乙烯装置中乙烯精馏塔的智能控制方法 一、技术领域
本发明属于化学工程和自动控制领域，涉及乙烯装置中乙烯精馏塔的控制方法。二、背景技术
在乙烯生产过程中，乙烯精馏塔是生产装置的重要设备，它操作平稳与否，不仅影响整个乙烯精馏塔的产品质量和产量，而且还将直接影响下游生产装置(如聚乙烯、醋酸、乙二醇、聚氯乙烯等装置)的平稳操作。
乙烯精馏塔分离的主要组分乙烯和乙烷沸点较接近，并且组分中含有丙烯、丙烷等物质，而分离的产品又是聚合级乙烯(纯度必须大于99.95％)，是一个很复杂的精密精馏过程；此系统的工艺操作和自动控制难度较大，一直是国内外乙烯生产过程有待解决的难题之一。
目前国内所有乙烯装置都采用集散控制系统(Distributed Control Systems，DCS)的基本控制功能对生产过程进行监控，这些基础控制系统保障了乙烯精馏塔的安全运行，但仍普遍存在塔釜采出乙烷中乙烯含量超标，塔顶乙烯浓度波动较大或“过质量精馏”等问题。因此，为了充分发挥乙烯装置中DCS和操作设备的潜力，有效地利用原料和能源，增加装置的经济效益，结合乙烯精馏生产过程的工艺操作特点，综合应用化学工程、人工智能和自动控制科学中的最新技术，对乙烯精馏塔实施智能控制和优化操作，确保乙烯精馏塔各项工艺参数稳定在最优工作状态，该发明具有极其重要的实用价值。三、发明内容
本发明所述的智能控制方法是：乙烯装置中乙烯精馏塔的智能控制方法，选择影响乙烯精馏塔塔顶乙烷浓度和塔釜乙烯浓度的工艺操作参数，并将其归一化，然后利用各自地模糊GMDH神经网络模型进行计算，模型输出值经过反归一化后，利用乙烯精馏塔塔顶乙烷浓度和塔釜乙烯浓度的人工分析值对反归一化后的模型输出进行在线“滚动”校正，从而得到塔顶乙烷浓度和塔釜乙烯浓度的软测量值；最后根据塔顶乙烷浓度和塔釜乙烯浓度的软测量值对乙烯精馏塔进行实时推断控制(见图1)。即通过塔顶乙烯采出中乙烷浓度调节乙烯产品的采出量，实现塔顶乙烷浓度的推断控制；而通过对乙烯装置中乙烯精馏塔增加或降低加热丙烯流量即提高或降低塔釜温度可以控制塔釜乙烷采出中的乙烯浓度。
本发明技术方案：
塔顶乙烷浓度神经网络软测量模型的建立：
数据处理的组方法(GMDH，Group Method of Data Handling)是由前苏联数学家Ivakhnenko借用生物控制论中的自组织原理提出的，它基于多项式理论，穷尽了输入变量自身与相互间的各种组合，因此被认为是非线性模型的完全描述，可以达到描述实际问题的最佳组合。模糊GMDH网络局部描述函数选择非单一，选择等价于模糊模型的RBF网络作为网络第一层的局部描述，利用RBF网络良好的局部和全局拟合特性，最大程度上逼近期望输出。而网络的其他各层局部描述采用多项式函数，多项式局部描述可以较快的进行网络结构辨识，使采用RBF局部描述的输出组合逼近网络输出。所以这种网络训练过程较快，具有良好的拟合和泛化能力。为此，这里采用模糊GMDH神经网络来建立塔顶乙烷浓度和塔釜乙烯浓度的神经网络软测量模型。
在DCS中获取影响乙烯精馏塔塔顶乙烷浓度的工艺参数，包括塔顶温度T1、塔顶压力P1、塔釜温度T3以及回流比R(即塔顶回流量与塔顶采出量的比值)；这里的软测量模型考虑了上述4个因素对塔顶乙烷浓度影响的不同时间，根据乙烯精馏塔的具体结构和采样位置，这里选取T1当前时刻值T1(k)、P1当前时刻值P1(k)、T3当前时刻值T3(k)、R当前时刻值R(k)、R当前时刻之前的一个单位时间值R(k-1)、R当前时刻之前的另一单位时间值R(k-2)(一般指前两个单位时间)作为神经网络模型的输入变量；选取乙烯精馏塔塔顶乙烷浓度当前时刻的人工分析值作为模糊GMDH神经网络模型的输出变量。
