CN1962015B - 高纯精馏的动态矩阵控制系统和方法 - Google Patents

Abstract

本发明公开了一种高纯精馏的动态矩阵控制系统和方法；系统包括：精馏塔、智能检测仪表、DCS系统、上位机和现场总线；所述精馏塔、智能检测仪表、DCS系统和上位机通过现场总线依次相连，实现信息流的上传和下达；本发明所涉及的控制系统采用塔双端产品组分为被控变量，回流比和再沸比为对应的控制变量；上位机从DCS实时数据库中获得历史的温度、压力等数据，通过推断控制环节和动态矩阵控制器环节，得到当前控制器的输出值-回流比和再沸比，再把控制器输出值返回给DCS系统，实现了对高纯精馏过程的双端产品高纯控制，对双端组分的高纯度平稳操作，具有很好的动态品质和控制效果。

Description

高纯精馏的动态矩阵控制系统和方法

技术领域

本发明涉及精馏技术领域，特别地，涉及高纯精馏的动态矩阵控制系统和方法。

背景技术

精馏过程是实现物质分离和提纯最重要的单元操作之一，也是工业过程应用最为广泛的单元操作之一。随着科技的日新月异，人们对化学产品纯度也提出了越来越高的要求，于是高纯精馏技术越来越得到人们的重视，但在我国这个领域却刚刚起步，和世界先进水平相比还有不小的差距，这在一定程度上制约了我国精细化工技术的发展。

统计数据表明国内农药企业的农药销售总额仅相当于一个中型跨国公司的年度销售额。其中差距的原因不在于产量上，而是在产品的质量上，其中纯度是最重要的质量指标之一。同样的情况也发生在香水工业中，我国是全球最大的香水原材料生产国，占世界原材料总量的近一半，但是，由于我国在高纯精馏控制技术等方面的困难，至今尚无自己的知名香水品牌，成为一个香水原材料的资源销售国，资源上、经济上的损失是不言而喻的。我国“十一五”纲要规划中指出：立足节约资源保护环境推动发展，把促进经济增长方式根本转变作为着力点，促使经济增长由主要依靠增加资源投入带动向主要依靠提高资源利用效率带动转变。高纯精馏技术正迎合了国家对资源利用效率的要求。

高纯精馏过程由于其所表现出来的复杂的动态特性、强烈的非线性、和回路之间的耦合性，传统的如PID等线性控制方案很难得到较好的控制效果，甚至控制失败。这些年来，随着计算机和DCS在石油化工生产过程中应用的逐步普及，为应用先进控制方案改进精馏塔的控制手段奠定了基础。国内外工艺、自控专家对此做了大量的研究工作，提出了许多先进控制理论，也取得了一些令人鼓舞的进展。但是鉴于仪表控制系统硬件的限制和高纯精馏过程非线性随纯度每0.1％甚至每0.01％纯度的提高而显著增强以及系统强耦合等特有的复杂动态特性，导致诸多先进控制方案很难在高纯精馏过程中有效实施，成为精馏生产产品高纯控制中的一个瓶颈。

发明内容

本发明的目的在于针对现有技术的不足，提供一种高纯精馏的动态矩阵控制系统和方法，有效实现了对高纯精馏过程的平稳操作和对双端组分的高纯控制。和常规的精馏控制系统不同，本发明采用动态矩阵控制(DMC)这一预测控制算法，它具有对模型要求低、在线计算方便、控制综合效果好的优点，通过预测模型、滚动优化、反馈校正三个环节，对高纯精馏过程获得较好的控制效果，并且本发明以工业生产中广泛使用的DCS和计算机上位机作为操作控制软硬件平台，使得本发明技术易于实施。

为了实现上述的发明目的，本发明采用了如下技术方案：

一种高纯精馏的动态矩阵控制系统，它包括：精馏塔、智能检测仪表、DCS系统、上位机和现场总线；所述精馏塔、智能检测仪表、DCS系统和上位机通过现场总线依次相连，实现信息流的上传和下达。

