CN102375936A - 一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表 - Google Patents

Abstract

本发明公开了一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表，包括：第一装置，用于用动态超变异免疫算法DHIA自动求取乙烷浓度软仪表的隐层中心点的位置和径向基函数的扩展宽度；第二装置，用最小二乘法直接计算乙烷浓度测量软仪表的输出权值。本发明的方法可以避免局部极值问题，并解决RBF网络参数设定难的问题，以增强乙烷浓度间接测量软仪表的自适应性和泛化能力，不仅有效避免色谱分析仪和人工分析值的滞后所带来的不良影响，还提高了预测塔顶乙烷浓度的准确度，解决乙烷浓度实时反馈控制的难题。

Description

一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表

技术领域

本发明属于化工技术领域，特别涉及一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表。

背景技术

乙烯精馏塔的主要作用是将乙烯和乙烷进行分离，塔顶产出聚合级高纯度乙烯产品，塔底产出的乙烷循环至裂解炉作裂解料。其工艺流程如图1所示。塔进料的主要组分是乙烯和乙烷，并含有少量甲烷、氢气和丙烯。塔精馏段主要用于乙烯和轻组分的分离，塔顶馏出物经塔顶冷凝器的丙烯冷剂冷凝后，进入乙烯精馏塔回流罐，从而将冷凝的乙烯和未被冷凝的轻组分分离，冷凝的乙烯经回流泵加压后，作为回流返回乙烯精馏塔。在塔内部，回流液与塔釜上升的气体在塔板上对流接触，经过热和质的交换，小部分液体作为成品乙烯侧线出料，大部分液体继续流向塔釜，经塔底再沸器中的丙烯热媒加热又气化上升。聚合级乙烯产品从乙烯塔侧线采出后，送至乙烯球罐贮存。从乙烯精馏塔塔釜采出的物料则主要为乙烷，并含有少量乙烯和重组分，最后送到裂解炉作为裂解原料。

由于从乙烯精馏塔塔顶采出的乙烯产品中乙烯纯度要求高(＞99.95％)，所以很难对产品中乙烯浓度进行直接控制，实际生产中选择控制乙烯产品中的主要“杂质”，即乙烷的浓度，以保证乙烯浓度在设定的变化范围内。完成这一功能的主要包含回流罐液位控制、乙烷浓度控制和回流比控制三个模块。塔顶乙烷浓度的控制输出直接关系到回流比控制器的设定值，并影响乙烯产品采出的质量。然而，现场用于产品组分分析的色谱分析仪具有较长时间的分析滞后(一般为8～12min)，难以用于实时反馈控制。

目前，为了克服精馏塔塔顶乙烷浓度测量的缺陷，已经有根据流程模拟结果和现场数据信息，将两层结构的前向(BP)神经网络或径向基(RBF)神经网络应用于塔塔顶乙烷浓度的软测量，通过辅助变量推断出乙烷浓度值。但是由于BP网络存在局部最小问题，并且收敛速度慢，而合适的RBF网络隐层中心点位置和径向基函数扩展宽度通常难以确定，这些都影响了乙烷浓度测量估计的实时性和有效性，使得乙烷浓度控制不能达到良好的效果。

发明内容

本发明的目的是提供一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表，以解决现有技术中对乙烷浓度控制不佳的问题。

本发明的技术方案是，一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表，包括：

第一装置，用于用动态超变异免疫算法DHIA自动求取乙烷浓度软仪表的隐层中心点的位置和径向基函数的扩展宽度；

第二装置，用最小二乘法直接计算乙烷浓度测量软仪表的输出权值；

其中，第一装置还包括：

将构造乙烷浓度测量软仪表的RBF神经网络结构初始化的模块，该模块将网络中心点和扩展宽度表示为抗体；

训练RBF神经网络，用DHIA算法自动优化确定网络的中心c和扩展宽度δ的模块，该模块的具体运行步骤是：

a)根据RBF网络结构，求抗体亲和度；

i.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(1\right)$

ii.再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(2\right)$

iii.根据网络输出与样本期望值的差计算网络的目标函数值E，由此得出抗体的亲和度值；

b)选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

c)对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

d)对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp (-\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(3\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度；

e)按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(4\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij；

f)在记忆库M中选择N_d个抗体***R_n中，获得新一代抗体群，满足终止条件，即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，是则输出最佳网络中心c和扩展宽度δ，否则转入第a)步骤；

g)当网络训练完成后，训练好的网络便可用于对对塔顶乙烷浓度进行实时测量估计。

本发明根据现场数据及历史数据，采用RBF神经网络对塔顶乙烷浓度进行实时间接测量，并用动态超变异免疫算法(DHIA)自动求取构造乙烷浓度间接测量软仪表的RBF网络隐层中心点的位置和径向基函数的扩展宽度。该方法可以避免局部极值问题，并解决RBF网络参数设定难的问题，以增强乙烷浓度间接测量软仪表的自适应性和泛化能力，不仅有效避免色谱分析仪和人工分析值的滞后所带来的不良影响，还提高了预测塔顶乙烷浓度的准确度，解决乙烷浓度实时反馈控制的难题。

