1 引 言
石油化工、钢铁、电力等流程工业的过程控制中,对过程参数,特别是过程样品中混合组分的含量进行实时检测提出了越来越高的要求。尽管目前国内外已经出现诸如在线拉曼光谱仪、近红外光谱仪等可实现多组分、实时快速分析检测的方法与仪器。
但由于应用范围、检测精度、价格等因素,普及应用于流程工业尚待时日[1]。工业色谱仪由于技术成熟,应用范围宽、检测精度高,仍将在较长时间内成为主要的工业在线仪器。但因工业色谱仪在实时性方面存在先天性的不足,使其无法实现直接质量目标控制。本文以工业色谱仪滞后工业装置的分析数据和历史数据为依据,结合DCS采集的大量辅助参数的实时检测数据,如精馏塔装置中容易检测到的温度、压力、流量等常规变量参数,采用LM-BP神经网络软测量模型实现碳五馏分分离过程中精馏脱炔烃塔重要成分含量参数的预估,更好地解决精馏脱炔烃塔产品质量实时检测的问题,将有助于提高质量产品的收益,减少能源损耗和污染物的排放。对提升绿色生产和生活有着明确积极的意义。*
2 工业色谱仪简介
2.1 色谱分析原理
工业色谱仪基本分析原理是色谱法。该方法是一种物理分离方法,待测气体在载气的带动下进入色谱柱,由于各组分在柱中被吸附的能力不同,因此在柱中流动的速度不同,从而使单个组分分别流出色谱柱,达到分离、检测。由色谱理论可知:工业在线色谱仪有两种载气:氢气和氮气。对于一些组分,选用不同的色谱柱和载气,都可以达到分离的目的。
气相色谱仪根据试样中各组分在色谱柱中的气相和固定相间的分配系数不同,当汽化后的试样被载气带入色谱柱中运行时,组分就在其中的两相间进行反复多次(103~106)的分配(吸附-脱附-放出),由于固定相对各种组分的吸附能力不同(即保存作用不同),因此各组分在色谱柱中的运行速度就不同,经过一定的柱长后,便彼此分离;分离后的组分按保留时间的先后顺序进入检测器,检测器根据组分的物理化学性质将组分按顺序检测出来并自动记录检测信号,产生的信号经放大后,在记录器上描绘出各组分的色谱峰;最终依据试样中各组分保留时间(出峰位置)进行定性分析或依据响应值(峰高或峰面积)对试样中各组分进行定量分析[2]。工业色谱仪将碳五馏分经色谱柱分离开来,各组分按一定的时间先后顺序出峰。为简便起见,定量分析直接采用面积归一法定量。通过面积归一法,将各组分的峰面积转化为建立软测量模型时所需要的组分含量信息。
2.2 基于工业色谱仪的软测量结构
软测量建模的关键是确定与被测变量动态关系相近、关系密切的可测变量和它们之间的关系。图1为过程对象的输入输出关系。软测量建模的目的就是构造可测变量与被测变量之间的映射关系,从而利用可测信息获得“最佳”的被测变量的估计值y′。在该框架下,软测量模型的性能将依赖于过程的描述、噪声和扰动的特性、可测输出的选择,以及所采用的“最佳”准则(即软测量建模的方法)[3]。
在本文的软测量建模中,工业色谱仪的应用使得精馏脱炔烃塔装置中图1中的被测变量y成为了可测变量,但因分析周期使得测量存在滞后。所以利用工业色谱仪在线检测的质量参数,通过实时的辅助变量建立软测量模型,并在工业色谱仪嵌入式测控系统中初步实现该精馏脱炔烃的推断系统。从而实现该塔主要组分含量质量参数的实时推断,为DCS系统提供实时质量参数数据,也为进一步实现过程直接质量目标控制打下基础。基于工业色谱仪的该精馏脱炔烃塔的软测量模型结构如图2所示。从该图可以看出,工业色谱仪在线检测的质量参数,既为软测量模型提供了建模目标数据,也为模型校正提供了校正质量数据。
3 软测量建模方法研究
3.1 神经网络软测量建模方法
对于非线性较强、动态性能波动大的精馏塔进行软测量建模,目前许多文献论述了应用神经网络进行软测量建模的方法。其中比较有代表性的是BP神经网络和RBF神经网络软测量建模方法。在文献中已经论证了通过适当的选择神经网络的隐含层节点数和网络层次,前馈网络能以任意精度逼近非线性函数。因此人工神经网络技术已经广泛应用到工业过程建模、优化控制、模式识别和故障诊断等领域中[4]。
虽然标准BP神经网络得到广泛的应用,但它自身也存在限制与不足。比如对一些复杂的问题,标准BP算法可能要进行几小时甚至更长时间的训练;该算法可以使网络权值收敛到一个解,但它并不能保证所求为全局最优解,很可能是一个局部最优解等。鉴于普通BP算法存在的不足,近十几年来许多研究人员对其做了深入的研究,提出了很多改进的方法,如LM-BP算法。
3.2 LM-BP神经网络软测量建模方法
