一种变压精馏过程中基于BP神经网络的智能器制造技术

本发明专利技术公开了一种变压精馏过程中基于BP神经网络的智能控制器。本发明专利技术利用再沸器热负荷等易测量的过程变量来预测温度控制器的设定点，从而避免产品组分测量，降低生产成本。利用相关分析方法对变量进行分析，得到输出变量与输入变量之间的关系，然后利用BP神经网络训练相关性强的变量，在降低计算量提高效率的同时，也提高预测准确性和控制性能。最终，智能控制器可实现抵抗变压精馏过程20％的流量扰动和组分扰动。和组分扰动。和组分扰动。

【技术实现步骤摘要】
一种变压精馏过程中基于BP神经网络的智能器


[0001]本专利技术涉化工、控制和神经网络的
，具体涉及一种变压精馏过程中基于BP神经网络的智能控制器。

技术介绍

[0002]高纯度的产品要求和复杂的进料系统(共沸物)促进了特殊精馏工艺的发展，变压精馏由于不需要额外添加溶剂，具有突出的节能潜力，近年来备受关注。变压精馏过程需要一个稳定有效的控制结构来满足实际应用。目前在变压精馏过程中应用最广泛的是PID控制，主要分为间接控制和直接控制。间接控制是通过控制精馏塔塔板温度来控制产品纯度(Luo,Haotao,et al."Comparison of pressure
‑
swing distillation and extractive distillation methods for isopropyl alcohol/diisopropyl ether separation."Industrial&Engineering Chemistry Research 53.39(2014):15167
‑
15182；朱兆友，变压精馏分离苯与异丁醇混合物工艺及动态控制方案[P].山东省：CN107311832B,2020
‑
07
‑
28.)。但由于塔板温度与产品组成之间不存在一定的线性关系，当系统出现扰动时，大多数温度控制只能保证产品纯度稳定在在可接受的范围内。直接控制以产品纯度为被控变量(徐啟蕾，三塔变压精馏分离丁酮/异丙醇/正庚烷三元共沸物方法[P].山东省：CN113788746A,2021
‑
12
‑
14)。突出的优点是能够将产品纯度精确控制到设定值。然而，产品组分的实时测量难以实现，成分分析仪器不仅昂贵，难以维护，增加了高运行成本，并有严重的测量滞后，带来控制难题。这些原因极大地限制了直接控制在变压精馏过程中的实际应用。因此，有必要设计一种智能控制器，既能避免成分分析仪的使用，又能实现产品纯度的高精度控制。
[0003]神经网络具有较强的非线性映射能力，在数据预测、故障检测、约束优化等方面具有优异的性能。其中反向传播(BP)神经网络不需要调整复杂的参数，因此被许多实际行业所接受。它不需要知道系统的内部机制，只需要关注输入和输出数据就可以对系统建模。这些优点使BP神经网络适合用于设计智能控制器，以解决变压精馏过程中一些关键变量难以测量的问题。BP神经网络结构如图1所示，包括输入层、隐含层、输出层。工作原理主要分为两部分，第一部分使信号的前向传播，信号依次经过输入层隐含层和输出层；第二阶段是误差的反向传播，与信号传播方向相反。BP神经网络就是根据误差不断地反向传播，不断更新每层之间的权重(w)和偏置(b)，来不断缩小输出值与期望值的误差。这样BP神经网络就可以根据系统的一些容易测量的变量对一些不容易测量的变量进行预测。然而，基于BP神经网络的变压精馏控制结构还没有相关的研究。

