專利名稱：：工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及一種工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法。技術(shù)背景分離精餾裝置作為化學(xué)工業(yè)生產(chǎn)過程中最重要的一種分離設(shè)備應(yīng)用非常廣泛。實(shí)施基于分餾塔嚴(yán)格機(jī)理模型的在線操作優(yōu)化對(duì)提高產(chǎn)品質(zhì)量、降低能耗有著重要意義，再次實(shí)施過程中涉及工業(yè)裝置數(shù)據(jù)協(xié)調(diào)技術(shù)、工業(yè)裝置工藝機(jī)理模型及其模型校正技術(shù)以及高效的在線優(yōu)化技術(shù)等問題。例如，二甲苯分餾塔可以用來實(shí)現(xiàn)碳八芳烴與碳九以上芳烴的分離，艮P:塔頂收集以對(duì)二甲苯(P-Xylene,下文簡(jiǎn)稱為PX)為主的碳八芳烴作為吸附分離操作的原料，塔底收集富含鄰二甲苯(0-Xylene，下文簡(jiǎn)稱為0X)的碳九以上芳烴，塔底產(chǎn)品進(jìn)入重芳烴分離塔裝置實(shí)現(xiàn)碳九芳烴與重芳烴的分離，或進(jìn)入鄰二甲苯成品塔聯(lián)產(chǎn)鄰二甲苯。為擴(kuò)大對(duì)二甲苯(PX)的生產(chǎn)規(guī)模，很多企業(yè)都在原有生產(chǎn)裝置基礎(chǔ)上進(jìn)行改擴(kuò)建，使運(yùn)行狀況不同的多套裝置并行生產(chǎn)。為了使各裝置運(yùn)行在最佳操作點(diǎn)并且降低裝置的能耗、提高企業(yè)的經(jīng)濟(jì)效益，合理分配裝置的生產(chǎn)負(fù)荷和發(fā)揮各裝置的潛能顯得尤為重要。如圖l所示的分餾系統(tǒng)F101流股的一部分與F103流股的一部分分別流入分餾塔DAIOI，經(jīng)DA101塔處理后，低組分流股F104從塔頂產(chǎn)出，塔底產(chǎn)出為F105;同理，F(xiàn)102流股的一部分與F108分別進(jìn)入另一不同結(jié)構(gòu)的分餾塔，塔頂產(chǎn)出F109，塔底為F110;F101與F103流股的剩余部分分別進(jìn)入第三套分餾裝置，塔頂產(chǎn)出F114，塔底為F115。在此系統(tǒng)中，各分餾裝置的結(jié)構(gòu)與操作條件不同，導(dǎo)致其對(duì)原料的分離效果不同，因此，如何合理分配FIOI、F102及F103等進(jìn)入各塔的流股資源，對(duì)優(yōu)化裝置的生產(chǎn)以及節(jié)能降耗起關(guān)鍵作用。
發(fā)明內(nèi)容本發(fā)明提供了一種工業(yè)分餾系統(tǒng)負(fù)荷分配在線優(yōu)化方法，此方法根據(jù)實(shí)際工業(yè)數(shù)據(jù)，應(yīng)用自適應(yīng)動(dòng)量因子PS0(ParticleSwarmOptimization,粒子群優(yōu)化，以下簡(jiǎn)稱PSO)算法，首先對(duì)來自分餾系統(tǒng)的過程數(shù)據(jù)進(jìn)行協(xié)調(diào)；以此為基礎(chǔ)，建立分餾系統(tǒng)的機(jī)理模型，并用人工免疫優(yōu)化校正技術(shù)對(duì)分餾系統(tǒng)工業(yè)模型進(jìn)行校正，得到能反映工業(yè)裝置實(shí)際運(yùn)行工況的分餾系統(tǒng)模型；最后，根據(jù)實(shí)際生產(chǎn)情況和目標(biāo)，應(yīng)用序列二次規(guī)劃(SequentialQuadraticProgramming,以下簡(jiǎn)稱SQP)算法和專家經(jīng)驗(yàn)相融合的優(yōu)化算法對(duì)操作負(fù)荷進(jìn)行最佳分配，使分餾裝置在保證產(chǎn)品產(chǎn)量和質(zhì)量前提下，達(dá)到節(jié)能降耗的目的。本工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，包括以下步驟工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征在于所述方法包括以下步驟①采集工業(yè)分餾系統(tǒng)的實(shí)時(shí)和歷史數(shù)據(jù)；②根據(jù)所采集數(shù)據(jù)，確定需要進(jìn)行數(shù)據(jù)協(xié)調(diào)的已測(cè)變量和需要進(jìn)行估計(jì)的未測(cè)變量，并由測(cè)量變量樣本估計(jì)測(cè)量誤差的方差，預(yù)置過失誤差在誤差中出現(xiàn)的比例和過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率；③利用基于自適應(yīng)動(dòng)量因子的PS0智能優(yōu)化算法，每個(gè)粒子的維數(shù)對(duì)應(yīng)需要校正的模型參數(shù)的個(gè)數(shù)，各維的位置值對(duì)應(yīng)各參數(shù)值，計(jì)算粒子群中每個(gè)粒子的適應(yīng)度，對(duì)采集的裝置數(shù)據(jù)進(jìn)行協(xié)調(diào)，直至達(dá)到協(xié)調(diào)的目標(biāo)；在以上裝置數(shù)據(jù)的協(xié)調(diào)基礎(chǔ)上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