PTA工艺流程中氧化工段生产运行状态空间监测方法技术

本发明专利技术公开了PTA工艺流程中氧化工段生产运行状态空间监测方法，以工艺流程中的全局变量作为输入变量，建立工作状态监测模型，以识别当前时刻工业过程的工作状态；所述全局变量是对生产过程中的副产物4‑CBA含量的状态空间检测以反映当前工艺流程的工作状态；所述建立工作状态监测模型是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息；利用深度自编码器SAE以提取数据中的高阶数值特征信息和变量间的高阶相互关系特征，利用深度置信网络DBN以提取数据中的高阶分布特征信息；将多个尺度的特征进行融合以丰富对数据多些方面表达。将数据的各方面特征进行整合，利用Softmax分类器进行状态监测与识别。

【技术实现步骤摘要】
PTA工艺流程中氧化工段生产运行状态空间监测方法
本专利技术属于石油化工反应工程与过程控制交叉领域，涉及精对苯二甲酸(以下简称PTA，即PurifiedTerephthalicAcid)工艺过程中氧化工段生产运行状态空间监测方法。
技术介绍
精对苯二甲酸(PTA)是重要的大宗有机原料之一，主要用于生产聚对苯二甲酸乙二醇酯、聚对苯二甲酸丙二醇酯以及聚对苯二甲酸丁二醇酯，也用作染料中间体，是制造聚酯纤维、薄膜、绝缘漆的重要材料。广泛用于与化学纤维、轻工、电子、建筑等国民经济的各个方面，与人民生活水平、居住环境、社会可持续发展密切相关。PTA生产工艺过程共有两个组成部分：一是二甲苯(PX)氧化工艺；另一则是粗对苯二甲酸(crudeterephthalic，CTA)精制工艺。PX氧化工艺流程为：以对PX为原料，醋酸为溶剂，在醋酸钴，醋酸锰催化剂的作用下，以四溴乙烷为促进剂与空气中的氧气反应，生成CTA。反应中放出的大量反应热通过溶剂的蒸发带走，并通过副产蒸汽回收这部分热量。氧化反应液经串联的结晶器降温降压，再经过滤，干燥，得到中间产品CTA。在此过程中会产生的副产物的主要成分为4-CBA。CTA精致工艺流程为：将CTA用脱离子水配成一定浓度的浆料，加热至要求溶解温度后送至加氢反应器。通过催化加氢反应，使4-CBA还原成PTA。由于对甲基苯甲酸易溶于水中，因此于再结晶，分离和干燥时，可将对甲基苯甲酸分离，而可得到高纯度的纯对苯二甲酸(PTA)。在PTA的整条生产工艺流程中，主要的反应副产物的是中间物4-CBA，通常4-CBA不但会在结晶时与TA形成共晶而污染TA，还会在下游产品生产中影响TA的聚合反应。4-CBA含量高低是PTA质量的重要指标，而加氢精制过程的主要任务就是降低CTA中的4-CBA含量得到精制的对苯二甲酸。CTA用脱离子水配成一定浓度的浆料，加热至要求溶解温度后送至加氢反应器。通过催化加氢反应，使粗对苯二甲酸中所含4-CBA转化为水溶性物质。加氢反应液在串联的结晶器中逐级降温降压后送去离心机分离，得到的滤饼再用脱离子水打浆，然后经过滤和干燥，制得纤维级精对苯二甲酸，PTA生产工艺流程如图1所示。其中，副产物4-CBA在整个生产过程中处于极其重要的地位，它的产出含量直接反映了生产过程的工作状态：过氧化、适度氧化和欠氧化，基于它可以准确地判断当前的工作状态进而合理地分配资源，提高PTA的产品质量。因此，建立PTA生产过程中以4-CBA为指标的状态监测模型，对于工业过程优化有着非常重要的作用。近年来，随着生产工艺流程朝着复杂化和智能化的方向发展，以及传感器技术和分布式控制系统(DistributedControlSystem,DCS)在工业过程中的广泛应用，基于数据的过程状态监控和识别技术被广泛应用该领域中。基于数据驱动的方法无需考虑复杂工业流程内部的机理知识，仅需要基于数据特征构建监控识别模型，具有很强的通用性和便捷性，因此受到了学术界和工业界的广泛关注，更加适合现代复杂的石油化工生产过程。