1.一种用于甲醇气相脱水制备二甲醚装置的智能优化控制方法，基于甲醇气相脱水制备二甲醚装置，它包括汽化器和反应器，甲醇原料通过进料管路连接汽化器的进料口；汽化器的出料口连接反应器的进料口；氮气通过进气管路连接反应器的进料口；其特征在于进料管路上设置进料泵和流量计，进气管路上设置流量控制阀，反应器上设置温度表、压力表和调压器，反应器连接气相色谱仪检验成分，并设置自检系统和控制器实现优化控制；
其中：流量计、压力表、气相色谱仪、温度表的信号输出连接自检系统的信号输入，自检系统的信号输出连接控制器；控制器对进料泵、流量控制阀、调压器进行控制；自检系统还连接历史数据库，控制方法包括以下步骤：
(1)在进行催化反应前，根据甲醇气相脱水的化学反应规律、能量传递规律以及固定床反应器性能建立动力学模型，通过模拟计算出反应器中最佳初始操作参数，包括：甲醇进料流量值，反应器内甲醇脱水反应压力值，甲醇脱水反应温度值；
(2)控制器设计采用预测pid闭环控制方案，在反应过程对二甲醚的转化效率进行实时计算，根据计算得到转化率调节系数对操作参数进行动态调整；
(3)催化反应前采用加热炉分段匀速升温控制系统对固定床反应器进行升温以确保升温环境温和，避免反应器中的催化剂因温差过大而损坏，影响催化反应进行；
(4)步骤(3)完成后，按计算好的操作参数开始设置控制甲醇流量进入预热器汽化，确保通入反应器的气态甲醇的入口温度、进料流量、反应温度和反应压力，在反应器中进行甲醇气相催化脱水反应，反应后的气体经过保温装置进入气相色谱仪进行数据分析；
(5)在步骤(4)进行过程中，控制器根据甲醇气相脱水制取二甲醚的化学反应机理和固定床反应器的能量传递规律进行物料衡算，同步获取相应的操作参数，当上述参数发生波动时，根据历史数据库分析计算得出的最佳操作参数，对控制系统的设置进行动态的调控，保证反应器中催化过程的稳定性。
2.根据权利要求1所述的方法，其特征在于它还包括步骤(6)：在步骤(5)的基础上，当反应进行过程中进料参数的调节无法维持反应器内部温度稳定时，通过调节加热炉两端电压的方式，保证反应平稳进行，当温度低于下限值tmin，将加热电压升高，反应器温度随之升高，当温度高于tmax，将加热炉电压降低，并进料低温氮气，反应器温度随之降低。
3.根据权利要求1所述的方法，其特征在于它还包括步骤(7)：采用定量的甲醇蒸汽作为输入，在催化剂md-2的作用下所得结果数据和中间环境反馈数据采用机器学习xgboost的方案，进行数据分析，得到控制装置工况是否处于稳定可用的结果；其中结果数据指固定床反应器中反应之后的产物数据，包括产物水的浓度、产物二甲醚的浓度、反应时间；中间环境反馈数据即步骤(2)所述的操作参数，包括甲醇进料流量值，反应器内甲醇脱水反应压力值，甲醇脱水反应温度值。
4.根据权利要求1所述的方法，其特征在于所述步骤(1)中，所述反应动力学模型为：
式(21)中，rm为甲醇反应速率，k为反应速率常数，pm为甲醇分子分压力，pw为水分子分压力，km为甲醇吸附常数，kw为水吸附常数，pd为二甲醚分子分压力，kp表示反应平衡常数，下标w表示水；β为通过动力学试验获得的偏离平衡的校正模型，对模型进行修正，以此来获得精确的反应动力学模型，
式子(22)中，xmc表示模型计算的二甲醚转化率，nm,in表示甲醇入口流量，c表催化剂质量。
所述反应动力学模型中的参数求解为：
式中，rg为气体通用常数，t表示温度。