機(jī)理模型，并確定分餾系統(tǒng)校正的目標(biāo)函數(shù)；⑤根據(jù)分餾裝置的實(shí)際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個(gè)數(shù)，確定每個(gè)免疫抗體的個(gè)數(shù)，抗體的規(guī)模，根據(jù)分餾系統(tǒng)校正后的目標(biāo)函數(shù)計(jì)算各抗體的適應(yīng)度，對(duì)分餾系統(tǒng)的塔板效率進(jìn)行校正，直至達(dá)到優(yōu)化目標(biāo)；⑥確定分餾系統(tǒng)的優(yōu)化操作變量及約束條件，建立回流比與塔釜產(chǎn)出量之間的專家經(jīng)驗(yàn)庫(kù)，運(yùn)行分餾系統(tǒng)的校正模型，得到各分餾裝置塔頂與塔釜的產(chǎn)品產(chǎn)量與質(zhì)量及塔釜的熱負(fù)荷，以塔釜總熱負(fù)荷最低為目標(biāo)，利用SQP結(jié)合專家判斷對(duì)負(fù)荷資源進(jìn)行重新配置，并調(diào)整裝置的回流比，直到達(dá)到優(yōu)化目標(biāo)。所述步驟①中的數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)，裝置數(shù)據(jù)包括分餾裝置的各股進(jìn)料流量和溫度、塔頂與塔釜的產(chǎn)出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進(jìn)料和出料的成分?jǐn)?shù)據(jù)。所述步驟③中的適應(yīng)度，為數(shù)據(jù)協(xié)調(diào)的目標(biāo)函數(shù)，即<formula>formulaseeoriginaldocumentpage7</formula>為測(cè)量誤差，q為服從儀表測(cè)量誤差的正態(tài)分布方差，7為過失誤差在誤差中出現(xiàn)的比例，y為過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率。所述步驟③中的協(xié)調(diào)目標(biāo)，為數(shù)據(jù)協(xié)調(diào)循環(huán)次數(shù)或適應(yīng)度門檻值。所述步驟④中的目標(biāo)函數(shù)，為校正后分餾系統(tǒng)的塔頂、塔釜及關(guān)鍵點(diǎn)的塔板溫度與實(shí)測(cè)值偏差最小，即使:<formula>formulaseeoriginaldocumentpage7</formula>w、n及k分別對(duì)應(yīng)每個(gè)塔的產(chǎn)出數(shù)、塔板數(shù)及每個(gè)塔塔頂、塔釜產(chǎn)出的成分百分比數(shù)，分別表示塔頂、塔釜產(chǎn)出；各塔板溫度值；塔頂、塔釜產(chǎn)出的流量百分比模型計(jì)算值，W《、表示分餾裝置運(yùn)行時(shí)它們的實(shí)際值。所述步驟⑤中的優(yōu)化目標(biāo)，為數(shù)據(jù)優(yōu)化循環(huán)次數(shù)或適應(yīng)度門檻值。所述步驟⑥中的優(yōu)化目標(biāo)，為SQP迭代條件及各塔的塔頂塔釜的關(guān)鍵產(chǎn)出滿足產(chǎn)品的產(chǎn)量、質(zhì)量要求的門檻值。本發(fā)明提供一種工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化運(yùn)行的方法，利用自適應(yīng)動(dòng)量因子PS0算法對(duì)分餾系統(tǒng)的裝置數(shù)據(jù)進(jìn)行協(xié)調(diào)，在此基礎(chǔ)上，對(duì)分餾系統(tǒng)機(jī)理模型進(jìn)行校正，提高模型對(duì)工業(yè)過程描述的精度，建立工業(yè)運(yùn)行模型，并在模型的基礎(chǔ)上，再次，對(duì)裝置負(fù)荷進(jìn)行最佳分配、發(fā)揮了現(xiàn)有裝置的潛能、降低能耗，為生產(chǎn)工藝的改造等提供基礎(chǔ)和依據(jù)，且此方法適用于各類分餾系統(tǒng)的負(fù)荷在線優(yōu)化，易于移植，有著廣泛的適應(yīng)性。圖l是分餾系統(tǒng)的工藝流程圖；圖2是自適應(yīng)動(dòng)量因子PS0算法；圖3是分餾系統(tǒng)模型校正框圖；圖4是分餾塔任一塔板物料進(jìn)出情況圖；圖5是利用SQP結(jié)合專家經(jīng)驗(yàn)的分餾系統(tǒng)資源優(yōu)化配置框圖。附圖符號(hào)說明圖圖1中，DA101、DA102和DA103分別為不同結(jié)構(gòu)的分餾裝置;FlOl、F102、F103和F108為總進(jìn)料;F107與F113為資源分配后的部分進(jìn)料;F104、F109和F114分別為各分餾塔的塔頂產(chǎn)出；F105、F110和F115分別為它們的塔釜產(chǎn)出，F(xiàn)106、Fill和F116分別為它們的回流量，EAIOI、FA101和BA101為DA101塔的冷凝罐、緩沖罐和再沸器，同樣，EA102、FA102、BA102及EA103、FA103、BA103也分別為DA102塔與DA103塔的冷凝罐、緩沖罐和再沸器。圖2中，f為校正循環(huán)次數(shù)，(么t7)中i為估計(jì)的已測(cè)變量，^為估計(jì)的未測(cè)變量。