精餾過(guò)程控制中軟測(cè)量技術(shù)的研究與應(yīng)用

黃永杰

（廣西職業(yè)技術(shù)學(xué)院，廣西 南寧 530226）

精餾過(guò)程控制中軟測(cè)量技術(shù)的研究與應(yīng)用

黃永杰

（廣西職業(yè)技術(shù)學(xué)院，廣西 南寧 530226）

分析精餾過(guò)程中一些變量與其他變量之間的關(guān)聯(lián)性，提出軟測(cè)量技術(shù)概念，利用基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法，推算出精餾塔底濃度與提餾段溫度數(shù)學(xué)模型，解決了塔底物料濃度測(cè)量誤差的問(wèn)題。

精餾過(guò)程；軟測(cè)量技術(shù)；人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法

工業(yè)生產(chǎn)中經(jīng)常要將混合液體分離成純凈的組分，利用混合物中各組分揮發(fā)能力的差異，通過(guò)液相和氣相的回流，使氣、液兩相逆向多級(jí)接觸，在熱能驅(qū)動(dòng)和相平衡關(guān)系的約束下，易揮發(fā)組分（輕組分）不斷從液相往氣相中轉(zhuǎn)移，難揮發(fā)組分由氣相向液相遷移，使混合物不斷分離，這個(gè)過(guò)程就是精餾，完成這一過(guò)程的工藝設(shè)備是精餾塔。

在精餾生產(chǎn)過(guò)程中，為了實(shí)現(xiàn)良好的質(zhì)量控制，必須對(duì)產(chǎn)品質(zhì)量或與產(chǎn)品質(zhì)量密切相關(guān)的重要過(guò)程變量進(jìn)行控制，由于在線分析儀表或傳感器的價(jià)格昂貴，維護(hù)復(fù)雜，加上分析儀表滯后大，造成控制質(zhì)量下降。同時(shí)，精餾塔的產(chǎn)品成分、塔板效率、干點(diǎn)、閃點(diǎn)、反應(yīng)轉(zhuǎn)化率等部分質(zhì)量指標(biāo)或與產(chǎn)品質(zhì)量密切相關(guān)的重要過(guò)程變量尚無(wú)法測(cè)量，為解決這類(lèi)問(wèn)題，提出了軟測(cè)量技術(shù)的概念。

1 軟測(cè)量技術(shù)的組成

軟測(cè)量的基本思路是基于一些變量與過(guò)程中其他變量之間的關(guān)聯(lián)性，采用計(jì)算機(jī)技術(shù)，根據(jù)一些容易測(cè)量的過(guò)程變量（稱(chēng)為輔助變量），推算出一些難以測(cè)量或者暫時(shí)還無(wú)法測(cè)量的過(guò)程變量（稱(chēng)為主導(dǎo)變量）。推算是根據(jù)輔助變量與主導(dǎo)變量之間的數(shù)學(xué)模型進(jìn)行的。軟測(cè)量技術(shù)由輔助變量選擇、數(shù)據(jù)的采集和處理、軟測(cè)量數(shù)學(xué)模型建立和在線校正等幾個(gè)部分組成。

1.1 輔助變量的選擇

軟測(cè)量技術(shù)根據(jù)輔助變量與主導(dǎo)變量之間的數(shù)學(xué)模型進(jìn)行推算，因此，輔助變量的選擇是關(guān)系到軟測(cè)量技術(shù)精確度的重要內(nèi)容。其選擇原則如下：

關(guān)聯(lián)性：輔助變量應(yīng)與主導(dǎo)變量有關(guān)聯(lián)，最好能夠直接影響主導(dǎo)變量；

特異性：輔助變量應(yīng)具有特異性，用于區(qū)別其他過(guò)程變量；

工程適用性：容易在工程應(yīng)用中獲得，能夠反映生產(chǎn)過(guò)程的變化；

精確性：輔助變量本身具有一定的測(cè)量精確度，并且模型應(yīng)具有足夠的精確度；

魯棒性：對(duì)模型誤差不敏感。

1.2 數(shù)據(jù)的采集和處理

需要采集的數(shù)據(jù)是軟測(cè)量主導(dǎo)變量對(duì)應(yīng)的輔助變量數(shù)據(jù)，數(shù)據(jù)的覆蓋面應(yīng)盡量寬，且具有代表性，使軟測(cè)量建立的模型有更大的適用范圍，并可方便地用計(jì)算機(jī)進(jìn)行采集和處理。