技术实现思路

[0004]针对现有技术的不足，本专利技术旨在提供一种变压精馏过程中基于BP神经网络的智能器，通过本专利技术的智能控制器利用再沸器热负荷等易测量的过程变量来预测温度控制器的设定点，从而避免产品组分测量，降低生产成本。利用相关分析方法对变量进行分析，得
到输出变量与输入变量之间的关系，然后利用BP神经网络训练相关性强的变量，在降低计算量提高效率的同时，也提高预测准确性和控制性能。最终，智能控制器可实现抵抗变压精馏过程20％的流量扰动和组分扰动。
[0005]为了实现上述目的，本专利技术采用如下技术方案：
[0006]一种变压精馏过程中基于BP神经网络的智能器，所述方法包括：
[0007]S1设计出三塔变压精馏的PID控制结构：进料由流量控制器控制，反作用；三座塔的塔顶压力由冷凝器负荷控制，反作用；三座塔的回流罐液位由塔顶采出量控制，正作用；三座塔的塔釜液位由塔底采出量控制，正作用；三座塔的回流比为比值控制；三座塔的灵敏板温度通过再沸器热负荷控制，反作用；三座塔的产品组分控制器与各自的温度控制器形成串级控制，反作用。
[0008]S2调节控制器参数，使得可以抵抗
±
20％的进料流量扰动和组分扰动。
[0009]S3以0.01小时为采样间隔，采集步骤S2中每个抗扰动过程中每个控制器的数据，每个扰动采集20小时，四种扰动共8000组数据。
[0010]S4将每个塔的产品纯度和每个温度控制器设定值作为输出变量，其余所有变量作为输入变量，计算每个输出变量和每个输入变量之间的相关性系数。从整体上看，选择与输入变量相关性强的输出变量作为最终BP神经网络的输出，与输出变量相关性大于等于0.6的输入变量作为BP神经网络的输入。
[0011]S5将数据归一化处理，利用BP神经网络训练数据，其中100组数据用来测试预测效果，其余数据用来训练和校验。调节BP神经网络的隐含层数和神经元个数使均方误差最小，然后生成BP神经网络模块。
[0012]S6 BP神经网络模块与归一化和反归一化模块组成智能控制器。智能控制器实时采集步骤S4中选择的输入变量的数据，根据系统的瞬时状态，在线预测温度控制器的设定值。
[0013]S7进行抗扰动测试，通过改变进料条件，测试智能控制器是否能控制产品成分，以满足产品要求。如果测试不令人满意，或者系统遇到严重超出数据集的情况，那么有必要返回到步骤S3并重新生成数据集。
[0014]需要说明的是，步骤S1中的温度灵敏板采用斜率判据，塔内部温度斜率最大的塔板作为温度灵敏板。
[0015]需要说明的是，步骤S3中的数据可以是来自实际生产现场的历史数据或者仿真软件。
[0016]本专利技术有益效果在于：
[0017]1、本专利技术是一种由数据驱动的智能控制器，在控制过程中避免了使用造价昂贵、滞后严重的成分分析仪。
[0018]2、本专利技术中对变量根据相关性进行了筛选，减少了训练过程中的计算量，排除了无关变量的干扰，提高了预测的准确性，以及智能控制器的控制性能。
[0019]3、本专利技术的数据来源不局限于仿真软件，也可以来自实际生产过程，意味着本专利技术也可以对已有的控制结构进行改造，并且不需要新增复杂的装置和设备。
附图说明
[0020]图1为本专利技术的智能控制器控制原理图；
[0021]图2为变压精馏分离乙醇/THF/水的PID控制结构示意图；
[0022]图3为变压精馏分离乙醇/THF/水过程变量之间的相关性；
[0023]图4为变压精馏分离乙醇/THF/水的智能控制结构；
[0024]图5为变压精馏分离乙醇/THF/水的控制结构抗扰动测试结果；
[0025]图6为为变压精馏分离乙醇/THF/水智能控制结构的仿真路线；
[0026]图7为为变压精馏分离乙醇/THF/水智能控制结构的simulink仿真结构；
[0027]图8为变压精馏分离ACN本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变压精馏过程中基于BP神经网络的智能器，其特征在于，所述方法包括：S1设计出三塔变压精馏的PID控制结构：进料由流量控制器控制，反作用；三座塔的塔顶压力由冷凝器负荷控制，反作用；三座塔的回流罐液位由塔顶采出量控制，正作用；三座塔的塔釜液位由塔底采出量控制，正作用；三座塔的回流比为比值控制；三座塔的灵敏板温度通过再沸器热负荷控制，反作用；三座塔的产品组分控制器与各自的温度控制器形成串级控制，反作用。S2调节控制器参数，使得可以抵抗
±
20％的进料流量扰动和组分扰动。S3以0.01小时为采样间隔，采集步骤S2中每个抗扰动过程中每个控制器的数据，每个扰动采集20小时，四种扰动共8000组数据。S4将每个塔的产品纯度和每个温度控制器设定值作为输出变量，其余所有变量作为输入变量，计算每个输出变量和每个输入变量之间的相关性系数。从整体上看，选择与输入变量相关性强的输出变量作为最终BP神经网络的输出，与输出变量相关性大于等于0.6的输...

【专利技术属性】
技术研发人员：单宝明，孙得峰，马存成，徐啟蕾，张方坤，
申请(专利权)人：青岛科技大学，
类型：发明
国别省市：