一种隔离壁精馏塔的浓度软测量方法与流程

本发明涉及一种隔离壁精馏塔的产品浓度控制方法，特别是采用一种集成了数据驱动模型的浓度软测量方法，属于化工过程的软测量方法。

背景技术：

隔离壁精馏塔，是将两个(或多个)精馏塔集成到一个塔壳，实现三元(及以上)物系分离的热耦合精馏塔。隔离壁精馏塔比传统精馏塔系统通常可以节约能耗约30％，节约设备投资约30％，并节省空间。其中，四组分kaibel隔离壁精馏塔，是隔离壁精馏塔的一种重要型式，由预分塔与主塔两部分组成，两塔之间通过两对逆流的热耦合汽液流股进行相互连接。主塔的塔顶、侧线采出1、侧线采出2、塔釜分别采出四种产品，并且整个四组分kaibel隔离壁精馏塔仅需要一个塔顶冷凝器和一个塔釜再沸器。挪威的ghadrdan等人研究了kaibel隔离壁精馏塔中操纵气相分割比与最小能耗操作的关联，指出在线改变气相分割比有可能是保持最小操作能耗的必要条件。挪威的dwivedi等人提出了一种可变气相分割比的kaibel隔离壁精馏塔的控制结构。中国的凌昊等人对分离苯、甲苯、二甲苯和均三甲苯的kaibel隔离壁精馏塔进行了浓度分散控制的研究，所得结果显示对预分离精馏塔塔顶与塔底进行控制的必要性。中国的钱行等人对分离甲醇、乙醇、正丙醇和正丁醇的kaibel隔离壁精馏塔的温度控制、浓度控制及其串级系统进行了较深入的研究，所得结果显示采用液相分割比(或气相分割比)作为操纵变量的纯温度控制可以使kaibel隔离壁精馏塔快速稳定，实现稳定化控制的效果。然而，单纯的温度控制存在产品浓度的稳态余差，所以，还需要对产品浓度进行控制。常规的浓度检测时延长、价格昂贵、无法实现连续测量，而根据精馏塔的mesh方程(各平衡级的每一组分物料平衡方程、相平衡方程、归一化方程和热量平衡方程)，精馏塔中的各变量(浓度、温度、压力和流量)是相互关联的，因此，可以通过易于检测的辅助变量(温度、压力和流量)预测产品浓度，实现隔离壁精馏塔产品浓度的软测量。

技术实现要素：

为了改善隔离壁精馏塔的控制效果，本发明提供一种集成了数据驱动模型的浓度软测量方法，它在隔离壁精馏塔温度浓度串级控制的基础上增加了浓度软测量，通过易检测变量对产品浓度进行预测，代替实际的高频浓度检测。

