技术领域
[0001] 本
发明涉及化学工程技术领域，特别是涉及一种单塔低压酸性水汽提装置操作性能的建模方法及装置。
背景技术
[0002] 酸性水汽提装置也称污水汽提装置，是炼油、石油化工、油气加工等过程工业的常用装置，用以将溶解在水中的硫、
氨氮等污染物进行剥离，从而实现水质提升，避免水污染。
[0003] 单塔低压工艺是目前酸性水汽提常用的一种工艺。如图1所示为
现有技术中单塔低压工艺的工艺过程图，通过塔底加热、塔顶冷凝，将酸性水/污水中的
硫化氢、氨气等，在塔顶脱出，在这个过程，塔底需要消耗大量再沸热源。
[0004] 在单塔低压工艺中，上游多装置产生酸性水，汇总到酸性水汽提装置进行处理，这个特质造成酸性水汽提装置的进料量和进料组成时刻
波动，且波动幅度可能很大。而目前普遍行业计量水平，酸性水汽提装置的计量条件往往有限，无法将装置进料和操作等参数计量完整。
[0005] 现有技术中往往采用精馏塔详细模型对酸性水汽提装置进料和操作等参数计量，然而，传统的精馏塔详细模型的数据要求包括
流体物理性质、塔板基本信息、进料条件、再沸冷凝计量以及塔顶塔底出料分析数据等等，而酸性水汽提塔在实际生产中，能实时提供的参数计量相当有限，因此利用传统精馏塔模型难以实时做到对酸性水汽提装置的性能描述。
发明内容
[0006] 为克服上述现有技术存在的不足，本发明之目的在于提供一种单塔低压酸性水汽提装置操作性能的建模方法及装置，通过将
人工神经网络模型用于单塔低压酸性水工艺，从而实现对单塔低压酸性水装置的高鲁棒性性能表征，为实时优化单塔酸性水汽提的产品
质量和能耗提供数学模型
基础。
[0007] 为达上述及其它目的，本发明提出一种单塔低压酸性水汽提装置操作性能的建模方法，包括如下步骤：
[0008] 步骤S1，采集
覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据，其数据来源既包括现场仪表计量和实验室分析数据，也包括对该装置进行流程模拟所得到的数据以补充现场难以大量计量的数据；
[0009] 步骤S2，选择单塔酸性水汽提装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的
人工神经元网络数学模型；
[0010] 步骤S3，根据选择的关键参数和关联参数建立人工神经元网络模型的结构；
[0011] 步骤S4，对参与建模的关键参数与关联参数进行归一化处理；
[0012] 步骤S5，利用人工神经元网络模型培训
算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果。
[0013] 优选地，于步骤S1中，所述全塔操作和分析数据包括：
[0014] 环境数据，包括但不限于大气
温度和压
力；
[0015] 塔的基本参数，包括但不限于塔板数、填料条件、再沸方式、进料
位置；
[0016] 精馏目标参数，包括但不限于塔底出料
净化水以及塔顶出酸性气的关键组分要求；
[0017] 塔的操作参数，包括但不限于进料酸性水的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底净化水流量和组成分析；塔底再沸热源用量；
[0018] 塔的操作限制参数，包括但不限于进料负荷变化范围；塔顶
冷凝器和塔底
再沸器的负荷范围。
[0019] 优选地，于步骤S1中，对通过现场仪表计量和实验室分析获得的数据，基于物料及
能量平衡的原则进行相应的数据校正处理。
[0020] 优选地，于步骤S1中，通过对所述单塔低压酸性水汽提装置建立工艺流程模拟模型，利用该流程模拟模型在关键运行参数可行范围内调整模型参数反复执行模拟计算，从而大量补充获取现场难以大量计量的数据，对所述基于工艺流程模拟模型的建立，需同现场计量和实验室分析所得的多工况数据进行数据比较，确定流程模拟数据与现场计量数据之间的系统偏差，以确保所述工艺流程模型的计算结果与实际计量结果足够接近。
[0021] 优选地，所述关键参数包括但不限于进口酸性水关键组分含量、净化水关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷。
