乙烯裝置中丙烯精餾塔的智能控制方法
2023-10-05 19:48:44
專利名稱:乙烯裝置中丙烯精餾塔的智能控制方法
技術領域:
本發明屬於化工精餾過程和自動控制領域,涉及乙烯裝置中丙烯精餾塔的控制方法。
背景技術:
在乙烯生產過程中,丙烯精餾塔是生產裝置的重要設備,它操作平穩與否,不僅影響整個丙烯精餾塔的產品質量和產量,而且還將影響下遊生產裝置(如聚丙烯等生產裝置)和上遊裝置(乙烷裂解爐)的平穩操作。
丙烯精餾塔分離的主要組分丙烯和丙烷沸點較接近、且組分中含有一些易聚合的重碳物質,而分離的產品又是聚合級丙烯(純度必須大於99.60%),是一個很複雜的精密精餾過程;此系統的工藝操作和自動控制遠比煉油廠氣分裝置中的丙烯精餾單元複雜得多,技術難度亦大得多,一直是國內外乙烯生產過程有待解決的難題之一。
目前國內所有乙烯裝置都採用集散控制系統(Distributed ControlSystems,DCS)的基本控制功能對生產過程進行監控,這些基礎控制系統保障了丙烯精餾塔的安全運行,但仍普遍存在塔釜出料中丙烯含量超標,塔釜再沸器能力不足,塔頂丙烯濃度波動較大或「過精餾」等問題。因此,為了充分發揮乙烯裝置中DCS和操作設備的潛力,有效地利用原料和能源,增加裝置的經濟效益,結合丙烯精餾生產過程的工藝操作特點,綜合應用化學工程、人工智慧和自動控制科學中的最新技術,對丙烯精餾塔實施智能控制和優化操作,確保丙烯精餾塔各項工藝參數穩定在最優工作狀態,該發明具有極其重要的實用價值。
發明內容
本發明所述的智能控制方法是選擇影響丙烯精餾塔塔頂丙烷濃度和塔釜丙烯濃度的工藝操作參數,並將其歸一化,然後利用各自的神經網絡模型進行計算,模型輸出值經過反歸一化後,丙烯精餾塔塔頂丙烷濃度和塔釜丙烯濃度的人工分析值對反歸一化後的模型輸出進行在線「滾動」校正,從而得到塔頂丙烷濃度和塔釜丙烯濃度的軟測量值;最後根據丙烷濃度和丙烯濃度的軟測量值對丙烯精餾塔進行實時推斷控制(見圖1)。
本發明技術方案塔頂丙烷濃度神經網絡軟測量模型的建立由於三層以上結構的反向傳播(Back Propagation,BP)神經網絡具有映射任意非線性函數的功能,為此,這裡採用BP神經網絡來建立塔頂丙烷濃度神經網絡軟測量模型。
在DCS中獲取影響丙烯精餾塔塔頂丙烷濃度的工藝參數,包括塔頂溫度T1、塔頂壓力P1、塔釜溫度T3以及回流比R(即塔頂回流量與塔頂採出量的比值);這裡的軟測量模型考慮了上述4個因素對塔頂丙烷濃度影響的不同時間,根據丙烯精餾塔的具體結構和採樣位置,這裡選取T1當前時刻值T1(k)、P1當前時刻值P1(k)、T3當前時刻值T3(k)、R當前時刻值R(k)、R當前時刻之前的一個單位時間值R(k-1)、R當前時刻之前的另一單位時間值R(k-2)(一般指前兩個單位時間)作為神經網絡模型的輸入變量;選取丙烯精餾塔塔頂丙烷濃度當前時刻的人工分析值作為神經網絡模型的輸出變量。
將T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2)以及當前時刻的塔頂丙烷濃度人工分析值數據進行歸一化處理,歸一化範圍可以選取為
、[-0.5,0.5],[-1,1]等,這裡將其歸一到
之間。歸一化方法如下x=(X-a)/((b-a)*0.6+0.2其中,X為各輸入變量的實際測量值,x為歸一化後各輸入變量的數值,[a,b]為X的量程範圍。
在神經網絡模型中,輸入層的節點數為i(i=6),中間層的隱層層數為L(L=1~100),各隱層節點數為j(j=2~100),輸出層節點為k(k=1~100)。