其中，常用的方法有主成分分析(PrincipalComponentAnalysis,PCA)、偏最小二乘(PartialLeastSquares,PLS)、典型关联分析(CanonicalCorrelationAnalysis,CCA)，支持向量机(SupportVectorMachine,SVM)等以及它们的变种。但是，随着工业现代化进程的发展，过程采集到的变量数量，变量之间的关系，变量的本质特征以及高阶分布也变得越来越复杂。并且随着计算机技术的发展以及渗入，大量的工业数据得以保存。在这样的背景下，传统的过程状态监测方法显现出了一定的弊端，例如：(1)对数据的前提假设不符合实际、(2)提取数据特征不高阶、(3)不适用于海量数据的建模、(4)在提取数据特征过程中需要人为介入来确定提取特征的质量、(5)对测量数据中的检测噪声不鲁棒等。这些问题对于处理拥有复杂变量关系以及高阶抽象的数据特征的工业大数据来说，是极为不利的。以此构建的模型所得到的结果也存在不确定性和不准确的问题。与此同时，随着深度学习技术的发展，它在模式识别，图像分类等领域都取得了空前的成就。作为一种深度神经网络模型，它具有优于传统方法的特点：无需对采集到的数据做任何假设、提取特征高阶，抽象，更加贴近本质特征、对过程测量噪声具有鲁棒性、适用于海量数据等。另一方面，工艺流程处于不同的状态下所测量的数据本质特征是不同的，这不仅仅体现在数据的数值波动和变量之间相互关系的变化(线性相关、非线性相关等)中，数据的高阶分布特征也会在不同状态下呈现出不同的特点。因此我们构建一种深度学习状态监测模型，在进行实时工作状态监测的过程中，可以充分挖掘出数据的数值特点，变量间的关系特征以及高阶分布特征的变化以准确的识别当前的工作状态，有效的判断当前工作状态以合理的对工艺过程进行进一步操作。
技术实现思路
本专利技术的目的是利用PTA工艺流程氧化工段中的全部312个变量进行4-CBA状态空间(即生产运行状态空间)的实时监测。采用钴浓度(PPM)、溴浓度(PPM)、顶部气体氧含量(VOL％)、氧气控制量(VOL％)、尾氧控制量(VOL％)、以及结晶量(KNM3/H)等312个全局变量作为系统的输入变量，分别送入深度自编码器(StackedAutoencoder,SAE)和深度置信网络(DeepBeliefNetwork,DBN)中，以构建深度学习状态监测系统。通过SAE识别数据中不同工艺状态下的数值变化和变量相关关系变化，通过DBN识别数据中不同过程状态下的高阶分布特征的变化，并且将两种深度模型下提取到的特征进行特征融合，使得融合后的特征饱含有数据的丰富信息。并且将这一特征信息送入Softmax分类器中监测对当前的工作状态：过度氧化状态、适度氧化状态和欠氧化状态。本专利技术设计的状态监测方案充分挖掘了数据中多方向的特征信息，使其识别结果更准确，便于进一步指导相关的控制操作并有助于保障生产安全和提高产品质量。本专利技术优点：(1)利用深度神经网络，构建工艺流程的深度模型，挖掘数据中的高阶抽象信息特征，克服了传统方法的诸多问题；(2)通过构建SAE和DBN的双重模型充分挖掘数据中的数值特征、变量关系特征和变量高阶分布特征信息；(3)通过将特征进行融合，可以确保在获取数据特征的时候，充分地利用丰富的特征信息进行实时模态识别，提高识别精度；(4)利用Softmax分类器构造最终的分类器，实时进行过程工艺的模态识别与分类；(5)将运行状态划分成过度氧化状态、适度氧化状态和欠氧化三种状态。1.建模样本的预处理1.1异常值检测在收集到的PTA工艺流程历史数据中，由于记录和保存数据的过程中存在误差，所以在所应用的历史训练数据中会存在一些“坏”样本和“坏”变量。为了提高建模所应用数据的准确性，首先我们对数据进行异常值检测以排除数据中的不完整样本和不准确变量：(1)若一个样本中存在变量没有被记录，那么该样本被删除不被用做训练数据；(2)若变量在所有的记录样本中全部为0，那么该本文档来自技高网...

