一种丙烯酸精馏塔回流比与产品色度的协同控制方法与流程
本发明涉及工业过程控制,且更为具体地,涉及一种丙烯酸精馏塔回流比与产品色度的协同控制方法。
背景技术:
1、丙烯酸是一种重要的有机化工原料,广泛应用于高吸水性树脂、涂料、粘合剂、纺织助剂等领域。工业上主要通过丙烯气相两步氧化法制得粗丙烯酸,粗产品中含有糠醛、苯甲醛等醛类以及丙酮等酮类杂质,这些杂质是导致精制丙烯酸产品发黄的主要原因。产品色度是衡量丙烯酸品质的关键指标,尤其对于高端应用领域,要求产品色度稳定在较低水平。
2、精馏是丙烯酸精制的核心单元操作。在精馏过程中,回流比是影响分离效果和产品质量的关键操作变量。然而,丙烯酸分子中含有活泼双键,极易发生热致自聚。聚合物附着在塔内壁、再沸器传热面上,不仅造成传热效率下降、设备堵塞,严重时甚至导致装置非计划停车。现有技术中,为抑制聚合通常需要添加阻聚剂,但阻聚剂本身可能带来产品着色等新的质量问题。
3、精馏系统常用的控制方法是比例积分微分控制,但pid控制方法在涉及时变性强且高度耦合的非线性精馏系统时,其控制效果通常较差。传统的温度、压力单回路控制难以应对进料组成波动等大幅值扰动。精馏塔系统惯性大、耦合强,现有控制方法响应滞后,难以实现色度的实时精准控制;
4、因此急需一种丙烯酸精馏塔回流比与产品色度的协同控制方法。
技术实现思路
1、本发明旨在提供一种丙烯酸精馏塔回流比与产品色度的协同控制方法 及系统,以解决现有技术中色度难以控制以及比例控制滞后的问题。为了解决上述技术问题,本发明的第一方面提供了一种丙烯酸精馏塔回流比与产品色度的协同控制方法 ,包括以下具体步骤:
2、步骤s1:构建产品色度软测量模型
3、采集精馏塔运行过程中的易测过程变量数据,以实验室离线分析的丙烯酸产品色度值作为建模目标变量,采用主成分分析与bp神经网络相结合的方法,建立色度软测量模型,输出实时色度估计值。易测过程变量数据包括塔顶温度、塔釜温度、塔压差、回流量、采出量、进料流量和阻聚剂注入量;bp神经网络的隐含层节点数通过试错法或遗传算法优化确定,网络训练采用levenberg-marquardt算法。色度软测量模型具有在线校正功能,定期以实验室离线分析数据对模型参数进行更新。
4、步骤s1中主成分分析与bp神经网络相结合的具体方法如下:
5、首先,对采集的易测过程变量数据进行标准化处理,以消除量纲影响。标准化公式为:
6、
7、其中,为第i个样本第j个变量的原始值,为第j个变量的均值,为第j个变量的标准差。
8、其次,采用主成分分析方法对标准化后的数据矩阵进行降维处理。主成分分析通过计算数据矩阵的协方差矩阵,对该协方差矩阵进行特征值分解,得到特征值及对应的特征向量;将特征值按从大到小排序,计算各主成分的累计方差贡献率,根据预设的累计方差贡献率阈值确定主成分个数,将原始高维数据投影至由该主成分张成的低维空间,得到各样本的主成分得分向量,以此消除原始变量间的相关性并降低模型输入维度。
9、然后,以主成分得分向量作为bp神经网络的输入,以实验室离线分析的apha色度值作为网络输出,训练三层前馈bp神经网络。bp神经网络的结构包括输入层、隐含层和输出层,输入层节点数等于所选取的主成分个数,输出层节点数为1,隐含层节点数通过试错法或遗传算法优化确定。网络训练采用levenberg-marquardt算法,以均方误差作为性能函数,通过误差反向传播不断调整网络的权值和阈值,直至达到预设的训练目标误差或最大训练次数,从而建立从主成分得分到色度值的非线性映射关系。
10、最后,所述色度软测量模型具有在线校正功能:定期以实验室离线分析数据对模型参数进行更新,使模型持续适应装置运行状态的变化。
11、步骤s2:建立基于动态模式分解的精馏塔动态预测模型
12、利用精馏塔历史运行数据,采用动态模式分解方法构建精馏塔的动态模式分解预测模型,该模型用于描述回流比操纵量、进料组成扰动量与产品色度被控量之间的动态响应关系。
13、步骤s2中动态模式分解预测模型通过以下方式建立:
14、采集精馏塔在正常操作范围内的历史时间序列数据,包括但不限于进料流量、进料组成、回流比、各塔板温度等变量,构成状态变量快照序列。动态模式分解方法假设系统状态随时间近似线性演化,即存在线性算子a使得 ≈ a·。通过奇异值分解对状态数据矩阵进行低秩近似,在低维子空间中求解最优线性算子,获得系统的主导动态模态及对应的特征值,从而实现对系统时空动态特征的低维近似描述。动态模式分解模型的辨识采用奇异值分解进行低秩近似,截断阈值根据系统主导模态能量占比确定,保留能量占比99%以上的模态。
