免费下载
网站简介

找论文变得更简单!

帮找论文

当前位置:

重点论文网    理科论文    化学化工论文    PLS方法应用于PTA脱水塔的软测量建模
创建时间:10-29

PLS方法应用于PTA脱水塔的软测量建模

 

1  绪论
1.1 研究背景
随着现代工业过程对控制、计量、节能增效和运行可靠性等要求的不断提高,各种测量要求也日益增多。现代过程检测的内涵和外延较之以往均有较大深化和拓展。一方面,仅获取流量、温度、压力和液位等常规过程参数的测量信息己不能满足工业操作和控制的要求,需要获取诸如成份、物性等与过程操作和控制密切相关的检测参数的测量信息[1]。同时对于复杂的大型工业过程,还需获取反映过程二维/三维的时空分布信息。另一方面,仪表测量的精度要求越来越高,测量从静态向动态测量发展,许多应用场合还需要综合运用所获得的各种过程测量信息,才能实现有效的过程控制、生产过程或测量系统进行故障诊断、状态检测等。 解决工业过程的测量要求通常有两条途径:一是沿袭传统的检测技术发展思路,通过研制新型的过程测量仪表,以硬件形式实现过程参数的直接在线测量;另一就是采用间接测量的思路,利用易于获取的其他测量信息,通过计算来实现被检测量的估计。
精对苯二甲酸(purified terephthalic acid , PTA )是生产聚酯的主要原料,也是轻纺行业发展的前导产品。聚酯纤维是合成纤维最主要的品种,在世界合成纤维总产量中占近80%,在中国以聚酯为原料生产的聚酯纤维已经在合成纤维总产量中超过了80%的比例。近年来,各国PTA生产商一直致力于在不断扩大装置的生产规模和不断降低装置的物耗和能耗两方面发展PTA生产技术。随着生产规模的不断扩大,装置的物耗和能耗水平在更大程度上直接决定装置是否具有竞争力,成为衡量装置先进性的最重要的指标[2]。对二甲苯(PX)空气氧化制对苯二甲酸(TA)是在醋酸(AcOH)为溶剂,醋酸钴、醋酸锰为催化剂、四溴乙烷为促进的共同作用下进行的化学反应,醋酸主要作为移热介质,本身不参与PX氧化反应。醋酸(AcOH)单耗是对精苯二甲酸装置考核的一个重要指标,它的多少是衡量工艺技术是否最优化的重要指标之一,降低醋酸单耗也是企业降低生产成本、提高经济效益、在市场竞争中取得生存发展的必要条件之一。根据装置的生产实际情况,醋酸的损失主要体现在四方面:①氧化反应过程中醋酸的燃烧;②薄膜蒸发器去杂质回收醋酸;③醋酸回收塔塔顶废水挟带醋酸;④高压吸收塔洗涤水量。有关氧化反应过程质量与物耗间的控制研究比较成熟,实施效果也比较明显。因此,降低PTA生产中醋酸消耗的主要因素是溶剂系统的优
化操作。溶剂系统的主要单元就是溶剂脱水塔及薄膜蒸发器和高压吸收塔。溶剂脱水塔主要是对氧化部分使用的醋酸溶剂进行提纯,以除去氧化反应生成的水及催化剂配制时加人的水,得到规定纯度的醋酸溶剂返回系统使用。溶剂脱水塔的进料来源有氧化反应器、薄膜蒸发器和高压吸收塔。因此,溶剂脱水塔操作得好坏,直接影响到醋酸的分离效果,而溶剂脱水塔的回流比和回流温度是重要的操作参数。对于溶剂脱水塔,塔顶醋酸回收和塔底加热蒸汽消耗之间经济上存在一种折中的最佳操作状态。在回收酸浓度满足工艺要求和平稳的前提下,使得塔顶水相酸含量最低,最大限度地减少醋酸和共沸剂的流失。在实际工业生产过程中,塔顶酸浓度难以在线测量,不能快速指导溶剂脱水塔的优化操作,所以在此需建立软测量模型,以便于更好的进行控制。
1.2 软测量建模方法研究现状
软测量技术(soft-sensing technique)是近年来在过程控制和检测领域涌现出的一种新技术,是目前过程检测和控制研究发展的重要方向。它以易测过程变量(辅助变量或二次变量)为基础,利用易测过程变量和待测过程变量(难测主导变量)之间的数学关系(软测量模型),通过各种数学计算和估计实现对待测过程变量的测量[3]。
软测量技术按其建模方法可分为机理建模和非机理建模即基于过程数据建模[4]。而细分之,可分为:机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、过程层析成像、相关分析和现代非线性信息处理技术等。基本的一般算法框架如图1所示。从软测量技术的过程可以看出,软测量技术的核心是建立对象的数学模型,对象数学模型的好坏,将直接关系到软测量器的计算结果[5]。但是基于不同的建模方法,它又有不同的特点。
1.2.1 机理建模
机理模型通常由代数方程组或微分方程组组成,在对工业对象的物理、化学过程获得了全面清晰的认识后,通过列写过程的各类平衡方程(如物料平衡、能量平衡、动量平衡、相平衡等)和反映流体传热介质等基本规律的动力学方程、物性参数方程和设备特性方程等,确定不可测主导变量和可测辅助变量的数学关系,建立估计主导变量的精确数学模型。而对于复杂工业过程,其内在机理往往不十分清楚,完全依赖机理分析建模比较困难,通常要用其它建模方法,结合机理知识构造软仪表。单纯的机理建模应用很少[6]。
1.2.2 统计建模
根据系统的输入输出数据,建立与系统外特性等价的数学模型的方法,称为统计建模。统计建模将系统看作黑箱,在不了解系统内部结构和机理的情况下,选取一组与主导变量有密切联系且容易测量的二次变量,根据某种最优准则,利用统计方法构造二次变量与主导变量间的数学模型。下面给出几种常用的统计建模方法[7]。
1.2.2.1 回归分析
