1.本发明涉及精馏塔安全监测领域，特别涉及一种基于神经网络的精馏塔智能安全监测方法。
背景技术：
2.化工生产与其他生产过程相比，危险性更大。化工生产过程中的原材料、中间产物以及最终产物多数都具有毒性、易燃易爆、腐蚀性等危险。在使用、存储、生产这些物质时必须要小心谨慎的对待，否则一旦有事故发生，危害性都是极大的。
3.化工生产从原材料到最终产物，都需要进行相当多的操作以及复杂的加工工序，多次分离提纯或者进行反应，才能完成生产。在加工过程中对很多工艺参数要求都是非常高的，例如温度、压力等参数，如果工艺参数发生了变化后不能及时调整或停车，轻则造成原料的损失，重则就会发生爆炸等威胁到生命安全的大型事故。因此，如何智能控制精馏过程中的安全可谓是重中之重。
4.目前，现代化工生产过程普遍都使用了dcs、plc等工控系统，用自动化程度较高的操作系统来替代操作人员操作。通过控制系统直接读取生产过程中仪器仪表数据，在上位机进行开停操作等。控制的可靠性也得到了有效的提高。但是，在生产过程中进行操作并不是一个简单的环节，除了不影响生产的简单操作外，其他每一个操作伴随的都是区域甚至整厂设备的变动，大量的物料以及设备需要处理，任何的疏漏或者不完美的处理都有可能导致事故的发生。因此，生产者都极其重视生产过程中的操作，每一步都要有预案才能进行。
5.但是，目前精馏单元操作普遍存在的安全隐患，安全分析常采用人工方式，准确性不高、效率不高。
技术实现要素：
6.本发明提供了一种基于神经网络的精馏塔智能安全监测方法，以解决至少一个上述技术问题。
7.为解决上述问题，作为本发明的一个方面，提供了一种基于神经网络的精馏塔智能安全监测方法，包括：
8.步骤1，数据采集：在精馏塔上进行实时工况采集，并记录多条工况数据用于后期神经网络模型训练，每条工况数据包括多个工况参数；
9.步骤2，数据汇总：将采集到的所有工况数据汇总；
10.步骤3，安全关键指标计算：对精馏塔进行各项安全分析，并计算每条工况数据所对应的安全指标参数作为精馏塔安全评估参数，存储进数据汇总表中；
11.步骤4，神经网络计算：以容易测量得到的数据，包括塔的基础参数、各采样点物料状况，作为输入层变量，不容易采集到的数据与安全指标参数作为目标进行神经网络模型训练，得到一个符合要求的模型；
12.步骤5，精馏塔工况输入：基于工业互联网对精馏塔各项容易测量的工况参数，即各项输入层变量，进行实时采集，并传输至主机；
13.步骤6，模型计算与输出：利用神经网络训练得到的模型对输入参数进行运算，得到输出的安全参数，并将精馏塔工况是否处于安全状态的信号打印在屏幕上，完成对精馏塔安全信息的实时监控。
14.优选地，工况参数包括以下41项：回流比、馏出物进料比、塔板数、进料位置、进料温度、进料压力、进料流率、进料重组分摩尔分率、进料轻组分摩尔分率、馏出物温度、馏出物压力、馏出物流率、馏出物重组分摩尔分率、馏出物轻组分摩尔分率、釜残液温度、釜残液压力、釜残液流率、釜残液重组分摩尔分率、釜残液轻组分摩尔分率、首块塔板温度、首块塔板压力、首块塔板液相流率、首块塔板汽相流率、30％塔板处温度、30％塔板处压力、30％塔板处液相流率、30％塔板处汽相流率、60％塔板处温度、60％塔板处压力、60％塔板处液相流率、60％塔板处汽相流率、末块塔板温度、末块塔板压力、末块塔板液相流率、末块塔板汽相流率、进料塔板温度、进料塔板压力、进料塔板液相流率、进料塔板汽相流率、冷凝器热负荷、再沸器热负荷，其中，温度、压力、流率等可以通过精馏塔设备上仪表直接读取，而摩尔分率则需要通过采样分析得到。
15.优选地，步骤3中的安全指标参数包括火灾和爆炸伤害指数fedi。
16.优选地，容易测量得到的数据包括：塔的基础参数和各采样点物料状况；不容易采集到的数据包括：各组分摩尔分率和安全指标参数。
17.优选地，塔的基础参数包括：回流比、馏出物进料比、塔板数、进料位置；各采样点物料状况包括：各采样点温度、压强、流率。
18.本发明创造的有益效果是，可以在监测精馏塔工况参数的同时，实时输出精馏塔安全状况，解放人工，使得精馏操作更加安全、高效。
具体实施方式
19.以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
20.为了使精馏环节更加安全，安全分析更加准确、高效，解决目前精馏单元操作普遍存在的安全隐患。本发明创造了一种基于神经网络的精馏塔智能安全监测技术，不仅能够解放精馏塔操作人工，而且能够使得精馏环节更加安全。
21.本发明提供了一种基于神经网络的精馏塔智能安全监测技术，其涉及精馏塔安全监测技术，尤其是二元汽相进料精馏塔安全监测技术，具体包括以下步骤：
22.第一步：数据采集
23.在精馏塔上进行实时工况采集，并记录数据。需要采集的数据包括以下41项：