精餾生產(chǎn)過(guò)程變量符合正態(tài)分布，因此，對(duì)采集的數(shù)據(jù)應(yīng)進(jìn)行處理，數(shù)據(jù)處理通常在離線完成，包括對(duì)數(shù)據(jù)標(biāo)度的換算、數(shù)據(jù)轉(zhuǎn)換和權(quán)函數(shù)設(shè)置、分析數(shù)據(jù)、數(shù)據(jù)的檢驗(yàn)和不良數(shù)據(jù)的剔除。

1.3 軟測(cè)量數(shù)學(xué)模型建立

軟測(cè)量數(shù)學(xué)模型是軟測(cè)量技術(shù)的核心，建立軟測(cè)量數(shù)學(xué)模型的方法有機(jī)理建模、經(jīng)驗(yàn)建模、機(jī)理和經(jīng)驗(yàn)混合建模等。機(jī)理建模利用已知的過(guò)程知識(shí)，有較大的適用范圍，但有些過(guò)程較復(fù)雜，難以用機(jī)理方法建立模型。經(jīng)驗(yàn)建模根據(jù)實(shí)際測(cè)量的過(guò)程數(shù)據(jù)，用數(shù)學(xué)方法對(duì)數(shù)據(jù)進(jìn)行回歸或建立神經(jīng)網(wǎng)絡(luò)擬合，只需要實(shí)測(cè)過(guò)程數(shù)據(jù)，對(duì)工藝過(guò)程的影響小，但建立的數(shù)學(xué)模型適用范圍不寬，精度較差。機(jī)理和經(jīng)驗(yàn)結(jié)合的建模方法可兼取兩者的優(yōu)點(diǎn)，例如，以機(jī)理建模為主線，根據(jù)實(shí)際采集的數(shù)據(jù)確定部分模型參數(shù)，根據(jù)機(jī)理分析，結(jié)合實(shí)測(cè)數(shù)據(jù)建立數(shù)學(xué)模型的結(jié)構(gòu)，然后估計(jì)模型參數(shù)，通過(guò)計(jì)算和仿真獲得數(shù)據(jù)，根據(jù)這些數(shù)據(jù)建立數(shù)學(xué)模型。

1.4 模型在線校正

數(shù)學(xué)模型在線校正的主要原因有三方面：一是模型是根據(jù)一定操作條件下的數(shù)據(jù)建立的，操作條件變化會(huì)造成模型的誤差；二是建立模型時(shí)，一些過(guò)程變量未發(fā)生變化，因此也就沒(méi)有考慮在模型中，而這些變量一旦發(fā)生了變化，將會(huì)引起模型結(jié)構(gòu)或參數(shù)的變化；三是過(guò)程本身的時(shí)變性（如精餾過(guò)程中催化劑的變化）也將使模型參數(shù)改變。在線校正分短期校正和長(zhǎng)期校正兩種。

2 軟測(cè)量方法

工業(yè)精餾裝置中采用軟測(cè)量技術(shù)的方法主要有機(jī)理建模、回歸分析、狀態(tài)估計(jì)、模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)、模糊數(shù)學(xué)、過(guò)程層析成像、相關(guān)分析和現(xiàn)代非線性信息處理技術(shù)等9種。前6種軟測(cè)量技術(shù)的研究較為深入，在過(guò)程控制和檢測(cè)中有更多成功的應(yīng)用。

2.1 基于工藝機(jī)理分析的軟測(cè)量

主要是應(yīng)用化學(xué)反應(yīng)動(dòng)力學(xué)、物料平衡、能量守恒等原理，通過(guò)對(duì)過(guò)程對(duì)象的機(jī)理分析，找出不可測(cè)主導(dǎo)變量與可測(cè)輔助變量之間的關(guān)系，建立機(jī)理模型，從而實(shí)現(xiàn)對(duì)某一參數(shù)的軟測(cè)量。

2.2 基于回歸分析的軟測(cè)量

經(jīng)典的回歸分析是一種建模的基本方法，應(yīng)用范圍相當(dāng)廣泛。以最小二乘原理為基礎(chǔ)的一元或多元線性回歸技術(shù)已相當(dāng)成熟，經(jīng)常用于線性模型的擬合。對(duì)于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術(shù)可獲得較好的軟測(cè)量模型。對(duì)于輔助變量較多的情況，通常要借助機(jī)理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測(cè)量模型。

2.3 基于狀態(tài)估計(jì)的軟測(cè)量

基于狀態(tài)估計(jì)的軟測(cè)量方法需要建立系統(tǒng)對(duì)象的狀態(tài)空間模型。如果系統(tǒng)的狀態(tài)變量作為主導(dǎo)變量，且輔助變量是完全可測(cè)的，那么軟測(cè)量問(wèn)題就轉(zhuǎn)化為典型的狀態(tài)觀測(cè)和狀態(tài)估計(jì)問(wèn)題。采用Kalman濾波器和Luenberger觀測(cè)器是解決問(wèn)題的有效方法。

