专利名称：一种丁二烯萃取精馏塔溶剂比的优化方法
技术领域：
本发明属于化学工程与控制工程交叉领域，涉及丁二烯抽提装置中的第 一萃取精馏塔溶剂比的优化控制方法。
背景技术：
丁二烯是重要的基本石油化工原料，它是合成橡胶的最主要原料，如以 丁二烯为主要原料的丁苯橡胶、顺丁橡胶和丁腈橡胶要占整个合成橡胶的
75%。 丁二烯又是最重要的品种、最大的通用工程塑料ABS的主要原料。因 此，提高丁二烯的产量
乙烯裂解副产物丁二烯约占丁二烯生产能力的90%以上。乙烯裂解副产 物碳四馏分是丁垸、丁烯、丁二烯和炔烃等分子所组成的混合物，其中1， 3_ 丁二烯占40-50%。但是，碳四馏分中各组分的沸点十分接近，用普通的精馏 方法不能得到聚合级的丁二烯。将丁二烯从乙烯裂解副产物碳四馏分中抽提 出来，工业上常用的方法是萃取精馏的方法，萃取剂常用的有二甲基甲酰胺 (DMF) 、 N-甲基吡咯烷酮(NMP)和乙腈(CAN)。
随着乙烯装置的不断扩能和炼油化工一体化工作的深入，乙烯原料资源 紧张和原料多样化的问题日渐突出，造成裂解副产物碳四中各组分含量频繁 变化，生产企业为了保证生产指标一般对第一萃取精馏塔采用较大的溶剂比 来操作，这一方面造成装置的能耗大，另一方面影响了装置的处理能力。并且，丁二烯第一萃取精馏塔是丁二烯抽提装置中能耗最大的，而在保证塔顶 和塔釜控制指标的前提下降低溶剂的用量可显著降低整个装置的能耗。为 此，本发明针对第一萃取精馏塔建立溶剂比优化模型，根据模型的输出与碳 四原料进料量的乘积作为溶剂进料控制器的设定值，实时调整溶剂量，使第 一萃取精馏塔在优化的条件下操作。
发明内容
本发明目的是提供一种丁二烯萃取精馏塔溶剂比的优化控制方法。首先 通过流程模拟计算不同进料组成下的最优溶剂比，然后根据计算结果进行神 经网络回归得到最优溶剂比的模型，最后以最优溶剂比与进料碳四流量的乘 积作为溶剂流量控制器的设定值，进行操作控制。据此进行丁二烯萃取精馏 操作，可以显著降低萃取精馏塔和后续汽提塔的能耗，并可以通过装置的处 理能力，产生经济效益。这里所述溶剂比指的是萃取精馏塔溶剂(即萃取 剂)与进料碳四的质量比。 1. 丁二烯最优溶剂比模型
建模是优化的基础，只有建立了准确可靠的模型，下一步的优化和控制 工作才有意义。本发明选用了神经网络建模方法，以建立丁二烯萃取精馏塔 最优溶剂比的模型。神经网络建模方法不需考虑内部的精馏过程机理，直接 采用工业装置的代表性数据，对网络进行训练，就可以得到萃取精馏塔最优 溶剂比的模型，建立的模型具有较高的精度、同时又有很好的预报能力。为 保证神经网络模型具有较高的外推能力，在工业装置"操作点"周围进行"大区域"正交模拟计算，获得了若干组操作范围变化较大的最优溶剂比样 本数据，构成丁二烯萃取精馏塔最优溶剂比模型的训练样本。
丁二烯萃取精馏塔最优溶剂比模型的自变量，即神经网络模型的输入变
(1) 碳四中正异丁烯含量G,);
(2) 碳四中顺丁烯含量G2);
(3) 碳四中反丁烯含量G3);
(4) 碳四中l， 3-丁二烯含量(x4);
因变量，即神经网络模型的输出变量最优溶剂比(y)。 神经网络模型采用活化函数为Sigmoid函数，三层前传神经网络来建立 丁二烯萃取精馏塔的过程模型，并采用误差反传算法对网络进行训练，网络 结构如图l所示，输入层4个节点、隐含层1 30个节点、输出层l个节 点。网络模型的输入变量利用式(1)进行归一化处理
';c,鹏-;c,隱、 ，/ = 1,2，3，4 (1)
(1) 式中，'、是第/个操作条件(即，自变量)的实际测量值，巧表示
第'个操作条件归一化后作为神经网络的输入值，[Xfn ，X厂]表示采集到第/个 操作条件的变化范围，归一化后自变量的变化范围为["，6]。
网络模型的输出变量利用式(2)进行归一化处理
"=--c) + c ， (2)
(2) 式中，y是输出变量(即，因变量)的计算值，sy表示因变量归一 化后作为神经网络输出的目标值，[ym'n ,7，]表示采集到的因变量的变化范围，归一化后神经网络输出值的变化范围为[c，"]。
采集到"组代表性的工业装置数据，其中每组数据包含h AAAJ j，
经归一化后为h^2,W,^4,^ j，形成训练样本。训练网络达到一定精度要 求时，停止训练，获得丁二烯萃取精馏塔最优溶剂比的神经网络模型，根据 求得的神经网络模型的权值与阈值，就可以得到最优溶剂比与碳四进
料中正异丁烯含量(x,)、顺丁烯含量(x2)、反丁烯含量(a)和l, 3-丁
