专利名称：“德士古合成气”的组分气体的软测量方法
技术领域：
本发明涉及一种合成氨生产中采用水煤浆加压气化工艺流程制备原料气时，对所生产的“合成气”中的一氧化碳(Co)、氢气(H2)、二氧化碳(CO2)气体的软测量方法，具体地说，涉及一种采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气时，碳洗塔顶部出口处“德士古合成气”中的一氧化碳(CO)、氢气(H2)、二氧化碳(CO2)气体的软测量方法。
背景技术：
德士古水煤浆加压气化“急冷工艺”流程因其具有煤种适应范围较宽、合成气质量高、设备相对简单并易于实现大型化、不污染环境(三废处理较方便)等优点，已成为大规模合成氨生产中制备原料气时所采用的主流工艺之一，其流程示意图如图1所示。由图1可知水煤浆经煤浆给料泵加压后与空气分离器送来的高压氧气按照一定的氧煤比进入气化炉上部的燃烧室，在高温高压条件下进行反应。反应后生成的合成气进入气化炉下部的急冷室，被急冷水循环泵送来的热水急冷至露点，并为水蒸汽所饱和。饱和了水蒸汽的合成气，从急冷室内的上升管升到急冷室的上部，从气化炉侧面的气体出口管处排出，熔渣沉降于水浴底部进行排渣，气化炉中下部排出的黑水排至灰水处理。从气化炉侧面的气体出口管排出的合成气进入文丘里洗涤器中，与洗涤水混合，使所夹带的固体颗粒被完全润湿，而后进入碳洗塔，沿碳洗塔内的下降管进入塔底部的水浴中，穿过水层后， 固体沉入水中，气体向上通过碳洗塔塔板并在塔板上进一步除尘。最后，合成气经碳洗塔顶部的除沫器除去其中夹带的雾沫后，即为德士古水煤浆气化系统的目标产品，一般称作“德士古合成气”或“粗煤气”，送至后续生产工段。碳洗塔中下部排出的大部分灰水经过滤后由急冷水循环泵送入气化炉急冷室用作急冷水，碳洗塔底部排出的黑水排至灰水处理。“德士古合成气”是一种混合性气体，其主要成分是一氧化碳(CO)和氢气(H2)，还含有一定数量的二氧化碳(CO2)、水蒸气(H2O),此外还会有微量的甲烷(CH4)、氮气(N2)、硫化氢( 等组成。其中，CO和H2为有效成分。“德士古合成气”中各组分含量是气化系统最重要的运行指标之一。及时、准确地获得“德士古合成气”的成分，尤其是其中CO、H2和 CO2气体的含量，能够指导现场运行，使生产操作人员及时掌握生产状况、调整控制参数，使装置保持在良好工况下运行。正常操作时，在一定煤浆品质和负荷下，如果一段时期内“德士古合成气”中 (C0+C02)所占的体积百分比持续偏低，则说明水煤浆在气化炉中的燃烧状况差，此时应增大气化炉顶部水煤浆入口处烧嘴中心的氧量，增强煤浆雾化效果，使反应均勻充分，从而增加合成气产量；若此调节无效，则说明烧嘴性能变坏，应检查烧嘴运行周期和磨损状况，必要时及时更换。如果正常生产时，“德士古合成气”中(C0/C02)偏低，则应适当降低气化炉炉温，也即降低氧煤比。(气化炉炉温由氧煤比进行控制氧煤比增加，则气化温度升高，合成气中 CO2含量上升，CH4含量降低，碳转化率升高，但水煤浆气化操作指标中的比氧耗增加，冷煤气效率下降。)目前，由于混合气体在线分析仪表不仅价格昂贵，而且使用维护成本也相当高。因此，国内多数采用“急冷工艺”生产“德士古合成气”的合成氨生产厂商对“德士古合成气” 中关键成分仍采用人工取样分析(即在“碳洗塔”顶部“德士古合成气”出口管处人工取样， 并进行CO、H2和(X)2含量的离线分析，每4小时分析一次)的方法进行测定，滞后性是人工取样分析法的最大缺陷。鉴于此，如何在现有生产条件下，以低成本及时、在线获得“德士古合成气”中CO、 H2和(X)2气体的含量就成为本发明需要解决的技术问题。
发明内容
