精馏过程控制中软测量技术的研究与应用

黄永杰

（广西职业技术学院，广西 南宁 530226）

精馏过程控制中软测量技术的研究与应用

黄永杰

（广西职业技术学院，广西 南宁 530226）

分析精馏过程中一些变量与其他变量之间的关联性，提出软测量技术概念，利用基于人工神经网络的软测量方法，推算出精馏塔底浓度与提馏段温度数学模型，解决了塔底物料浓度测量误差的问题。

精馏过程；软测量技术；人工神经网络的软测量方法

工业生产中经常要将混合液体分离成纯净的组分，利用混合物中各组分挥发能力的差异，通过液相和气相的回流，使气、液两相逆向多级接触，在热能驱动和相平衡关系的约束下，易挥发组分（轻组分）不断从液相往气相中转移，难挥发组分由气相向液相迁移，使混合物不断分离，这个过程就是精馏，完成这一过程的工艺设备是精馏塔。

在精馏生产过程中，为了实现良好的质量控制，必须对产品质量或与产品质量密切相关的重要过程变量进行控制，由于在线分析仪表或传感器的价格昂贵，维护复杂，加上分析仪表滞后大，造成控制质量下降。同时，精馏塔的产品成分、塔板效率、干点、闪点、反应转化率等部分质量指标或与产品质量密切相关的重要过程变量尚无法测量，为解决这类问题，提出了软测量技术的概念。

1 软测量技术的组成

软测量的基本思路是基于一些变量与过程中其他变量之间的关联性，采用计算机技术，根据一些容易测量的过程变量（称为辅助变量），推算出一些难以测量或者暂时还无法测量的过程变量（称为主导变量）。推算是根据辅助变量与主导变量之间的数学模型进行的。软测量技术由辅助变量选择、数据的采集和处理、软测量数学模型建立和在线校正等几个部分组成。

1.1 辅助变量的选择

软测量技术根据辅助变量与主导变量之间的数学模型进行推算，因此，辅助变量的选择是关系到软测量技术精确度的重要内容。其选择原则如下：

关联性：辅助变量应与主导变量有关联，最好能够直接影响主导变量；

特异性：辅助变量应具有特异性，用于区别其他过程变量；

工程适用性：容易在工程应用中获得，能够反映生产过程的变化；

精确性：辅助变量本身具有一定的测量精确度，并且模型应具有足够的精确度；

鲁棒性：对模型误差不敏感。

1.2 数据的采集和处理

需要采集的数据是软测量主导变量对应的辅助变量数据，数据的覆盖面应尽量宽，且具有代表性，使软测量建立的模型有更大的适用范围，并可方便地用计算机进行采集和处理。

精馏生产过程变量符合正态分布，因此，对采集的数据应进行处理，数据处理通常在离线完成，包括对数据标度的换算、数据转换和权函数设置、分析数据、数据的检验和不良数据的剔除。

1.3 软测量数学模型建立

软测量数学模型是软测量技术的核心，建立软测量数学模型的方法有机理建模、经验建模、机理和经验混合建模等。机理建模利用已知的过程知识，有较大的适用范围，但有些过程较复杂，难以用机理方法建立模型。经验建模根据实际测量的过程数据，用数学方法对数据进行回归或建立神经网络拟合，只需要实测过程数据，对工艺过程的影响小，但建立的数学模型适用范围不宽，精度较差。机理和经验结合的建模方法可兼取两者的优点，例如，以机理建模为主线，根据实际采集的数据确定部分模型参数，根据机理分析，结合实测数据建立数学模型的结构，然后估计模型参数，通过计算和仿真获得数据，根据这些数据建立数学模型。

1.4 模型在线校正

数学模型在线校正的主要原因有三方面：一是模型是根据一定操作条件下的数据建立的，操作条件变化会造成模型的误差；二是建立模型时，一些过程变量未发生变化，因此也就没有考虑在模型中，而这些变量一旦发生了变化，将会引起模型结构或参数的变化；三是过程本身的时变性（如精馏过程中催化剂的变化）也将使模型参数改变。在线校正分短期校正和长期校正两种。

2 软测量方法

工业精馏装置中采用软测量技术的方法主要有机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、过程层析成像、相关分析和现代非线性信息处理技术等9种。前6种软测量技术的研究较为深入，在过程控制和检测中有更多成功的应用。

2.1 基于工艺机理分析的软测量

主要是应用化学反应动力学、物料平衡、能量守恒等原理，通过对过程对象的机理分析，找出不可测主导变量与可测辅助变量之间的关系，建立机理模型，从而实现对某一参数的软测量。

2.2 基于回归分析的软测量

经典的回归分析是一种建模的基本方法，应用范围相当广泛。以最小二乘原理为基础的一元或多元线性回归技术已相当成熟，经常用于线性模型的拟合。对于辅助变量较少的情况，一般采用多元线性回归中的逐步回归技术可获得较好的软测量模型。对于辅助变量较多的情况，通常要借助机理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。

