黃永杰

（廣西職業(yè)技術學院，廣西 南寧 530226）

精餾過程控制中軟測量技術的研究與應用

黃永杰

（廣西職業(yè)技術學院，廣西 南寧 530226）

分析精餾過程中一些變量與其他變量之間的關聯(lián)性，提出軟測量技術概念，利用基于人工神經網(wǎng)絡的軟測量方法，推算出精餾塔底濃度與提餾段溫度數(shù)學模型，解決了塔底物料濃度測量誤差的問題。

精餾過程；軟測量技術；人工神經網(wǎng)絡的軟測量方法

工業(yè)生產中經常要將混合液體分離成純凈的組分，利用混合物中各組分揮發(fā)能力的差異，通過液相和氣相的回流，使氣、液兩相逆向多級接觸，在熱能驅動和相平衡關系的約束下，易揮發(fā)組分（輕組分）不斷從液相往氣相中轉移，難揮發(fā)組分由氣相向液相遷移，使混合物不斷分離，這個過程就是精餾，完成這一過程的工藝設備是精餾塔。

在精餾生產過程中，為了實現(xiàn)良好的質量控制，必須對產品質量或與產品質量密切相關的重要過程變量進行控制，由于在線分析儀表或傳感器的價格昂貴，維護復雜，加上分析儀表滯后大，造成控制質量下降。同時，精餾塔的產品成分、塔板效率、干點、閃點、反應轉化率等部分質量指標或與產品質量密切相關的重要過程變量尚無法測量，為解決這類問題，提出了軟測量技術的概念。

1 軟測量技術的組成

軟測量的基本思路是基于一些變量與過程中其他變量之間的關聯(lián)性，采用計算機技術，根據(jù)一些容易測量的過程變量（稱為輔助變量），推算出一些難以測量或者暫時還無法測量的過程變量（稱為主導變量）。推算是根據(jù)輔助變量與主導變量之間的數(shù)學模型進行的。軟測量技術由輔助變量選擇、數(shù)據(jù)的采集和處理、軟測量數(shù)學模型建立和在線校正等幾個部分組成。

1.1 輔助變量的選擇

軟測量技術根據(jù)輔助變量與主導變量之間的數(shù)學模型進行推算，因此，輔助變量的選擇是關系到軟測量技術精確度的重要內容。其選擇原則如下：

關聯(lián)性：輔助變量應與主導變量有關聯(lián)，最好能夠直接影響主導變量；

特異性：輔助變量應具有特異性，用于區(qū)別其他過程變量；

工程適用性：容易在工程應用中獲得，能夠反映生產過程的變化；

精確性：輔助變量本身具有一定的測量精確度，并且模型應具有足夠的精確度；

魯棒性：對模型誤差不敏感。

1.2 數(shù)據(jù)的采集和處理

需要采集的數(shù)據(jù)是軟測量主導變量對應的輔助變量數(shù)據(jù)，數(shù)據(jù)的覆蓋面應盡量寬，且具有代表性，使軟測量建立的模型有更大的適用范圍，并可方便地用計算機進行采集和處理。

精餾生產過程變量符合正態(tài)分布，因此，對采集的數(shù)據(jù)應進行處理，數(shù)據(jù)處理通常在離線完成，包括對數(shù)據(jù)標度的換算、數(shù)據(jù)轉換和權函數(shù)設置、分析數(shù)據(jù)、數(shù)據(jù)的檢驗和不良數(shù)據(jù)的剔除。

1.3 軟測量數(shù)學模型建立

軟測量數(shù)學模型是軟測量技術的核心，建立軟測量數(shù)學模型的方法有機理建模、經驗建模、機理和經驗混合建模等。機理建模利用已知的過程知識，有較大的適用范圍，但有些過程較復雜，難以用機理方法建立模型。經驗建模根據(jù)實際測量的過程數(shù)據(jù)，用數(shù)學方法對數(shù)據(jù)進行回歸或建立神經網(wǎng)絡擬合，只需要實測過程數(shù)據(jù)，對工藝過程的影響小，但建立的數(shù)學模型適用范圍不寬，精度較差。機理和經驗結合的建模方法可兼取兩者的優(yōu)點，例如，以機理建模為主線，根據(jù)實際采集的數(shù)據(jù)確定部分模型參數(shù)，根據(jù)機理分析，結合實測數(shù)據(jù)建立數(shù)學模型的結構，然后估計模型參數(shù)，通過計算和仿真獲得數(shù)據(jù)，根據(jù)這些數(shù)據(jù)建立數(shù)學模型。

