一种CTA加氢精制生产过程代理模型建模方法与流程

本发明涉及一种粗对苯二甲酸(简称CTA)加氢精制生产过程代理模型建模方法，是使用替代模型完整描述原有工业过程的一种建模方法。具体而言，是CTA加氢精制生产过程关键性能指标的代理模型建模方法。
背景技术：
：精对苯二甲酸(PurifiedTerephthalicAcid，PTA)主要用于生产聚酯，同时也是重要的化工原料。其主要反应过程为对二甲苯在催化剂条件下与氧气发生反应，生成对苯二甲酸和水。经过不断的工艺改进与升级，现在PTA生产工艺主要以美国AMOCO工艺、英国ICI工艺和日本三井工艺为主。整体PTA工艺主要分为PX氧化单元和CTA加氢精制单元，由于PX氧化反应伴随大量的副反应进行，产生对甲基苯甲醛(TALD)、对甲基苯甲酸(PT酸)和对羧基苯甲醛(4-CBA)等副产物。其中4-CBA含量在2000ppm到3000ppm之间，虽然含量不高，但由于其对聚酯的熔点和纺丝有较大影响，危害产品品质，所以必须通过CTA加氢精制过程进行除去。由于4-CBA的分子结构与对苯二甲酸相似，能与对苯二甲酸形成共晶体，常规的物理方法很难除去，所以在CTA加氢精制单元中4-CBA在Pd/C催化剂的条件下与H2发生还原反应，将自身的醛基还原为甲基，从而生成水溶性物质PT酸并除去。CTA加氢精制生产流程如图1所示，主要分为三个部分：TA溶解段、加氢反应段和结晶段。由于常温下对苯二甲酸难溶于水，所以使用逐级预热升温来提高TA的溶解度，达到完全溶解TA的目的。首先将CTA与脱离子水打浆，配成26％到31％的浆料，在通过多级预热器加热后，使CTA在280oC，7.2MPa左右完全溶解，送入加氢反应器中。在加氢反应器中存在溶氢段和加氢反应段，TA溶液和H2都从反应器上部进料，在溶氢段中H2完全溶解于TA溶液中，在加氢反应段4-CBA在Pd/C催化剂的条件下被H2还原，生成水溶性物质PT酸。反应后的溶液通过四至五级的连续降温降压结晶，再通过离心机分离洗涤后干燥，最终获得精对苯二甲酸，产物中4-CBA含量小于25ppm。CTA加氢精制过程包含单元众多，存在大量的耦合与回流，属于高度非线性的系统。影响CTA加氢精制效果的因素有很多，通过进料及操作条件的控制来保证最终产品质量合格是必不可少的。因此，建立一个与实际工艺相符的，能正确描述整个工艺流程，反映产物浓度等关键性能指标的代理模型，对实际操作优化及指导实际工业生产具有重要意义。技术实现要素：本发明要解决的技术问题是提供一种CTA加氢精制生产过程的代理模型建模方法，实现对整体加氢精制工艺的完整描述，正确反映产物浓度随进料及操作参数的变化情况，从而保证产品质量和生产过程的稳定运行。本发明技术方案如下：一种CTA加氢精制代理模型建模方法，其流程图如图3所示，具体分为以下几个步骤：步骤一、系统分析CTA加氢精制反应过程，选取对整体加氢精制工艺有较大影响的操作变量作为输入变量，选取部分关键产物浓度作为输出变量，采集实际工业装置运行数据，获得相应的输入、输出数据；步骤二、根据步骤一中选取的操作变量及部分产物浓度，对加氢精制工业装置采集实际运行数据，剔除部分异常工况数据，获得处理后的合格数据样本并归一化。取其中3/4的样本数据作为训练数据，用于学习与训练，剩余1/4的样本数据则作为模型的测试样本，用于后续的模型检验；步骤三、根据输入输出变量个数，确定神经网络的三层结构，并选取相应的传递函数，运用经验公式获得得到BP人工神经网络的隐含层节点数目，从而确定其网络拓扑结构；步骤四、对训练样本运用Levenberg-Marquardt学习算法训练，建立BP神经网络模型，并使用测试数据对模型进行验证，获得有效的人工神经网络权重和阈值参数，从而获得能正确描述CTA加氢精制生产过程的神经网络代理模型；步骤五、将新的实际运行数据输入到代理模型中，获得相应产物浓度的预测值，为实际生产提供技术基础，提供后续操作的指导。