精餾過程單變量擾動原因的智能反演

梁慧婷, 田文德, 靳滿滿, 項曙光

(青島科技大學(xué) 化工學(xué)院, 山東 青島 266042)

精餾過程單變量擾動原因的智能反演

梁慧婷, 田文德, 靳滿滿, 項曙光

(青島科技大學(xué) 化工學(xué)院, 山東 青島 266042)

由于精餾過程存在大量擾動，使得擾動原因難以確定，擾動量信息診斷精度難以提高，本文對精餾過程擾動問題進(jìn)行了研究。以精餾塔回流量(L)、上升蒸汽量(V)、進(jìn)料組成(zF)及進(jìn)料量(F)擾動為例，在單變量擾動的基礎(chǔ)上，將物理領(lǐng)域的反演思想應(yīng)用于精餾故障診斷，結(jié)合精餾過程內(nèi)嵌機(jī)理，建立了各擾動量與歐氏距離之間的反演模型，經(jīng)過運算實現(xiàn)擾動量的定量分析。并將此方法錄入規(guī)則，以便嵌入專家系統(tǒng)，實現(xiàn)智能辨識擾動原因。本文將此方法運用到高純度的二元精餾塔中，實現(xiàn)了單變量擾動原因的定量辨識，證明了該方法的有效性。

精餾；單變量擾動；反演；智能辨識

1 前 言

精餾是石油化工生產(chǎn)過程中應(yīng)用最廣泛的操作之一。塔內(nèi)各塔板上同時進(jìn)行著傳質(zhì)、傳熱過程，各變量之間關(guān)聯(lián)度較高，微小的異常工況可以演化成大的事故。因此，通過診斷得出異常擾動的量，消除演化趨勢，對避免事故的發(fā)生具有重大意義[1]。

反演是在模型知識的基礎(chǔ)上，根據(jù)參數(shù)值去反推目標(biāo)狀態(tài)參數(shù)。該方法被廣泛應(yīng)用于遙感以及地球物理領(lǐng)域。如王家成等[2]對近海污染大氣氣溶膠光學(xué)性質(zhì)進(jìn)行了反演研究，劉成利等[3]基于有限斷層模型反演方法得到了魯?shù)榈卣鹫鹪雌屏堰^程，有效地推進(jìn)了地球物理學(xué)的研究，對人類認(rèn)識自然、改善環(huán)境做出了貢獻(xiàn)。本文將反演思想應(yīng)用在化工過程的故障診斷，希望為故障診斷提供一種新思路。

故障診斷問題，實質(zhì)是由癥狀表征故障的反演問題。目前，對精餾過程故障診斷的方法較多。如涂婭莉等[4]提出一種基于專家系統(tǒng)的故障診斷方法。田文德等[5～7]提出基于模型的故障診斷方法，通過動態(tài)仿真監(jiān)測大偏差變量的產(chǎn)生。Wang等[8]提出一種主元分析與動態(tài)時間規(guī)整技術(shù)相結(jié)合的精餾塔故障診斷方法，根據(jù)推理策略診斷歷史數(shù)據(jù)。Hu等[9]利用動態(tài)貝葉斯網(wǎng)絡(luò)框架在線處理故障狀況。羅雄麟等[1]提出一種基于最小二乘法的乙烯塔異常工況的在線偵測和智能控制。以上方法只是在故障發(fā)生之后診斷出故障的位置或是能夠?qū)崟r偵測出故障是否發(fā)生，不能實現(xiàn)故障的定量分析。本文將反演的思想應(yīng)用于精餾故障診斷領(lǐng)域，在只有擾動數(shù)據(jù)或曲線的情況下，使用此方法能快速、準(zhǔn)確地實現(xiàn)擾動量的定量分析。鑒于專家系統(tǒng)具有易于開發(fā)、透明的推理及快速確定故障位置的優(yōu)勢，本文將此方法與CLIPS(C Language Integrated Production System，C語言集成產(chǎn)生式系統(tǒng))正向鏈規(guī)則相結(jié)合，為CLIPS嵌入專家系統(tǒng)應(yīng)用于故障診斷做好前期準(zhǔn)備。