圖4中，《為進(jìn)入"層塔板的進(jìn)料量，a為進(jìn)入"層塔板的熱量；4為離開"層板的液體量，其中至下層板的液體量為Z"，從"層板抽出的液體量為rz";Z_,為自上層板來的液體量；R+1為自下層板來的汽體量；K"為離開n層板的汽體量，其中至上層板的汽體量為《，從"層板抽出的汽體量為PfT";2;為來自相關(guān)塔底的液體量；g為來自相關(guān)塔頂?shù)钠w量；『A為來自相關(guān)塔側(cè)線的液體量；wr;為來自相關(guān)塔側(cè)線的汽體量；下標(biāo)J'、6、/、m為模擬塔中的板號(hào)。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)一步說明。本具體實(shí)施例進(jìn)行在線資源配置的工業(yè)裝置二甲苯分餾系統(tǒng)如圖2所示，DA101、DA102和DA103分別為不同結(jié)構(gòu)的分餾裝置;FlOl、F102、F103和F108為總進(jìn)料；F107、F112與F113為資源分配后的部分進(jìn)料；F104、F109和F114分別為各分餾塔的塔頂產(chǎn)出；F105、F110和F115分別為它們的塔釜產(chǎn)出，F(xiàn)106、Fill和F116分別為它們的回流量，EAIOI、FA101和BA101為DA101塔的冷凝罐、緩沖罐和再沸器，同樣，EA102、FA102、BA102及EA103、FA103、BA103也分別為DA102塔與DA103塔的冷凝罐、緩沖罐和再沸器。本實(shí)施例通過以下方法對(duì)FlOl、F102及F103等進(jìn)入各塔的流股資源進(jìn)行分配，具體包括以下步驟1.采集工業(yè)分餾系統(tǒng)的實(shí)時(shí)和歷史數(shù)據(jù)。數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)裝置數(shù)據(jù)包括分餾裝置的各股進(jìn)料流量、溫度和壓力、塔頂與塔釜的產(chǎn)出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進(jìn)料和出料的成分?jǐn)?shù)據(jù)。在本實(shí)施例中所采集到的裝置數(shù)據(jù)為流股FlOl、F102、F103、F107、F108、F112及F113的入塔溫度、流量及壓力；DAIOI、DA102、DA103塔的塔頂產(chǎn)出流量F104、F109及F114及溫度；塔的回流量F106、F111及F116;塔釜產(chǎn)出流量F105、F110及F115及各塔的塔頂、塔釜溫度和塔頂壓力。采集到的分析數(shù)據(jù)為對(duì)FIOI、F102、F103、F108、F104、F109、F114、F105、F110及F115的分析數(shù)據(jù)。2.根據(jù)所采集數(shù)據(jù)，確定需要進(jìn)行數(shù)據(jù)協(xié)調(diào)的己測(cè)變量和需要進(jìn)行估計(jì)的未測(cè)變量，并由測(cè)量變量樣本估計(jì)測(cè)量誤差的方差，預(yù)置過失誤差在誤差中出現(xiàn)的比例和過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率在進(jìn)行實(shí)際裝置運(yùn)行工況在線優(yōu)化時(shí)，其大量數(shù)據(jù)主要是來自現(xiàn)場(chǎng)儀表的測(cè)量。由于儀表精度及測(cè)量環(huán)境等的影響，現(xiàn)場(chǎng)采集的過程操作數(shù)據(jù)不可避免地存在著隨機(jī)誤差，有時(shí)還會(huì)由于受到諸如測(cè)量?jī)x表的不準(zhǔn)或失靈以及容器或管道泄漏等多種因素的影響，使得直接測(cè)量的數(shù)據(jù)不僅不能反映過程運(yùn)行的真實(shí)情況，而且還常常違背基本的物料平衡和能量平衡關(guān)系，如果利用這樣的數(shù)據(jù)來進(jìn)行在線優(yōu)化，必然會(huì)對(duì)優(yōu)化的效果造成影響。因而，需對(duì)現(xiàn)場(chǎng)采集到的數(shù)據(jù)進(jìn)行協(xié)調(diào)?；谶^程數(shù)據(jù)協(xié)調(diào)與測(cè)量誤差判斷的優(yōu)化問題可描述為脂'"=l;inK卜;7)邵[-4fc^]+2邵[-4^4^]〉(1)s丄￡(^,。=0(2)Ji^hxu;C/^^W(3)這里，A為m維被測(cè)變量測(cè)量值；A為變量測(cè)量值X,的估計(jì)值；"表示過失誤差在測(cè)量誤差中所占的比例(;/〈0.5);為服從儀表測(cè)量誤差的正態(tài)分布方差；y為過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率(y〈0.2);^未測(cè)變量的估計(jì)值；i為滿足過程變量的平衡方程；X、X"和W、f/"分別為測(cè)量變量和未測(cè)變量的上下限。3.利用基于自適應(yīng)動(dòng)量因子的PSO智能優(yōu)化算法，每個(gè)粒子的維數(shù)對(duì)應(yīng)需要校正的模型參數(shù)的個(gè)數(shù)，各維的位置值對(duì)應(yīng)各參數(shù)值，計(jì)算粒子群中每個(gè)粒子的適應(yīng)度，對(duì)采集的裝置數(shù)據(jù)進(jìn)行協(xié)調(diào)，直至達(dá)到協(xié)調(diào)的目標(biāo)問題(1)可以通過自適應(yīng)動(dòng)量因子PSO算法進(jìn)行優(yōu)化，可以得出》和^,然后通過誤差^-x「^來判斷是否存在過失誤差。