本发明的目的在于，提供一种大规模合成氨生产中采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气时，对碳洗塔顶部出口处“德士古合成气”中CO、H2和CO2 气体含量的在线软测量方法，克服现有技术中存在的缺陷(主要是由于对“德士古合成气” 成分人工测量的滞后性所导致的生产操作指导滞后，从而影响装置效率和产品质量)。本发明所说的对“德士古合成气”中CO、H2和(X)2含量的在线软测量方法，包括如下步骤(1) “德士古合成气”中C0、H2、⑶2含量软测量模型训练样本的获取选取采用“急冷工艺”的德士古水煤浆加压气化工艺流程中，入炉(指气化炉，以下同)煤质参数(共5 个，包括水分，简记为M ；灰分，简记为A ；挥发分，简记为Va ；固定碳含量，简记为C ；灰熔点，简记为ST)，入炉煤浆参数(共4个，包括煤浆浓度，简记为Cc ；煤浆流量，简记为Fc ； 煤浆压力，简记为Pc ；煤浆温度，简记为Tc ；)，入炉氧气参数(共4个，包括氧气流量，简记为；中心枪氧气流量，简记为；氧气压力，简记为Po ；氧气温度，简记为To)，入炉急冷水参数(共2个，包括急冷水流量，简记为Fw ；急冷水温度，简记为Tw)，出炉黑水参数(共 2个，包括黑水流量，简记为1 ；黑水温度，简记为Tb)，出炉合成气参数(共3个，包括出炉合成气流量，简记为Fg ；出炉合成气压力，简记为Pg ；出炉合成气温度，简记为Tg ；)，炉膛参数(共2个，包括炉膛压力，简记为P ；炉膛温度，简记为T)，共22个变量为软测量的辅助变量，其中6个变量(M、A、Va、C、ST和Ce)为人工分析变量，其余16个(Fe,Pc,Tc,Fo, Foc, Po、To、Fw、Tw、Fb、Tb、Fg、Pg、Tg、P、Τ)为在线测量变量；选取人工分析的“德士古合成气”中C0、H2和CO2含量(分别简记为CO分析、H2分析、CO2分析)分别作为三个软测量模型训练样本的目标输出变量。采集以上25 ( = 22个辅助变量+3个目标输出变量)个变量的6 个月数据(保证历史数据有效样本应不少于300组)，应用3 σ准则和一阶数字滤波进行错误数据的剔除和数据平滑后，从中选取稳态工况下的对应时间的数据组成历史数据样本。 之后对历史数据样本中的变量进行归一化，并对其中的22个辅助变量进行主元分析(主元分析的目的是减小软测量模型的规模)，将获得的8个主元变量同时作为三个软测量模型的输入数据。最终，采用8个主元变量和各自的目标输出变量分别组成“德士古合成气”中 CO、H2、CO2含量软测量模型的训练样本。(2) “德士古合成气”中CO、H2、CO2含量软测量模型的建立采用3个结构相同的 BP (Back Propagation)神经网络分别建立CO、H2、CO2含量软测量模型，并用(1)中获取的训练样本对BP网络模型进行训练。
(3)分别应用“德士古合成气”中CO、H2、CO2含量各自的软测量BP神经网络模型进行在线预测获取(1)中选取的22个辅助变量的当前值并进行归一化，将其压缩转换为 8个主元变量后，分别代入(2)中所建立的“德士古合成气”中CO、H2、CO2含量的3个软测量BP神经网络模型中进行计算，将各自得到的网络模型输出值分别进行反归一化，即得到当前的“德士古合成气”中CO、H2、CO2的含量。(4) “德士古合成气”中CO、H2、CO2含量软测量模型的在线校正按表1的检测频率“滚动”获取、更新、保存最近6个月的(1)中所述的22个辅助变量和3个软测量模型各自的目标输出变量的过程数据，当某个软测量模型的预测结果和对应的人工分析结果的误差超过限制时，对O)中所建立的模型重新进行训练，以保证软测量模型能够不断适应新的工况。其中所说的采用“急冷工艺”的德士古水煤浆加压气化工艺的流程示意图如图1 所示，具体工艺可参阅(沈浚等.《合成氨》化学工业出版社，2001，pl73)。