进一步地，所述上位机包括推断控制器、动态矩阵控制器和人机界面。

一种高纯精馏的动态矩阵控制方法，包括以下步骤：

1)进行阶跃响应得到动态矩阵控制器的预测模型参数；

2)进行动态矩阵控制器的预测模型、反馈校正、动态优化三个环节设计；

3)根据所述步骤(2)的结果，选择控制器参数，完成控制算法的设计；

4)系统开始投运；

5)智能检测仪表将检测到的现场数据，并通过现场总线实时传输到DCS的实时数据库；

6)每个定时周期，上位机从实时数据库中得到前一时刻的塔顶塔底的温度、压强和灵敏板温度等数据；

7)上位机的推断控制器根据所得到的塔顶底温度、压强数据，计算出前一时刻的塔顶塔底产品组分的推断预测值，并传给动态矩阵控制器模块，作为动态矩阵控制器的输入；

8)上位机的动态矩阵控制器计算出当前时刻的控制变量回流比和再沸比的控制值，并返回给DCS系统；

9)DCS系统控制现场调节器，进而实现的精馏过程的双端产品高纯控制。

本发明所涉及的控制系统以精馏过程塔顶产品轻组分纯度X_D和塔底产品轻组分纯度X_n为被控变量，以回流比和再沸比为控制变量。

现在随着分析仪表的发展，特别是工业色谱仪的在线应用，已逐渐出现直接按产品纯度来控制的方案。然而，这种方案除了投资大运行成本高以外，目前还主要受到两方面的制约：一是测量过程滞后很大，反应缓慢，二是工业色谱仪长期在线运行的可靠性较差，难以保障控制过程的长周期运行。所以，本发明引入了基于机理推导的组分推断控制，通过对精馏塔顶底温度、压强的实时检测，通过机理函数关系式，来精确推断产品组分，进行高精度长周期实时控制，可有效克服产品组成直接控制的诸多弊端。

所述的产品组分的推断控制的推断算法如下，以塔顶温度和塔顶产品轻组分分率的关系为例：

根据拉乌尔定律和道尔顿分压定律：

其中P₁为塔顶气相总压，y₁为塔顶轻组分的气相分率，x₁为塔顶轻组分的液相分率。P_b1°为塔顶轻组分的饱和蒸汽压。

根据安托因(Antoine)方程：

T₁＝[b/(a-1g P_b1°)]-c    (2)

其中，a，b，c称为安托因常数。T₁的单位为℃，P_b1°的单位为毫米汞柱。

y₁和x₁之间的函数关系式根据相平衡关系得到：

$y_1=\frac{{\mathrm{\αx}}_1}{(\mathrm{\α}-1)x_1+1}---\left(3\right)$

其中，α为相对挥发度。

从而，得到如下的y₁关于T₁、P₁关系式：

$y_1=\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{\left(a\frac{b}{T_1+c}\right)}}{(\mathrm{\α}-1)P_1}---\left(4\right)$

从而，得到塔顶产品纯度与温度压强间的组成推断控制函数关系式：

冷凝器若为全凝器，

$x_D=\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{\left(a\frac{b}{T_1+c}\right)}}{(\mathrm{\α}-1)P_1}---(5-1)$

冷凝器若为分凝器，

$x_D=\frac{1}{k_D}[\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{\left(a\frac{b}{T_1+c}\right)}}{(\mathrm{\α}-1)P_1}]---(5-1a)$

其中，k_D为塔顶分凝器的气液平衡常数。

同理，得到塔底产品组成与塔底温度、压强的组分推断控制方程：

$\mathrm{Xn}=\frac{\mathrm{P\α}}{{10}^{\left(a\frac{T_n+c}{b}\right)}(\mathrm{\α}-1)}-\frac{1}{\mathrm{\α}-1}---(5-2)$

本发明所涉及的系统控制器采用动态矩阵控制这一模型预测控制算法，将实测输出值y，作为动态矩阵控制器的输入量，经动态矩阵控制算法最优控制律处理后，得到回流比和再沸比这两个控制变量下一时刻的预测值，作为控制器的输出，传递给DCS系统，实现双端组成高纯控制。

本发明的有益效果是，高纯精馏动态矩阵控制系统能够克服传统PID控制系统在高纯条件下控制效果差甚至无法控制的难点，实现较好的控制效果和动态品质，而且所述的控制方法基于DCS和计算机上位机平台，因此易于实施。