[0022] 优选地，于步骤S3中，所述人工神经元网络模型采用向前传递结构的人工神经元网络。
[0023] 优选地，于步骤S3中，需要确立的模型结构参数包括但不限于
输入层的神经元数目、
隐藏层层数和神经元数目。
[0024] 优选地，于步骤S4中，对所有现场采集的数据以及工艺流程模拟模型补充的数据进行归一化处理。
[0025] 优选地，于步骤S5中，采用反向传播培训算法，通过调整权系数W和偏置系数b，利用梯度下降优化方法寻找人工神经元网络预测值与实际测量值的最小平方差。
[0026] 为达到上述目的，本发明还提供一种单塔低压酸性水汽提装置操作性能的建模装置，包括：
[0027]
数据采集单元，用于采集覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据，其数据来源既包括现场仪表计量和实验室分析数据，也包括对该装置进行流程模拟所得到的数据以补充现场难以大量计量的数据；
[0028] 参数选择单元，用于选择单塔酸性水汽提装置的关键参数，并针对各关键参数，选择与之相关、且实际可计量的关联参数，用于构建彼此之间的人工神经元网络数学模型；
[0029] 模型构建单元，用于根据选择的关键参数和关联参数建立人工神经元网络模型的结构；
[0030] 归一化处理单元，用于对参与建模的关键参数与关联参数进行归一化处理；
[0031] 模型训练单元，用于利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果。
[0032] 与现有技术相比，本发明一种单塔低压酸性水汽提装置操作性能的建模方法及装置通过采集覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据，选择单塔酸性水汽提装置的关键参数及针对各关键参数，选择与之相关、且实际可计量的关联参数，然后根据选择的关键参数和关联参数建立人工神经元网络模型，最后利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果，本发明通过将人工神经网络模型用于单塔低压酸性水工艺，从而实现对单塔低压酸性水装置的高鲁棒性性能表征，为实时优化单塔酸性水汽提的产品质量和能耗提供了数学模型基础。
附图说明
[0033] 图1为现有技术中单塔低压工艺的工艺过程图；
[0034] 图2为本发明一种单塔低压酸性水汽提装置操作性能的建模方法的步骤
流程图；
[0035] 图3为本发明一种单塔低压酸性水汽提装置操作性能的建模装置的系统架构图。
具体实施方式
[0036] 以下通过特定的具体实例并结合附图说明本发明的实施方式，本领域技术人员可由本
说明书所揭示的内容轻易地了解本发明的其它优点与功效。本发明亦可通过其它不同的具体实例加以施行或应用，本说明书中的各项细节亦可基于不同观点与应用，在不背离本发明的精神下进行各种修饰与变更。
[0037] 图2为本发明一种单塔低压酸性水汽提装置操作性能的建模方法的步骤流程图。如图2所示，本发明一种单塔低压酸性水汽提装置操作性能的建模方法，包括如下步骤：
[0038] 步骤S1，采集覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据。
[0039] 所述全塔操作和分析数据具体包括：
[0040] 1、环境数据：大气温度和压力；
[0041] 2、塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
[0042] 3、精馏目标参数：塔底出料净化水以及塔顶出酸性气的关键组分要求；
[0043] 4、塔的操作参数：进料酸性水的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底净化水流量和组成分析；塔底再沸热源用量；
[0044] 5、塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
[0045] 在本发明具体