2.4 基于模式識(shí)別的軟測(cè)量

采用模式識(shí)別對(duì)工業(yè)過(guò)程的操作數(shù)據(jù)進(jìn)行處理，從中提取系統(tǒng)的特征，構(gòu)成以模式描述分類(lèi)為基礎(chǔ)的模式識(shí)別模型。

2.5 基于模糊數(shù)學(xué)的軟測(cè)量

模糊數(shù)學(xué)模仿人腦邏輯思維特點(diǎn)，是處理復(fù)雜系統(tǒng)的一種有效手段之一，在過(guò)程測(cè)量中也得到大量的應(yīng)用?；谀：龜?shù)學(xué)的軟測(cè)量方法所建立的模型是一種知識(shí)性模型，特別適合于復(fù)雜工藝過(guò)程中被測(cè)對(duì)象呈現(xiàn)不確定性，難以用常規(guī)數(shù)學(xué)定量描述的場(chǎng)合。實(shí)際應(yīng)用中常將模糊技術(shù)和其他人工智能技術(shù)相結(jié)合。

2.6 基于過(guò)程層析成像的軟測(cè)量

基于過(guò)程層析成像的軟測(cè)量與其他軟測(cè)量方法不同的是，它是一種以醫(yī)學(xué)層析成像技術(shù)為基礎(chǔ)，可在線獲取過(guò)程參數(shù)二維或三維實(shí)時(shí)分布信息的先進(jìn)檢測(cè)技術(shù)，采用該技術(shù)可獲取相關(guān)變量的時(shí)空分布信息。

2.7 基于相關(guān)分析的軟測(cè)量

基于相關(guān)分析的軟測(cè)量方法是以隨機(jī)過(guò)程中的相關(guān)分析理論為基礎(chǔ)，利用兩個(gè)或多個(gè)可測(cè)隨機(jī)信號(hào)之間的相關(guān)特性來(lái)實(shí)現(xiàn)某一參數(shù)的在線測(cè)量。

2.8 基于現(xiàn)代非線性信息處理技術(shù)的軟測(cè)量

利用容易測(cè)量的過(guò)程變量（輔助變量，它通常是一種隨機(jī)信號(hào)），采用先進(jìn)的信息處理技術(shù)，通過(guò)對(duì)所獲信息的分析處理，提取信號(hào)特征量，從而實(shí)現(xiàn)某一參數(shù)的在線檢測(cè)或過(guò)程狀態(tài)的識(shí)別。

3 基于人工神經(jīng)網(wǎng)絡(luò)的精餾過(guò)程軟測(cè)量方法

精餾過(guò)程中，基于人工神經(jīng)網(wǎng)絡(luò)的軟測(cè)量方法是近年來(lái)研究最多、發(fā)展最快和應(yīng)用最廣泛的一種軟測(cè)量技術(shù)。由于人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)、聯(lián)想記憶、自適應(yīng)和非線性逼近等功能，因此這種軟測(cè)量方法可在不具備對(duì)象先驗(yàn)知識(shí)的條件下，根據(jù)對(duì)象的輸入/輸出數(shù)據(jù)直接建模，將輔助變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入，而主導(dǎo)變量則作為網(wǎng)絡(luò)的輸出，通過(guò)網(wǎng)絡(luò)的學(xué)習(xí)來(lái)解決不可測(cè)變量的測(cè)量問(wèn)題。這種方法還具有模型在線校正能力，并能適用于高度非線性和嚴(yán)重不確定性系統(tǒng)。

人工神經(jīng)網(wǎng)絡(luò)有多種模型與方法，用于軟測(cè)量建模的反向傳播BP算法（back propagation algorithm）在工程中有著廣泛應(yīng)用。采用反向傳播算法的人工神經(jīng)網(wǎng)絡(luò)稱(chēng)為反向傳播網(wǎng)，它由輸入層、隱層和輸出層組成。隱層可以是1層或多層，采用1個(gè)隱層組成的3層BP網(wǎng)絡(luò)可以表示任意的非線性函數(shù)關(guān)系。

