国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

摘要：精餾塔是化工生產過程中最常見也是最重要的分離設備之一。其性能直接關系到生產裝置的投資、產能、質量、能耗及成本。但是傳統的精餾塔工藝控制優化，由于模型構建復雜、構建的數學模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預測等缺陷。本文通過研究大數據驅動的建模方式，利用精餾塔歷史積累的大量數據進行模型建立，并在有效建模的基礎上實現精餾塔的優化生產，可解決目前行業中存在的難題，將為用戶提升產品質量、降低生產能耗做出貢獻。

關鍵詞：化工行業；精餾塔；大數據；建模；工藝操作優化

Abstract: The distillation column is one of the most common and important separation equipment in the chemical production process. The performance of distillation column is directly related to the investment, capacity, quality, energy consumption and cost of the production equipment. However, the mathematical model of traditional rectification tower process control optimization is usually not perfect, and there are defects such as poor control effect, lag in diagnosis, and inability to predict in advance due to complex model construction. This paper studies the big data-driven modeling method, builds the model using the large amount of accumulated data, and realizes the optimized production of the distillation tower on the basis of effective modeling. Furthermore, this solution can solve the problems existing in the current industry and improve the product quality and reduce production energy consumption for users.

Key words: Chemical industry; Distillation column; Big Data; Modeling; Process operation optimization

1　引言

精餾塔是化工生產過程中最常見也是最重要的分離設備之一。化工裝置中精餾塔設備投資巨大，約占化工項目設備總投資的30%～40%，其性能直接關系到生產裝置的投資、產能、質量、能耗及成本。精餾過程的控制問題也一直是控制領域的重要研究課題。

現有的精餾塔的研究由于模型構建復雜、構建的數學模型通常不完善、存在控制效果不佳、診斷滯后、不能提前預測等缺陷。因此，化工行業精餾塔的節能優化控制的研究大多處于實驗示范階段，在裝置中的實際應用不多。在化工行業的自動化發展過程中，精餾塔設備運行的過程監測較為成熟，已經積累了大量的包括設備物聯數據、生產經營數據和外部數據的工業大數據，實現涵蓋了精餾塔生產的全流程，包含時間與空間兩個維度上不同尺度的大容量工業大數據的信息收集和整理。

工業大數據作為一種資源，被廣泛認為是化工行業由中國制造轉變為中國“智”造的重要推動力量。因此，如何有效地對化工行業精餾塔歷史積累的數據進行大數據驅動的模型建立，并在有效建模的基礎上實現精餾塔的優化生產，可解決目前行業中存在的難題，將為用戶提升產品質量、降低生產能耗做出貢獻，也是化工行業智能化轉型升級的必然需求。

2　傳統的精餾塔建模方法分析

精餾塔傳統建模方法主要包括理論建模方法、傳統系統辨識和數據驅動的智能建模方法。其中理論建模方法和傳統系統辨識屬于傳統的建模方法。現在的很多化工行業的建模基本上集中于前兩種方法。理論建模方法又稱為機理分析法，也被稱為“白箱”，它是通過分析過程內在的運作規律，運用已知的原理、定律和定理等，在長期的實踐中建立實用的過程經驗模型。一種典型的機理建模技術是用代數方程、差分方程和微分方程來描述線性或非線性、連續或離散、確定或隨機等連續系統，為其建立系統模型。

現有的精餾塔的研究主要根據實際精餾塔的操作過程分析和基于流程模擬軟件的仿真，提出許多精餾塔模型，力圖實現精餾塔在現有條件下生產等量產品的產品質量最好和生產同等產品質量的產品產量最多和生產能耗最低的協調優化問題，并對其異常狀態進行預測。這些研究很多都是基于精確數學模型。