实施例中，上述数据的采集可以通过如下两种方法实现：一种方法是通过实际生产计量仪表和分析数据的积累获得；另一种方法则是通过建立该装置的流程模拟模型，通过在可行范围内调整模型参数来大量获取数据。这里需说明的是，通过实际生产计量仪表和实验室分析获得的数据，需基于物料及能量平衡的原则进行相应的数据校正处理；通过建立流程模拟模型得到的数据需要补充现场计量和分析数据来进行模型数据校正，以确保模型数据与实际计量结果足够接近。
[0046] 这里需说明的是，在应用中，一般都需会根据实际数据运行流程模拟模型(以获取足够多的数据点用于ANN模型的训练，因为实际数据很难采集足够多)，再用实际数据校正流程模拟模型的准确性，但如果实际数据足够多，也可以不进行校正。
[0047] 步骤S2，选择单塔酸性水汽提装置的关键参数(即人工神经元网络模型的目标参数)，并针对各关键参数，选择与之相关、且实际可计量的参数(即关联参数)，用于构建彼此之间的人工神经元网络数学模型。
[0048] 在本发明具体实施例中，所述关键参数包括但不限于进料酸性水氨氮或者硫化氢等关键组分含量、净化水(即步骤S1中的塔底出料净化水)关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷(即步骤S1中的塔顶冷凝器和塔底再沸器)等。这些关键参数对评估装置净化效果和能耗水平有重要作用，且分析数据等难以实时计量，因此本发明利用人工神经元网络模型对这些关键参数进行预测，可以帮助装置控制生产性能[0049] 这里需说明的是，不同装置的计量水平和操作波动状况不同，因此需要根据实际需要选择关键参数
[0050] 每个关键变量都可以选择多种不同的相关参数组合进行关联，以进料酸性水的氨氮含量这个关键参数为例，可以考虑关联进料流量(FInlet)和温度(TInlet)、塔顶温度(TOvhd)、关键塔板温度(TKeyPlate)、回流流量(FRflx)和温度(TReflx)和再沸
蒸汽量(QSteam)、塔顶气相产出(VTop)等相关变量。
[0051]
[0052] 其中， 代表进口酸性水氨氮含量，NN代表人工神经元网络模型。
[0053] 在本实施例中，关联变量可以增加，比如增加
大气压力和塔底温度，或者减少关键板温度等，都可以对进口酸性水的氨氮水平做评估，但
精度上有差异。
[0054] 一般而言，参与关联的参数与关键参数的关联性越高、数量越多，对关键参数的预测精度越好。
[0055] 步骤S3，根据选择的关键参数和关联参数建立人工神经元网络模型的结构。
[0056] 人工神经元网络模型也称神经网络或类神经网络，对于单塔酸性水汽提工艺，本发明采用向前传递结构(Feed-forward networks)的人工神经元网络，所述模型的数学表述如下：
[0057] aj＝f1(Wi,jxi+bj)
[0058] yk＝f2(Wj,kaj+bk)
[0059] 其中，xi为神经元的输入，即于步骤S2中被选择的关联参数，aj为
中间层神经元，yk为
输出层结果，即步骤S2中选出的关键变量由神经元网络模型计算得到的结果，W和b分别是对应各层各个神经元的权系数和偏置系数，f1和f2为传播函数，在本发明中，所述传播函数选择Sigmoid型函数，即：
[0060]
[0061]
[0062] z表示传播函数f1和f2输入数值。
[0063] 在本发明具体实施例中，需要确立的模型结构参数包括输入层的神经元数目、隐藏层层数和神经元数目等，对同一组目标参数和关联参数，不同的神经元网络结果模型会导致不同的模型输出精度。
[0064] 步骤S4，对参与建模的关键参数与关联参数进行归一化处理。
[0065] 在本发明具体实施例中，需对所有现场采集的数据基于物料及能量平衡的原则进行归一化处理。
[0066] 步骤S5，利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数(权系数W和偏置系数b)，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果(即步骤S1中采集到的数据)。