圖1所示的3層BP神經(jīng)網(wǎng)絡(luò)，輸入信號(hào)Pj（j=1,2, ,r）從輸入節(jié)點(diǎn)Aj進(jìn)入BP網(wǎng)絡(luò)，并進(jìn)行一定的加權(quán)Vj,s和偏置bj后，經(jīng)轉(zhuǎn)移函數(shù)作為隱層Bs的輸入，當(dāng)有多個(gè)隱層時(shí)，前一層的輸出加權(quán)后作為后一層的輸入。最后，隱層的輸出同樣經(jīng)加權(quán)、偏置和轉(zhuǎn)移函數(shù)Ws,p后作為輸出層Cp的輸入，各輸出層將隱層的輸入相加后作為該輸出節(jié)點(diǎn)的輸出。

圖1 3層BP神經(jīng)網(wǎng)絡(luò)示意圖

典型的轉(zhuǎn)移函數(shù)采用Sigmoid函數(shù)。由于反傳網(wǎng)絡(luò)的期望輸出與實(shí)際輸出之間存在誤差，根據(jù)誤差從輸出向輸入逐層調(diào)整加權(quán)值，因此，該算法稱(chēng)為反向傳播算法。BP算法收斂速度慢，容易收斂到局部極小，而不是全局最優(yōu)，算法需要預(yù)先設(shè)置有關(guān)的算法因子，如訓(xùn)練次數(shù)、轉(zhuǎn)移函數(shù)等。為此提出了一些改進(jìn)算法，如串級(jí)BP算法等。

分析精餾塔的各變量關(guān)系，精餾塔底濃度XB與提餾段靈敏板溫度T有明顯的關(guān)聯(lián)，為此，采用軟測(cè)量技術(shù)對(duì)塔底濃度進(jìn)行測(cè)量?；谧钚《朔ǖ能洔y(cè)量回歸模型為：

XB=-0.63309-0.143143T-0.010693T2-0.000266T3

式中，T為靈敏板溫度，樣本范圍是-23~11℃。

同時(shí)，建立了BP神經(jīng)網(wǎng)絡(luò)的軟測(cè)量模型，這是一個(gè)單輸入（提餾段靈敏板溫度T）單輸出（塔底物料濃度XB）的BP網(wǎng)，隱層用7個(gè)神經(jīng)元節(jié)點(diǎn)，經(jīng)13627次迭代訓(xùn)練后，建立的模型輸出與實(shí)際輸出的誤差平方和達(dá)到設(shè)定的最小值。其相對(duì)誤差（4.23%）較回歸模型的誤差（9.06%）小，外延時(shí)數(shù)據(jù)的泛化能力也較回歸模型強(qiáng)，其誤差在5.66%，遠(yuǎn)小于回歸模型的外延誤差12.87%。

4 結(jié)語(yǔ)

精餾過(guò)程分離出的產(chǎn)品一般為混合物，目前難以實(shí)時(shí)檢測(cè)產(chǎn)品的成分，市場(chǎng)上又沒(méi)有開(kāi)發(fā)出實(shí)時(shí)準(zhǔn)確的精餾成分傳感器，軟測(cè)量技術(shù)通過(guò)建立輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系，有效地解決了這一難題。

[1] 王愛(ài)廣.過(guò)程控制技術(shù)[M].北京：化學(xué)工業(yè)出版社，2005.

[2] 史繼森.精餾塔的控制[J].自動(dòng)化博覽，2008(8)：86-89.

[3] 黃永杰.精餾塔自動(dòng)控制系統(tǒng)設(shè)計(jì)與應(yīng)用[J].化工技術(shù)與開(kāi)發(fā)，2012(1)：52-54.

[4] 黃永杰.精餾過(guò)程變量耦合及解耦控制系統(tǒng)的分析與設(shè)計(jì)[J].化工技術(shù)與開(kāi)發(fā)，2014(10)：36-38.

Research and Application of Soft Sensor Technology in Distillation Process Control

HUANG Yong-jie
(Guangxi Vocational and Technical College, Nanning 530226, China)

The concept of soft sensing technology was put forward by analyze the correlation between some variables and other variables. The temperature and concentration mathematical model of the distillation column bottom was calculated by soft sensing method based on artifcial neural network.

distillation process; soft sensing technique; soft sensing method of artifcial neural network

TQ 028.1+3

A

1671-9905(2016)04-0039-03

廣西教育廳一般資助項(xiàng)目（YB2014487）

黃永杰（1965-），男，廣西百色人，高級(jí)工程師，就職于廣西職業(yè)技術(shù)學(xué)院計(jì)算機(jī)與電子信息工程系，從事電氣自動(dòng)化、生產(chǎn)過(guò)程自動(dòng)化、機(jī)電一體化專(zhuān)業(yè)的教學(xué)和科研工作

2016-02-26