判斷的準(zhǔn)則是如果A屬于過失誤差的概率大于其屬于隨機(jī)誤差的概率，艮P:則相應(yīng)的測(cè)量中含有過失誤差；反之則沒有過失誤差。具體數(shù)據(jù)協(xié)調(diào)的算法步驟為1)確定需要進(jìn)行協(xié)調(diào)的已測(cè)變量X和需要進(jìn)行估計(jì)的未測(cè)變量"，并由測(cè)量變量樣本估計(jì)測(cè)量誤差的方差。2)預(yù)置過失誤差在誤差中出現(xiàn)的比例7和過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率p3)采用自適應(yīng)動(dòng)量因子PSO優(yōu)化算法求解式(1)，得到(t。。4)計(jì)算各個(gè)測(cè)量變量的誤差~=^-&，通過式(2)判斷是否存在過失誤差，如果無過失誤差存在，返回&,。，算法結(jié)束；否則繼續(xù)。5)對(duì)判斷存在過失誤差的^，計(jì)算將最大的《所反應(yīng)的過程測(cè)量變量作為未測(cè)變量，得到新的X和f/，返回3)。對(duì)基于自適應(yīng)動(dòng)量因子PSO優(yōu)化算法進(jìn)行簡(jiǎn)單介紹，內(nèi)容如下自適應(yīng)動(dòng)量因子PSO優(yōu)化算法，首先初始化一群隨機(jī)粒子，然后通過迭代找到最優(yōu)解，在每次迭代中，粒子通過跟蹤當(dāng)前自身的找到個(gè)體最優(yōu)值和整個(gè)種群找到的全局最優(yōu)值，區(qū)別于傳統(tǒng)的PSO算法，自適應(yīng)動(dòng)量因子PSO是在迭代過程中，根據(jù)迭代效果自動(dòng)確定PSO中的慣性動(dòng)量因子，控制粒子的分散性，避免陷入局部最優(yōu)。自適應(yīng)動(dòng)量因子PSO算法的迭代過程由下式描述<formula>formulaseeoriginaldocumentpage12</formula>(11)則慣性動(dòng)量因子為<0=-+0其中，r是粒子的速度，/7是粒子當(dāng)前的位置；AT粒子維數(shù)；A,Q:加速系數(shù)；必")動(dòng)量因子；《Wf/(0，l);巧W:/時(shí)刻粒子,'的位置；Vf(7j:/時(shí)刻粒子f的速度；:Z時(shí)刻粒子Z的位置的歷史最優(yōu)值；/時(shí)刻全局最優(yōu)粒子的位置；《W:,時(shí)刻粒子,'的適應(yīng)度值；應(yīng)用基于自適應(yīng)動(dòng)量因子PS0算法對(duì)分餾系統(tǒng)的過程數(shù)據(jù)進(jìn)行協(xié)調(diào)及過失誤差的判斷。適應(yīng)度函數(shù)選為<formula>formulaseeoriginaldocumentpage12</formula>具體實(shí)施步驟如下1)根據(jù)約束條件(2)，(3)，按實(shí)數(shù)編碼初始一含有W個(gè)^維粒子的種群，這里取A^100，即對(duì)應(yīng)IOO個(gè)樣本，每個(gè)粒子的維數(shù)s對(duì)應(yīng)需要校正的模型參數(shù)的個(gè)數(shù)，即粒子位置^丫0入這里取s-8，對(duì)應(yīng)需進(jìn)行數(shù)據(jù)協(xié)調(diào)的分流股F102F105、F107F110;同時(shí)初始化v"O入2)r=l，利用公式(6)計(jì)算v"l」，然后代入(7)計(jì)算A，即1時(shí)刻的(之。，代入適應(yīng)度函數(shù)F，并根據(jù)實(shí)際工況的操作數(shù)據(jù)，計(jì)算每個(gè)粒子的適應(yīng)度值F,YU，hl,L,s，求出g，和A(i)、柳和順，并計(jì)算慣性動(dòng)量因子《(%);f="l;3)對(duì)于所有粒子，g卩"l，L,s，做以下操作利用公式(6)更新v/W,公式(6)中，&=&=1.6;4)對(duì)于所有粒子，即bl，Lj，做以下操作利用公式(7)更新A'"」，即得到更新后的(義,力；5)對(duì)于所有粒子，gP/=l,L,s，計(jì)算適應(yīng)度函數(shù)，并根據(jù)實(shí)際工況的操作數(shù)據(jù)，計(jì)算每個(gè)粒子的適應(yīng)度值巧W,/=l，L，h求出^W和/y,"AW和<0，并計(jì)算慣性動(dòng)量因子w^);6)令/=/+1，回到第3)步，直到滿足迭代終止條件，即是否超過最大校正循環(huán)次數(shù)(設(shè)為200)或小于適應(yīng)度校正門檻值(設(shè)為3.6)，此時(shí)全局最優(yōu)粒子^"卩的每一維即代表需要優(yōu)化的參數(shù)值。根據(jù)實(shí)際工況數(shù)據(jù)，對(duì)一分餾裝置部分?jǐn)?shù)據(jù)取某一工況，考慮長(zhǎng)度為60分鐘的過程測(cè)量值進(jìn)行了協(xié)調(diào)，結(jié)果為表l:表1分餾系統(tǒng)各流股數(shù)據(jù)協(xié)調(diào)結(jié)果<table>tableseeoriginaldocumentpage14</column></row><table>4.