时器周期；

塔顶产品杂质分率C_top的权重值w_Ctop；

塔底产品杂质分率C_bot的权重值w_Cbot；

热负荷量Q的权重值w_Q；

实际轻重产品比率超限量Δη的权重值w_Δη；

塔顶温度超限量ΔT_top的权重值w_ΔTtop；

塔底温度超限量ΔT_bot的权重值w_ΔTbot；

回流比超限量Δr的权重值w_Δr；

使适应度函数J为正数而设定的常数Const；

步骤B2：判断控制时刻到否：

若控制时刻到，则执行下一步；否则，等待；

步骤B3：上位机经OPC通讯接口通过集散控制系统采集以下的精馏塔现场数据且存入实时数据库：塔顶产品量D、塔底产品量B、塔顶温度T_top、塔底温度T_bot、回流量R、热负荷量Q以及进料量F；同时按下式计算液位动态补偿后的塔顶、塔底产品流量，以避免因塔顶、塔底液位波动而产生的产品积蓄变化而导致的产品流量测量偏差：

D_c＝D+(h_top(L_top，now)-h_top(L_top，old))/t，

B_c＝B+(h_bot(L_bot，now)-h_bot(L_bot，old))/t，

其中h_top、h_bot为基于容器数学模型的将液位转换为质量积蓄量的函数；

L_top，new、L_top，old分别为当前和一段时间之前的塔顶回流罐液位检测值，其数值取百分数；

L_bot，new、L_bot，old分别为当前和一段时间之前的塔底釜液位检测值，其数值取百分数；

t为补偿计算所取的时间间隔；

实际的轻重产品比率：

η＝D_c/B_c；

步骤B4：上位机判断是否获得新的产品质量化验数据：

若得到新的产品质量化验数据，则执行步骤B5；否则，转入步骤B6；

步骤B5：基于产品质量化验数据用遗传算法优化所述神经网络模型，以搜索更优的被控变量，来达到保证产品质量，减小回流量，降低再沸器热负荷这两个操作变量值的目的，所述被控变量是指轻重产品比率、塔顶温度、塔底温度以及回流比；此步骤依次含有以下各子步骤：

步骤B5.1：初始化一个群体：

设定群体中个体数目n的取值，每个个体b_i是记为{D/B，T_top，T_bot，R/F，Q/F}的一个数据组，其中每个变量都在当前操作值的一个上下5～10％的闭区间内均匀取多个值，最终组合出各不相同的数据组个体；

步骤B5.2：读取神经网络模型，根据神经网络模型和下式计算每个个体的适应度，所述适应度为

Fit＝Const-(w_Ctop，C_top+w_CbotC_bot+w_QQ)，

步骤B5.3：根据下式确定选择每个个体的次数，以保留适应度大的个体，淘汰适应度小的个体，生成新的群体：

$\mathrm{Num}\left(b_i\right)=\mathrm{Fit}\left(b_i\right)/\underset{j=1}{\overset{n}{\mathrm{\Σ}}}\mathrm{Fit}\left(b_j\right)*n,i=\mathrm{1,2},...,n;$

步骤B5.4：从步骤B5.3得到的群体中，随机选择p_c*n对，p_c＝0.05～0.1，在每对个体{b_i，b_j}中随机选择数据组中的第k个变量，按下式计算新值，并替换旧值，形成新的个体：

b_i，new{k}＝Rand*b_i，old{k}+(1-Rand)*b_j，old{k}，

b_j，new{k}＝(1-Rand)*b_i，old{k}+Rand*b_j，old{k}，

其中Rand为[-1，2]区间内的均匀分布的随机数；

步骤B5.5：从步骤B5.4得到的群体中，随机选择p_v*n个，p_v＝0.02～0.05，每个个体随机选择数据组中的某个变量，增大或者减小一个随机百分比1～5％；

步骤B5.6：对步骤B5.5得到的群体中，适当去除选择操作中的重复数据，以保证群体中个体数目保持不变；

步骤B5.7：对步骤B5.6得到的群体中，重复步骤B5.2～B5.6，直至群体中个体最大的适应度趋于一个稳定值，或者虽未达到稳定值但已达到设定的迭代次数为止；取出这个最大适应度的个体作为优化计算的最优解，并将该解作为控制所述各被控变量的目标；

步骤B6：以回流量和再沸器热负荷作为操作变量，以轻重产品比率、塔顶温度、塔底温度和回流比作为被控变量，对精馏塔进行多变量预测控制；此步骤依次含有以下各子步骤：

步骤B6.1：判断上述优化是否未运行过：若未运行过，则轻重产品比率以之前1～2小时实际值的平均值作为目标，塔顶温度、塔底温度和回流比以控制上下限的中线作为目标；若已运行过，则将步骤7得到的最优解作为所述各被控变量的目标；

步骤B6.2：读取阶跃响应模型，并按阶跃响应模型、轻重产品比率η的计算公式和下式生成过程的混合预测模型：

回流比r：

r＝R/D_c，

步骤B6.3：根据过程的混合预测模型，实现精馏塔的多变量预测控制：

首先，设定控制上下限：轻重产品比率的控制限以控制目标为基础，设置偏离的允许百分比，取0～10％，塔顶温度、塔底温度和回流比的控制限，由操作工根据精馏塔设计参数和操作经验在DCS操作界面上修改。

其次，设定软优先级：回流比＞温度＞轻重产品比率；其中，温度包括塔顶温度和塔底温度；

再次，控制目标设定为各个变量的超限量加权计算值最小：

J_c＝w_η|Δη|+w_Ttop|ΔT_top|+w_Tbot|ΔT_bot|+w_r|Δr|，

其中J_c为控制目标函数；

“·”代表被控变量η、T_top、T_bot、r中的一个；

Δ·为各被控变量超出控制限的量值；被控变量值超限时为与对应控制限的差，不超限时为0；

w·为各被控变量实际权值，由下式决定：

w＝w°/σ_v，

其中w为实际设置权值；

w°为标准化权值，根据上述软优先级设定；

σ_v为对应变量的标准差；

步骤B7：回流量和再沸器热负荷的控制值及响应的各被控变量的值，本控制周期结束，回到步骤B2等待下一周期。

2.根据权利要求1所述的精馏塔的一种自动控制和优化方法，其特征在于：所述h_top、h_bot分别通过下式得到：

对于塔顶常见的卧式回流罐：

$h_{\mathrm{top}}(\·)={\mathrm{\ρ}}_{\mathrm{top}}L{\mathrm{en}}_{\mathrm{top}}*(\arccos \left(\frac{(0.5-\·)H{s}_{\mathrm{top}}}{R_{\mathrm{top}}}\right)*R_{\mathrm{top}}^2$

$-(0.5-\·){\mathrm{Hs}}_{\mathrm{top}}\sqrt{R_{\mathrm{top}}^2-{\left((0.5-\·){\mathrm{Hs}}_{\mathrm{top}}\right)}^2}),$

对于塔底立式塔釜：

$h_{\mathrm{bot}}(\·)={\mathrm{\ρ}}_{\mathrm{bot}}*\mathrm{\π}{R}_{\mathrm{top}}^2*(0.5-\·){\mathrm{Hs}}_{\mathrm{top}},$

其中“·”代表L_top，new、L_top，old、L_bot，new、L_bot，old中的一个；

ρ_top、ρ_bot分别为塔顶、塔底液体的密度；

R_top、R_bot分别为塔顶回流罐、圆柱形塔底釜的半径；

H_Stop、H_Sbot分别为塔顶、塔底液位仪表的检测高度；

L_entop为塔顶回流罐的长度。

Images