在采用精確的五階模型的基礎上使用線性二次型調節器（LQR）方法設計最優控制器，從而對精餾塔進行研究分析，但是這種方法忽略了模型參數發生變化的情況。部分業內專家提出了使用理論設計控制器，分析、研究精餾塔系統的性能。但是控制方法針對的是模型參數攝動在較小范圍的控制過程，而且一定情況下其設計思想也導致了設計過程不必要的保守性，因此該方法忽視了模型參數在較大范圍發生變化的情況。在這些研究中通常依賴大量的專家知識，對某個確定的精餾塔進行精確建模，建模周期長、難度大。同時，由于模型預先給定，當系統配置發生一定變化時，固定的模型很難應對動態變化的控制需求。

理論建模方法是建立在理論分析的基礎之上的，通常需要對研究對象的內部運作規律有深入的了解和認識，而多數系統的內部運作結構較為復雜，很難完全從機理上歸納其內在規律。然而，由于模型構建復雜，構建的數學模型通常不完善，存在診斷滯后、不能提前預測等缺陷。

因此，化工行業精餾塔的節能優化控制的研究大多處于實驗示范階段，在裝置中的實際應用不多，究其原因，主要是因為模型的不確定性、控制量和被控量的約束問題、控制算法實現的不可靠性以及存在執行器出現故障時的優化控制策略實施復雜等。

3　基于大數據驅動的精餾塔模型構建技術研究

近年來隨著工業自動化技術和DCS技術的發展，精餾塔設備已經初步實現了生產的自動化，并在運行中收集了大量的數據。但是，其大數據的深度利用不足，缺少基于大數據的精餾塔設備運行建模或者評價方法和依據。這里研究精餾塔系統基于大數據驅動建模的模型構建方法、模型測試、模型評估及系統部署方法^[1]。

模型的離線學習和在線預測的整體架構圖如圖1所示。

圖1 模型的離線學習和在線預測的整體架構圖

（1）大數據驅動的精餾塔模型構建及運行

針對精餾塔系統，對采集到的多年控制系統歷史數據進行數據挖掘，分析多達68個變量之間的內在耦合關系，以尋找變化規律，并將這些學習得到的規律用于精餾塔系統控制中，以提升在保證輸出質量、能耗較小和滿足設備約束條件下的系統效率和降低系統耗電量。主要解決思路是基于時間序列，通過深度學習對精餾塔系統的系統運行歷史數據進行建模，構建系統各參數間的關系模型對模型的輸出進行預測。

（2）數據預處理

由于精餾塔中數據繁多，數據中存在較多的缺失和異常數據。首先采用數據異常的鑒別方法，通過物理模型對異常數據進行篩選和重構。由于物理特性、定律的限制，設備的不同狀態之間存在一定的耦合關系。傳感器數值的異常通常不會同時對所有的數值進行修改。因此，可以由此特性對異常的數據進行鑒別。

忽視離群點的存在是非常危險的，不加處理地將其進入數據的計算分析過程中，對模型建立會產生不良的影響。可以繪制變量的象形圖，通過平均數和中位數來描述數據集中趨勢的統計量，在一定程度上反映數據的整體水平。

（3）特征值選取和處理精餾塔模型是一個時滯的模型，構建了集成近期數據、中期數據和長期數據的特征集。

通過考察輸入特征參數對模型輸出的敏感性來判定特征參數對模型輸出的影響重要程度，進而刪減冗余特征參數，此類方法稱為基于敏感性分析的特征參數選擇方法。根據敏感性系數的計算方式，基于敏感性分析的特征選擇方法可相應的分為兩類：基于統計的隨機敏感性的特征參數選擇方法和基于偏導數敏感性的特征參數選擇方法。

當影響因素較多時，采用平均影響值方法挑選出部分特征參數作為建模的輸入可簡化模型。當影響因素較少或挑選出的部分特征參數，可采用平均影響值計各特征參數的權重系數并進行加權，進一步提高建模精度。

