甲醇四塔精馏系统多目标优化控制方法技术方案

本发明专利技术公开了一种甲醇四塔精馏系统多目标优化控制方法，从DCS历史数据库中提取历史数据训练BP神经网络模型作为精馏系统的模型，该模型以预精馏塔的出料作为输入，其他三塔的操作参数为优化对象，再使用改进的遗传算法，通过选择、交叉、变异操作，反复调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的最优操作参数。本发明专利技术能够在不改变精馏塔的结构与工作原理的情况下，避免了人工试凑，直接计算得出最优操作参数，同时完成降低成本、能耗和提高产能两个目标。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了一种，从DCS历史数据库中提取历史数据训练BP神经网络模型作为精馏系统的模型，该模型以预精馏塔的出料作为输入，其他三塔的操作参数为优化对象，再使用改进的遗传算法，通过选择、交叉、变异操作，反复调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的最优操作参数。本专利技术能够在不改变精馏塔的结构与工作原理的情况下，避免了人工试凑，直接计算得出最优操作参数，同时完成降低成本、能耗和提高产能两个目标。【专利说明】
本专利技术涉及化工精馏
，尤其涉及一种甲醇四塔精馏系统的多目标优化控制方法。
技术介绍
甲醇作为煤化工产业最主要的产品之一和非常重要的替代能源，在当今全球化工市场起着非常重要的作用。精馏是甲醇生产的关键环节，对企业的产量及收益影响重大，且由于精馏能耗在总能耗中占比很大，降低精馏环节的能耗成为企业节约成本与完成节能减排目标的重要课题。甲醇四塔精馏系统的工艺流程如图1所示。粗甲醇经换热后进入预精馏塔，脱除轻组分，塔底的高沸点组分经加压后进入加压塔。加压塔塔顶的气体进入换热器，利用加压塔塔顶和常压塔塔底的温差，冷凝加压塔塔顶气相，同时给常压塔塔底提供热能。加压塔与常压塔的塔顶馏出精甲醇产品，一部分回流回塔内。常压塔的侧线抽出物进入甲醇回收塔抽出杂醇油，废水进入生化系统处理。在实际生产中，精馏系统的进料流量、进料质量等进料条件会随着上游生产状况发生改变，出料产品质量等指标也会依据企业的生产规划发生改变。当这些条件与约束指标改变时，如何调节精馏系统的控制参数，达到总能耗、产品单位能耗、产品流量等多个目标的整体最优，成为精馏系统控制的研究重点。现有的精馏系统参数调节单纯依靠工人的生产经验。这种控制方法主要有两大缺点:第一，无法保证能耗与产量的最优;第二，由于系统的滞后性，通常在1、2个小时后才能测得系统稳定后的产品质量。如果参数调节不当，就会导致产品质量不达标，造成已有产品的浪费。这两点都会导致生产成本难以降低，物料与能源的利用率难以提高。
技术实现思路
有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是提供一种，以BP神经网络方法建模，使用改进的遗传算法求解上游物料条件与生产要求改变时的最优操作变量，实现系统稳定后单位能耗、流量多个目标的协同优化。为实现上述目的，本专利技术提供了一种，包括以下步骤:步骤I分析所述甲醇四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，加压塔、常压塔和甲醇回收塔的操作参数为优化对象，定义了一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型；步骤2在化工厂DCS历史数据库中提取所述7个输入与4个输出的历史数据；步骤3将提取出的所述历史数据作为训练数据，对所述BP神经网络进行离线训练；步骤4使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的所述遗传算法的适应度函数最大的操作参数，根据得到的所述操作参数对所述加压塔、常压塔和甲醇回收塔进行控制。在本专利技术的较佳实施方式中，所述BP神经网络的7个输入分别是=F1:预后粗甲醇的流量(kg/h) ；Cl:预后粗甲醇中甲醇的含量(%) ；c2:预后粗甲醇中乙醇的含量(%):加压塔的供热(kW/h) ；k:加压塔塔顶采出的流量/常压塔塔顶采出的流量；P:加压塔塔顶的压力(kPa) ；F2:常压塔侧线采出的流量(kg/h);所述BP神经网络的4个输出分别是:B:精甲醇产品的单位能耗(kW/kg);F:加压塔与常压塔精甲醇产品的流量和(kg/h) ;cpl:加压塔塔顶精甲醇产品中乙醇的实际含量(ppm);cp2:常压塔塔顶精甲醇产品中乙醇的实际含量(ppm)。