LM-BP算法是为了在以近似二阶训练的速率进行修正时避免计算Hessian矩阵而设计的[5]。当误差性能函数具有平方和误差(训练前馈网络的典型误差函数)的形式时,Hessian矩阵可以近似表示为:
4 仿真研究
4.1 精馏脱炔烃塔工艺简介
本文的研究背景是碳五馏分分离装置异戊二烯产品塔,即精馏脱炔烃塔,异戊二烯的生产工艺流程如图3所示。精馏脱炔烃塔作为最后的成品塔,其控制指标主要有两个:塔釜产品异戊二烯摩尔含量≥99.6%,产品中杂质丁炔-2含量≤1 ppm[7]。塔釜产品异戊二烯和关键杂质丁炔-2的含量通过工业色谱仪在线采样分析得到(每30 min分析1次)。相对于以前通过采样点定时取样离线分析(一般几小时分析1次),工业色谱仪在线取样分析,使得建模样本能够实时反映工况,也避免了样本插值所带来的样本数据本身的不确定性。
但工业色谱仪按周期采样分析,虽然在线但因分析周期的存在,无法达到实时要求。因此分析值只能作为定值控制回路的设定值的参考量,不能进行实时过程优化控制。所以将在线工业色谱仪与神经网络软测量技术结合起来,设计组分含量推断系统,解决产品质量实时检测的问题。
4.2 LM-BP软测量建模
4.2.1 辅助变量和主导变量选取
根据工艺操作变量分析以及对该精馏脱炔烃塔工艺机理数学模型的仿真研究,在此基础上选择该塔的进料量(F112)、回流量(F121)、塔釜排放量(F122)、塔底温度(T122)、塔底压力(P122)等五个变量,作为影响该精馏脱炔烃塔塔底产品异戊二烯和杂质丁炔-2摩尔含量的生产运行特性的主要辅助变量。主导变量为精馏脱炔烃塔塔底异戊二烯含量和丁炔-2含量。
4.2.2 数据预处理
从现场采集的测量数据,由于受仪表精确度和测量环境的影响,一般都不可避免地带有误差,有时甚至是严重的过失误差。如果将这些现场测量数据直接用于软测量建模,会导致模型测量的精度降低,甚至完全失败。因此,测量数据必须经过误差处理。对于测量数据的处理,考虑到该推断系统的实时性要求,在满足预估精度的前提下,尽量缩短推断时间的要求,对于随机误差采用简单易行的算术平均滤波法进行处理,对过失误差则采用传统的高低限幅值法。
精馏脱炔烃塔的测量数据有着不同的工程单位,变量之间在数值上可能相差几个数量级。直接使用这些数据进行计算引起算法的数值不稳定问题。利用合适的因子对数据进行标度变换,能够改善算法的精度和稳定性。本文中针对不同的算法将数据归一化到(0,1)[8]。
由数据采集部分可知,原始辅助变量数据是每分钟采集一次,而被估计主导变量数据是根据工业色谱仪分析周期,每30min采样分析一次,这时就存在一个数据协调问题。比如工业色谱仪分析的数据时刻为00: 30, 01: 00, 01: 30, 02: 00, 02: 30等,在建模时也应选择对应的这些时刻的实时数据作为辅助变量,但因取样分析值与取样时刻存在着不确定因素,从而使得取样分析值与哪一个具体时刻的辅助变量数据相对应也有一定的不确定性。为了减小这个原因造成的误差,采用了平均滤波的方法进行数据处理,即将取样点时刻前后10min内的辅助变量数据求取平均值,作为该时刻取样点所对应的辅助变量的输入数据[9]。
4.2.3 建立软测量模型
(1)LM-BP神经网络模型结构。
本文利用BP神经网络进行建模时,选取网络层数为3,输入层、输出层和隐含层的传递函数均为具有连续性的Sigmiod非线性转移函数。因经许多研究结果证明,该函数能够足够充分逼近一个稠密集上的任意非线性函数。采用Sigmoid传输函数,其输出值将会限制在(0, 1)范围内。且直接用原始数据进行仿真,会突出那些绝对值大的因子,而压低绝对值较小的因子的作用,影响处理的结果。因此,在进入网络之前,无论是训练样本或预测样本,均要进行归一化处理[10]。
由文献[11]研究得出,对于一个三层BP网络,隐层节点数可用式(4)实验公式计算:
(2)LM-BP软测量建模。
本文用经过误差剔除、数据归一化、数据协调等预处理后的400组训练样本对基于LM-BP神经网络模型的软测量模型进行训练。训练结束后,本文用同样经过误差剔除、数据归一化、数据协调等预处理后的200组没有参加训练的样本对所建立的模型进行检验。检验数据外推结果与实际工业色谱仪分析数据对比图如图4所示。