由于精餾塔數據有不同的類型：當前時刻的特征分成三類：第一類（recent）是該時刻的相鄰區間字段值，區間大小為分鐘級，在該區間內系統應該是一個平滑變化的過程，比如前幾分鐘的變化可能反映了當前時刻相似的特性；第二類（near）是對應該時刻每間隔1個小時的時刻參數，直至間隔5小時以后不再考慮，總共重復取值操作；第三類（distant）是更遠時間點相同的數據，發現數據分布可能具有1天的周期同分布情況，故以1天為間隔，取1天以后的該時刻數據作為特征的部分內容。

（4）模型構建

由于輸入參數和輸出參數的數量總和較大，且需要進行基于時間序列的多變量多輸出預測，屬于較為復雜的系統分析問題。該系統數據分析需要較多的專業知識。為弱化這一前提，并期望習得一些潛在的變量間規律，提出了采用深度學習方法，用一個5層神經網絡來得到目標物濃度、含水量、耗電量和（不）可控變量的系統模型。

這里使用同樣的5層神經網絡模型：一層為輸入層，一層為輸出層，中間三層為隱藏層。對于模型1，2來說，僅僅是輸入層有所不通。其中隱藏層的神經元個數分別為3000個、2000個和100個。同時需要為該神經網絡選擇激勵函數，如果不用激勵函數，每一層的輸出都是上層輸入的線性函數，導致無論神經網絡有多少層，輸出都是輸入的線性組合，與沒有隱藏層效果相當，退化成最原始的感知機（Perceptron）。

在激勵函數的選擇上，ReLu優于常用的tanh和sigmoid。采用sigmoide函數時，計算量相對較大，同時在深層網絡中進行反向傳播時，容易出現梯度消失的情況，從而無法完成神經網絡的訓練。相比較而言，ReLu可以使一部分神經元的輸出為0，可以形成稀疏的網絡結構，減少參數間的相互依存關系，緩解了預測過程的過擬合問題。

同時由于深度學習的神經網絡結構中神經元個數太多，造成計算過程極其漫長，一般都采用優化算法來優化學習過程。本次研究使用的Nadam算法，它是帶有Nesterov動量項的Adam（帶有動量向的RMSprop，利用梯度的一階矩估計和二階矩估計動態調整每個參數的學習率）。其對學習率的約束更強，也更直接地影響梯度的更新。

4　基于大數據驅動模型的精餾塔工藝操作優化技術研究

考慮到工業優化控制過程中，當前控制策略改變當前狀態會對之后的時間序列的數據特征產生影響，因此需要根據改變的狀態量來更新這些產生影響的特征變量。利用設備模型構建的關于時間、塔釜溫度、塔釜壓力、塔進料量、塔頂回流、塔中部溫度和塔釜采出量可控變量（作為深度學習網絡的輸入層變量）與標物濃度、含水量、耗電量（深度學習網絡的輸出層變量）的關系模型，提高模型的復用率，在控制策略的選擇上，由于滿足系統的輸出可能有非常多的參數輸出集合，提出基于遺傳算法的策略選擇算法。通過產生大量的控制策略，作為遺傳算法的初始種群，通過對交叉、變異、適應度評價、最優個體記錄等機制選擇出最優秀的個體，作為當前時刻的最優策略，并將控制后改變的可控參數值更新到之后的時刻用于特征構建在模型三中生成對應這個時刻的初始種群，以達到基于時序進行優化控制的目的。提出遺傳算法的編碼機制，和對“最優控制”的適應度函數。由于存在一定的限定條件，這些限定條件在目標函數中通過懲罰懲罰項來計算適應度函數^[2]。

遺傳算法的步驟主要包含4個子流程，分別為基因選擇、基因交叉、基因變異及適應度評估，其中基因表示問題的解，而解的表達要遵循一定的編碼方式。圖2分別給出了解的編碼形式。