在本专利技术的另一较佳实施方式中，，所述步骤4中所述进料条件为=FpCpC2，所述生产要求为:加压塔塔顶精甲醇产品中乙醇的最大容许含量(ppm)、cmax2和常压塔塔顶精甲醇产品中乙醇的最大容许含量(ppm)。在本专利技术的较佳实施方式中，，步骤2中所述历史数据为15000组数据，每组数据均为所述甲醇四塔精馏系统连续2小时以上稳态工作时的数据。在本专利技术的另一较佳实施方式中，，所述步骤3中训练出的BP神经网络模型中隐含层为一层，隐含层节点个数为10个。在本专利技术的较佳实施方式中，所述步骤4中所述进料条件为:Fp C1, C2，所述生产要求为:cmaxl:加压塔塔顶精甲醇产品中乙醇的最大容许含量(ppm)，和Cmax2:常压塔塔顶精甲醇产品中乙醇的最大容许含量(ppm)。在本专利技术的另一较佳实施方式中，所述进料条件为:进入加压塔粗甲醇总流量为55085.201kg/h,甲醇质量含量84.9`%`,乙醇质量含量0.2%，所述生产要求为:加压塔塔顶精甲醇产品和常压塔塔顶精甲醇产品中乙醇含量均低于50ppm。在本专利技术的另一较佳实施方式中，所述步骤I中操作参数为=QpklF2t5在本专利技术的较佳实施方式中，所述优化多目标为B和F。在本专利技术的另一较佳实施方式中，所述改进遗传算法流程如下:(I)种群初始化；( 2 )计算每个个体适应度；( 3 )选择、交叉与变异；(4)如果循环已满2000次，则算法结束，输出最优个体，否则跳至步骤(2)。在本专利技术的较佳实施方式中，所述步骤4中所述改进遗传算法寻优的适应度函数f通过如下公式计算:【权利要求】1.一种，包括以下步骤: 步骤I分析所述甲醇四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，加压塔、常压塔和甲醇回收塔的操作参数为优化对象，定义一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型； 步骤2在化工厂DCS历史数据库中提取所述7个输入与4个输出的历史数据； 步骤3将提取出的所述历史数据作为训练数据，对所述BP神经网络进行离线训练，测试并最终确定BP网络模型中隐含层的最终层数与中间结点的个数； 步骤4使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的所述遗传算法的多个优化目标下的适应度函数最大的操作参数，根据得到的所述操作参数对所述加压塔、常压塔和甲醇回收塔进行控制。2.如权利要求1所述的，其中，所述步骤I中所述BP神经网络的7个输入分别是=F1:预后粗甲醇的流量；Cl:预后粗甲醇中甲醇的含量；C2:预后粗甲醇中乙醇的含量说:加压塔的供热；k:加压塔塔顶采出的流量/常压塔塔顶采出的流量；P:加压塔塔顶的压力；F2:常压塔侧线采出的流量； 所述BP神经网络的4个输出分别是:B:精甲醇产品的单位能耗；F:加压塔与常压塔精甲醇产品的流量和；cpl:加压塔塔顶精甲醇产品中乙醇的实际含量；cp2:常压塔塔顶精甲醇产品中乙醇的实际含量。3.如权利要求1所述的，其中，所述步骤3中训练出的BP神经网络模型中隐含层为一层，隐含层节点个数为10个。4.如权利要求2所述的，其中，所述步骤4中所述进料条件为=FpCp C2，所述生产要求为:cmaxl:加压塔塔顶精甲醇产品中乙醇的最大容许含量，和Cmax2:常压塔塔顶精甲醇产品中乙醇的最大容许含量。5.如权利要求5所述的，其中，所述进料条件为:进入加压塔粗甲醇总流量为55085.201本文档来自技高网...

【技术保护点】
一种甲醇四塔精馏系统多目标优化控制方法，包括以下步骤：步骤1分析所述甲醇四塔精馏系统的自由度及实际生产数据，以预精馏塔的出料作为输入，加压塔、常压塔和甲醇回收塔的操作参数为优化对象，定义一个包含7个输入、4个输出的BP神经网络作为精馏系统的模型；步骤2在化工厂DCS历史数据库中提取所述7个输入与4个输出的历史数据；步骤3将提取出的所述历史数据作为训练数据，对所述BP神经网络进行离线训练，测试并最终确定BP网络模型中隐含层的最终层数与中间结点的个数；步骤4使用遗传算法，通过选择、交叉、变异操作，每一代的每一个体在计算适应度时调用所述训练好的BP神经网络模型，寻找给定进料条件与生产要求下的所述遗传算法的多个优化目标下的适应度函数最大的操作参数，根据得到的所述操作参数对所述加压塔、常压塔和甲醇回收塔进行控制。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵霞，施辰斐，谢秋风，路东昕，吴永生，王炯，
申请(专利权)人：上海交通大学，上海德迈科电气控制工程有限公司，
类型：发明
国别省市：