图1为本发明所述的采用“急冷工艺”的德士古水煤浆加压气化工艺流程示意图。图2为本发明所述的软测量模型训练样本的获取过程示意图。图3为本发明所述的“德士古合成气”CO含量BP (Back Propagation)神经网络示意图。图4为本发明所述的“德士古合成气”H2含量BP (Back Propagation)神经网络示意图。图5为本发明所述的“德士古合成气” (X)2含量BP (Back Propagation)神经网络示意图。
具体实施例方式本发明所说的采用“急冷工艺”的德士古水煤浆加压气化工艺流程生产的“德士古合成气”中CO、H2和(X)2含量的在线软测量方法，包括如下步骤(1) CO、H2、CO2含量软测量模型训练样本的获取(1-1)软测量模型的辅助变量和目标输出变量根据对采用“急冷工艺”的德士古水煤浆加压气化工艺流程的分析，本发明的发明人选择了 6个人工分析变量(M、A、Va、C、ST和Ce)、16个在线测量变量(Fe、Pc、Tc、Fo、 Foe、Po、To、Fw、Tw、Fb、Tb、Fg、Pg、Tg、P、T)为CO、H2和CO2的含量的软测量模型的辅助变量，人工分析的“德士古合成气”中CO、H2和CO2含量为各自软测量模型的训练样本的目标输出变量(请详见表1)。(1-2)过程数据的获取①人工分析数据的获取对本发明中选定的6个人工分析辅助变量(M，A，Va, C，ST, Ce)，以及每4小时人工分析一次的“德士古合成气”中CO、H2和(X)2含量，按人工分析的实际时间和数值进行采集，并保存6个月；②在线测量数据的获取
对本发明中选定的16个在线测量辅助变量(Fe、Pc, Tc、Fo, Foc, Po、To、Fw, Tw, Fb、Tb、Fg、Pg、Tg、P、Τ)，按德士古煤气化生产装置的 DCS (Distributed Control Systems) 的采样周期对实时过程数据进行采集，并保存6个月。表权利要求
1.一种合成氨生产中采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气时，对“碳洗塔”顶部出口处“德士古合成气”中CO、H2和CO2气体含量的在线软测量方法， 包括如下步骤(1)“德士古合成气”中CO、H2和CO2气体含量软测量模型训练样本的获取选取采用“急冷工艺”的德士古水煤浆加压气化工艺流程中，M、A、Va、C、ST、Cc、Fc、Pc、Tc、Fo、Foe, Po、To、Fw、Tw、Fb、Tb、Fg、Pg、Tg、P 和 T 为软测量的辅助变量；选取 CO分析、H2 M和0)2_分别作为三个软测量模型训练样本的目标输出变量；对22个辅助变量应用3 σ 准则和一阶数字滤波进行错误数据的剔除和数据平滑，以及归一化处理后，进行主元分析， 将获得的8个主元变量同时作为三个软测量模型的输入数据，最终，采用8个主元变量和各自的目标输出变量分别组成“德士古合成气”中CO、H2和CO2含量软测量模型的训练样本；(2)“德士古合成气”中CO、H2和(X)2气体含量软测量模型的建立采用3个结构相同的Back Propagation (BP)神经网络分别建立C0、H2和(X)2气体含量的软测量模型，并用由步骤⑴中获取的训练样本对所述BP网络模型进行训练；(3)“德士古合成气”中CO、H2和(X)2气体含量的软测量值的获得由步骤(1)中选取的22个辅助变量的当前值并进行归一化，将其压缩转换为8个主元变量后，分别代入步骤O)中所建立的“德士古合成气”中⑶、H2和(X)2气体含量的三个软测量BP神经网络模型中进行计算，将各自得到的网络模型输出值分别进行反归一化，即得到当前的“德士古合成气”中CO、H2和(X)2气体含量的软测量值。