【技术保护点】
1.PTA工艺流程中氧化工段生产运行状态空间监测方法，其特征在于，以工艺流程中的全局变量作为输入变量，建立工作状态监测模型，以识别当前时刻工业过程的工作状态；/n所述全局变量是对生产过程中的副产物4-CBA含量的状态空间检测以反映当前工艺流程的工作状态；/n所述建立工作状态监测模型是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息；/n利用深度自编码器SAE以提取数据中的高阶数值特征信息和变量间的高阶相互关系特征，利用深度置信网络DBN以提取数据中的高阶分布特征信息；/n将多个尺度的特征进行融合以丰富对数据多些方面表达。将数据的各方面特征进行整合，利用Softmax分类器进行状态监测与识别。/n

【技术特征摘要】
1.PTA工艺流程中氧化工段生产运行状态空间监测方法，其特征在于，以工艺流程中的全局变量作为输入变量，建立工作状态监测模型，以识别当前时刻工业过程的工作状态；
所述全局变量是对生产过程中的副产物4-CBA含量的状态空间检测以反映当前工艺流程的工作状态；
所述建立工作状态监测模型是构建深度神经网络状态监测模型以提取数据中的高阶抽象特征信息；
利用深度自编码器SAE以提取数据中的高阶数值特征信息和变量间的高阶相互关系特征，利用深度置信网络DBN以提取数据中的高阶分布特征信息；
将多个尺度的特征进行融合以丰富对数据多些方面表达。将数据的各方面特征进行整合，利用Softmax分类器进行状态监测与识别。


2.根据权利要求1所述的PTA工艺流程中氧化工段生产运行状态空间监测方法，其特征在于，所述建立工作状态监测模型包括如下步骤：
建模样本的预处理
1.1异常值检测
在收集到的PTA工艺流程历史数据中，由于记录和保存数据的过程中存在误差，所以在所应用的历史训练数据中会存在一些“坏”样本和“坏”变量；为了提高建模所应用数据的准确性，首先我们对数据进行异常值检测以排除数据中的不完整样本和不准确变量：(1)若一个样本中存在变量没有被记录，那么该样本被删除不被用做训练数据；(2)若变量在所有的记录样本中全部为0，那么该样本对于挖掘数据信息，分析样本模态没有实质性的作用，那么该变量被删除不被用为训练样本中的变量；
1.2标准化处理
为了消除变量之间各自量纲对识别结果的影响，对训练样本进行标准化预处理：使得处理后的各维数据具有均值为0，方差为1的特性；对于一个经过异常值处理后的数据X∈Rn×m，其中n为样本数量，m为一个样本中的变量数量，那么预处理可以表示为：



其中，xi∈Rn×1是训练样本X的第i个采样变量，是其均值，是其方差，是标准化后的样本的第i个变量。


3.根据权利要求1所述的PTA工艺流程中氧化工段生产运行状态空间监测方法，其特征在于，所述建立工作状态监测模型包括如下步骤：
模态划分
基于4-CBA含量对PTA工艺流程氧化工段生产状态进行模态划分：在反应过程中，当4-CBA含量过大，那么意味着工艺流程处于欠氧化状态；当4-CBA含量过小，意味着工艺流程处于过氧化状态。基于此，PTA工艺流程氧化工段运行状态被分为三个状态，如：



其中4-CBA含量单位是PPM，2903PPM、3001PPM是可以调整的控制限值。


4.根据权利要求1所述的PTA工艺流程中氧化工段生产运行状态空间监测方法，其特征在于，所述建立工作状态监测模型包括如下步骤：
深度模型构建
3.1栈式自编码器模型构建
栈式自编码器SAE分为三个部分：输入层，隐藏层，softmax输出层；给定训练数据和一个具有n个隐藏层的SAE模型，首先构建SAE模型以获取SAE的深层特征：



其中[W1,W2,…,Wn]是第一隐藏层到第n隐藏层的权重，[b1,b2,…,bn]是第一隐藏层到第n隐藏层的阈值，[σ1,σ2,…,σn]是第一隐藏层到第...

【专利技术属性】
技术研发人员：颜学峰，于健博，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31