2 基于遺傳算法的反演

反演是根據(jù)可測的參數(shù)值反向推理出目標(biāo)參數(shù)的過程。由于反向推理非適定性、非線性的性質(zhì)，使得它的求解遠(yuǎn)比正向推理困難得多。具體來說，為了得到某個問題的解，首先求出相應(yīng)序列f(n)所滿足的(累計)關(guān)系式：

圖1 遺傳算法優(yōu)化流程圖Fig.1 Optimization procedure of Genetic Algorithm

其中g(shù)(n)是已知序列，然后從中解出：

這里(1)、(2) 互為反演公式[10]，其中Cn,rdn,r為系數(shù)。

遺傳算法[11,12](如圖1所示)是一類借鑒生物界進(jìn)化規(guī)律(優(yōu)勝劣汰遺傳機(jī)制)演化而來的具有自適應(yīng)能力、全局性的搜索方法。以適應(yīng)度函數(shù)為依據(jù)，通過對群體中的個體施加遺傳操作，實現(xiàn)群體內(nèi)個體結(jié)構(gòu)重組的迭代處理過程。Goldberg[13]總結(jié)的基本遺傳算法(Simple Genetic Algorithms簡稱SGA)只包括選擇、交叉和變異三種基本遺傳算子，其數(shù)學(xué)模型為：

式中，C—個體的編碼方法；E—個體適應(yīng)度評價函數(shù)；P0—初始種群； N—種群大?。沪怠x擇算子；Γ—交叉算子；Ψ—變異算子；Τ—遺傳運算終止條件。

基于其內(nèi)在的并行性、全局尋優(yōu)的能力及魯棒性的優(yōu)點，本文將遺傳算法應(yīng)用于反演計算，將反演問題轉(zhuǎn)化為函數(shù)優(yōu)化問題。即事先給定待求參數(shù)的允許函數(shù)類，不指定函數(shù)形式，用遺傳算法程序同時反演出最優(yōu)的函數(shù)模型及參數(shù)，用以得到最優(yōu)的參數(shù)反演值。

智能反演流程如圖2所示?；贛ATLAB平臺建立初始精餾模型，得到回流量(L)、上升蒸汽量(V)、進(jìn)料組成(zF)和進(jìn)料量(F)多個擾動量下精餾過程中靈敏板溫度的響應(yīng)曲線及數(shù)據(jù)。根據(jù)各擾動曲線排布的規(guī)律性，通過比較擾動曲線與標(biāo)準(zhǔn)曲線之間歐氏距離(Euclidean distance)（在m維空間中兩個點之間的真實距離）的不同定量區(qū)分各擾動曲線?；谶z傳算法，搜索最優(yōu)函數(shù)關(guān)系式。通過運算準(zhǔn)確得到擾動量的大小。之后將此方法錄入CLIPS規(guī)則，反向推理出擾動量大小。

圖2 單變量擾動原因的智能反演示意圖Fig.2 Intelligent inversion of single variable disturbance

3 案例研究

3.1 精餾塔

本文選用二元精餾塔作為計算對象，設(shè)備如圖3所示[14～16]。恒壓下，一股進(jìn)料，兩股出料，塔頂采用全凝器。塔基本數(shù)據(jù)見表1。

表1 塔數(shù)據(jù)Table 1 Parameters of the studied column

3.2 單變量擾動

3.2.1 靈敏板的確定

實際生產(chǎn)中，一個正常操作的精餾塔受到某一外界因素干擾時，全塔組成發(fā)生變動，全塔溫度分布也將發(fā)生相應(yīng)的變化。在一定總壓下，塔板溫度的變化預(yù)示著塔內(nèi)組成尤其是塔頂餾出液的變化，因此經(jīng)生產(chǎn)上常用測量和控制靈敏板的溫度來保證產(chǎn)品的質(zhì)量。所以，選取靈敏板溫度作為目標(biāo)變量來討論各擾動帶來的影響。當(dāng)回流量變化0.1% 時各理論塔板溫度響應(yīng)曲線如圖4所示，各理論塔板溫度變化值如圖5所示。