1.4 模型在線校正

數(shù)學模型在線校正的主要原因有三方面：一是模型是根據(jù)一定操作條件下的數(shù)據(jù)建立的，操作條件變化會造成模型的誤差；二是建立模型時，一些過程變量未發(fā)生變化，因此也就沒有考慮在模型中，而這些變量一旦發(fā)生了變化，將會引起模型結構或參數(shù)的變化；三是過程本身的時變性（如精餾過程中催化劑的變化）也將使模型參數(shù)改變。在線校正分短期校正和長期校正兩種。

2 軟測量方法

工業(yè)精餾裝置中采用軟測量技術的方法主要有機理建模、回歸分析、狀態(tài)估計、模式識別、人工神經網(wǎng)絡、模糊數(shù)學、過程層析成像、相關分析和現(xiàn)代非線性信息處理技術等9種。前6種軟測量技術的研究較為深入，在過程控制和檢測中有更多成功的應用。

2.1 基于工藝機理分析的軟測量

主要是應用化學反應動力學、物料平衡、能量守恒等原理，通過對過程對象的機理分析，找出不可測主導變量與可測輔助變量之間的關系，建立機理模型，從而實現(xiàn)對某一參數(shù)的軟測量。

2.2 基于回歸分析的軟測量

經典的回歸分析是一種建模的基本方法，應用范圍相當廣泛。以最小二乘原理為基礎的一元或多元線性回歸技術已相當成熟，經常用于線性模型的擬合。對于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術可獲得較好的軟測量模型。對于輔助變量較多的情況，通常要借助機理分析，首先獲得模型各變量組合的大致框架，然后再采用逐步回歸方法獲得軟測量模型。

2.3 基于狀態(tài)估計的軟測量

基于狀態(tài)估計的軟測量方法需要建立系統(tǒng)對象的狀態(tài)空間模型。如果系統(tǒng)的狀態(tài)變量作為主導變量，且輔助變量是完全可測的，那么軟測量問題就轉化為典型的狀態(tài)觀測和狀態(tài)估計問題。采用Kalman濾波器和Luenberger觀測器是解決問題的有效方法。

2.4 基于模式識別的軟測量

采用模式識別對工業(yè)過程的操作數(shù)據(jù)進行處理，從中提取系統(tǒng)的特征，構成以模式描述分類為基礎的模式識別模型。

2.5 基于模糊數(shù)學的軟測量

模糊數(shù)學模仿人腦邏輯思維特點，是處理復雜系統(tǒng)的一種有效手段之一，在過程測量中也得到大量的應用?；谀：龜?shù)學的軟測量方法所建立的模型是一種知識性模型，特別適合于復雜工藝過程中被測對象呈現(xiàn)不確定性，難以用常規(guī)數(shù)學定量描述的場合。實際應用中常將模糊技術和其他人工智能技術相結合。

2.6 基于過程層析成像的軟測量

基于過程層析成像的軟測量與其他軟測量方法不同的是，它是一種以醫(yī)學層析成像技術為基礎，可在線獲取過程參數(shù)二維或三維實時分布信息的先進檢測技術，采用該技術可獲取相關變量的時空分布信息。

2.7 基于相關分析的軟測量

基于相關分析的軟測量方法是以隨機過程中的相關分析理論為基礎，利用兩個或多個可測隨機信號之間的相關特性來實現(xiàn)某一參數(shù)的在線測量。

2.8 基于現(xiàn)代非線性信息處理技術的軟測量

利用容易測量的過程變量（輔助變量，它通常是一種隨機信號），采用先進的信息處理技術，通過對所獲信息的分析處理，提取信號特征量，從而實現(xiàn)某一參數(shù)的在線檢測或過程狀態(tài)的識別。

3 基于人工神經網(wǎng)絡的精餾過程軟測量方法

精餾過程中，基于人工神經網(wǎng)絡的軟測量方法是近年來研究最多、發(fā)展最快和應用最廣泛的一種軟測量技術。由于人工神經網(wǎng)絡具有自學習、聯(lián)想記憶、自適應和非線性逼近等功能，因此這種軟測量方法可在不具備對象先驗知識的條件下，根據(jù)對象的輸入/輸出數(shù)據(jù)直接建模，將輔助變量作為人工神經網(wǎng)絡的輸入，而主導變量則作為網(wǎng)絡的輸出，通過網(wǎng)絡的學習來解決不可測變量的測量問題。這種方法還具有模型在線校正能力，并能適用于高度非線性和嚴重不確定性系統(tǒng)。