为达到上述目的，本发明的技术方案是这样实现的：

本发明是一种隔离壁精馏塔的浓度软测量方法，本发明的创新点在于将浓度软测量应用于隔离壁精馏塔的温度浓度串级控制，而不在于各模块的方法改进；其中包括模型预测控制模块、浓度预测器、和比例积分控制模块，所述的模型预测控制模块用于产品浓度的控制，浓度预测器用于产品浓度的预测，比例积分控制模块用于灵敏板温度的控制；采集的反馈信号包括隔离壁精馏塔输出的浓度ck、灵敏板温度tk、及易于检测的辅助变量(包括压力pk、流量fk和产品采出板温度t’k)；精馏塔中组分浓度的变化会引起温度的变化，重组分越多温度越高，轻组分越多温度越低，因此，可以通过温度控制间接控制产品浓度，实现精馏塔的稳定操作；然而，单纯的温度控制无法消除产品浓度的稳态余差，因此，需要采用温度浓度串级控制实现内层控制温度、外层控制浓度；浓度的检测时延长、价格昂贵，因此，无法进行浓度的连续测量；根据精馏塔的mesh方程(各平衡级的每一组分物料平衡方程、相平衡方程、归一化方程和热量平衡方程)，精馏塔中的各变量(浓度、温度、压力和流量)是相互关联的，可以通过易于检测的辅助变量(温度、压力和流量)预测隔离壁精馏塔的产品浓度；本发明中的温度浓度串级控制，内层通过比例积分控制模块控制灵敏板温度，外层通过模型预测控制模块控制产品的浓度；内层温度控制回路中温度检测器检测的灵敏板温度tk，一方面输入浓度预测器，另一方面与温度控制器设定值tcsp进行比较，得出偏差值，输入到比例积分控制器，从而实现对隔离壁精馏塔灵敏板温度的控制；外层浓度控制回路中，包括两条信号回路，第一路为包括浓度预测器的浓度预测回路，第二路为包括浓度检测器的浓度检测回路；浓度预测器的输入是易于检测的辅助变量，包括灵敏板温度tk、产品采出板温度t’k、压力pk、流量fk、及上一步的浓度<c>k-1，浓度预测器的输出是预测的浓度浓度预测器的预测模型是非线性自回归神经网络模型，作为软测量的预测模型，通过系统辨识得到参数；误差校正器的输入是预测的浓度值和检测器的浓度检测值ck(每一小时检测一次)，误差校正器的输出是校正的浓度值<c>k，误差校正器采用扩展卡尔曼滤波进行误差校正，其核心思想是利用非线性预测模型的局部线性特征，在每一时刻、不同的浓度附近对非线性预测模型进行局部线性化，从而得到校正浓度；扩展卡尔曼滤波进行误差校正的具体计算步骤包括：(1)在上一时刻校正浓度点附近线性化非线性自回归神经网络预测模型，(2)计算一步浓度预测误差的协方差矩阵，(3)计算卡尔曼增益，(4)计算校正浓度，(5)更新浓度预测误差的协方差矩阵，用于下一时刻的扩展卡尔曼滤波校正；校正浓度值<c>k与产品浓度设定点进行比较，得到的偏差输入模型预测控制器，模型预测控制器的输出是温度控制器设定值tcsp，从而实现隔离壁精馏塔的温度浓度串级控制；模型预测控制包括预测模型、反馈校正和在线优化三部分；模型预测控制器采用状态空间模型作为预测模型，其通过隔离壁精馏塔严格模型线性化得到；反馈校正采用最简单的基于模型计算值与检测值的偏差，校正模型计算值得到模型预测值；在线优化的目标函数是多目标函数，包括表示被控变量与设定值的偏差的平方和表示操纵变量变化量的平方两部分，在线优化的目标是使该目标函数达到最小值。

从上述技术方案可以看出，本发明具有以下的有益效果。

(1)利用本发明，可以利用易于检测的辅助变量，预测产品浓度，实现了高频的浓度检测，避免了实时在线检测浓度的高价格和长时延；

(2)利用本发明，可以充分利用比例积分控制和模型预测控制结合，实现隔离壁精馏塔的快速无差控制。

附图说明

图1为本发明提供的kaibel隔离壁精馏塔的比例积分控制与模型预测控制结合的温度浓度串级控制结构；图中1为预分离段；2为主分离段；3为冷凝器；4为再沸器；

图2为本发明提供的加入软测量后的kaibel隔离壁精馏塔的串级控制流程结构。

具体实施方式

本发明的一个中心思想是提供一种集成了数据驱动模型的浓度软测量方法。

为使本发明的目的、技术方案和优点更加清晰明白，以下结合具体实施例子，并参照附图，对本发明作进一步的详细说明。

以下所使用的kaibel隔离壁精馏塔为一个单塔，包括预分离段1、主分离段2、冷凝器3和再沸器；塔顶端安装有一个冷凝器，底端安装有一个再沸器。内层采用比例积分控制进行灵敏板温度的控制，保证隔离壁精馏塔的快速稳定；外层采用模型预测控制进行产品浓度的控制，满足产品纯度要求。浓度预测器的输入是易于检测的辅助变量(例如，温度、压力、流量)。预测模型选择非线性自回归神经网络模型作为软测量的浓度预测模型。误差校正采用扩展卡尔曼滤波。