圖3 精餾塔流程圖Fig.3 Schematic diagram of the distillation column

圖4 回流比增加0.1% 時各理論板溫度響應(yīng)曲線Fig.4 Temperature response curves with 0.1% increase of reflux ratio

圖5 回流比增大0.1% 時各理論板溫度變化幅度Fig.5 Amplitude profiles for each stage with 0.1% decrease of reflux ratio

由圖4可以看出，隨著回流比的增大各理論塔板溫度低于正常塔板的溫度。圖5描述回流比增大0.1%時各理論塔板的變化幅度，可以看出在第15塊理論塔板處溫度變化幅值達(dá)到最大，所以，選取第15塊板作為靈敏板。

3.2.2 擾動

本文主要討論了回流量(L)、上升蒸汽量(V)、進(jìn)料組成(zF)及進(jìn)料量(F)的擾動情況，幅度控制在 ±(1%～10%)。具體設(shè)置見表2，上述擾動變化時靈敏板溫度響應(yīng)曲線如圖6所示。

表2 擾動設(shè)置Table 2 Setup details of disturbances

從圖6可以看出，在某一時刻添加擾動后，靈敏板的溫度瞬時改變到某一值，并在之后1 h之內(nèi)緩慢恢復(fù)到正常溫度，表明此

系統(tǒng)控制結(jié)構(gòu)合理、響應(yīng)迅速、穩(wěn)定性較好，且隨著擾動量的增大，響應(yīng)曲線變化幅度呈一定的規(guī)律增大，遠(yuǎn)離標(biāo)準(zhǔn)曲線。當(dāng)回流量、上升蒸汽量、進(jìn)料組成、進(jìn)料量分別擾動時，曲線走勢基本相同，但各擾動曲線和標(biāo)準(zhǔn)曲線之間的距離有區(qū)別，因此，用擾動曲線與標(biāo)準(zhǔn)曲線之間的距離作為特征量來表征各擾動曲線。考慮到這種擾動相似的盲源擾動問題，后期可以通過建立神經(jīng)網(wǎng)絡(luò)模型來確定未知擾動的類型，增加神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本可以提高預(yù)測的精度。對于預(yù)測有誤的情況，可以將此組數(shù)據(jù)作為訓(xùn)練樣本，使檢測系統(tǒng)具有自學(xué)習(xí)的功能。

3.2.3 反演模型

歐式距離是一個通常采用的距離定義，各擾動下曲線與標(biāo)準(zhǔn)曲線的歐氏距離見表3。

表3 歐氏距離Table 3 Euclidean distances

以歐氏距離為自變量，各擾動量為因變量，運用遺傳算法搜索函數(shù)模型如下：

3.3 CLIPS規(guī)則錄入

專家系統(tǒng)[17,18]是人工智能領(lǐng)域重要的研究成果之一。將專家的知識和經(jīng)驗以知識庫的形式存儲，模仿人類專家的思維過程，運用知識庫對問題做出判斷與決策。一般主要由知識庫、推理機(jī)兩部分組成，為人類保存知識、傳播知識、利用知識提供了有效手段，同時也可產(chǎn)生巨大的經(jīng)濟(jì)效益。

CLIPS是由美國NASA研發(fā)的一個專家系統(tǒng)編程語言，具有強(qiáng)大的知識表達(dá)和推理能力[19,20]。鑒于其優(yōu)勢將CLIPS作為專家系統(tǒng)知識庫開發(fā)的工具。CLIPS支持正向鏈接規(guī)則，在事實的基礎(chǔ)上，通過設(shè)定規(guī)則，對事實進(jìn)行模式匹配，從而實現(xiàn)目標(biāo)推理。本文根據(jù)單變量擾動的反演方法，建立了對應(yīng)的規(guī)則庫，實現(xiàn)反向推理干擾量的目的。

CLIPS中產(chǎn)生式規(guī)則(即IF...THEN...)基本結(jié)構(gòu)為：

具體規(guī)則見表4。

表4 具體規(guī)則Table 4 Knowledge rules applied in the study

3.4 結(jié)果與討論

當(dāng)ΔL= 0.055時，檢驗此反演方法。首先用MATLAB求得歐氏距離d1= 8.950，調(diào)用CLIPS，反演得擾動量ΔL′= 0.057。相比實際擾動量有3.6% 的誤差，增大樣本容量在一定程度上能減小誤差。具體界面如圖7所示。