[0067] 在本发明具体实施例中，采用反向传播培训算法，该算法通过调整权系数W和偏置系数b，利用梯度下降优化方法寻找人工神经元网络预测值与实际测量值的最小平方差：
[0068]
[0069] 其中N为参与培训样本数目，tk为人工神经元网络模型的预测值，F为预测值和实测值的最小评价方差。
[0070] 经过本发明培训好的模型可以用来预测不同操作条件组合下的各个关键参数，用来全面描述单塔酸性水汽提装置的操作和性能状况。
[0071] 图3为本发明一种单塔低压酸性水汽提装置操作性能的建模装置的系统结构图。如图3所示，本发明一种单塔低压酸性水汽提装置操作性能的建模装置，包括：
[0072] 数据采集单元301，用于采集覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据。
[0073] 所述全塔操作和分析数据具体包括：
[0074] 1、环境数据：大气温度和压力；
[0075] 2、塔的基本参数：塔板数、填料条件、再沸方式、进料位置；
[0076] 3、精馏目标参数：塔底出料净化水以及塔顶出酸性气的关键组分要求；
[0077] 4、塔的操作参数：进料酸性水的流量、温度、组成分析；塔内温度压力分布；塔顶回流流量和温度；塔顶酸性气流量；塔底净化水流量和组成分析；塔底再沸热源用量；
[0078] 5、塔的操作限制参数：进料负荷变化范围；塔顶冷凝器和塔底再沸器的负荷范围。
[0079] 在本发明具体实施例中，数据采集单元301对数据的采集可以通过如下两种方法实现：一种方法是通过实际生产计量仪表和分析数据的积累获得；另一种方法则是通过建立该装置的流程模拟模型，通过在可行范围内调整模型参数来大量获取数据。这里需说明的是，通过实际生产计量仪表和实验室分析获得的数据，需基于物料及能量平衡的原则进行相应的数据校正处理；通过建立流程模拟模型得到的数据需要补充现场计量和分析数据来进行模型数据校正，以确保模型数据与实际计量结果足够接近。
[0080] 参数选择单元302，用于选择单塔酸性水汽提装置的关键参数(即人工神经元网络模型的目标参数)，并针对各关键参数，选择与之相关、且实际可计量的参数(即关联参数)，用于构建彼此之间的人工神经元网络数学模型。
[0081] 在本发明具体实施例中，所述关键参数包括但不限于进口酸性水氨氮或者硫化氢等关键组分含量、净化水关键组分含量、塔顶酸性气关键组分含量、再沸热负荷和冷凝器负荷等。这些关键参数对评估装置净化效果和能耗水平有重要作用，且分析数据等难以实时计量，因此本发明利用人工神经元网络模型对这些关键参数进行预测，可以帮助装置控制生产性能
[0082] 这里需说明的是，不同装置的计量水平和操作波动状况不同，因此需要根据实际需要选择关键参数。
[0083] 每个关键变量都可以选择多种不同的相关参数组合进行关联，以进料酸性水的氨氮含量这个关键参数为例，可以考虑关联进料流量(FInlet)和温度(TInlet)、塔顶温度(TOvhd)、关键塔板温度(TKeyPlate)、回流流量(FRflx)和温度(TReflx)和再沸蒸汽量(QSteam)、塔顶气相产出(VTop)等相关变量。
[0084]
[0085] 其中， 代表进口酸性水氨氮含量，NN代表人工神经元网络模型。
[0086] 在本实施例中，关联变量可以增加，比如增加大气压力和塔底温度，或者减少关键板温度等，都可以对进口酸性水的氨氮水平做评估，但精度上有差异。
[0087] 一般而言，参与关联的参数与关键参数的关联性越高、数量越多，对关键参数的预测精度越好。
[0088] 模型构建单元303，用于根据选择的关键参数和关联参数建立人工神经元网络模型的结构。
[0089] 人工神经元网络模型也称神经网络或类神经网络，对于单塔酸性水汽提工艺，本发明采用向前传递结构(Feed-forward networks)的人工神经元网络，所述模型的数学表述如下：
[0090] aj＝f1(Wi,jxi+bj)
[0091] yk＝f2(Wj,kaj+bk)
[0092] 其中，xi为神经元的输入，即于步骤S2中被选择的关联参数，aj为中间层神经元，yk为输出层结果，即步骤S2中选出的关键变量由神经元网络模型计算得到的结果，W和b分别是对应各层各个神经元的权系数和偏置系数，f1和f2为传播函数，在本发明中，所述传播函数选择Sigmoid型函数，即：