在以上裝置數(shù)據(jù)的協(xié)調(diào)基礎(chǔ)上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機(jī)理模型，并確定分餾系統(tǒng)校正的目標(biāo)函數(shù)建立工業(yè)分餾裝置模型的關(guān)鍵是確定各分餾塔的塔板效率，塔板效率反映了實(shí)際塔板上汽、液兩相間傳質(zhì)的完善程度。采用默弗里效率計(jì)算，定義如式<formula>formulaseeoriginaldocumentpage14</formula>(12)式中，L平衡常數(shù)K的值；；c:液相摩爾分率；_y:汽相摩爾分率；敬默弗里效率；！第z'組分；y:第y'塊塔板。建立分餾裝置的機(jī)理模型時(shí)，將主塔冷凝器定為第一塊理論板，自上往下計(jì)數(shù)，主塔底最下一塊理論板為再沸器，乂為塔系中的理論板總數(shù)。圖4表示塔內(nèi)任一板的物流進(jìn)出情況。對(duì)一個(gè)穩(wěn)態(tài)操作的塔，按嚴(yán)格法建立的數(shù)學(xué)模型包括如下5個(gè)方程組分物料平衡方程一f/,w-l+A>+K>——/=1,A,A^cw=l,A馬—^U-肌/,y-^^-力,"(13)相平衡方禾、王:l=/=1,A,iVc,."=1,A,iVs(14)摩爾分率加和方禾呈:IX=1IX"=i(15)總包物料平衡方禾:呈:■Am+丄—K+i—丄/—^一『丄,一^^=K"=1,八，^s焓平衡方程(16)w"，A，A^(17)以上方程中，/為組分標(biāo)記，"為塔板標(biāo)記，i^為總組分?jǐn)?shù)，iV,為總塔板數(shù)，尺為相平衡常數(shù)，X為液相組成摩爾分率，y為汽相組成摩爾分率，為液相焓，i/,為汽相焓。分餾系統(tǒng)用于工業(yè)建模的裝置數(shù)據(jù)包括各分餾塔的所有進(jìn)料流量、壓力和溫度，塔頂?shù)臏囟?、壓力及塔釜溫度；分析?shù)據(jù)包括各分餾塔所有的進(jìn)出料成分組成。根據(jù)理論分析，運(yùn)行過程中塔板效率的確定是一個(gè)多維的、復(fù)雜的、高度非線性的尋優(yōu)過程，這種系統(tǒng)一般存在較多的局部解，應(yīng)用人工免疫優(yōu)化算法可以克服系統(tǒng)陷入局部最優(yōu)的問題。以下式總偏差￡最小為目標(biāo)函數(shù)，通過采集現(xiàn)場(chǎng)的樣本數(shù)據(jù)，可對(duì)整個(gè)工業(yè)分餾系統(tǒng)模型進(jìn)行優(yōu)化校正，求得相應(yīng)的分餾塔塔板效率。五==i:(f:(々—A)2+—^/)2+l:(q/-c;.)2)(is)'.=i>iy=i這里，m=2、"=100、it=10，分別對(duì)應(yīng)每個(gè)塔的產(chǎn)出數(shù)、塔板數(shù)及塔塔頂、塔釜產(chǎn)出的成分?jǐn)?shù)，々、、q分別表示各裝置塔頂、塔釜產(chǎn)出、各塔板溫度值、塔頂、塔釜產(chǎn)出組分百分比的模型計(jì)算值，^v、、C》表示分餾裝置運(yùn)行的實(shí)際值。5.根據(jù)分餾裝置的實(shí)際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個(gè)數(shù)，確定每個(gè)免疫抗體的個(gè)數(shù)，抗體的規(guī)模，計(jì)算各抗體的適應(yīng)度，對(duì)分餾系統(tǒng)的塔板效率進(jìn)行校正，直至達(dá)到優(yōu)化目標(biāo)采用從實(shí)際生產(chǎn)過程采集來的經(jīng)過協(xié)調(diào)后的裝置數(shù)據(jù)，通過智能的優(yōu)化算法對(duì)分餾系統(tǒng)模型的塔板效率進(jìn)行優(yōu)化確定，從而建立能良好描述工業(yè)分餾裝置特性的模型，分餾系統(tǒng)模型校正框圖如圖3所示。具體步驟為1)初始化各塔塔板效率*=0，選擇每個(gè)塔關(guān)鍵的塔板對(duì)應(yīng)的塔板效率作為優(yōu)化對(duì)象，按實(shí)數(shù)編碼，按先驗(yàn)知識(shí)隨機(jī)設(shè)置塔板效率(在0.40.95范圍)作為初始抗體群A0)-h(0)，^(0),L(0)h,，初始抗體規(guī)模W為100。隨著種群的進(jìn)化，種群規(guī)模W按式將自動(dòng)逐漸減小琴+1)=薩{)/，U(19)其中/.7表示上取整，；e(O，l)為前后兩次的平均適應(yīng)度之比，JN^,為最小種群規(guī)模，設(shè)為40。2)結(jié)合生產(chǎn)過程操作數(shù)據(jù)，通過分流裝置機(jī)理模型，計(jì)算結(jié)果輸入經(jīng)過協(xié)調(diào)后的過程操作數(shù)據(jù)，運(yùn)行分餾裝置的機(jī)理模型，機(jī)理模型的輸出為各裝置塔頂、塔釜產(chǎn)出；裝置各塔板溫度值及塔頂、塔釜產(chǎn)出的流量組分百分比，計(jì)算抗體-抗原的親和力/WW);3)結(jié)合步驟2)所得結(jié)果和獲取的生產(chǎn)過程分析數(shù)據(jù)進(jìn)行判斷采用最大演化代數(shù)(IOO代)結(jié)合式子1/C4(")l^s作為算法的終止準(zhǔn)則，如符合以上兩個(gè)條件之一，則本步驟5結(jié)束，抗體群中最佳個(gè)體即作為本算法的解；式中，e是給定的閾值(設(shè)為1%)。4)智能優(yōu)化算法調(diào)整塔板效率a)動(dòng)態(tài)分配抗體群。將抗體群^^依據(jù)與抗原親和力降序排列后，按2:3:1比例分成3個(gè)子種群^V("、42(*)和430:)，iV1+iV2+iV3=W。