附图说明

图1为高纯精馏过程PID图；

图2为动态矩阵控制系统的连接示意图；

图3为动态矩阵控制系统的阶跃响应模型图；

图中，1-塔体，2-回流罐，3-再沸器，4-乘法器单元，5-加法器单元，6-现场智能仪表，7-数据接口，8-控制站，9-实时数据库，10-上位机；D-塔顶产品流量，R-回流量，B-塔底产品流量，V-再沸量，F-进料量，TT-温度检测环节，TC-温度控制环节，FT-流量检测环节，FC-流量控制环节，LT-液位检测环节，LC-液位控制环节。

具体实施方式

下面结合图1、图2和图3来详细说明本发明，本发明的目的和效果将更加明显。

所述的控制系统包括：精馏塔(控制对象)、智能检测仪表(传感变送)、DCS系统、上位机和现场总线。精馏塔、智能检测仪表、DCS系统和上位机通过现场总线依次相连，实现信息流的上传和下达。上位机包含推断控制器、动态矩阵控制器和人机界面。

所述的系统连接方式上与传统的工业流程的区别在于：系统充分利用了现在DCS和计算机技术的发展，塔顶和塔底的检测仪表连接到了DCS系统，将检测到的信号上传到实时数据库，而上位机和DCS系统连接并从中获得历史数据，上位机出来的信号下达到DCS系统，并通过DCS指令调节阀，进行控制作用。

所述的控制方法按照如下步骤进行实施：

1、建立从温度、压强到产品组分浓度的推断控制模块

这部分工作，由上位机10上的推断控制器来完成。通过如下组成推断控制方程，根据来自DCS实时数据库9的温度、压强数据快速准确地推断出产品组分的纯度值：

对塔顶产品纯度：冷凝器若为全凝器， $x_D=\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{\left(a\frac{b}{T_1+c}\right)}}{(\mathrm{\α}-1)P_1}$

冷凝器若为分凝器， $x_D=\frac{1}{k_D}[\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{\left(a\frac{b}{T_1+c}\right)}}{(\mathrm{\α}-1)P_1}]$

对塔底产品纯度： $\mathrm{Xn}=\frac{1}{k_n}[\frac{P_n\mathrm{\α}}{{10}^{\left(a\frac{T_n+c}{b}\right)}(\mathrm{\α}-1)}-\frac{1}{\mathrm{\α}-1}]$

以上基于机理模型推导得到的组分推断控制方法，与常规的基于数据回归分析得到的组分推断控制方法相比，具有推断预测准确、外推能力强、不受进料组成扰动的影响等诸多优点。

2、动态矩阵控制算法的设计和参数选择

这项工作在上位机10上的动态矩阵控制器上完成，通过以下步骤来实施：

1)预测模型

采用如下步骤来实施：

①对系统进行开环阶跃响应，得到如图三所示的阶跃响应曲线；

②确定模型时域长度N。其原则是：N取的越大精度越高，但同时计算量

③越大，对计算机性能的要求越高，一般N取20～60；

④T的选取。其原则是：使NT时刻过程响应值已接近其稳态值；

⑤在各采样时间t＝T、2T、3T、...、NT，从DCS中的动态数据库里获得一序列采样值，用动态系数a₁，a₂，...，a_N来表示；

⑥进行标准化，得到单位阶跃响应，采样数据的有限集合(a₁，a₂，…，a_N}，作为DMC算法中的预测模型参数；

⑦根据下式，计算未来P时刻系统的输出预测值：

Y_m(k+1)＝Y₀(k+1)+A·ΔU(k)        (6)

求得系统在未来P时刻的预测模型输出，其中P称为预测长度，式中：

$\mathrm{\ΔU}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δu}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\Δu}(k+M-1)\end{array}\right]$

$A={\left[\begin{array}{cccc}{a}_1& 0& ...& 0\\ a_2& a_1& ...& 0\\ .& & & \\ .& & & \\ .& & & \\ a_P& a_{P-1}& ...& a_{P-M+1}\end{array}\right]}_{P\×M}$

$Y_0(k+1)=\left[\begin{array}{c}{\hat{y}}_0(k+1/k)\\ .\\ .\\ .\\ {\hat{y}}_0(k+P/k)\end{array}\right]$

$Y_m(k+1)=\left[\begin{array}{c}{\hat{y}}_M(k+1/k)\\ .\\ .\\ .\\ {\hat{y}}_M(k+P/k)\end{array}\right]$

模型输出初值Y₀(k+1)满足：

Y₀(k+1)＝A₀U(k-1)                 (7)