二烯(x4)之间关系的具体表达式，即模型方程。
2. 丁二烯最优溶剂比的控制
丁二烯溶剂比的控制是上述建立的最优溶剂比神经网络模型，根据碳四 进料中的组分组成计算出最优溶剂比，然后将其与进料碳四流量相乘得到的 数值作为溶剂进料流量控制器的设定值，进行串级控制，控制过程的示意框 图如图2所示。根据该模型及控制回路控制的丁二烯萃取精馏过程降低了能 耗，并可提高装置的处理能力，提高企业的经济效益。
图1是丁二烯最优溶剂比的神经网络模型的示意框图； 图2是丁二烯最优溶剂比控制过程的示意框图。
具体实施例方式
下面，通过以下实施例对本发明作进一步说明，它将有助于理解本发 明，但并不限制本发明的内容。如图1所示，选取碳四进料中的正异丁烯含量(Xl)、顺丁烯含量
(x2)、反丁烯含量(x》和1， 3-丁二烯含量(X4)作为模型的输入变量， 选取计算所得的最优溶剂比作为模型的因变量，各个自变量经过归一化后形 成网络的输入自变量k^2,^w]，归一化后自变量的范围为["，"；网络输 出为最优溶剂比(？)的归一化后的预测值sy。神经网络模型中，输入层的 节点数皆为4，隐含层节点数为1 30,输出层节点数为l。
最优溶剂比的控制是基于丁二烯第一萃取精馏塔最优溶剂比的神经网络 模型，根据模型的计算值与进料碳四流量的乘积作为溶剂进料流量的设定 值，进行串级控制，使丁二烯萃取精馏过程保持最优的操作状况，降低装置 的能耗，提高装置的处理能力。 1. 丁二烯萃取精馏塔最优溶剂比模型
首先要进行数据获取，其中输入数据为从现场挑选出具有代表性的分析 数据，根据装置的控制指标，即塔顶丁二烯的含量不超过操作指标，塔釜根 据后续装置的限制确定顺丁烯和反丁烯不超过操作指标，可以采用流程模拟 软件进行操作优化，确定相应工况下的最优溶剂比。通过模拟软件的计算得 到IOO组不同进料组成下的最优溶剂比数据。根据这些数据进行神经网络模 型的建立。
利用(1)式，对各自变量进行归一化处理^的变化范围
， A的变化范围
, A的变化范围
, ^的变化范围为，取ai.2，b二0.8，进行归一化计算
jc 一0 3
^ ~~^(0.8 — 0.2)+ 0.2 0.5 — 0.3<formula>formula see original document page 10</formula>
利用(2)式，对上述各因变量进行归一化处理^的变化范围为，取c二O. 2，d二0. 8，进行归一化计算
^ =^^(0.8-0.2)+ 0.2 8 — 6
网络结构为输入层节点数为4，隐含层节点数为4，输出层节点数为 1。以归一化后的100组样本数据为训练样本，采用BP算法对网络进行训 练；网络收敛时，得到下列一组权值《)(i二l，2，3，4;j-l,2，3，4)， 《)(j=l,2，3，4; k4)和阈值&"(nFl,2，3，4)，《)(n=l)。这里4)为输入层第 i个节点到隐含层第j个节点的权值；" 为隐含层第j个节点到输出层第k 个节点的权值；6二"为隐含层第m个节点阈值；6尸为输出层第n个节点阈
值。丁二烯第一萃取精馏塔最优溶剂比神经网络模型为
<formula>formula see original document page 10</formula><formula>formula see original document page 11</formula> (9)
<formula>formula see original document page 11</formula> (10)
<formula>formula see original document page 11</formula> (11)
<formula>formula see original document page 11</formula> (12)
其中，sy是丁二烯萃取精馏塔最优溶剂比神经网络模型经过归一化的计算 值，该计算值通过反归一化处理
<formula>formula see original document page 11</formula> (13)
这样就可以求得相应进料组成下的最优溶剂比(？)，根据最优溶剂比
(JO可以用于指导操作人员的生产操作。 2. 丁二烯萃取精馏塔最优溶剂比的控制
最优溶剂比的控制是基于丁二烯萃取精馏塔最优溶剂比的神经网络模 型，将根据模型计算的最优溶剂比？与进料碳四流量的乘积作为溶剂进料流 量的设定值，进行操作控制，使丁二烯萃取精馏塔保持最优的操作状况，降 低装置的能耗，提高装置的处理能力。