其中，A^W為最高親和力的子種群，用于尋找局部最優(yōu)解；^2("為中等親和力的子種群，用于找到全局最優(yōu)解；43(*)為最低親和力的子種群，用于死亡。b)克隆操作。對(duì)于各抗體^層2"wWU^W按下式進(jìn)行克隆，自動(dòng)調(diào)整克隆規(guī)模)=脂-7，《孤)(20)其中，AT(it)為上";代的克隆規(guī)模，A^^為算法設(shè)置的最大克隆規(guī)模，設(shè)為IO。C)變異操作。對(duì)^(W中的所有抗體，按下式進(jìn)行變異=雄、+"^T).(25-1)，=1，2，L/(21)這里/為尺度變異因子，,為〉1的常數(shù)(本實(shí)施例y值為1.2)，/OTg(々、分別為當(dāng)代抗體群中最大的親和力函數(shù)值及平均親和力函數(shù)值，3為區(qū)間的隨機(jī)數(shù)。d)克隆選擇。評(píng)估變異后的克隆群，若/(4^)=—(4《)>/0^))，(H，2,LCy=l,2,LiV)，貝IJ:^^)=^(《；否貝U，A"不變，從而更新抗體群，實(shí)現(xiàn)信息交換。e)免疫選擇。為保證抗體的多樣性，提高算法的全局搜索能力，隨機(jī)產(chǎn)生d個(gè)抗體代替親合力最低的^30t)子種群，抗體AW被選擇進(jìn)入下一代的幾率計(jì)算公式如下=/(4)邵(^41).(f1(22)乂_/=1式中，s(4)-M^(4).f、M/w(4)為與抗體4的歐氏距離小于0.l的抗體個(gè)數(shù)，/^1為調(diào)節(jié)因子(本實(shí)施例義為1.5)。轉(zhuǎn)至步驟2),直到滿足結(jié)束條件，抗體群中最佳抗體即為所求的解即校正后的塔板效率。可采集分餾系統(tǒng)10天的裝置數(shù)據(jù)和分析數(shù)據(jù)，校正后各分餾塔的塔板效率分布在一般在O.6-0.8范圍。6.確定資源優(yōu)化的優(yōu)化的目標(biāo)、優(yōu)化操作變量及約束條件；建立回流比與塔釜產(chǎn)出量之間的專家經(jīng)驗(yàn)庫(kù)，利用SQP結(jié)合專家判斷對(duì)負(fù)荷資源進(jìn)行重新配置，并調(diào)整裝置的回流比，直到達(dá)到優(yōu)化目標(biāo)為了發(fā)揮生產(chǎn)裝置的內(nèi)在潛力，降低生產(chǎn)成本，降低能耗，提高產(chǎn)出，在對(duì)分餾系統(tǒng)建模的基礎(chǔ)上，優(yōu)化裝置的資源分配和操作條件。分餾系統(tǒng)資源優(yōu)化流程如圖5所示。*資源優(yōu)化的基準(zhǔn)保持當(dāng)前的總的進(jìn)料流量不變，在各塔實(shí)行資源配置優(yōu)化。*優(yōu)化的目標(biāo)保持分餾系統(tǒng)塔釜的總產(chǎn)出在原來水平前提下，降低分餾系統(tǒng)的總的能耗。*優(yōu)化操作變量操作變量為進(jìn)料中的資源分配系數(shù)B1、B2及各塔的回流比R1、R2及R3。定義<formula>formulaseeoriginaldocumentpage19</formula>*約束條件包括(1)各塔的進(jìn)料流量滿足設(shè)計(jì)要求下的上下限，設(shè)置DA101、DA102及DA103塔的進(jìn)料流量范圍分別為(500cum/h1800cum/h)、(500cum/h1200cum/h)和(500cum/h1500cum/h);(2)各塔的廠控操作性能要求，DA101塔頂壓力控制在0.180.22Mpa、DA103塔頂壓力控制在0.651.3Mpa、DA103塔頂壓力控制在0.420.72Mpa;(3)各塔的塔頂與塔釜產(chǎn)品質(zhì)量要求，各裝置塔頂間二甲苯(M-Xylene，MX)產(chǎn)出質(zhì)量流量組分控制在小于10.5%,塔釜MX產(chǎn)出質(zhì)量流量組分控制在小于0.5%;(4)各塔的塔釜產(chǎn)品產(chǎn)量要求，設(shè)置分餾系統(tǒng)塔釜產(chǎn)品總量大于24t/h。*優(yōu)化方法采用SQP結(jié)合專家經(jīng)驗(yàn)。SQP是目前化工計(jì)算中使用最廣泛最成熟的一種算法，它具有運(yùn)算效率高、容易收斂等特點(diǎn)。為了避免陷入局部最優(yōu)，在優(yōu)化算法中作了處理，將一部分優(yōu)化操作變量如分餾裝置中的各塔的回流比分離出來，用SQP優(yōu)化資源分配系數(shù)的基礎(chǔ)上結(jié)合回流比優(yōu)化的專家經(jīng)驗(yàn)來共同優(yōu)化，這樣能夠保證在算法收斂的基礎(chǔ)上，提高了優(yōu)化速度，又不易陷入局部最優(yōu)。SQP優(yōu)化算法描述對(duì)于一般非線性優(yōu)化問題<formula>formulaseeoriginaldocumentpage19</formula>式中<formula>formulaseeoriginaldocumentpage19</formula>(1)構(gòu)造QP的子問題QP子問題可描述為脂'"=會(huì)^『(+V/(xw)rd".Vg"g0(24)式中，fK"是海森矩陣，『W-町/乂/勺-v^y/，/勺，可用對(duì)稱正定矩陣W^近似代替，這里，wl附丄("a義9=7Y"—2]々g/"」一S"，/=1/'=附1+1K-K-T條件為VxZ(jc*，;1*)=0;~W*=0，_/e￡;，求解(24)，可得解(^"，/"1。.義；20，g,.(;c*)20,4(x*)=(Ue/.