实施例1：利用本发明的集成了数据驱动模型的浓度软测量方法对kaibel隔离壁精馏塔进行浓度预测和控制。

图1中，预分离段总塔板数为40，进料板为20；主分离段总板数为70，气相进料板为21，液相进料板为60，侧线1采出板为30，侧线2采出板为50。进料为甲醇、乙醇、正丙醇、正丁醇等摩尔分数饱和液体进料，进料流量为1000mol/h。塔顶冷凝器热负荷为26.007kw，塔底再沸器热负荷为25.107kw。塔顶操作压力为1atm，塔内单板压降为0.0068atm。塔顶摩尔回流比为9.604。气相分割比为0.515，液相分割比为0.352。四产品流股中的产品纯度均为99％摩尔分数。

温度浓度串级控制中内层采用比例积分控制进行灵敏板温度的控制，保证隔离壁精馏塔的快速稳定；外层采用模型预测控制进行产品浓度的控制，满足产品纯度要求。内层比例积分控制的4个输入(被控变量)为预分离段中第12块灵敏板的温度和主分离段中第12、43、64块灵敏板的温度，分别对应于图1中温度控制器tcp、tc1、tc2、tc3的检测量输入。内层比例积分控制的4个输出(操纵变量)为主分离段回流入预分离段液相耦合流股、主分离段塔顶回流量、侧线1产品流量、侧线2产品流量，分别对应于图1中温度控制器tcp、tc1、tc2、tc3的操纵变量输出。外层模型预测控制的6个输入(被控变量)为通过软测量模块得到的四个产品流股产品纯度和两个预分塔塔顶和塔底杂质浓度，分别对应于图1中mpc的检测量输入。外层模型预测控制的6个输出(操纵变量)为tcp,tc1,tc2和tc3的设定点(统称为tcsp)，以及主塔再沸器热负荷、主塔回流入预分塔的气相耦合流股流量，分别对应于图1中mpc的操纵变量输出。

内层温度控制回路中温度检测器检测的灵敏板温度tk具体指预分离段中第12块灵敏板的温度和主分离段中第12、43、64块灵敏板的温度，分别对应于图1中温度控制器tcp、tc1、tc2、tc3的检测量输入，外层浓度控制回路中，包括两条信号回路，第一路为包括浓度预测器的浓度预测回路，第二路为包括浓度检测器的浓度检测回路；第一路中易于检测的辅助变量包括产品采出板温度t’k即主塔第20、30、50和60块塔板的温度和塔底再沸器温度及热负荷，压力pk即主分离段塔顶压力，流量fk即进料流量、液相回流量、气相回流量、主分离段塔顶产品流量、侧线1产品流量、侧线2产品流量、塔底产品流量；第二路中浓度检测器检测的ck即四个产品流股的产品纯度和两个预分塔塔顶和塔底的杂质浓度。比例积分控制器输出的操纵变量为主分离段回流入预分离段液相耦合流股、主分离段塔顶回流量、侧线1产品流量、侧线2产品流量，分别对应于图1中温度控制器tcp、tc1、tc2、tc3的操纵变量输出。

在温度浓度串级控制结构的基础上，我们进一步采用由浓度预测器和误差校正器构成的软测量技术代替浓度的测量。图2为本发明提供的加入软测量后的kaibel隔离壁精馏塔的串级控制流程结构。

当精馏塔状态变化较大时，线性浓度预测模型会造成较大误差，导致产品浓度存在较大的稳态余差。因此，选择非线性自回归神经网络模型作为软测量浓度预测器中的浓度预测模型。输入为当前时刻的辅助变量(以tk为例)，以及上一时刻的校正浓度<c>k-1。而输出为当前时刻的预测浓度因此，非线性自回归神经网络模型的定义方程为：

非线性自回归神经网络模型的公式如下：

nk＝w¹tk+w²<c>k-1+b¹(2)

式中，w¹和w²为输入权重，w³为层权重；b¹和b²为偏项。神经网络的隐含层结点数为21。预测模型的参数(权重和偏项)通过系统辨识得到，本例中辨识的均方误差和回归值分别为3.18×10^-10和0.9999，这意味着非线性自回归神经网络模型的辨识结果很好。