如进料组成正异丁烯为0.3127，顺丁烯为0.0572，反丁烯为 0.0516， 1， 3-丁二烯为0.5354，进料碳四流量为16.5吨/小时。则通过最 优溶剂比模型计算的溶剂比为7.65。这样根据乘法器的计算可以计算出溶剂 进料量为16.5吨/小时X7.65426.225吨/小时，该值被自动计算出并作为 溶剂进料量的设定值对溶剂投料量进行控制。
权利要求
1、一种丁二烯萃取精馏塔溶剂比的优化方法，其特征在于，包括如下步骤(1)以丁二烯萃取精馏塔为对象，选取正异丁烯、顺丁烯、反丁烯和1，3-丁二烯的含量组合作为输入变量；(2)选取丁二烯萃取精馏塔的溶剂比作为因变量；所述溶剂是二甲基甲酰胺或乙腈或N-甲基吡咯烷酮；所述溶剂比是指所述溶剂与进料组分中碳四的质量比；(3)通过流程模拟对不同工况进行优化，以得到的不同进料组成下的最优溶剂比数据作为训练样本，建立丁二烯萃取精馏塔最优溶剂比的神经网络模型；(4)将根据所述最优溶剂比的神经网络模型计算得到的预测值与碳四进料流量的乘积作为溶剂进料流量设定值进行控制。
2、 根据权利要求1所述的优化方法，其特征在于，所述优化方法的 优化目标是溶剂比最小并保证塔顶丁二烯和塔釜顺丁烯和反丁烯含 量不高于操作指标，且优化操作条件满足工艺与工业装置约束。
3、 根据权利要求1所述的优化方法，其特征在于，所述最优溶剂比 的神经网络模型，其输入层的节点数为4、隐含层节点数为1 30、 输出层节点数为l。
4、 根据权利要求1所述的优化方法，其特征在于，所述输入变量的 数据是人工分析值或在线仪表的分析值；
5、 根据权利要求1所述的优化方法，其特征在于，所述控制的过程 是采用串级控制。
6、 根据权利要求1所述的优化方法，其特征在于，所述控制的过程 是采用自动控制。
7、根据权利要求1或2所述的优化方法，其特征在于，所述输入变 量按照下式(I )进行归一化处理-<formula>formula see original document page 3</formula>式(I)中，x,是第/个操作条件即所述输入变量的实际测量值，％表示第'个操作条件归一化后作为神经网络输入的值，[;c， ，;c广]表示采集到第Z个操作条件的变化范围，归一化后输入自变量的变化范围 为[a，6]，其中"wo;网络模型的输出变量按照下式(II)进行归一化处理 W =-— c) + c<formula>formula see original document page 3</formula>式(II)中，y是输出变量即因变量，sy表示因变量归一化后作为神经网络输出的目标值，[ym'n ,y"i表示采集到的因变量变化范围，归一化后神经网络输出的变化范围为[c，c/]，其中">^^0;采集到"组代表性的模拟数据，其中每组数据包含 J，经归一化后为t巧 I，形成训练样本；以h，巧馬，^J作为网络的输入，对应的sy作为目标值，训练网络；当达到精度要求时，停止训练，获得最优溶剂比的神经网络模型， 根据求得的神经网络模型的权值与阈值，获得最优溶剂比的计算 值，通过下式(III)对最优溶剂比的计算值进行反归一化计算<formula>formula see original document page 3</formula>式(III)中，？表示因变量的预测值，其他字母的含义同式 (II )所述；基于所述因变量的预测值y ，在保证所述优化目标的基础上以 操作条件的工艺上下限为界，采用遗传算法对操作条件的约束空间 进行搜索，求得最优操作条件。
全文摘要
本发明涉及一种丁二烯萃取精馏塔溶剂比的优化方法，首先对丁二烯第一萃取精馏塔进行过程模拟，以塔顶气中1，3-丁二烯的含量和塔釜碳四中的顺丁烯和反丁烯含量合格为约束条件，以溶剂比最小为目标进行优化；通过调整进料中的正异丁烯、顺丁烯、反丁烯和1，3-丁二烯的量组成不同的工况，对各种工况进行优化，得到不同进料情况下的最优溶剂比；然后以正异丁烯、顺丁烯、反丁烯和1，3-丁二烯为输入变量，利用神经网络回归的方法建立丁二烯第一萃取精馏塔最优溶剂比的模型；最后建立串级控制回路控制最优溶剂比，以模型的输出值与碳四流量的乘积作为溶剂的进料流量设定值，进行串级控制操作，保证萃取精馏在最优溶剂比下操作。
文档编号C07C11/16GK101429086SQ200810203398
公开日2009年5月13日 申请日期2008年11月26日 优先权日2008年11月26日
发明者刘漫丹, 李绍军 申请人:华东理工大学