(2)構(gòu)造效益函數(shù)和下降方向定義效益函數(shù)<M(:c，//)=/(:r)+/4ninfe(x)，0|1+1^04]=/(x)+A(2>infe.,()}+Z|~("|.式中，//為罰因子。(3)步長(zhǎng)的確定根據(jù)，01(xw+a)^)+~，1(;c("，/t/())(25)確定步長(zhǎng)"P其中""O，u.具體的優(yōu)化步驟為1)產(chǎn)生滿足約束條件的初始化優(yōu)化矢量，F(xiàn)103進(jìn)DA101塔與DA103塔的分配系數(shù)B1(預(yù)設(shè)為0.5)及F102進(jìn)DA101與DA102塔的分配系數(shù)B2(預(yù)設(shè)為0.5)作為SQP調(diào)整參數(shù)，設(shè)為x，ceJ(2);DA101塔的回流比R1(預(yù)設(shè)為1.0)、DA102塔的回流比R2(預(yù)設(shè)為1.5)及DA103的回流比R3(預(yù)設(shè)為1.5)作為專家經(jīng)驗(yàn)調(diào)整參數(shù)；并選取SQP參數(shù)/z,&《〉0(取〃=0.05H《=0.1)，初始單位陣5。，令*=0;2)運(yùn)行上述分餾系統(tǒng)的校正后的工業(yè)模型，得到DA101塔、DA102塔及DA103塔的塔頂與塔釜的產(chǎn)品產(chǎn)量與質(zhì)量及塔釜的熱負(fù)荷；3)計(jì)算分餾系統(tǒng)的總熱負(fù)荷，解SQP子問題(24)，得到解#人/"勺，判斷SQP迭代條件^^是否滿足"同時(shí)需要判斷各塔的塔頂塔釜的關(guān)鍵產(chǎn)出是否滿足產(chǎn)品的產(chǎn)量、質(zhì)量要求；4)如果/^及產(chǎn)品的產(chǎn)量、質(zhì)量都未滿足要求，則通過SQP算法和回流比的專家經(jīng)驗(yàn)重新調(diào)整資源分配系數(shù)B1、B2和各塔的回流比R1、R2及R3;"ifc+l返回2)運(yùn)行；具體調(diào)整法方法如下*SQP調(diào)整通過SQP調(diào)整式(25)確定步長(zhǎng)q，并有^^0,^/;用擬牛頓法修正得*回流比的專家經(jīng)驗(yàn)調(diào)整設(shè)在工況/下當(dāng)前的DA101塔、DA102塔及DA103塔的塔釜產(chǎn)出為o&、W2及o;c。，它們的最低值限制為ox^(定為8t/h)、(定為6t/h)及ww(定為10t/h)，分餾系統(tǒng)塔釜的總產(chǎn)出要求為o&，每個(gè)分餾塔的回流比減少量控制分別限制為Ma(定為0.2)、M,2(定0.15)及M,3(定0.1)。則每次迭代對(duì)回流比的調(diào)整操作-IF>o;c^andoxfl+o;^+ox,3>ox,.,then及a=^/l-碼iELSE=&IFox/2〉ox/附2and+0x,'2+ax,'3>ox^then及,2=及/2—else;^2=及/2IFox,.3>oa:/7m3and++ox/3>0x7,theni,'3=i,'3—Ai,'3ELSEi,.3=及,-35)如^W及產(chǎn)品的產(chǎn)量、質(zhì)量都滿足要求，則輸出資源分配系數(shù)B1、B2和各裝置的回流比，作為最佳的優(yōu)化操作變量。在穩(wěn)定工況下，通過采集裝置的實(shí)際數(shù)據(jù)，經(jīng)數(shù)據(jù)協(xié)調(diào)處理及模型校正后，對(duì)一分餾系統(tǒng)的資源進(jìn)行了在線優(yōu)化，將F103資源進(jìn)DA101塔的分配系數(shù)Bl從調(diào)優(yōu)前的0.5調(diào)整為調(diào)優(yōu)后的0.55;F102資源進(jìn)DA101塔的分配系數(shù)B2從調(diào)優(yōu)前的0.62調(diào)整為調(diào)優(yōu)后的0.43;可以降低DAIOI、DA102及DA103的分餾裝置的回流比分別為O.12、0.2及0.22，相當(dāng)于降低能耗為6%。綜上所述僅為發(fā)明的較佳實(shí)施例而已，并非用來限定本發(fā)明的實(shí)施范圍。即凡依本發(fā)明申請(qǐng)專利范圍的內(nèi)容所作的等效變化與修飾，都應(yīng)為本發(fā)明的技術(shù)范疇。權(quán)利要求1.工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征在于所述方法包括以下步驟①采集工業(yè)分餾系統(tǒng)的實(shí)時(shí)和歷史數(shù)據(jù)；②根據(jù)所采集數(shù)據(jù)，確定需要進(jìn)行數(shù)據(jù)協(xié)調(diào)的已測(cè)變量和需要進(jìn)行估計(jì)的未測(cè)變量，并由測(cè)量變量樣本估計(jì)測(cè)量誤差的方差，預(yù)置過失誤差在誤差中出現(xiàn)的比例和過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率；③利用基于自適應(yīng)動(dòng)量因子的PSO智能優(yōu)化算法，每個(gè)粒子的維數(shù)對(duì)應(yīng)需要校正的模型參數(shù)的個(gè)數(shù)，各維的位置值對(duì)應(yīng)各參數(shù)值，計(jì)算粒子群中每個(gè)粒子的適應(yīng)度，對(duì)采集的裝置數(shù)據(jù)進(jìn)行協(xié)調(diào)，直至達(dá)到協(xié)調(diào