4 結(jié) 論

以二元精餾塔單變量擾動為研究對象，設(shè)計了一種智能反演擾動原因的方法。結(jié)果表明此方法能快速、準(zhǔn)確地確定擾動量的大小，為故障原因的智能辨識提供了一種新思路。鑒于專家系統(tǒng)快速定位故障位置的優(yōu)勢，建立適應(yīng)性強(qiáng)的故障診斷平臺作為今后的研究方向。

圖7 CLIPS反演界面Fig.7 Interface of CLIPS

符號說明：

參考文獻(xiàn)：

[1] LUO Xiong-lin (羅雄麟), ZHAO Xiao-ying (趙曉鷹), WU Bo (吳博), et al. Online detection and control of ethylene column abnormal condition (乙烯精餾塔異常工況在線偵測與控制) [J]. Journal of Chemical Industry and Engineering (China) (化工學(xué)報), 2014, 65(11): 4517-4523.

[2] WANG Jia-cheng (王家成), QIAO Yan-li (喬延利), YANG Shi-zhi (楊世植), et al. Retrieval of polluted aerosol optical properties over coastal water (近海污染大氣氣溶膠光學(xué)性質(zhì)反演研究) [J]. Laser & Opto electronics Pr ogress (激光與光電子學(xué)進(jìn)展), 2011, 48(6): 4-10.

[3] LIU Cheng-li (劉成利), ZHENG Yong (鄭勇), XIONG Xiong (熊熊), et al. Rupture process of Ms 6.5 Ludian earthquake constrained by regional broadband seismograms (利用區(qū)域?qū)掝l帶數(shù)據(jù)反演魯?shù)镸_s 6.5級地震震源破裂過程) [J]. Chinese Journal of Geophysics (地球物理學(xué)報), 2014, 57(9): 3028-3037.

[4] TU Ya-li (涂婭莉), HE Guo-geng (何國庚), LI Jia (李嘉), et al. Expert systems for distillation column fault diagnosis (專家系統(tǒng)在精餾塔故障診斷中的應(yīng)用) [J]. Low Temperature and Specialty Gases (低溫與特氣), 2006, 24(5): 26-29.

[5] TIAN Wen-de (田文德), YU Zi-ping (于子平), SUN Su-li (孫素莉). Fault diagnosis of rectifying tower using unsteady stage model (基于動態(tài)模擬的精餾塔故障診斷) [J]. Computers and Applied Chemistry (計算機(jī)與應(yīng)用化學(xué)), 2011, 28(12): 1569-1572.

[6] Tian W, Guo Q, Sun S. Dynamic simulation based fault detection and diagnosis for distillation column [J]. Korean Journal of Chemical Engineering, 2012, 29(1): 9-17.

[7] TIAN W, SUN S, LIU J. Fault diagnosis in chemical processes based on dynamic simulation [J]. Journal of System Simulation, 2007, 19(12): 2831-2835.

[8] Wang Z, Zhao J, Shang H. A hybrid fault diagnosis strategy for chemical process startups [J]. Journal of Process Control, 2012, 22(7): 1287-1297.

[9] Hu J, Zhang L, Cai Z, et al. Fault propagation behavior study and root cause reasoning with dynamic Bayesian network based framework [J]. Process Safety and Environmental Protection， 2015,97:25-36.

[10] CAO Ru-cheng (曹汝成). Introductory combinatorics (組合數(shù)學(xué)) [M]. Guangzhou (廣州): South China University of Technology Press (華南理工大學(xué)出版社), 2000

[11] LU Hai (盧海), YAN Lie-xiang (鄢烈詳), SHI Bin (史彬), et al. Multi-objective optimization based on parallel multi-families genetic algorithm (并行多家族遺傳算法解多目標(biāo)優(yōu)化問題) [J]. Journal of Chemical Industry and Engineering (China) (化工學(xué)報), 2012, 63(12): 3985-3990.