15、进一步地,将回流比作为系统输入、进料组成和进料流量作为可测扰动,将所述状态空间模型的线性算子扩展为包含输入矩阵和扰动矩阵的形式,所述动态模式分解预测模型表达式为:
16、
17、
18、其中,为状态变量向量,为操纵变量即回流比,为可测扰动变量即进料流量和进料组成,为被控变量即色度软测量值,、、、为通过动态模式分解算法从历史数据中辨识得到的系统矩阵。
19、所辨识得到的矩阵的特征值反映了系统动态特性的主导模态,通过分析特征值分布可判断系统的稳定性。上述模型建立后,在预测状态变量过程中使用卡尔曼滤波器对模型状态进行实时校正,以克服模型失配和未知扰动的影响。
20、步骤s3:设计模型预测控制器
21、以步骤s2建立的动态模式分解预测模型作为内部预测模型,以步骤s1输出的色度软测量值作为被控变量反馈信号,以回流比作为操纵变量,在每个控制周期基于当前实测状态,通过求解带约束的二次规划问题,预测未来色度变化趋势并计算所需的回流比前馈补偿调整量。模型预测控制的预测时域为30~60个采样周期,控制时域为5~15个采样周期。
22、具体地,模型预测控制器在每个控制周期求解如下优化问题:
23、
24、
25、
26、其中,为预测时域,为控制时域,为色度设定值,q和r为权重矩阵,u为回流比,为回流比变化率。基于当前状态估计值,利用动态模式分解预测模型迭代预测未来个时刻的系统输出,通过求解上述带约束的二次规划问题,得到控制时域内使目标函数最小化的一组最优回流比序列,并取该序列的第一个元素作为当前时刻的控制输出。
27、步骤s4:设计多目标滚动优化器
28、在模型预测控制器之上设置多目标滚动优化器,在每个优化周期基于当前工况,以回流比、塔压和再沸器热负荷为决策变量,以能耗指标、聚合风险指数和色度偏差最小化为目标函数,采用带精英策略的快速非支配排序遗传算法(nsga-ii)求解多目标优化问题,获得pareto最优解集,将满足色度约束且能耗最低、聚合风险最小的解所对应的回流比作为最优回流比设定值,并输出至模型预测控制器作为其设定值。
29、目标函数为:
30、
31、其中:
32、为能耗指标,以再沸器热负荷表征;
33、为聚合风险指数,以塔釜温度与安全温度的比值及物料停留时间的函数表征;
34、为色度偏差,以色度软测量值与色度设定值的偏差表征。
35、聚合风险指数,其中τ为塔釜物料停留时间,为基准停留时间,为塔釜温度安全上限,优选为110℃。
36、其中,硬约束包括:色度不超过上限值、塔釜温度不超过安全上限、塔压差不超过液泛限;软约束包括回流比变化速率限制。nsga-ii算法的种群规模为50~200,最大迭代代数为100~500,交叉概率为0.8~0.9,变异概率为0.05~0.15;优化周期为5~10分钟。
37、步骤s4中nsga-ii算法的具体求解过程如下:
38、首先,对决策变量进行实数编码,每个个体包含回流比r、塔压p和再沸器热负荷三个决策变量的取值,随机生成初始种群。
39、其次,计算种群中每个个体的目标函数值并进行约束条件判断。对于违反硬约束的个体,采用罚函数法处理,即在目标函数值上增加一个较大的惩罚项,使其在进化过程中被自然淘汰。
40、然后,对种群进行快速非支配排序。该排序方法根据pareto支配关系将种群划分为多个非支配层级,具体地:对于种群中的任意两个个体a和b,个体a支配个体b当且仅当a在所有目标函数上均不劣于b且至少在一个目标函数上优于b;非支配排序从当前种群中找出所有不被任何其他个体支配的个体作为第一非支配层,然后从剩余种群中找出新的非支配个体作为第二非支配层,以此类推。
41、在同一非支配层内,计算每个个体的拥挤度距离。拥挤度距离反映了个体在目标空间中与其相邻个体的密度,通过计算个体在各目标方向上与相邻个体的距离之和获得,拥挤度越大表示个体越孤立、越应被保留。
42、接着,采用二进制锦标赛选择机制从当前种群中选择父代个体:随机选择两个个体,优先选择非支配等级低的个体;若非支配等级相同,则优先选择拥挤度距离大的个体。对选出的父代个体进行模拟二进制交叉和多项式变异操作,生成子代种群。