利用丙烯精餾過程的工藝機理數學模型,在工業裝置「操作點」周圍進行「大區域」的正交模擬仿真試驗,產生了80組操作範圍變化較大的丙烯精餾生產過程操作信息數據,將這些樣本數據與工業生產現場採集到的400組實時數據結合起來,構成丙烯精餾塔塔頂丙烷濃度神經網絡軟測量模型的480組訓練樣本。選擇6×6×1結構的前向BP神經網絡,其輸入節點分別對應著歸一化後丙烯精餾塔T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2),而輸出節點對應著歸一化後的丙烷濃度人工分析值(見圖2)。
在上述480組訓練樣本中,選擇一定量的樣本數據訓練神經網絡,而用另外一定量的樣本來預測神經網絡泛化能力,得到訓練及預測誤差較小的一組權值及閾值;在上述神經網絡建模過程中,可以根據對模型精度的要求,選取不同的隱層層數及隱層節點數目;一般來說,適當範圍內的增加隱層層數及其節點的數目,會相應提高模型精度。
在神經網絡權值和閾值確定後,就可以通過現場實時數據(這裡指模型中各輸入變量數據)的不斷採集,經歸一化後帶入神經網絡模型進行計算,並將神經網絡模型計算輸出值經過反歸一化處理後,便得到丙烯精餾塔塔頂丙烷濃度的神經網絡預測值,單位為ppm。
丙烯精餾塔塔釜丙烯濃度神經網絡軟測量模型的建立這裡,同樣採用BP神經網絡來建立塔釜丙烯濃度軟測量模型。
在該模型中,選擇當前時刻的丙烯精餾塔塔釜壓力P2(k)、塔釜溫度T3(k)、靈敏板溫度T2(k)為影響丙烯精餾塔釜丙烯濃度操作特性的主要操作變量;即選取歸一化後的P2(k)、T3(k)、T2(k)作為塔釜丙烯濃度軟測量模型的輸入變量。
將P2(k)、T3(k)、T2(k)以及當前k時刻的塔釜丙烯濃度人工分析值數據進行歸一化處理,歸一化的方法同上。
在工業裝置「操作點」周圍進行「大區域」正交模擬試驗,獲得了36組操作範圍變化較大的丙烯精餾塔塔釜丙烯濃度操作樣本,將這些樣本數據與工業生產現場採集到的120組實時數據結合起來,構成丙烯精餾塔塔釜丙烯濃度神經網絡軟測量模型的156組訓練樣本。選擇3×3×1結構的前向BP神經網絡,其輸入節點分別對應著丙烯精餾塔塔釜壓力P2(k)、塔釜溫度T3(k)和塔靈敏板溫度T2(k),而輸出節點對應著丙烯濃度人工分析值(見圖3)。
選擇一定量的樣本數據訓練神經網絡,用另外一定量的樣本來預測神經網絡泛化能力,得到訓練及預測誤差較小的一組權值及閾值。
在丙烯精餾塔現有儀表和DCS計算機控制系統的基礎上,通過DCS系統對過程數據(這裡指模型中各輸入變量數據)的實時、連續採集,經歸一化後帶入神經網絡模型進行計算,將模型輸出值經過反歸一化處理後,便得到丙烯精餾塔塔釜丙烯濃度的神經網絡預測值,單位為ppm。
在DCS的應用模塊或先進過程管理模塊(Application Module orAdvanced Process Manager,AM or APM)上按圖6所示的程序流程實現控制語言的編制,通過數據的實時、連續採集,就能得到塔頂丙烷濃度及塔釜丙烯濃度的實時神經網絡預測值。
模型的校正由於實際工業生產過程中存在多種幹擾因素,上述產品濃度的神經網絡預測值與工業裝置的人工分析值不可避免會產生一定的偏差。為此,必須每隔一段時間,用人工分析值(通常幾個小時分析一次)對神經網絡模型預測值進行在線「滾動」優化校正,以使該神經網絡模型適應工業過程操作特性的變化和生產工況的遷移,最終得到塔頂丙烷濃度、塔釜丙烯濃度的最終軟測量值。