附图说明

图1乙烯精馏塔工艺流程

图2基于免疫神经网络(DHIA-RBFNN)的塔顶乙烷浓度间接测量原理

具体实施方式

如图2所示，根据精馏塔工艺机理、实际操作特性和塔主要影响因素的相关性分析，可知塔顶成品中乙烷浓度与塔顶压力、乙烯产品出料温度、当前时刻回流比和以前时刻回流比密切相关。因此，在采用免疫神经网络(DHIA-RBFNN)建立塔顶乙烷浓度间接测量软仪表模型的过程中，选取塔顶压力、乙烯产品出料温度、当前时刻回流比、当前时刻前1小时回流比及当前时刻前2小时回流比作为输入变量，取塔顶乙烷浓度作为输出变量，有如下关系式：

B(k)＝f(P(k)，T(k)，RR(k)，RR(k-1)，RR(k-2))        (5)

式中：B(k)：成品乙烯中乙烷的浓度，单位：PPM

P(k)：塔顶压力，单位：MPa(表)

T(k)：乙烯产品出料温度，单位：℃

RR(k)：当前时刻回流比

RR(k-1)：当前时刻前1小时回流比

RR(k-2)：当前时刻前2小时回流比

基于DHIA-RBFNN的塔顶乙烷浓度间接测量方法如图2所示。在实际生产过程中，乙烯精馏单元的操作工况，诸如塔进料组分、进料量、再沸器加热温度以及塔压和塔板分离效率等生产工况和参数，不同程度地发生变化，都会造成软仪表间接测量偏差，因此必须采用根据色谱分析仪输出值修正后的人工分析值对上述软仪表的乙烷估计值进行在线校正，使其适应过程操作特性的变化和生产工况变迁。由DHIA-RBFNN估计出的塔顶乙烷浓度经校正后送至乙烷浓度控制器，而乙烷浓度控制器输出动态调节精馏塔的回流比的设定值，最后回流比比值控制器根据回流量和回流比设定值计算出乙烯产品采出量。同时，回流罐的液位动态调节塔顶回流量设定值，从而保持精馏塔的平稳运行。

基于DHIA-RBFNN的塔顶乙烷浓度测量软仪表由三层RBF神经网络构成，并分为两个阶段估计乙烷浓度：第一阶段先用动态超变异免疫算法DHIA自动求取乙烷浓度软仪表的隐层中心点的位置和径向基函数的扩展宽度；第二阶段用最小二乘法直接计算乙烷浓度测量软仪表的输出权值。该方法利用免疫算法设计隐层非线性参数，能够对解空间进行多点搜索，在全局范围内进行参数寻优。而采用最小二乘法设计线性输出层，降低了设计空间的维数，提高了估计效率。该方法设网络具有n个输入，h个隐节点，m个输出，将h个隐层中心和h个扩展宽度组成的向量对应一个抗体，将软仪表的实际输出和期望输出(人工分析值)的均方差目标函数对应于抗原，并设软仪表的输出的均方差目标函数为：

$E=\frac{1}{\mathrm{pm}}\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{l=1}{\overset{m}{\mathrm{\Σ}}}{[t_{\mathrm{kl}}-y_{\mathrm{kl}}]}^2---\left(6\right)$

式中p为训练样本数，t_kl和y_kl分别为第k个样本在第l个输出处的期望输出值和软仪表的实际输出值。抗体和抗原的亲和度定义为E的倒数。相应的软仪表的参数的确定算法的基本步骤描述如下：

①将构造乙烷浓度测量软仪表的RBF神经网络结构初始化。将网络中心点和扩展宽度表示为抗体。

②开始训练RBF神经网络，同时用DHIA算法自动优化确定网络的中心c和扩展宽度δ。

a)根据RBF网络结构，求抗体亲和度；

i.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(1\right)$

ii.再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(2\right)$

iii.根据网络输出与样本期望值的差计算网络的目标函数值E，由此得出抗体的亲和度值；

b)选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

c)对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

d)对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp (-\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(3\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度。

e)按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(4\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij。

f)在记忆库M中选择N_d个抗体***R_n中，获得新一代抗体群；满足终止条件，

即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，否则转入第(2)步，是则输出最佳网络中心c和扩展宽度δ。

g)当网络训练完成后，训练好的网络便可用于对对塔顶乙烷浓度进行实时测量估计。

具体实施时：

1.选取N组乙烷浓度人工分析数据作为构造测量软仪表的神经网络训练期望值，将对应的塔顶压力、乙烯产品出料温度、当前时刻回流比、当前时刻前1小时回流比及当前时刻前2小时回流比的测量数据作为样本数据集，其中训练样本为N₁，测试样本为N₂组，并对工程单位变量数据进行归一化的处理，使不同数量级的输入数据有一个对输出影响的共同标准；