43、最后,采用精英策略将父代种群与子代种群合并,对合并种群进行快速非支配排序和拥挤度计算,按非支配等级从低到高依次将个体填充至新一代种群,直至达到预设的种群规模。若加入某一非支配层后种群规模超出预设值,则按拥挤度距离从大到小选择该层内的个体。
44、经上述迭代进化,当达到预设的最大迭代代数后,输出当前种群中非支配等级为1的所有个体,即pareto最优解集。将pareto最优解集中满足色度约束且能耗最低、聚合风险最小的解所对应的回流比作为最优回流比设定值。
45、步骤s5:三层递阶协同控制
46、将步骤s1至s4所构建的色度软测量模型、动态模式分解预测模型、模型预测控制器和多目标滚动优化器,按照基础控制层、先进控制层和优化决策层的三层递阶控制结构进行系统集成。其中,基础控制层由色度软测量模型和串级控制器构成,色度软测量模型提供实时色度估计值作为主回路反馈信号,串级控制器以温度控制为副回路、色度控制为主回路,实现色度的快速闭环跟踪,处理秒级测量噪声与阀位波动;先进控制层由模型预测控制器构成,基于动态模式分解预测模型对进料组成波动等分钟级中频扰动进行前馈预测补偿;优化决策层由多目标滚动优化器构成,每个优化周期重新求解多目标优化问题,输出最优回流比设定值,持续适应设备聚合状态变化等小时/天级慢时变扰动。回流比的控制区间为6.5~17。
47、本发明的第二方面提供一种丙烯酸精馏塔回流比与产品色度的协同控制系统,使用上述的方法进行控制,包括:
48、数据采集模块,用于采集精馏塔运行过程中的易测过程变量数据;
49、色度软测量模块,基于主成分分析与bp神经网络建立色度软测量模型,输出实时色度估计值;
50、动态模式分解预测模型模块,用于构建精馏塔的近似线性化状态空间预测模型;
51、模型预测控制模块,以动态模式分解模型为内部预测模型、色度软测量值为反馈信号,计算回流比前馈补偿调整量;
52、多目标滚动优化模块,以能耗指标、聚合风险指数和色度偏差最小化为目标,采用nsga-ii算法求解pareto最优解集并输出最优回流比设定值。
53、优选的,色度软测量模块的输出端连接模型预测控制模块的反馈信号输入端;
54、动态模式分解预测模型模块的输出端连接模型预测控制模块的内部预测模型输入端;
55、模型预测控制模块的输出端连接精馏塔回流比调节阀的控制信号输入端;
56、多目标滚动优化模块的输出端连接模型预测控制模块的设定值输入端;
57、多目标滚动优化模块在每个优化周期基于当前实测工况,以回流比、塔压和再沸器热负荷为决策变量重新求解多目标优化问题,以能耗指标、聚合风险指数和色度偏差最小化为目标函数,以带精英策略的快速非支配排序遗传算法获得pareto最优解集,将满足色度约束且能耗最低、聚合风险最小的解所对应的回流比作为最优回流比设定值输出至模型预测控制模块,实现设备聚合状态变化条件下的控制参数自适应重配置。
58、本发明的第三方面提供一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现上述方法的步骤。
59、本发明的第四方面提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序:所述处理器执行所述计算机程序时实现上述的丙烯酸精馏塔回流比与产品色度的协同控制方法 的步骤。
60、与现有技术相比,本发明具有以下有益效果:
61、1、本发明通过构建基于pca-bp神经网络的色度软测量模型,解决了在线色度仪昂贵、滞后大、维护困难的问题,为色度的实时闭环控制提供了可行的反馈信号。相比于传统依赖人工离线分析的滞后控制方式,本发明实现了色度的在线估计与实时调节。
62、2、本发明采用dmd方法从历史数据中辨识精馏塔动态模型,无需依赖精确的机理模型即可实现精准的预测控制。dmd方法获得的近似线性化模型对系统重构和未来输出的预测更加准确。
63、3、本发明将聚合风险作为独立约束条件纳入多目标优化框架,通过nsga-ii算法求解pareto最优解集,在每个控制周期滚动更新最优回流比设定值。
64、4、本发明构建的软测量、串级控制、mpc、rto的递阶结构,将不同时间尺度的扰动分层处理。高频扰动由基础串级控制层快速抑制,中频扰动由mpc层前馈补偿,低频慢时变扰动由rto层滚动优化重配置,实现了快速响应与全局最优的统一。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com