2.3 基于状态估计的软测量

基于状态估计的软测量方法需要建立系统对象的状态空间模型。如果系统的状态变量作为主导变量，且辅助变量是完全可测的，那么软测量问题就转化为典型的状态观测和状态估计问题。采用Kalman滤波器和Luenberger观测器是解决问题的有效方法。

2.4 基于模式识别的软测量

采用模式识别对工业过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别模型。

2.5 基于模糊数学的软测量

模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段之一，在过程测量中也得到大量的应用。基于模糊数学的软测量方法所建立的模型是一种知识性模型，特别适合于复杂工艺过程中被测对象呈现不确定性，难以用常规数学定量描述的场合。实际应用中常将模糊技术和其他人工智能技术相结合。

2.6 基于过程层析成像的软测量

基于过程层析成像的软测量与其他软测量方法不同的是，它是一种以医学层析成像技术为基础，可在线获取过程参数二维或三维实时分布信息的先进检测技术，采用该技术可获取相关变量的时空分布信息。

2.7 基于相关分析的软测量

基于相关分析的软测量方法是以随机过程中的相关分析理论为基础，利用两个或多个可测随机信号之间的相关特性来实现某一参数的在线测量。

2.8 基于现代非线性信息处理技术的软测量

利用容易测量的过程变量（辅助变量，它通常是一种随机信号），采用先进的信息处理技术，通过对所获信息的分析处理，提取信号特征量，从而实现某一参数的在线检测或过程状态的识别。

3 基于人工神经网络的精馏过程软测量方法

精馏过程中，基于人工神经网络的软测量方法是近年来研究最多、发展最快和应用最广泛的一种软测量技术。由于人工神经网络具有自学习、联想记忆、自适应和非线性逼近等功能，因此这种软测量方法可在不具备对象先验知识的条件下，根据对象的输入/输出数据直接建模，将辅助变量作为人工神经网络的输入，而主导变量则作为网络的输出，通过网络的学习来解决不可测变量的测量问题。这种方法还具有模型在线校正能力，并能适用于高度非线性和严重不确定性系统。

人工神经网络有多种模型与方法，用于软测量建模的反向传播BP算法（back propagation algorithm）在工程中有着广泛应用。采用反向传播算法的人工神经网络称为反向传播网，它由输入层、隐层和输出层组成。隐层可以是1层或多层，采用1个隐层组成的3层BP网络可以表示任意的非线性函数关系。

图1所示的3层BP神经网络，输入信号Pj（j=1,2, ,r）从输入节点Aj进入BP网络，并进行一定的加权Vj,s和偏置bj后，经转移函数作为隐层Bs的输入，当有多个隐层时，前一层的输出加权后作为后一层的输入。最后，隐层的输出同样经加权、偏置和转移函数Ws,p后作为输出层Cp的输入，各输出层将隐层的输入相加后作为该输出节点的输出。

图1 3层BP神经网络示意图

典型的转移函数采用Sigmoid函数。由于反传网络的期望输出与实际输出之间存在误差，根据误差从输出向输入逐层调整加权值，因此，该算法称为反向传播算法。BP算法收敛速度慢，容易收敛到局部极小，而不是全局最优，算法需要预先设置有关的算法因子，如训练次数、转移函数等。为此提出了一些改进算法，如串级BP算法等。

分析精馏塔的各变量关系，精馏塔底浓度XB与提馏段灵敏板温度T有明显的关联，为此，采用软测量技术对塔底浓度进行测量。基于最小二乘法的软测量回归模型为：

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

式中，T为灵敏板温度，样本范围是-23~11℃。

同时，建立了BP神经网络的软测量模型，这是一个单输入（提馏段灵敏板温度T）单输出（塔底物料浓度XB）的BP网，隐层用7个神经元节点，经13627次迭代训练后，建立的模型输出与实际输出的误差平方和达到设定的最小值。其相对误差（4.23%）较回归模型的误差（9.06%）小，外延时数据的泛化能力也较回归模型强，其误差在5.66%，远小于回归模型的外延误差12.87%。

4 结语

精馏过程分离出的产品一般为混合物，目前难以实时检测产品的成分，市场上又没有开发出实时准确的精馏成分传感器，软测量技术通过建立辅助变量和主导变量之间的数学关系，有效地解决了这一难题。

[1] 王爱广.过程控制技术[M].北京：化学工业出版社，2005.

[2] 史继森.精馏塔的控制[J].自动化博览，2008(8)：86-89.

[3] 黄永杰.精馏塔自动控制系统设计与应用[J].化工技术与开发，2012(1)：52-54.

[4] 黄永杰.精馏过程变量耦合及解耦控制系统的分析与设计[J].化工技术与开发，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

广西教育厅一般资助项目（YB2014487）

黄永杰（1965-），男，广西百色人，高级工程师，就职于广西职业技术学院计算机与电子信息工程系，从事电气自动化、生产过程自动化、机电一体化专业的教学和科研工作

2016-02-26