将T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2)以及当前时刻的塔顶乙烷浓度人工分析值数据进行归一化处理，归一化范围可以选取为[0，小[-0.5，0.5]，[-1，1]等，这里将其归一到[0.2，0.8]之间。归一化方法如下：x=X-ab-a×0.6+0.2]]>
其中，X为各输入变量的实际测量值，x为归一化后各输入变量的数值，[a，b]为X的量程范围。
在神经网络模型中，输入层的节点数为i(i＝6)，中间层的隐层层数为L(L＝1～100)，各隐层节点数为j(j＝2～100)，输出层节点为k(k＝1～100)。在实施例中：中间层的隐层层数为L(L＝2)，各隐层节点数为j(j＝60)，输出层节点为k(k＝1)。
将工业生产现场采集到的若干组实时数据，作为乙烯精馏塔塔顶乙烷浓度神经网络软测量模型的训练样本。选择模糊GMDH神经网络对塔顶乙烷进行预测，其输入节点分别对应着归一化后乙烯精馏塔T1(k)、P1(k)、T3(k)、R(k)、R(k-1)、R(k-2)，而输出节点对应着归一化后的乙烷浓度人工分析值(见图2)。
在上述若干组训练样本中，选择其中部分组数据作为样本数据训练神经网络，而用另外的样本来预测神经网络泛化能力，得到训练及预测误差较小的一组权值及阈值。
在神经网络权值和阈值确定后，就可以通过现场实时数据(这里指模型中各输入变量数据)的不断采集，经归一化后带入神经网络模型进行计算，并将神经网络模型计算输出值经过反归一化处理后，便得到乙烯精馏塔塔顶乙烷浓度的神经网络预测值，单位为ppm。
乙烯精馏塔塔釜乙烯浓度神经网络软测量模型的建立：
这里，同样采用模糊GMDH神经网络来建立塔釜乙烯浓度软测量模型。
在该模型中，选择当前时刻的乙烯精馏塔塔釜压力P2(k)、塔釜温度T3(k)、灵敏板温度T2(k)为影响乙烯精馏塔釜乙烯浓度操作特性的主要操作变量；即选取归一化后的P2(k)、T3(k)、T2(k)作为塔釜乙烯浓度软测量模型的输入变量。
将P2(k)、T3(k)、T2(k)以及当前k时刻的塔釜乙烯浓度人工分析值数据进行归一化处理，归一化的方法同上。
在工业装置“操作点”周围进行“大区域”正交模拟试验，获得了若干组操作范围变化较大的乙烯精馏塔塔釜乙烯浓度操作样本，将这些样本数据与工业生产现场采集到的实时数据结合起来，构成乙烯精馏塔塔釜乙烯浓度神经网络软测量模型的训练样本。选择模糊GMDH神经网络对塔釜乙烯浓度进行预测，其输入节点分别对应着乙烯精馏塔塔釜压力P2(k)、塔釜温度T3(k)和塔灵敏板温度T2(k)，而输出节点对应着乙烯浓度人工分析值(见图3)。选择一定量的样本数据训练神经网络，用另外一定量的样本来预测神经网络泛化能力，得到训练及预测误差较小的一组权值及阈值。
在乙烯精馏塔现有仪表和DCS计算机控制系统的基础上，通过DCS系统对过程数据(这里指模型中各输入变量数据)的实时、连续采集，经归一化后带入神经网络模型进行计算，将模型输出值经过反归一化处理后，便得到乙烯精馏塔塔釜乙烯浓度的神经网络预测值，单位为ppm。