)的目標(biāo)；④在以上裝置數(shù)據(jù)的協(xié)調(diào)基礎(chǔ)上，根據(jù)組分物料平衡方程、相平衡方程、摩爾分率加和方程、總包物料平衡方程及焓平衡方程建立分餾裝置的機(jī)理模型，并確定分餾系統(tǒng)校正的目標(biāo)函數(shù)；⑤根據(jù)分餾裝置的實(shí)際情況，確定需要校正的塔板效率數(shù)，利用基于人工免疫智能優(yōu)化算法，根據(jù)需要校正的參數(shù)個(gè)數(shù)，確定每個(gè)免疫抗體的個(gè)數(shù)，抗體的規(guī)模，根據(jù)分餾系統(tǒng)校正后的目標(biāo)函數(shù)計(jì)算各抗體的適應(yīng)度，對(duì)分餾系統(tǒng)的塔板效率進(jìn)行校正，直至達(dá)到優(yōu)化目標(biāo)；⑥確定分餾系統(tǒng)的優(yōu)化操作變量及約束條件，建立回流比與塔釜產(chǎn)出量之間的專家經(jīng)驗(yàn)庫(kù)，運(yùn)行分餾系統(tǒng)的校正模型，得到各分餾裝置塔頂與塔釜的產(chǎn)品產(chǎn)量與質(zhì)量及塔釜的熱負(fù)荷，以塔釜總熱負(fù)荷最低為目標(biāo)，利用SQP結(jié)合專家判斷對(duì)負(fù)荷資源進(jìn)行重新配置，并調(diào)整裝置的回流比，直到達(dá)到優(yōu)化目標(biāo)。2.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟①中的數(shù)據(jù)包括裝置數(shù)據(jù)和分析數(shù)據(jù)，裝置數(shù)據(jù)包括分餾裝置的各股進(jìn)料流量和溫度、塔頂與塔釜的產(chǎn)出流量、塔頂回流量、塔頂溫度和壓力、塔釜溫度；分析數(shù)據(jù)包括分餾裝置各股進(jìn)料和出料的成分?jǐn)?shù)據(jù)。3.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟③中的適應(yīng)度，為數(shù)據(jù)協(xié)調(diào)的目標(biāo)函數(shù)，即^f/""i-"Mw4^l^/J邵,4^f^^，x廣^為測(cè)量誤差，矸;=12ofy2"、—為服從儀表測(cè)量誤差的正態(tài)分布方差，；為過失誤差在誤差中出現(xiàn)的比例，7為過失誤差標(biāo)準(zhǔn)差與隨機(jī)誤差標(biāo)準(zhǔn)差的比率。4.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟③中的協(xié)調(diào)目標(biāo)，為數(shù)據(jù)協(xié)調(diào)循環(huán)次數(shù)或適應(yīng)度門檻值。5.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟④中的目標(biāo)函數(shù)，為校正后分餾系統(tǒng)的塔頂、塔釜及關(guān)鍵點(diǎn)的塔板溫度與實(shí)測(cè)值偏差最小，艮P:<formula>formulaseeoriginaldocumentpage3</formula>，附、"及"分別對(duì)<formula>formulaseeoriginaldocumentpage3</formula>應(yīng)每個(gè)塔的產(chǎn)出數(shù)、塔板數(shù)及每個(gè)塔塔頂、塔釜產(chǎn)出的成分個(gè)數(shù)，^、、q分別表示各裝置塔頂、塔釜產(chǎn)出；各塔板溫度值；塔頂、塔釜產(chǎn)出組分百分比的模型計(jì)算值，^V、5'《、CV表示分餾裝置運(yùn)行時(shí)它們的實(shí)際值。6.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟⑤中的優(yōu)化目標(biāo)，為數(shù)據(jù)優(yōu)化循環(huán)次數(shù)或適應(yīng)度門檻值。7.根據(jù)權(quán)利要求1所述的工業(yè)分餾系統(tǒng)負(fù)荷配置在線優(yōu)化方法，其特征是所述步驟⑥中的優(yōu)化目標(biāo)，為SQP迭代條件及各塔的塔頂塔釜的關(guān)鍵產(chǎn)出滿足產(chǎn)品的產(chǎn)量、質(zhì)量要求的門檻值。全文摘要本發(fā)明涉及工業(yè)分餾系統(tǒng)生產(chǎn)過程中資源配置優(yōu)化方法，首先，利用自適應(yīng)動(dòng)量因子PSO算法對(duì)分餾系統(tǒng)的裝置數(shù)據(jù)進(jìn)行協(xié)調(diào)，并在此基礎(chǔ)上，對(duì)分餾系統(tǒng)機(jī)理模型進(jìn)行校正，提高模型對(duì)工業(yè)過程描述的精度，建立工業(yè)運(yùn)行模型，并在模型的基礎(chǔ)上，再次對(duì)裝置負(fù)荷進(jìn)行最佳分配、發(fā)揮了現(xiàn)有裝置的潛能、降低能耗，為生產(chǎn)工藝的改造等提供基礎(chǔ)和依據(jù)，且此方法適用于各類分餾系統(tǒng)的負(fù)荷在線優(yōu)化，易于移植，有著廣泛的適應(yīng)性。文檔編號(hào)B01D3/14GK101396617SQ200810201898公開日2009年4月1日申請(qǐng)日期2008年10月29日優(yōu)先權(quán)日2008年10月29日發(fā)明者史旭華,葉貞成,杜文莉,鋒錢申請(qǐng)人:華東理工大學(xué)