塔頂丙烷濃度在線推斷控制系統的建立塔頂丙烷濃度的軟測量值,經超前/滯後環節補償後,據此對回流比進行實時推斷控制。同時塔頂回流罐液位控制回流量,以實時調節進料負荷對塔頂丙烷濃度的影響,並通過回流比控制器控制採出量,實現塔頂丙烷濃度的推斷控制,如圖4所示。
塔釜丙烯濃度在線推斷控制系統的建立
塔釜丙烯濃度的軟測量值,經超前/滯後環節補償後,據此對丙烯精餾塔靈敏板溫度T2進行實時推斷控制,通過調節塔釜再沸器熱水流量以保證T2處於合適溫度,從而達到控制塔釜丙烯濃度的要求,如圖5所示。
通過使用本發明所述的方法對乙烯裝置中丙烯精餾塔實施智能控制,能夠降低丙烯精餾塔塔釜出料中丙烯產品損失、穩定塔頂丙烯質量、增加丙烯產量、降低塔的能耗,使丙烯精餾塔處於最佳操作工況。
圖1為丙烯精餾塔智能控制系統控制流程圖。圖中,T2為靈敏板溫度控制器;T3為塔釜溫度;FC1為塔頂回流量控制器;F1為塔頂回流量;FC2為塔頂採出量控制器;F2為塔頂採出量;FC3為側線採出控制器;F3為側線採出量;FC4為塔釜加熱水流量控制器;F4為塔釜加熱水流量;LC1為回流罐液位控制器;L1為回流罐液位值;LC2為塔釜液位控制器;L2為塔釜液位值;AC1為塔頂丙烷濃度控制器;AC2為塔釜丙烯濃度控制器;PC為塔釜壓力控制器;P2為塔釜壓力;P1為塔頂壓力;K為回流比;圖2為塔頂丙烷濃度神經網絡軟測量模型的結構圖,該軟測量模型採用三層結構的BP神經網絡(Artificial Neural Networks,ANN),其中,w1,b1,w2,b2表示神經網絡權值及閾值;SP代表設定值;S474為塔釜丙烯濃度人工分析值;S475為塔頂丙烷濃度人工分析值。
圖3為塔釜丙烯濃度神經網絡軟測量模型的結構4為丙烯精餾塔塔頂丙烷濃度控制系統框5為丙烯精餾塔釜丙烯濃度控制系統框6為塔頂丙烷濃度和塔釜丙烯濃度軟測量模型的程序框圖實施舉例下面結合實施例及附圖對本發明作進一步的說明在DCS中獲取影響丙烯精餾塔塔頂丙烷濃度波動的主要工藝操作參數塔頂溫度、塔頂壓力、塔釜溫度、回流比等,其包括當前時刻塔頂溫度T1(k)、當前時刻塔頂壓力P1(k)、當前時刻塔釜溫度T3(k)、當前時刻回流比R(k)、當前時刻之前1個小時R(k-1)、當前時刻之前2個小時R(k-2)以及當前時刻塔頂丙烷濃度人工分析值,並將這些數據歸一化到
的範圍,歸一化的方法如下x=(X-a)/((b-a)*0.6+0.2其中,X為輸入變量,[a,b]為X的量程範圍,x為歸一化後的輸入。塔頂溫度量程範圍取為[45,55],單位為℃;塔頂壓力的量程範圍取為[1.85,1.95],單位為MPa;塔釜溫度的量程範圍取為[55,65],單位為℃;塔頂回流比的量程範圍取為[15,23],無單位。
根據丙烯精餾過程的工藝機理數學模型,在工業裝置「操作點」周圍進行「大區域」的正交模擬仿真試驗,產生了80組操作範圍變化較大的丙烯精餾生產過程操作信息,將這些樣本數據與工業生產現場採集到的400組實時數據結合起來,利用塔頂丙烷濃度人工分析值作為目標值。將前280組數據作為訓練樣本,後200組數據作為預測樣本。
通過對神經網絡模型進行離線訓練,得到一組訓練誤差和預測誤差都較小的神經網絡權值及閾值。
在DCS的應用模塊或先進過程管理模塊(AM or APM,Application Module or Advanced Process Manager)上按照圖6的程序流程實現控制語言的編制,通過數據的實時、連續採集,將訓練好的權值及閾值帶入神經網絡進行計算,此時得到的丙烷濃度值在