圖2 遺傳算法中解的編碼形式

精餾塔設備實時優化：

隨時監測過程運行狀況，在滿足所有約束條件的前提下，不斷調整工作點，以克服這些影響因素，保證過程始終能夠得到最佳的經濟效益。所謂“在線”，是指整個優化過程是自動進行的，從數據采集、模型修正，到優化計算。實時優化技術的實施必須有可靠的測量變送儀表、可靠的常規控制系統、可靠的先進控制技術和可靠的實時優化模型及優化算法，整個系統是一個高度集成的軟硬件體系。可以將簡單描述為當過程處于穩態時，對來自集散系統的現場數據進行數據調和，并以此為基礎對穩態模型進行修正，在滿足一定約束條件的前提下用該模型進行優化計算，優化得到的最優設定值送到下層的調節控制系統。當過程處于新的穩態工作點時，開始進行下一輪的數據調和、模型修正、優化，如此循環往復。

實時優化能夠有效融合管理層與控制層，實現工廠從頂層的計劃管理到底層的設備控制的全面自動化、最優化，同時獲得以下方面的收益：

（1）增加產量，提高產品質量，使生產始終維持在最佳操作狀況；

（2）減少原料和能源的消耗；

（3）延長設備的運行周期；

（4）對市場供求關系的變化反映及時；

（5）進一步深化對過程工藝與操作的了解，有助于工藝的改進和操作策略的調整。

精餾塔裝置的實時優化是在基于大數據構建的精餾塔優化控制模型上，在線實時優化由數據采集、數據校正、穩態檢驗、模型參數更新、模型優化計算、控制動作輸出幾個步驟組成，如圖3所示。

圖3 在線實時優化系統結構

（1）數據采集。包括直接由現場測量儀表測量的并已集中到DCS中的過程量（溫度、壓力、流量等）及不能由儀表直接測量的過程量（組分等）。

（2）數據校正。因為采集到的實測數據均不可避免地帶有兩類誤差：過失誤差和隨機誤差。這種粗制數據是不能直接用來做優化計算的，必須經過一道“去粗取精，去偽存真”的處理。首先，進行篩選，偵破哪些數據是過失誤差數據。過失誤差又分為兩類：儀表相關誤差（如儀表失靈、敏感元件故障等）和過程隨機誤差（如泄漏等）。這種過失誤差數據必須刪去，不能參加校正計算，否則將會把這種大誤差傳播到其他好的測量數據上。其次，進行隨機誤差校正。刪去過失誤差的數據即可視為均帶有隨機誤差，但這類誤差通常滿足正態分布，可以用最小二乘法原理進行數據校正計算，用推算值彌補被刪去的大誤差值。經處理過的數據成為可以滿足物料平衡和能量平衡的精制數據。

（3）穩態檢驗。當前實時優化技術均基于穩態模擬模型，所以只有過程處于穩態操作時才適用。系統入口首先就要檢驗過程是否處于穩態操作。選取精餾塔裝置的一些關鍵工藝變量的測量值做統計分析，如果其測量多次的變化量低于設定閾值，則認為統計上是穩態的，否則就認為不夠執行實時優化的條件，程序轉入等待循環，固定周期重新檢驗是否穩態^[3]。

（4）穩態模型參數的更新。由流程模擬環節得到基于嚴格機理模型的穩態模擬模型。得到的穩態模擬模型，要形成在線實時優化能用的模型還需要若干次加工：

·數據校正模型。評價DCS測量數據的內在一致性。它是一組聯立的（基于方程的）熱量和質量平衡計算程序。最終目標是給出一套完全處于熱量和能量平衡的一致性的測量數據，送入核算工況；

·核算工況模型。以經過校正的數據、分析數據及其他手動輸入數據為輸入，進行裝置全流程物料和能量平衡計算，從而核算出一些單元設備模型中的隨操作時間而變化的性能參數。

·基礎工況模型。這類模型中的可變參數已經標定過，取得能反映裝置目前狀況的當前值后的模型，該模型用來預測裝置操作條件變化后的裝置性能。

·方案研究。在工況模型的基礎上，增加產品指標的規定輸入，并可改變各種操作變量，從而進行各種方案的研究。

·工況研究。在核算模型的基礎上，對工況研究變量進行改變，得到相應變量的變化趨勢，從而研究操作變量與產品指標之間的變化關系。如精餾塔裝置的回流比采出量與產品產出組分的關系等。