24.(1)回流比，(2)馏出物进料比，(3)塔板数，(4)进料位置，(5)进料温度，(6)进料压力，(7)进料流率，(8)进料重组分摩尔分率，(9)进料轻组分摩尔分率，(10)馏出物温度，(11)馏出物压力，(12)馏出物流率，(13)馏出物重组分摩尔分率，(14)馏出物轻组分摩尔分率，(15)釜残液温度，(16)釜残液压力，(17)釜残液流率，(18)釜残液重组分摩尔分率，(19)釜残液轻组分摩尔分率，(20)首块塔板温度，(21)首块塔板压力，(22)首块塔板液相流率，(23)首块塔板汽相流率，(24)30％塔板处温度，(25)30％塔板处压力，(26)30％塔板处液相
流率，(27)30％塔板处汽相流率，(28)60％塔板处温度，(29)60％塔板处压力，(30)60％塔板处液相流率，(31)60％塔板处汽相流率，(32)末块塔板温度，(33)末块塔板压力，(34)末块塔板液相流率，(35)末块塔板汽相流率，(36)进料塔板温度，(37)进料塔板压力，(38)进料塔板液相流率，(39)进料塔板汽相流率，(40)冷凝器热负荷，(41)再沸器热负荷。
25.其中温度、压力、流率等可以通过精馏塔设备上仪表直接读取，而摩尔分率则需要通过采样分析得到。
26.最终需要约500条工况数据用于后期神经网络模型训练。
27.第二步：数据汇总
28.将采集到的所有工况数据汇总。
29.第三步：安全关键指标计算
30.对精馏塔进行各项安全分析，并计算每条数据所对应的安全指标参数(如火灾和爆炸伤害指数fedi)作为精馏塔安全评估参数，存储进数据汇总表中。
31.第四步：神经网络计算
32.以容易测量得到的数据，包括塔的基础参数【如：回流比(1)、馏出物进料比(2)、塔板数(3)、进料位置(4)】、各采样点物料状况【如：各采样点温度(5、10、15、20、24、28、32、36)、压强(6、11、16、21、25、29、33、37)、流率(7、12、17、22、23、26、27、30、31、34、35、38、39)】，作为输入层变量，不容易采集到的数据，【如：各组分摩尔分率(8、9、13、14、18、19)】与安全指标参数【如：fedi等】作为目标进行神经网络模型训练，得到一个符合要求的模型
33.第五步：精馏塔工况输入
34.基于工业互联网对精馏塔各项容易测量的工况参数(即各项输入层变量)进行实时采集，并传输至主机。
35.第六步：模型计算与输出
36.利用之前神经网络训练得到的模型对输入参数进行运算，得到输出的安全参数，并将精馏塔工况是否处于安全状态的信号打印在屏幕上，完成对精馏塔安全信息的实时监控。
37.本发明创造的有益效果是，可以在监测精馏塔工况参数的同时，实时输出精馏塔安全状况，解放人工，使得精馏操作更加安全、高效。
38.实施例：
39.在乙烯精馏领域中，输出的火灾和爆炸伤害指数fedi计算方法为：
40.fedi＝4.76*(damage potential)^0.333
41.基于此计算得出每条工况数据对应的fedi指数作为输出层变量，可以有效评估精馏塔工作过程中存在的爆炸风险。若存在安全隐患会立即将不合格的fedi指数与其对应风险等级输出在屏幕上并触发警报。
42.在一个实施例中：
43.输入采集过程中的输入层变量为(1)回流比、(2)馏出物进料比、(3)塔板数、(4)进料位置、(5)进料温度、(6)进料压力、(7)进料流率、(8)进料重组分摩尔分率、(9)进料轻组分摩尔分率、(10)馏出物温度、(11)馏出物压力、(12)馏出物流率、(13)馏出物重组分摩尔分率、(14)馏出物轻组分摩尔分率、(15)釜残液温度、(16)釜残液压力、(17)釜残液流率、(18)釜残液重组分摩尔分率、(19)釜残液轻组分摩尔分率、(20)首块塔板温度、(21)首块塔
板压力、(22)首块塔板液相流率、(23)首块塔板汽相流率、(24)30％塔板处温度、(25)30％塔板处压力、(26)30％塔板处液相流率、(27)30％塔板处汽相流率、(28)60％塔板处温度、(29)60％塔板处压力、(30)60％塔板处液相流率、(31)60％塔板处汽相流率、(32)末块塔板温度、(33)末块塔板压力、(34)末块塔板液相流率、(35)末块塔板汽相流率、(36)进料塔板温度、(37)进料塔板压力、(38)进料塔板液相流率、(39)进料塔板汽相流率、(40)冷凝器热负荷、(41)再沸器热负荷。
44.输出变量为fedi等可以通过精馏塔工艺数据直接计算的安全参数。输入变量与输出变量的关系建立模型由神经网络训练得出，输出形式是将安全参数打印在屏幕上，可以有效解放人工。
45.以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。