[12] LIU Lu (劉璐), LIU Ai-lun (劉愛倫). Fault diagnosis of distillation column based on Improved Genetic Algorithm optimization-based support vector machine (基于改進(jìn)的遺傳算法優(yōu)化支持向量機(jī)的精餾塔故障診斷) [J]. Jounal of East China University of Science and Technology (Natural Science Edition) (華東理工大學(xué)學(xué)報(自然科學(xué)版)), 2011, 37(2): 228-233.

[13] Goldberg, D E, Holland, J H. Genetic algorithms and machine learning [J]. Machine Learning. 1988, 3 (2): 95-99.

[14] WAN Bin (萬斌), TIAN Wen-de (田文德), YAO Fei (姚飛). A new real time dynamic distillation model for control system design (精餾過程實時動態(tài)模型) [J]. Journ al of Chem ical En gineering of Chine se Univers ities (高?；瘜W(xué)工程學(xué)報), 2000, 14(3): 298-301.

[15] Deshpande A P, Patwardhan S C. Online fault diagnosis in nonlinear systems using the multiple operating regime approach [J]. Industrial & Engineering Chemistry Research, 2008, 47(17): 6711-6726.

[16] Skogestad, S. Distillation dynamics and control of distillation columns [J]. Chemical Engineering Research and Design. 1997, 75 (6), 539-562.

[17] TAN Da-peng (譚大鵬), LI Pei-yu (李培玉), PAN Xiao-hong (潘曉弘). CLIPS based realization method of fault diagnosis expert system developing environment (基于CLIPS的故障診斷專家系統(tǒng)開發(fā)環(huán)境) [J]. Journal of Zhejiang University (Engineering Science) (浙江大學(xué)學(xué)報(工學(xué)版)), 2009, 43(2): 240-243.

[18] SHI Tie-lin (史鐵林), WANG Xue (王雪). A parallel backward reasoning algorithm for the rule-based diagnostic expert system (設(shè)備診斷專家系統(tǒng)中的一種并行反向推理算法) [J]. Journal of Huazhong University of Science and Technology (華中理工大學(xué)學(xué)報(社會科學(xué)版)), 1996, 24(4): 31-33.

[19] SHEN Da-wei (沈大偉), ZHUANG Cheng (莊誠), WANG Xue-lei (王學(xué)雷). Expert system development for fault diagnosis based on CLIPS (基于CLIPS的故障診斷專家系統(tǒng)開發(fā)) [J]. Control and Instruments in Chemical Industry (化工自動化及儀表), 2012, 39(4): 450-453.

[20] Qian Y, Xu L, Li X, et al. LUBRES: an expert system development and implementation for real-time fault diagnosis of a lubricating oil refining process [J]. Expert Systems with Applications, 2008, 35(3): 1252-1266.

Intelligent Inversion of Single Variable Disturbance in Distillation Processes

LIANG Hui-ting, TIAN Wen-de, JIN Man-man, XIANG Shu-guang
(College of Chemical Engineering, Qingdao University of Science & Technology, Qingdao 266042, China)

It is usually difficult to determine disturbance mechanism during distillation processes due to large number of disturbing factors, which makes it hard to improve the accuracy of fault diagnosis. In this paper, disturbance in distillation processes was studied. With reflux flow (L), vapor flow (V), feed composition (zF) and feed flow (F) as examples, an inversion method was used to establish an inversion model between the disturbance and Euclidean distances based on single variable perturbation. The disturbance could then be analyzed by mathematic calculation. This method was used as an operation rule and embedded into expert systems. The efficacy of the proposed strategy was demonstrated by a high-purity binary distillation column system.

distillation process； single variable disturbance； inversion； intelligent identification

TQ018； TP182

A

10.3969/j.issn.1003-9015.2016.06.009

1003-9015(2016)06-1300-06

2016-01-15

2016-05-25。

國家自然科學(xué)基金(2157061034)；山東省自然科學(xué)基金(ZR2013BL008)。

梁慧婷(1991-)，女，山東菏澤人，青島科技大學(xué)碩士生。

田文德，E-mail：tianwd@qust.edu.cn