2.将N₁个训练样本用于DHIA-RBFNN网络训练，建立塔顶乙烷浓度估计软仪表模型，并由DHIA算法获得RBF网络的最佳隐层中心和扩展宽度。

3.将训练好得DHIA-RBFNN模型用于N₂个测试样本进行离线校正，通过观察塔顶乙烷预测结果和绝对误差微调神经网络参数。

4.将获得的基于DHIA-RBFNN的乙烷浓度软仪表模型应用于对精馏塔的乙烷浓度进行实时估计，并将估计结果与乙烷浓度设定值进行比较后用于进行对乙烷浓度的反馈控制。在实际控制***应用中，需要结合人工分析值对估计结果进行在线校正，校正前的神经网络模型乙烷浓度估计值需进行反归一化处理，以将其转化为一定取值范围内的工程单位数据。

本发明优点是：

1.采用径向基函数(RBF)神经网络构造乙烷浓度测量软仪表对塔顶乙烷浓度进行测量估计，克服了色谱分析仪和人工分析值带来的明显控制滞后问题，解决乙烷实时反馈控制的难题。

2.采用动态超变异免疫算法(DHIA)求取构造乙烷浓度测量软仪表的RBF网络隐层中心点的位置和径向基函数的扩展宽度，实现了乙烷浓度测量软仪表参数的自动设定。

Claims (1)

1.一种乙烯精馏塔塔顶乙烷浓度的实时测量仪表，其特征在于，包括：

第一装置，用于用动态超变异免疫算法DHIA自动求取乙烷浓度软仪表的隐层中心点的位置和径向基函数的扩展宽度；

第二装置，用最小二乘法直接计算乙烷浓度测量软仪表的输出权值；

其中，第一装置还包括：

将构造乙烷浓度测量软仪表的RBF神经网络结构初始化的模块，该模块将网络中心点和扩展宽度表示为抗体；

训练RBF神经网络，用DHIA算法自动优化确定网络的中心c和扩展宽度δ的模块，该模块的具体运行步骤是：

a)根据RBF网络结构，求抗体亲和度；

i.对网络的中心c和扩展宽度δ组成的抗体进行解码，并采用下式表示的高斯函数作为激活函数计算隐层网络的输出：

${\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)=\exp (-\frac{{\left|\right|x-c_i\left|\right|}^2}{{\mathrm{\δ}}^2})---\left(1\right)$

ii.再由隐层输出采用最小二乘法计算输出层的网络实际输出y，其中第k个输出为

$y_k=\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{w}_i{\mathrm{\Φ}}_i\left(\right||x-c_i|\left|\right)---\left(2\right)$

iii.根据网络输出与样本期望值的差计算网络的目标函数值E，由此得出抗体的亲和度值；

b)选择出N_m个具有高亲和度的抗体存放在的优秀抗体记忆库M中，并更新记忆库，保留历代最佳抗体；

c)对抗体按照克隆比与亲和度成正比的关系进行克隆复制；

d)对克隆抗体群中的抗体进行变异率与抗体的亲和度成反比的超变异操作，超变异率为：

$p\left(X_i\right)=\exp (-\mathrm{\β}\·\frac{{\mathrm{aff}}_{\max }-{\mathrm{aff}}_{\mathrm{avg}}}{{\mathrm{aff}}_{\max }}\·\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }})---\left(3\right)$

其中β为超变异比例因子，aff_avg和aff_max分别为抗体群的平均亲和度和最大亲和度；

e)按照下式计算抗体按激励水平，并除去N_d个低激励水平的抗体；

${\mathrm{SL}}_i=\frac{1}{2}[\frac{1}{L}(\frac{1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{D}_{\mathrm{ij}}-\frac{k_1}{N}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{S}_{\mathrm{ij}})+\frac{{\mathrm{aff}}_i}{{\mathrm{aff}}_{\max }}]---\left(4\right)$

其中L为DHIA中的抗体二进制编码字符长度，N为抗体群规模，aff_i为抗体X_i的亲和度，而D_ij为抗体X_i和抗体X_j之间的激励作用，用两者的海明距离表示，S_ij为它们之间的抑制作用，且有S_ij＝L-D_ij；

f)在记忆库M中选择N_d个抗体***R_n中，获得新一代抗体群，满足终止条件，即判断是否已达到最大训练次数，或网络总误差是否满足网络训练目标函数的要求，是则输出最佳网络中心c和扩展宽度δ，否则转入第a)步骤；

g)当网络训练完成后，训练好的网络便可用于对对塔顶乙烷浓度进行实时测量估计。

Images