所述步骤一中，根据对整体工艺的机理与流程的系统分析，选取的输入变量为进料中的TA含量、4-CBA含量、PT酸含量、加氢反应器温度和打浆所需水含量。选取的输出变量为最终PTA产物中4-CBA浓度及PT酸浓度。所述步骤二中对实际工业装置采集到的样本数据进行预处理，剔除异常数据，同时，输入输出数据的归一化范围为[0,1]。所述步骤三中，隐含层节点数所用的经验公式如下：其中，S代表隐含层节点个数，m代表输入层节点个数，n代表输出层节点个数。通过计算获得隐含层节点数5个，从而最终确定5×5×2的BP神经网络拓扑结构。所述步骤四中BP神经网络输入层节点与隐含层节点间的权值与阈值矩阵为：隐含层节点与输出节点间的权值与阈值矩阵为：本发明的CTA加氢精制生产过程代理模型建模方法，能根据进料的不同预测出相应可能的产物浓度，从而指导实际生产中调整相应操作条件，使最终产品依然能达到合格的标准，从而达到稳定生产、保证产品质量的目的。附图说明图1：CTA加氢精制生产过程工艺流程图。图2：CTA加氢精制代理模型框架图。图3：BP神经网络网络拓扑结构图。图4：CTA加氢精制生产过程代理模型预测效果图。图5：CTA加氢精制生产过程代理模型预测另一效果图。具体实施方式本发明在实际应用中主要通过配置CTA浆料浓度来控制TA进料和水含量，通过成分分析仪测得浆料中4-CBA及PT酸浓度，并测得相应反应温度，以此获得输入样本数据。由于实际工业生产中常常通入过量的氢气，所以本发明不考虑氢气对模型的影响，即不选取氢气含量作为输入变量。运用在线监测设备获得最终产物中4-CBA和PT酸浓度的样本数据，以此构成输出样本。在数据预处理后搭建神经网络代理模型，正确描述相应进料及操作条件变化后产物浓度的变化情况，达到对CTA加氢精制工艺产物浓度的准确预测。以下结合附图及实例对本发明进行更为全面的描述：:图1为CTA加氢精制反应过程工艺流程图。CTA加氢精制工艺主要分为三个部分：CTA溶解过程、加氢精制反应及降温降压结晶过程。由于对苯二甲酸常温下难溶于水，所以首先在打浆罐中将CTA与脱离子水配成26％-31％左右的浆料，随后通过进料增加泵，进入连续串联的预热器逐级升温溶解CTA，通过蒸汽控制每级预热器温度，保证最后一级预热器出口温度大于280℃，使TA完全溶解。加氢反应器实际为一个固定床反应器，如图2所示，分为溶氢段和加氢反应段。TA溶液和氢气都从反应器顶部进入，氢气在溶氢段完全溶解于TA溶液中，溶液在Pd/C催化剂床层上保持一定高度的液位，在加氢催化剂床层中4-CBA被氢气还原，生成水溶性物质PT酸。随后反应液在逐步减压降温中，水分逐步蒸发，温度逐渐下降，PTA结晶析出。第一、第二结晶器的蒸汽回流给第二第三级预热器进行加热，在结晶器中，主要通过调整结晶器的压力和液位来控制PTA结晶粒度。随后再通过离心机分离后送入过滤机过滤，过滤后的滤饼送入干燥机干燥，最终获得精对苯二甲酸并送入料仓，产物中4-CBA含量小于25ppm。具体操作流程如图3，在系统分析CTA加氢精制工艺流程后，我们选取对苯二甲酸(TA)含量、对羧基苯甲醛(4-CBA含量)、对甲基苯甲酸(PT酸含量)、加氢反应器温度和打浆所需水含量这5个操作变量作为模型的输入变量；选取最终PTA产物中4-CBA浓度及PT酸浓度作为模型的输出变量，对PTA工业装置采集实际工业运行数据。随后进行数据预处理操作，将不满足产物中4-CBA浓度小于25ppm的数据剔除，剩余的合格数据分为训练和预测样本进行存储。