5.根据权利要求1所述的方法，其特征在于所述步骤(1)模拟计算出反应器中最佳初始操作参数的具体步骤为：通过反应动力学搭建的模型获取大量工况下的操作参数，选取该模型的输出作为优化算法的适应度函数，根据建立的动力学模型计算适应度，之后更新pareto解集：首先将pareto解集中的所有数据使用k-means方法进行聚类，聚类个数k由肘部法则确立，聚类完成后分别选取离k个聚类中心最近的k个解作为候选集，选择离脱水反应过程历史工况最优解马氏距离最近的候选解作为当前工况下的控制器设定值最优解，确定为最佳初始操作参数即初始操作设定值。
6.根据权利要求4所述的方法，其特征在于所述步骤(2)中，智能体优化控制器使用3个pid控制器，分别作用于进料泵、流量控制阀、调压器，所述调压器用于调节加热炉加热电压，各自的控制结构如下表所示：
式中，qf为进料泵的信号控制对象，f为所述操作参数中甲醇进料流量值；qp为氮气支路气体流量控制阀信号控制对象，p为所述操作参数中反应器内甲醇脱水反应压力值；qt为反应器调压器电压信号控制对象，t为所述操作参数中甲醇脱水反应温度值。
7.根据权利要求1所述的方法，其特征在于所述步骤(3)中，加热炉分段匀速升温控制系统包括：
通过k型热电偶采集当前反应器的温度值，将温度数据存入温度采集模块，通过处理器中的辨识模型比较当前值时间与设定温度段时间，判断所处温度段，将4个温度段分别设定为s1,s2,s3,s4段，根据本段设定时间及起始温度计算升温速率，并以此计算每个采样周期内的设定温度；
利用模型参数及设定温度，通过增量式pid计算控制输出值，将控制量转化为控制输出的导通时间，控制反应器两端加热炉瓦加热电压；
最后判断是否完成了程序升温控制，是则令控制输出量为0结束控制，否则将控制量、采集温度等输入递推过程，重复计算模型参数。
8.根据权利要求1所述的方法，其特征在于步骤(5)中，根据历史数据库分析计算得出的最佳操作参数，对控制系统的设置进行动态的调控，具体步骤为：
s5-1、通过传感器采集实时的工况运行数据b，然后选取参考变量计算与历史数据库中存储的历史工况a1,a2,……,an之间的马氏距离d1,d2,……,dn；
s5-2、设定距离阈值ε，用于对距离的大小判断，当距离均小于ε时，则进入s5-3，否则跳至s5-4；
s5-3、存在与新工况相似的历史工况，则对智能控制器的操作变量的初始化进行知识引导，并沿用b相似历史工况的最优解；
s5-4、d1,d2,……,dn均大于ε，说明历史数据库中没有与b相似的工况，更新工况数据上传至历史数据库，跳过知识引导，在限制范围内对操作变量进行随机初始化。
9.根据权利要求3所述的方法，其特征在于所述步骤(7)中，训练xgboost模型，将过程变量对应的传感器采集到的实时数据输入到模型中，进而分析装置工作状态以及反应类别，所述xgboost模型的建立包括以下步骤：
s7-1：收集过程正常运行时的历史数据组成建模用的样本集；
s7-2：对操作数据进行预处理，确定聚类模型的输入特征变量和输出目标；
s7-3：初始化模型参数，将结果数据和中间环境反馈数据作为特征样本数据，加载6个特征样本数据集；
s7-4：初始化训练次数，并使用极端梯度提升算法计算影响二甲醚转化率各输入特征的信息，并归一化，以适配聚类分析对数据的要求；
s7-5：调用xgboost模型中的训练和参数寻优函数xgboost.train，确定最大树深度和迭代次数；
s7-6：当未达到目标次数时，根据前向传播方式获取预测值，并依据实际值和预测值之差计算梯度值l，然后通过反向传播方式更新特征变量和输出目标，同时迭代次数加1；
s7-7：当达到目标次数时，获取输出目标函数，然后进入测试集测试，若不满足训练目标则返回s7-4，直到达到训练目标，结束。