由于浓度预测器中的预测模型与实际精馏塔模型必然存在偏差，当偏差累积一段时间后，需要通过误差校正器对预测浓度进行校正。浓度的预测误差可以表示为检测浓度和预测浓度的差，即校正的目的是由预测误差得到校正浓度<c>k。校正的公式为：

其中，kk是卡尔曼增益，其数值的大小由扩展卡尔曼滤波算法得到。

当采用线性预测模型时，可采用线性卡尔曼滤波进行校正。当预测模型为非线性模型时，可采用扩展卡尔曼滤波进行校正。本例中通过常规的非线性扩展卡尔曼滤波，实现了仅需每1小时进行一次浓度检测。扩展卡尔曼滤波是建立在卡尔曼滤波的基础上的，其核心思想是利用非线性预测模型的局部线性特征，在每一时刻、不同的浓度附近对非线性预测模型进行局部线性化。也就是在<c>k-1浓度点，对非线性自回归神经网络模型f(tk，<c>k-1)进行taylor展开，并仅保留一阶项。

扩展卡尔曼滤波计算kk，并进行误差校正的具体计算步骤如下：

第一步：在上一时刻校正浓度点附近将非线性预测模型进行线性化：

第二步：计算浓度预测误差的协方差矩阵：

其中，q是过程噪声的协方差矩阵，表示外部条件对预测模型的扰动，通常设为定值。

第三步：计算卡尔曼增益kk：

其中，hk通过对测量模型线性化得到。在本例中，因为预测模型的输出值和测量值都为6条流股浓度，因此，hk为6×6的单位矩阵。r是测量噪声的协方差矩阵，设为非零定值即可，表示传感器的检测值与真实值之间存在的测量误差。

第四步：计算校正浓度：

第五步：更新浓度预测误差的协方差矩阵，用于下一时刻的扩展卡尔曼滤波校正：

pk＝(i-kkhk)p′k(9)

可以看出，在浓度校正过程中，pk是一个随时间变化的值，其初值设为初始时刻浓度预测误差的协方差矩阵。

如图2所示，将校正后的浓度值<c>k与浓度设定点进行比较，得到的偏差输入模型预测控制器中。模型预测控制器中包括三部分：预测模型、反馈校正和在线优化。本例中，模型预测控制器中的预测模型为状态空间模型，通过对严格的隔离壁精馏塔模型线性化得到。考虑到复杂程度和计算量，我们选择的离散状态空间模型的阶数为60。反馈校正用来校正状态空间模型计算值与浓度<c>k的偏差。在线优化的目标函数是两个控制性能指标的线性组合：被控变量与设定值偏差的平方和、及操纵变量变化量的平方和。在线优化使该目标函数达到最小值，使得模型预测控制器具有最优的控制性能指标。

目标函数中，线性组合的权重参数的整定通过多目标优化完成：在多目标最优解集所组成的pareto前沿上，综合考虑两个控制性能指标(被控变量与设定值偏差的平方和及操纵变量变化量的平方和)，选取使得两个指标均较小的拐点上的最优解作为权重。

如图2所示，模型预测控制器的输出是温度控制器(比例积分控制器)的设定值tcsp，从而实现隔离壁精馏塔的温度浓度串级控制。

本发明采用软测量技术进行浓度预测的温度浓度串级控制结构能够获得非常好的动态响应效果，振荡最少、稳定所需时间最短、最大偏差和稳态偏差非常小。

本发明充分利用易于检测的辅助变量，预测产品浓度，避免了实时在线检测浓度的高价格和长时延；充分利用比例积分控制和模型预测控制结合，实现隔离壁精馏塔的快速无差控制。

通过以上所述的具体实施例子，对本发明的目的、技术方案和有益效果作了进一步的说明。应当指出的是，以上所述仅为本发明的具体实施例子而已，它们并不用于限制本发明。凡在本发明的精神和原则之内，所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。