[0093]
[0094]
[0095] z表示传播函数f1和f2输入数值。
[0096] 在本发明具体实施例中，模型构建单元303需要确立的模型结构参数包括输入层的神经元数目、隐藏层层数和神经元数目等，对同一组目标参数和关联参数，不同的神经元网络结果模型会导致不同的模型输出精度。
[0097] 归一化处理单元304，用于对参与建模的关键参数与关联参数进行归一化处理。
[0098] 在本发明具体实施例中，归一化处理单元304对所有现场采集的数据基于物料平衡及能量平衡的原则进行归一化处理。
[0099] 模型训练单元305，用于利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数(权系数W和偏置系数b)，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果。
[0100] 在本发明具体实施例中，模型训练单元305采用反向传播培训算法，该算法通过调整权系数W和偏置系数b，利用梯度下降优化方法寻找人工神经元网络预测值与实际测量值的最小平方差：
[0101]
[0102] 其中N为参与培训样本数目，tk为人工神经元网络模型的预测值，F为预测值和实测值的最小评价方差。
[0103] 实施例
[0104] 本实施例以某企业的含硫和氨氮的单塔酸性水汽提装置为例，以进口氨氮含量作为模型需要预测的关键变量，示范建模方法以及效果，其建模过程如下
[0105] 1)使用流程模拟
软件(如AspenHYSYS)，建立该单塔酸性水汽提装置的流程模拟模型，并根据实际测量的DCS和分析数据对该模型进行调整，使流程模拟模型结果与实际接近。
[0107] 关键参数：进口酸性水氨氮含量
[0108] 关联参数：进料温度TInlet、塔顶温度TOvhd、关键塔板温度TKeyPlate、回流温度TReflx、进料量FInlet、回流量FRflx、塔顶气相产出VTop，以及再沸蒸汽用量QSteam。
[0109] 3)根据实际生产限制条件对操作变量界定调整或波动范围，比如进料温度和进料酸性水氨氮含量根据实际历史波动设定边界、进料流量根据设计波动允许范围设定边界、净化水氨氮含量按环保要求和历史分析波动范围设定边界等。
[0110] 4)在变量波动范围内调整流程模拟模型参数，反复执行模拟计算，得到约2800组不同的该装置的操作数据。
[0111] 5)根据步骤1)中选择的关键参数和关联参数建立人工神经元网络模型的结构：选取包含6个神经元的一层中间层。
[0112] 6)对关联参数和关键参数进行归一化
数据处理。
[0113] 7)利用反向传播算法训练模型，调整权系数和偏置系数，使模型对关键参数的预测与原数据最接近。
[0114] 8)在2800组训练样本中，神经元模型对该酸性水汽提塔进料氨氮含量预测的平均误差是1.53％，最高误差为5.49％。
[0115] 9)将训练好的模型应用于实际生产，可以利用关联参数的运行值，预判关键参数的数值。
[0116] 综上所述，本发明一种单塔低压酸性水汽提装置操作性能的建模方法及装置通过采集覆盖单塔低压酸性水汽提装置操作波动范围的全塔操作和分析数据，选择单塔酸性水汽提装置的关键参数及针对各关键参数，选择与之相关、且实际可计量的关联参数，然后根据选择的关键参数和关联参数建立人工神经元网络模型，最后利用人工神经元网络模型培训算法，回归计算所建立的人工神经元网络模型中所有参数，使所述人工神经元网络模型对关键参数的预测尽可能的接近原数据结果，本发明通过将人工神经网络模型用于单塔低压酸性水工艺，从而实现对单塔低压酸性水装置的高鲁棒性性能表征，为实时优化单塔酸性水汽提的产品质量和能耗提供了数学模型基础。
[0117] 上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何本领域技术人员均可在不违背本发明的精神及范畴下，对上述实施例进行修饰与改变。因此，本发明的权利保护范围，应如
权利要求书所列。