回归分析方法是一种经典的建模方法,不需要建立复杂的数学模型,只要在收集到的大量易测变量数据的基础上,运用统计方法将这些数据中隐含的对象信息浓缩和提取,从而建立主导变量和辅助变量之间的数学模型。根据采用的数学方法不同,可以将回归分析方法分为线性回归和非线性回归。线性回归方法的实质是将对象进行了线性化处理,算式简单、物理意义明确,当然对测量误差比较敏感。当对象的非线性特性比较显著或操作点变动范围较大时,此时用线性回归方法建立的模型精度就会明显下降,应考虑选用非线性回归方法[8]。经典的回归分析法是最小二乘法 (least squares, LS),为了避免矩阵求逆运算可以采用递推最小二乘法(recursive least squares, RLS)。在最小二乘法基础上又提出了许多改进的算法,如逐步回归法(MSR)、主元分析(principal component analysis, PCA)、主元回归(principal component regression,PCR)以及部分最小二乘法(partial least square, PLS)。值得注意的是,基于回归分析的软测量方法虽然简单但它要求大量数据,而且对测量误差较为敏感。
1.2.2.2 状态估计
如果已知系统的状态空间模型,而主导变量作为系统状态变量对辅助变量是可观的,那么构造软仪表的问题可以转化为状态观测或状态估计问题[9],式(1)-式(3)给出了其基本
形式。
                                             (1)
                                                    (2)
                                                (3)
x为过程状态向量;y为过程主导变量;θ为过程辅助变量;u为输入变量;v为过程噪声,w为输入噪声,两者均为白噪声;A,B,C,Cθ为系数矩阵。如θ对系统是完全可观的,则
                                                                                                (4)                                                               
                                          (5)
                                                      (6)
利用状态观测和状态估计的方法,从辅助变量θ可以得到状态变量的估计值,进而得到主导变量y的估计值 。这就是基于状态估计的软测量的基本原理。Kalman滤波器、Luenberger观测器等是目前常用的状态估计方法。基于状态估计的软仪表可以反映辅助变量与主导变量之间的动态关系,有利于处理辅助变量与主导变量动态特性不同及系统存在滞后等情况。而对复杂工业过程,取得系统的状态空间模型并非易事。
1.2.2.3 模式识别
在缺乏系统先验知识的情况下,可以应用模式识别的方法对系统的操作数据进行处理,从中提取系统的特征,构成以模式描述分类为基础的模式识别模型。基于模式识别的软测量方法通常可分为差别分析法和聚类分析法。这些方法,目前已有一些应用实例,如文献[10]分别采用空间超盒和多中心模糊聚类方法建立了某催化裂化装置粗汽油蒸汽压的软测量仪表,文献则采用了基于Bayes序列分类器的模式识别方法进行精馏塔板效率估计。
1.2.2.4 神经网络
人工神经网络方法近年来得到迅速发展[11]。二十世纪80年代以来,研究人员提出了各种不同类型的神经网络结构和学习算法,其中多层感知器(MLP)、径向基函数(RBF)网络、B样条神经网络和Hopfield神经网络等都被应用于建模和控制中。在学习算法的研究
中,Rumelhart和McClelland于1986年提出的反向传播(BP)算法掀起了80年代人工神经网络研究的高潮。在BP算法的基础上,研究者们又纷纷提出了各种改进的算法以提高训练效率和性能。1989年,Cybenko、Hornik等分别独立的在理论上证明:具有一个隐层的多层前向神经网络能以任意精度逼近在紧致集上的任意连续实函数。不久以后,Park和Sandberg、Poggio和Girosi分别证明了RBF网络也是万能逼近器。同时,由于神经网络具有大规模并行处理、容错性、自组织和自适应能力强等特点,已成为非线性系统建模的强有力工具。其训练方法及应用在很多方面都有,例如 Pascal Dufour, Sharad Bhartiya提出训练集的设计及在连续纸浆沼气池中的应用[12]。目前神经网络已成功地用于复杂工业过程的动态建模、系统辨识和控制、故障诊断等方面。
然而,利用神经网络建模时,通常具有如下问题:缺少确定隐层数目及节点数目的有效方法;模型存在过拟合、推广能力差的问题;容易陷入局部极小点,不能保证全局最优等。目前已有大量文献对这些方面做了改进,如采用正规化方法(regularization),以减小不必要的大权值,从而降低对训练样本之外数据的建模误差;通过训练中的剪枝法,得到规模适中的神经网络;将多个神经网络组合,得到堆叠神经网络(Stacked Neural Networks)可以提高网络的推广能力等。
1.2.2.5 支持向量机回归
支持向量机(Support Vector Machine, 简称SVM)是一种小样本学习理论,近年来成为机器学习和模式识别的研究热点,已经在模式识别的许多领域取得了优于传统方法的性能,比如手写数字识别、文本分类

最新论文

网站导航

热门论文