式中

从而，得到预测模型输出：

Y_m(k+1)＝AΔu(k)+A₀U(k-1)         (8)

2)反馈校正

系统的输出预测值，在预测模型输出的基础上，基于实际输出误差，采用如下算式进行修正

Y_p(k+1)＝Y_m(k+1)+h[y(k)-y_m(k)]

＝AΔU(k)+A₀U(k-1)+he(k)                (9)

式中

Y_p(k+1)＝[y_p(k+1)，y_p(k+2)，…，y_p(k+P)]^T

其中，e(k)是实测输出值y(k)和模型预测值y_m(k)之差；h是反馈校正系数。

3)滚动优化

采用如下最优控制律优化算式，进行滚动优化：

ΔU(k)＝(A^TQA+λ)^-1A^TQ[Y_r(k+1)-A₀U(k-1)-he(k)]    (10-1)

得到如下的从k到k+M-1时刻的顺序开环控制增量，

$\mathrm{\Δu}(k+i-1)=d_i^T[Y_r(k+1)-A_{0}U(k-1)-\mathrm{he}\left(k\right)]---(10-2)$

式中

$d_i^T={\left[{(A^T\mathrm{QA}+\mathrm{\λ})}^{-1}{A}^{T}Q\right]}_i---\left(11\right)$

从而，得到了当前时刻的控制器输出值。

通过以上预测模型、反馈校正、滚动优化三个步骤，完成了控制器的设计，通过前一时刻的推断控制器的输出预测值即双端纯度，即可得到当前时刻的控制器的输出值即回流比和再沸比的值。

4)控制器参数初始化

包括模型时域长度N，预测时域长度P，反馈校正系数h，误差权矩阵Q等。选取规律：N取20～60，P取稍小于N的数，h取单位向量，Q取单位对角阵。

5)控制器参考轨迹选取

采用如下的一阶指数形式：

$y_r(k+i)={\mathrm{\α}}_r^{i}y\left(k\right)+(1-{\mathrm{\α}}_r^i)y_{\mathrm{set}}$ (12)

y_r(k)＝y(k)

有利于能减少过量的控制作用，使系统的输出能平滑地到达设定值。

3、系统开始投运：

1)用定时器，设置好每次控制作用的时间间隔，这个时间间隔原则上于预测模型的采样时间一致；

2)现场智能仪表6检测精馏塔的顶底温度、压强等数据并传送到DCS的实时数据库9中；

3)上位机10，在每个定时周期，从DCS的实时数据库9中，得到前一时刻的塔顶塔底的温度和压强等数据，并作为上位机10中推断控制器模块的输入；

4)上位机10中的推断控制器，经过推断控制，得到前一时刻的塔顶塔底组分的推断预测值，并作为上位机10中动态矩阵控制器模块的输入；

5)上位机10中动态矩阵控制器，经过运算得到的当前时刻的控制变量：回流比和再沸比，并下达给DCS系统；

6)DCS系统，通过现场的调节装置，对现场的高纯精馏过程实施控制作用，确保双端产品组成的高纯度质量品质。

与传统的精馏控制系统和方法相比，本发明技术，明显提高了精馏过程双端产品高纯度下的平稳控制能力，提高高纯精馏过程的动态品质；同时，系统还具有较强鲁棒性、参数易于检测和易于实施等优点。

本发明提出的高纯精馏动态矩阵控制系统和方法，已通过具体实施步骤进行了描述，相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的装置和操作方法进行改动或适当变更与组合，来实现本发明技术。特别需要指出的是，所有相类似的替换和改动对本领域的技术人员是显而易见的，它们都会被视为包括在本发明精神、范围和内容中。

Claims (1)

1.一种高纯精馏的动态矩阵控制方法，高纯精馏的动态矩阵控制系统包括精馏塔、智能检测仪表、DCS系统，上位机和现场总线；所述精馏塔、智能检测仪表、DCS系统和上位机通过现场总线依次相连；所述上位机包含推断控制器、动态矩阵控制器和人机界面；其特征在于，该方法包括以下步骤：