人工神經網(wǎng)絡有多種模型與方法，用于軟測量建模的反向傳播BP算法（back propagation algorithm）在工程中有著廣泛應用。采用反向傳播算法的人工神經網(wǎng)絡稱為反向傳播網(wǎng)，它由輸入層、隱層和輸出層組成。隱層可以是1層或多層，采用1個隱層組成的3層BP網(wǎng)絡可以表示任意的非線性函數(shù)關系。

圖1所示的3層BP神經網(wǎng)絡，輸入信號Pj（j=1,2, ,r）從輸入節(jié)點Aj進入BP網(wǎng)絡，并進行一定的加權Vj,s和偏置bj后，經轉移函數(shù)作為隱層Bs的輸入，當有多個隱層時，前一層的輸出加權后作為后一層的輸入。最后，隱層的輸出同樣經加權、偏置和轉移函數(shù)Ws,p后作為輸出層Cp的輸入，各輸出層將隱層的輸入相加后作為該輸出節(jié)點的輸出。

圖1 3層BP神經網(wǎng)絡示意圖

典型的轉移函數(shù)采用Sigmoid函數(shù)。由于反傳網(wǎng)絡的期望輸出與實際輸出之間存在誤差，根據(jù)誤差從輸出向輸入逐層調整加權值，因此，該算法稱為反向傳播算法。BP算法收斂速度慢，容易收斂到局部極小，而不是全局最優(yōu)，算法需要預先設置有關的算法因子，如訓練次數(shù)、轉移函數(shù)等。為此提出了一些改進算法，如串級BP算法等。

分析精餾塔的各變量關系，精餾塔底濃度XB與提餾段靈敏板溫度T有明顯的關聯(lián)，為此，采用軟測量技術對塔底濃度進行測量。基于最小二乘法的軟測量回歸模型為：

XB=-0.63309-0.143143T-0.010693T2-0.000266T3

式中，T為靈敏板溫度，樣本范圍是-23~11℃。

同時，建立了BP神經網(wǎng)絡的軟測量模型，這是一個單輸入（提餾段靈敏板溫度T）單輸出（塔底物料濃度XB）的BP網(wǎng)，隱層用7個神經元節(jié)點，經13627次迭代訓練后，建立的模型輸出與實際輸出的誤差平方和達到設定的最小值。其相對誤差（4.23%）較回歸模型的誤差（9.06%）小，外延時數(shù)據(jù)的泛化能力也較回歸模型強，其誤差在5.66%，遠小于回歸模型的外延誤差12.87%。

4 結語

精餾過程分離出的產品一般為混合物，目前難以實時檢測產品的成分，市場上又沒有開發(fā)出實時準確的精餾成分傳感器，軟測量技術通過建立輔助變量和主導變量之間的數(shù)學關系，有效地解決了這一難題。

[1] 王愛廣.過程控制技術[M].北京：化學工業(yè)出版社，2005.

[2] 史繼森.精餾塔的控制[J].自動化博覽，2008(8)：86-89.

[3] 黃永杰.精餾塔自動控制系統(tǒng)設計與應用[J].化工技術與開發(fā)，2012(1)：52-54.

[4] 黃永杰.精餾過程變量耦合及解耦控制系統(tǒng)的分析與設計[J].化工技術與開發(fā)，2014(10)：36-38.

Research and Application of Soft Sensor Technology in Distillation Process Control

HUANG Yong-jie
(Guangxi Vocational and Technical College, Nanning 530226, China)

The concept of soft sensing technology was put forward by analyze the correlation between some variables and other variables. The temperature and concentration mathematical model of the distillation column bottom was calculated by soft sensing method based on artifcial neural network.

distillation process; soft sensing technique; soft sensing method of artifcial neural network

TQ 028.1+3

A

1671-9905(2016)04-0039-03

廣西教育廳一般資助項目（YB2014487）

黃永杰（1965-），男，廣西百色人，高級工程師，就職于廣西職業(yè)技術學院計算機與電子信息工程系，從事電氣自動化、生產過程自動化、機電一體化專業(yè)的教學和科研工作

2016-02-26