在DCS的应用模块或先进过程管理模块(Application Module or AdvancedProcess Manager，AM or APM)上按图6所示的程序流程实现控制语言的编制，通过数据的实时、连续采集，就能得到塔顶乙烷浓度及塔釜乙烯浓度的实时神经网络预测值，当然也可以用其它在线计算机进行实时神经网络预测值的计算。
模型的校正：
由于实际工业生产过程中存在多种干扰因素，上述产品浓度的神经网络预测值与工业装置的人工分析值不可避免会产生一定的偏差。为此，必须每隔一段时间，用人工分析值(通常几个小时分析一次)对神经网络模型预测值进行在线“滚动”优化校正，以使该神经网络模型适应工业过程操作特性的变化和生产工况的迁移，最终得到塔顶乙烷浓度、塔釜乙烯浓度的最终软测量值。
塔顶乙烷浓度在线推断控制系统的建立：
塔顶乙烷浓度的软测量值，经超前/滞后环节补偿后，据此对回流比进行实时推断控制。同时塔顶回流罐液位控制回流量，以实时调节进料负荷对塔顶乙烷浓度的影响，并通过回流比控制器控制采出量，实现塔顶乙烷浓度的推断控制，如图4所示。
塔釜乙烯浓度在线推断控制系统的建立：
塔釜乙烯浓度的软测量值，经超前/滞后环节补偿后，据此对乙烯精馏塔进行实时推断控制，通过调节塔釜再沸器加热丙烯流量来控制塔釜乙烯浓度，如图5所示。
通过使用本发明所述的方法对乙烯装置中乙烯精馏塔实施智能控制，能够降低乙烯精馏塔塔釜出料中乙烯产品损失、降低加热丙烯流量、降低回流比、稳定塔顶乙烯质量、增加乙烯产量、降低塔的能耗，使乙烯精馏塔处于最佳操作工况。四、附图说明
图1为乙烯精馏塔智能控制系统控制流程图。图中，T2为灵敏板温度；T3为塔釜温度；FC1为塔顶回流量控制器；F1为塔顶回流量；FC2为塔顶采出量控制器；F2为塔顶采出量；FC3为侧线采出控制器；F3为侧线采出量；FC4为塔釜加热丙烯流量控制器；F4为塔釜加热水流量；LC1为回流罐液位控制器；L1为回流罐液位值；LC2为塔釜液位控制器；L2为塔釜液位值；AC1为塔顶乙烷浓度控制器；AC2为塔釜乙烯浓度控制器；PC为塔釜压力控制器；P2为塔釜压力；P1为塔顶压力；K为回流比；
图2为塔顶乙烷浓度神经网络软测量模型的结构图，该软测量模型采用模糊GMDH神经网络。
图3为塔釜乙烯浓度神经网络软测量模型的结构图，该软测量模型采用模糊GMDH神经网络。
图4为乙烯精馏塔塔顶乙烷浓度控制系统框图
图5为乙烯精馏塔釜乙烯浓度控制系统框图
图6为塔顶乙烷浓度和塔釜乙烯浓度软测量模型的程序框图五、具体实施方式
下面结合实施例及附图对本发明作进一步的说明：
在DCS中获取影响乙烯精馏塔塔顶乙烷浓度波动的主要工艺操作参数：塔顶温度、塔顶压力、塔釜温度、回流比等，其包括当前时刻塔顶温度T1(k)、当前时刻塔顶压力P1(k)、当前时刻塔釜温度T3(k)、当前时刻回流比R(k)、当前时刻之前1个小时R(k-1)、当前时刻之前2个小时R(k-2)以及当前时刻塔顶乙烷浓度人工分析值，并将这些数据归一化到[0.2，0.8]的范围，归一化的方法如下：
x＝(X-a)/((b-a)×0.6+0.2
其中，X为输入变量，[a，b]为X的量程范围，x为归一化后的输入。塔顶温度变化范围取为[-28，-35]，单位为℃；塔顶压力的变化范围取为[1.75，1.95]，单位为MPa(G)；塔釜温度的变化范围取为[-5，-12]，单位为℃；塔顶回流比的变化范围取为[3，10]，无单位。