1)进行阶跃响应得到动态矩阵控制器的预测模型参数；

2)进行动态矩阵控制器的预测模型、反馈校正、动态优化三个环节设计；

3)基于所述步骤2)的结果，选择控制器参数，完成控制算法的设计；

4)系统开始投运；

5)智能检测仪表将检测到的现场数据，并通过现场总线实时传输到DCS的实时数据库；

6)每个定时周期，上位机从实时数据库中得到前一时刻的塔顶塔底的温度、压强和灵敏板温度数据；

7)上位机的推断控制器根据所得到的塔顶底温度、压强数据，计算出前一时刻的塔顶塔底产品组分的推断预测值，并传给动态矩阵控制器模块，作为动态矩阵控制器的输入；

8)上位机的动态矩阵控制器计算出当前时刻的控制变量回流比和再沸比的控制值，并返回给DCS系统；

9)DCS系统控制现场调节器，进而实现精馏过程的双端产品高纯控制；

其中，所述的推断控制器采用如下的机理函数关系式，进行塔顶塔底产品纯度的推断控制：

对塔顶产品纯度：冷凝器若为全凝器， $x_D=\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{(a-\frac{b}{T_1+c})}}{(\mathrm{\α}-1)P_1}$

冷凝器若为分凝器， $x_D=\frac{1}{k_D}[\frac{\mathrm{\α}}{\mathrm{\α}-1}-\frac{{10}^{(a-\frac{b}{T_1+c})}}{(\mathrm{\α}-1)P_1}]$

对塔底产品纯度： $X_n=\frac{1}{k_n}[\frac{P_n\mathrm{\α}}{{10}^{(a-\frac{T_n+c}{b})}(\mathrm{\α}-1)}-\frac{1}{\mathrm{\α}-1}];$

所述的动态矩阵控制器采用如下三个步骤来进行设计：

A)模型预测

采用如下步骤来实施：

①对系统进行开环阶跃响应，得到阶跃响应曲线；

②在各采样时间t＝T、2T、3T、...、NT，从DCS中的动态数据库里获得一系列采样值，用动态系数a₁，a₂，…，a_N来表示；

③进行标准化，得到单位阶跃响应采样数据的有限集合{a₁，a₂，…，a_N}，作为DMC算法中的预测模型参数；

④根据下式求得未来P时刻系统的输出预测值：

Y_m(k+1)＝AΔU(k)+A₀U(k-1)

式中：

$\mathrm{\ΔU}\left(k\right)=\left[\begin{array}{c}\mathrm{\Δu}\left(k\right)\\ .\\ .\\ .\\ \mathrm{\Δu}(k+M-1)\end{array}\right]$

$A={\left[\begin{array}{cccc}{a}_1& 0& ...& 0\\ a_2& a_1& ...& 0\\ .& & & \\ .& & & \\ .& & & \\ a_P& a_{P-1}& ...& a_{P-M+1}\end{array}\right]}_{P\×M}$

$U(k-1)=\left[\begin{array}{c}u(k-N+1)\\ u(k-N+2)\\ .\\ .\\ .\\ u(k-1)\end{array}\right]$

B)反馈校正

系统的输出预测值，在预测模型输出的基础上，基于实际输出误差，采用如下算式进行修正

Y_p(k+1)＝Y_m(k+1)+h[y(k)-y_m(k)]

＝AΔU(k)+A₀U(k-1)+he(k)

式中

Y_p(k+1)＝[y_p(k+1)，y_p(k+2)，…，y_p(k+P)]^T

其中，e(k)是实测输出值y(k)和模型预测值y_m(k)之差；h是反馈校正系数；

C)滚动优化

采用如下最优控制律优化算式，进行滚动优化：

ΔU(k)＝(A^TQA+λ)^-1A^TQ[Y_r(k+1)-A₀U(k-1)-he(k)]

得到如下的从k到k+M-1时刻的顺序开环控制增量，

$\mathrm{\Δu}(k+i-1)=d_i^T[Y_r(k+1)-A_{0}U(k-1)-\mathrm{he}\left(k\right)]$

式中：

$d_i^T={\left[{(A^T\mathrm{QA}+\mathrm{\λ})}^{-1}{A}^{T}Q\right]}_i,$

从而，得到了当前时刻的控制器输出值；

所述的动态矩阵控制器参数的参考轨迹，采用如下的一阶指数形式：

$y_r(k+i)={\mathrm{\α}}_r^{i}y\left(k\right)+(1-{\mathrm{\α}}_r^i)y_{\mathrm{set}}$

y_r(k)＝y(k)。

Images