在建模结束后,需要采用一定的性能指标来衡量模型能否满足给定的训练要求和是否达到指定的训练目标。本文从以下两个方面考虑模型的性能指标[12]:一是模型对训练数据的拟合程度,二是模型对校验数据的泛化能力。因此,采用均方差性能指标(Mean Square Error,MSE)和平均绝对误差性能指标(MeanAbsolute Error,MAE)来检验模型性能。由于建模样本经过归一化处理,所以要先将模型的计算值进行反归一化后,与其对应采样时间的分析值进行比较,其结果如表1所示。仿真结果表明基于LM-BP神经网络的软测量模型的预测值与实际分析值的拟合程度较好,训练过程满足要求,并且基于LM-BP神经网络软测量模型的泛化(外推)性能较好,模型具有较高的预测精度。
4.2.4 基于工业色谱仪的软测量模型在线校正
由于精馏脱炔烃塔装置操作条件及原料性质等的变化,以及生产过程实际存在的时变性、非线性等原因,软测量模型必须不定期地对其进行校正,以适应工况的变化[13]。将工业色谱仪应用于精馏脱炔烃装置,可以方便地获得塔底产品异戊二烯和杂质丁炔-2的质量分析值,在此采用工业色谱仪分析数据进行软测量模型的校正。软测量模型的校正由短期校正和长期校正两部分组成。如图5为基于工业色谱仪的精馏脱炔烃塔软测量模型校正机制。用工业色谱仪在线检测的质量含量参数代替人工采样分析值,进行软测量模型的校正。工业色谱仪积累的 大量的质量含量历史数据,使得软测量模型校正可在任意的规定时间段进行。针对精馏脱炔烃塔,利用工业色谱仪的在线检测参数,通过软测量模型的辅助变量实现实时质量参数推动;并由在线检测参数和历史数据对该软测量模型进行在线校正。
5 结 论
本文中软测量的建模数据包含的工况范围较广,为精馏塔从开车到生产出符合品质要求产品的一段动态过程,所以仿真结果图中异戊二烯含量呈现上升的趋势。由其工艺机理模型分析可知,其杂质丁炔-2含量也随着异戊二烯含量的增加而上升,且上升趋势大致相同。根据训练和泛化结果可以看出,基于LM-BP神经网络的软测量模型可以正确地反映实际工况中主导变量异戊二烯含量和丁炔-2含量随辅助变量温度、压力、流量等的变化情况,能较准确地推断出异戊二烯和丁炔-2的含量,很好地解决了产品质量实时检测问题,为进一步实现推断控制奠定了基础,并且有利于降低能耗,平稳生产。
参考文献:
[1] 韩一匡.国内工业气相色谱仪及其发展的思考[J].世界仪表与自动化, 2008, 22(5): 30-32.
[2] 刘吉法,杨旭辉,彭守泉.乙烯装置中在线气相色谱仪的应用及改进[J].石油化工自动化, 2004, (3): 69-71.
[3] 毕士强.基于软测量技术的精馏塔优化控制[D].北京:北京化工大学, 2005: 27-28.
[4] 薄翠梅,张 湜,王执铨,等.基于滑动时间窗的支持向量机软测量建模研究[J].自动化仪表, 2006, 27(1): 45-46.
[5] HAGAN M T, DEMUTH H B, BEALE M H. NeuralNetworkDesign[M]. Boston,MA: PWS Publishing, 1996.
[6] ACKLEY D H,HINTON G F, SEJNOWSKIT J.A LeaNIngAl-gorithm for Boltzman Machines[ J]. Cognitive Science, 1985,19: 147-169.
[7] 王金书,姜 勇,王保刚,等.一种聚合级异戊二烯的生产方法:中国,CN1876608A[P]. 2006-12-13.
[8] 李红军,秦勇胜,徐用懋.化工过程中的数据协调及显著误差检测[J].化工自动化及仪表, 1997, 24(2): 25-32.
[9] 李 勇,邵 诚.软测量技术及其应用发展[J].工业仪表与自动化装置, 2005, (5): 6-10.
[10] WHITE H. CommentionistNonparametric Regression:Multi-layerFeedforwardNetworkCanLearnArbitraryMapping[J].NeuralNetworks, 1990, (3): 47-51.
[11] 尚长军,陈 曦,钱积新.基于PCA-BP神经网络的精馏塔产品组成软测量模型[J].工业仪表与自动化装置, 2003,(4): 33-36.
[12] 薄翠梅,张 湜,李 俊,等.基于神经网络的软测量技术在精馏塔上的应用[J].过程工程学报, 2003, 3(4): 371-375.
[13] 张 湜,薄翠梅,林锦国,等.丁二烯精馏塔的推断控制方案与软测量模型[J].自动化仪表, 2002, 23(9): 59-61.