在工业生产现场采集400组实时数据，利用塔顶乙烷浓度人工分析值作为目标值进行神经网络训练。其中前300组数据作为训练样本，后100组数据作为预测样本。通过对神经网络模型进行离线训练，得到GMDH神经网络的结构、权值及阈值。GMDH神经网络的计算采用的作用函数为二次多项式。
在DCS的应用模块或先进过程管理模块(AM or APM，Application Moduleor Advanced Process Manager)上按照图6的程序流程实现控制语言的编制，通过数据的实时、连续采集，将训练好的权值及阈值带入神经网络进行计算，此时得到的乙烷浓度值在[0.2，0.8]之间；为此，将该计算出的神经网络输出进行反归一化，得到塔顶的乙烷浓度实时神经网络软测量值在[0，1000]范围内，单位为ppm；最后，利用最近时刻塔顶乙烷浓度的人工分析值对反归一化后的神经网络预测值进行在线“滚动”优化校正，得到乙烷浓度最终软测量值。
在DCS系统的AM或APM上实现控制语言的编制，按图4的控制框图搭建控制模块，并进行工业现场对象操作特性测试、控制系统的工业装置实际投运和动态过程补偿等环节的参数调试，最终实现塔顶乙烷浓度的推断控制，确保塔顶乙烯浓度≥99.95％。
同理，按照上述乙烷浓度软测量值的实现方法，可以得到塔釜乙烯浓度的软测量值。并在DCS系统的AM/APM上实现控制语言的编制，按图5的结构搭建控制模块，并进行工业现场对象操作特性测试、控制系统的工业装置实际投运和各环节的参数调试，实现塔釜乙烯浓度的推断控制，达到控制塔釜乙烯浓度在0.7-1.1％的范围内。因为塔的进料乙烷和乙烯的混合物是均匀进入的，一般不进行控制。而主要通过塔釜加热和回流比进行控制。
通过塔釜和塔顶先进控制技术优化了乙烯精馏塔的操作，改进了乙烯精馏系统的操作“弹性”，减少了塔釜再沸器和塔顶冷凝器负荷，降低了丙烯压缩机的负荷，提高了乙烯精馏系统的生产能力和操作稳定性。通过塔釜乙烯浓度控制，保证塔底采出乙烷中乙烯含量在1.1％以下，并控制在设定值的±0.2％范围内，如现场投用时软测量设定在乙烯浓度为0.3，实际投用乙烯浓度软测量浓度范围在(0.18-0.45)，说明软测量的投用效果是比较显著的。乙烯塔塔釜再沸器负荷明显降低，根据先进控制技术投运前后对乙烯精馏塔塔釜再沸器加热流量的统计，其平均加热流量已由原来的32000Nm3/h下降到26000Nm3/h，平均每小时减少6000Nm3。塔的平均操作回流比也由原来的4.4降为现在的4.15左右，因此投用先进控制系统后大大节省了能量消耗。
在采用DCS控制时，塔顶乙烷浓度控制是通过如下的控制方式：塔顶回流量根据回流罐液位进行控制，根据塔顶软测量乙烷浓度确定回流比，这样可计算出乙烯的采出量，作为乙烯采出控制器的设定值，再通过乙烯采出流量控制器控制乙烯采出，最终达到减少塔顶乙烷的目的，在控制时通过软测量输出值与回流比控制器串级控制。塔釜控制是根据乙烯浓度软测量值来串级塔釜加热丙烯流量，进而达到控制塔釜乙烯浓度的目的。根据具体的生产情况，相应的控制参数需调整，如在某具体现场控制时，塔顶控制乙烷浓度软测量推断控制采用PID控制，其控制参数是：k＝0.5，T1＝15，T2＝7.5；塔顶乙烯采出控制器采用PI控制，其控制参数为：k＝1.1，T1＝1.5；塔釜推断控制采用PID控制，其控制参数是：k＝0.15，T1＝20，T2＝8；塔釜加热丙烯流量控制器采用PI控制，其控制参数为k＝1.35，T1＝1.65。