在训练和预测时，都通过归一化将数据限定在[0,1]之间，所使用的归一化公式如下：假设总的样本矩阵为Z＝[x1,...xm,u1,...un]T，其中[x1,...xm]T为输入样本矩阵，[u1,...un]T为输出样本矩阵。在训练网络时首先将Z按如下公式进行归一化操作：其中Zmax、Zmin为样本矩阵每一维的最大值和最小值。为归一化后的矩阵。在预测时，将预测的输入样本归一化后输入到已经训练好的网络，获得相应的神经网络模型预测值，再将模型预测值进行如下反归一化操作：本发明的CTA加氢精制生产过程神经网络代理模型，其简化数学模型可以如下表示：y(u1,u2)＝f(x1,...xi)其中，xi(i＝1,2,...m)、(u1、u2)分别代表代理模型的输入变量和输出变量，f为输入输出之间的映射关系。由于本发明中神经网络采用包含输入层、隐含层和输出层的三层BP神经网络结构，如图2。其数学描述可以表示为如下：设输入层输出为xi(i＝1～l)，隐层输出为yj(j＝1～m)，输出层输出为zk(k＝1～n)，输入层到隐层连接权值为wji，隐层到输出层连接权值为wkj′；隐层，输出层各神经元阈值为θj，θk′。正向传播：其中，f为各层传递函数，隐含层神经元传递函数采用S型正切函数tan-sigmoid函数：输出层神经元传递函数采用线性传递函数purelin函数。在输出端，网络输出与期望值构成的误差为P为学习样本数，tpk为样本期望输出值，Zpk为输出层实际输出值，若误差不为零，转入反向传播阶段，采用梯度下降法对权值进行调整，使误差趋于减小。在三层结构中，输入层和输出层节点数默认与输入和输出变量个数相同，隐含层节点个数则以经验公式计算得到，其计算公式如下：其中，S代表隐含层节点个数，m代表输入层节点个数，n代表输出层节点个数，计算得到隐含层节点个数为5，从而确定5×5×2的三层BP神经网络拓扑结构。本发明在训练网络时使用的学习函数为Levenberg-Marquardt学习算法，选择最大迭代次数为300次，目标误差为MSE＝1×10-3。在使用预测样本对训练好的模型进行精度校验后，得到的有效的神经网络权值与阈值矩阵如下所示：输入层与隐含层之间的有效权值与阈值：隐含层与输出层之间的有效权值与阈值：CTA加氢精制生产过程代理模型结果4-CBA浓度PT酸浓度平均相对误差0.75％0.37％综上，能够获得CTA加氢精制生产过程代理模型，并且该代理模型预测结果与实际工业数据的平均相对误差都小于5％，在模型验证和预测结果上表现出较好的准确性(见图4和图5)。可以看出，发明的CTA加氢精制生产过程代理模型建模方法，能较好的体现整体工艺中进料及操作参数的变化对部分产物浓度的影响，对产品质量进行了严格的监控，也为实际生产提供了良好的指导依据，以优化实际装置的运行，保证工业生产中的产物合格率及装置的稳定运行。本发明方法主要通过系统分析加氢反应机理，寻找对加氢精制生产过程影响较大的的操作参数作为相应的输入，以加氢精制生产过程的关键性能指标作为输出，同时采集实际工业装置运行数据，通过预处理操作获取相应合格的样本，采用拓扑结构为5×5×2的3层BP神经网络模型，运用Levenberg-Marquardt学习算法对模型进行训练，并通过预测数据验证其精度，从而获得能完整描述CTA加氢精制生产过程的神经网络代理模型，实现对加氢精制生产过程的预测，可为实际生产过程的优化运行操作提供良好的指导，在稳定生产、保证产品质量、降低能耗等方面具有重要的实际意义。综上所述仅为本发明的较佳实施例而已，并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰，都应为本发明的技术范畴。当前第1页1 2 3