·優化模型。在核算模型的基礎上，加入決策變量和約束條件，如以精餾塔裝置產值最大為目標函數，對精餾塔裝置操作條件進行在線優化。

（5）優化計算。給定目標函數（利潤最大、產量最高或成本最低等）及外部市場經濟數據（原料成本、產品價格及水電汽單價等），選擇優化算法并通過計算機計算最優操作方案。

（6）先進過程控制。將實時優化計算得到的最優操作點作為先進過程控制的設定點，實現精餾塔裝置以最優路徑達到最優操作點。

綜上所述，本次的研究通過分析大數據驅動的設備建模的主體需求，進行數據特征分析、特征工程提取、模型的選擇、訓練與優化和評估等多流程的設備模型構建，根據該設備模型，構建設備狀態的分析、狀態時序轉變及評測，實現設備工藝控制優化。本次的研究具有以下先進性：

（1）大數據驅動的精餾塔設備模型建模和控制優化可以不需要目標系統的精確數學模型，并可以較為有效地應對一定程度的不真實數據，受少數異常點的影響較小，并且具備持續改進和優化的能力；

（2）通過應用大數據技術對精餾塔設備的海量歷史數據進行深層分析挖掘，力圖快速獲取有價值信息，形成可供推廣的設備建模及控制優化方法。

最終在實際項目上，可針對精餾塔設備達到以下技術指標：建模指標：

·溫度參數測量指標建模精確到0.1℃；

·壓力參數測量指標建模精度達到0.1Kp；

·流量參數測量指標建模精度范圍達到0.2%；

·對應各組分含量能建模精確到0.5%；控制優化指標：

·目標提取物含量波動范圍縮小30%；

·雜質含量相比行業標準降低60%；

·水份含量低于0.05%；

·提高產品平均出率0.5%。

5　結語

本次研究基于大數據驅動的建模方式，進行化工行業精餾塔工藝操作優化方法，將為用戶提升產品質量、降低能耗，實現綠色發展的社會效益。也會使得化工行業對于大數據實現更加深度的應用，通過大數據對于關鍵設備的建模，可以更加清晰地了解關鍵設備的運行狀態，同時提高設備運行、維護和優化水平，實現化工行業的勞動效率、自動化、信息化、智能化水平顯著提升，在部分工藝階段實現無人化或少人化操作。基于工業云和工業大數據平臺的設備工藝操作優化，不但使得設備自身具備自調整、自優化和自診斷能力，及時響應生產需求的變化，還可以通過工業網絡與其他智能模塊實現實時互動，重新組合生產流程和布局，滿足化工行業全流程智能建模、管理和優化需求。

參考文獻：

[1] 馮言勇, 劉桐杰, 李昱, 方俊偉. 通過大數據分析進行設備故障診斷的技術研究[J]. 自動化博覽，2017, ( 12 ).

[2] 孔憲光,章雄,馬洪波,常建濤,牛萌.面向復雜工業大數據的實時特征提取方法[J].西安電子科技大學學報（自然科學版），2016, ( 10 ).

[3]劉強, 秦泗釗. 過程工業大數據建模研究展望[J]. 自動化學報，2016, ( 2 ).

作者簡介：

李　昱（1986-），男，畢業于西安工業大學，現任杭州和利時自動化有限公司智能工廠業務部經理兼產品經理，主要從事智能工廠業務、現場總線技術研究、智能型設備管理應用及現場技術支持工作。

方俊偉（1981-），男，畢業于中國計量大學，現任杭州和利時自動化有限公司項目規劃經理，主要從事工業自動化控制系統的實施應用。

摘自《自動化博覽》2019年2月刊