之間;為此,將該計算出的神經網絡輸出進行反歸一化,得到塔頂的丙烷濃度實時神經網絡軟測量值在[1000,4000]範圍內,單位為ppm;最後,利用最近時刻塔頂丙烷濃度的人工分析值對反歸一化後的神經網絡預測值進行在線「滾動」優化校正,得到丙烷濃度最終軟測量值。
在DCS系統的AM或APM上實現控制語言的編制,按圖4的控制框圖搭建控制模塊,並進行工業現場對象操作特性測試、控制系統的工業裝置實際投運和動態過程補償等環節的參數調試,最終實現塔頂丙烷濃度的推斷控制,確保塔頂丙烯濃度≥99.60%。
同理,按照上述丙烷濃度軟測量值的實現方法,可以得到塔釜丙烯濃度的軟測量值。並在DCS系統的AM/APM上實現控制語言的編制,按圖5的結構搭建控制模塊,並進行工業現場對象操作特性測試、控制系統的工業裝置實際投運和各環節的參數調試,實現塔釜丙烯濃度的推斷控制,達到控制塔釜丙烯濃度在5%以內。
權利要求
1.乙烯裝置中丙烯精餾塔的智能控制方法,其特徵是在於建立了基於神經網絡的塔頂丙烷濃度和塔釜丙烯濃度軟測量模型,並在此軟測量模型基礎上實現了塔頂丙烷濃度和塔釜丙烯濃度實時推斷控制。
2.如權利要求1所述的塔頂丙烷濃度和塔釜丙烯濃度軟測量方法,其特徵是每隔一段時間用丙烯精餾塔塔頂丙烷濃度和塔釜丙烯濃度的人工分析值對相應時刻神經網絡軟測量模型的計算值進行在線「滾動」優化校正,得到塔頂丙烷濃度和塔釜丙烯濃度的軟測量值。
3.如權利要求1所述的控制方法,其特徵是首先選擇影響丙烯精餾塔塔頂丙烷濃度及塔釜丙烯濃度波動的工藝操作參數,並將其歸一化,然後分別計算出其神經網絡模型的輸出,輸出值經過反歸一化,並經塔頂丙烷濃度和塔釜丙烯濃度人工分析值校正後得到軟測量值,最終根據丙烷及丙烯濃度的軟測量值對丙烯精餾塔實施實時推斷控制。
4.如權利要求3所述的方法,其特徵為其中所述的影響丙烯精餾塔塔頂丙烷濃度波動的工藝操作參數為當前時刻塔頂溫度、當前時刻塔頂壓力、當前時刻塔釜溫度、當前時刻回流比、當前時刻前一個單位時間的回流比、當前時刻前兩個單位時間的回流比。
5.如權利要求3所述的方法,其特徵為其中所述的影響丙烯精餾塔塔釜丙烯濃度的工藝操作參數為當前時刻塔釜壓力、當前時刻塔釜溫度和當前時刻靈敏板溫度。
6.如權利要求3所述的方法,其特徵是根據塔頂丙烷濃度軟測量值,對丙烯精餾塔塔頂回流比進行實時推斷控制;
7.如權利要求3所述的方法,其特徵是根據塔釜丙烯濃度軟測量值,對丙烯精餾塔靈敏板溫度和塔釜加熱急冷水進行實時推斷控制。
8.如權利要求3所述的塔頂丙烷濃度和塔釜丙烯濃度的軟測量方法,其特徵是所述神經網絡模型中,輸入層的節點數由輸入變量個數決定,中間層的隱層層數為L(L=1~100),各隱層節點數為j(j=2~100),輸出層節點為k(k=1~100)。
9.如權利要求4所述的塔頂丙烷濃度軟測量方法,其特徵是單位時間取1個小時,實現獲取回流比當前時刻之前1個小時、2個小時的回流比R(k-1),R(k-2)。
全文摘要
該發明公開了乙烯裝置中丙烯精餾塔的智能控制方法,其中包括應用神經網絡研製開發的丙烯精餾塔塔頂丙烷濃度和塔釜丙烯濃度的軟測量模型以及基於該軟測量模型進一步開發實施的塔頂丙烷濃度和塔釜丙烯濃度的實時推斷控制技術。採用本項發明技術後,能夠降低丙烯精餾塔塔釜出料中丙烯產品的損失、穩定塔頂丙烯產品質量、增加丙烯產量、降低精餾塔的能耗,使丙烯精餾塔處於最佳操作工況。
文檔編號C07C7/00GK1382672SQ0211103
公開日2002年12月4日 申請日期2002年3月13日 優先權日2002年3月13日
發明者錢鋒, 李立新, 俞安然, 劉漫丹, 杜文莉 申請人:華東理工大學