2.如权利要求1所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处 “德士古合成气”中CO气体含量的BP神经网络模型的输入层的节点数为8，中间层的隐层层数为1，隐层节点数为8，输出层节点数为1。
3.如权利要求2所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处 “德士古合成气”中CO气体含量的BP神经网络的输入变量的在线测量值采用一阶数字滤波技术进行平滑滤波处理。
4.如权利要求3所述的在线软测量方法，其特征在于，其中，每4小时，采用“碳洗塔” 顶部出口处“德士古合成气”中CO气体含量的人工分析值对CO气体含量的BP神经网络的软测量模型进行在线“滚动”优化校正一次，如果误差超限，则对CO气体含量的BP神经网络的软测量模型重新进行训练，以获得新的参数。
5.如权利要求1所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处 “德士古合成气”中压气体含量的BP神经网络模型的输入层的节点数为8，中间层的隐层层数为1，隐层节点数为8，输出层节点数为1。
6.如权利要求5所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处 “德士古合成气”中吐气体含量的BP神经网络的输入变量的在线测量值采用一阶数字滤波技术进行平滑滤波处理。
7.如权利要求6所述的在线软测量方法，其特征在于，其中，每4小时，采用“碳洗塔” 顶部出口处“德士古合成气”中压气体含量的人工分析值对吐气体含量的BP神经网络的软测量模型进行在线“滚动”优化校正一次，如果误差超限，则对H2气体含量的BP神经网络的软测量模型重新进行训练，以获得新的参数。
8.如权利要求1所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处“德士古合成气”中(X)2气体含量的BP神经网络模型的输入层的节点数为8，中间层的隐层层数为1，隐层节点数为8，输出层节点数为1。
9.如权利要求8所述的在线软测量方法，其特征在于，其中所述“碳洗塔”顶部出口处 “德士古合成气”中(X)2气体含量的BP神经网络的输入变量的在线测量值采用一阶数字滤波技术进行平滑滤波处理。
10.如权利要求9所述的在线软测量方法，其特征在于，其中，每4小时，采用“碳洗塔” 顶部出口处“德士古合成气”中(X)2气体含量的人工分析值对(X)2气体含量的BP神经网络的软测量模型进行在线“滚动”优化校正一次，如果误差超限，则对(X)2气体含量的BP神经网络的软测量模型重新进行训练，以获得新的参数。
全文摘要
本发明涉及一种合成氨生产中采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气时，“碳洗塔”顶部出口处“德士古合成气”中的一氧化碳、氢气、二氧化碳气体含量的软测量方法。本发明选取采用“急冷工艺”的德士古水煤浆加压气化工艺流程制备原料气过程中的一些工艺参数，分别通过3个BP神经网络的软测量模型获得“碳洗塔”顶部出口处“德士古合成气”中的一氧化碳、氢气和二氧化碳含量的软测量值。本发明大大提高了“碳洗塔”出口“德士古合成气”中一氧化碳、氢气和二氧化碳含量的预测精度和容错性能，克服了由于“德士古合成气”中一氧化碳、氢气和二氧化碳含量的测量滞后影响生产过程及产品质量的缺陷。
文档编号G06N3/08GK102184452SQ201110051898
公开日2011年9月14日 申请日期2011年3月4日 优先权日2011年3月4日
发明者刘卓倩, 孙漾, 张凌波, 曹萃文, 许伟, 邓冠龙, 顾幸生 申请人:华东理工大学