精馏过程单变量扰动原因的智能反演

梁慧婷, 田文德, 靳满满, 项曙光

(青岛科技大学 化工学院, 山东 青岛 266042)

精馏过程单变量扰动原因的智能反演

梁慧婷, 田文德, 靳满满, 项曙光

(青岛科技大学 化工学院, 山东 青岛 266042)

由于精馏过程存在大量扰动，使得扰动原因难以确定，扰动量信息诊断精度难以提高，本文对精馏过程扰动问题进行了研究。以精馏塔回流量(L)、上升蒸汽量(V)、进料组成(zF)及进料量(F)扰动为例，在单变量扰动的基础上，将物理领域的反演思想应用于精馏故障诊断，结合精馏过程内嵌机理，建立了各扰动量与欧氏距离之间的反演模型，经过运算实现扰动量的定量分析。并将此方法录入规则，以便嵌入专家系统，实现智能辨识扰动原因。本文将此方法运用到高纯度的二元精馏塔中，实现了单变量扰动原因的定量辨识，证明了该方法的有效性。

精馏；单变量扰动；反演；智能辨识

1 前 言

精馏是石油化工生产过程中应用最广泛的操作之一。塔内各塔板上同时进行着传质、传热过程，各变量之间关联度较高，微小的异常工况可以演化成大的事故。因此，通过诊断得出异常扰动的量，消除演化趋势，对避免事故的发生具有重大意义[1]。

反演是在模型知识的基础上，根据参数值去反推目标状态参数。该方法被广泛应用于遥感以及地球物理领域。如王家成等[2]对近海污染大气气溶胶光学性质进行了反演研究，刘成利等[3]基于有限断层模型反演方法得到了鲁甸地震震源破裂过程，有效地推进了地球物理学的研究，对人类认识自然、改善环境做出了贡献。本文将反演思想应用在化工过程的故障诊断，希望为故障诊断提供一种新思路。

故障诊断问题，实质是由症状表征故障的反演问题。目前，对精馏过程故障诊断的方法较多。如涂娅莉等[4]提出一种基于专家系统的故障诊断方法。田文德等[5～7]提出基于模型的故障诊断方法，通过动态仿真监测大偏差变量的产生。Wang等[8]提出一种主元分析与动态时间规整技术相结合的精馏塔故障诊断方法，根据推理策略诊断历史数据。Hu等[9]利用动态贝叶斯网络框架在线处理故障状况。罗雄麟等[1]提出一种基于最小二乘法的乙烯塔异常工况的在线侦测和智能控制。以上方法只是在故障发生之后诊断出故障的位置或是能够实时侦测出故障是否发生，不能实现故障的定量分析。本文将反演的思想应用于精馏故障诊断领域，在只有扰动数据或曲线的情况下，使用此方法能快速、准确地实现扰动量的定量分析。鉴于专家系统具有易于开发、透明的推理及快速确定故障位置的优势，本文将此方法与CLIPS(C Language Integrated Production System，C语言集成产生式系统)正向链规则相结合，为CLIPS嵌入专家系统应用于故障诊断做好前期准备。

2 基于遗传算法的反演

反演是根据可测的参数值反向推理出目标参数的过程。由于反向推理非适定性、非线性的性质，使得它的求解远比正向推理困难得多。具体来说，为了得到某个问题的解，首先求出相应序列f(n)所满足的(累计)关系式：

图1 遗传算法优化流程图Fig.1 Optimization procedure of Genetic Algorithm

其中g(n)是已知序列，然后从中解出：

这里(1)、(2) 互为反演公式[10]，其中Cn,rdn,r为系数。

遗传算法[11,12](如图1所示)是一类借鉴生物界进化规律(优胜劣汰遗传机制)演化而来的具有自适应能力、全局性的搜索方法。以适应度函数为依据，通过对群体中的个体施加遗传操作，实现群体内个体结构重组的迭代处理过程。Goldberg[13]总结的基本遗传算法(Simple Genetic Algorithms简称SGA)只包括选择、交叉和变异三种基本遗传算子，其数学模型为：

式中，C—个体的编码方法；E—个体适应度评价函数；P0—初始种群； N—种群大小；Φ—选择算子；Γ—交叉算子；Ψ—变异算子；Τ—遗传运算终止条件。

基于其内在的并行性、全局寻优的能力及鲁棒性的优点，本文将遗传算法应用于反演计算，将反演问题转化为函数优化问题。即事先给定待求参数的允许函数类，不指定函数形式，用遗传算法程序同时反演出最优的函数模型及参数，用以得到最优的参数反演值。

智能反演流程如图2所示。基于MATLAB平台建立初始精馏模型，得到回流量(L)、上升蒸汽量(V)、进料组成(zF)和进料量(F)多个扰动量下精馏过程中灵敏板温度的响应曲线及数据。根据各扰动曲线排布的规律性，通过比较扰动曲线与标准曲线之间欧氏距离(Euclidean distance)（在m维空间中两个点之间的真实距离）的不同定量区分各扰动曲线。基于遗传算法，搜索最优函数关系式。通过运算准确得到扰动量的大小。之后将此方法录入CLIPS规则，反向推理出扰动量大小。

图2 单变量扰动原因的智能反演示意图Fig.2 Intelligent inversion of single variable disturbance

3 案例研究

3.1 精馏塔

本文选用二元精馏塔作为计算对象，设备如图3所示[14～16]。恒压下，一股进料，两股出料，塔顶采用全凝器。塔基本数据见表1。

表1 塔数据Table 1 Parameters of the studied column

3.2 单变量扰动

3.2.1 灵敏板的确定

实际生产中，一个正常操作的精馏塔受到某一外界因素干扰时，全塔组成发生变动，全塔温度分布也将发生相应的变化。在一定总压下，塔板温度的变化预示着塔内组成尤其是塔顶馏出液的变化，因此经生产上常用测量和控制灵敏板的温度来保证产品的质量。所以，选取灵敏板温度作为目标变量来讨论各扰动带来的影响。当回流量变化0.1% 时各理论塔板温度响应曲线如图4所示，各理论塔板温度变化值如图5所示。

图3 精馏塔流程图Fig.3 Schematic diagram of the distillation column

图4 回流比增加0.1% 时各理论板温度响应曲线Fig.4 Temperature response curves with 0.1% increase of reflux ratio

图5 回流比增大0.1% 时各理论板温度变化幅度Fig.5 Amplitude profiles for each stage with 0.1% decrease of reflux ratio

由图4可以看出，随着回流比的增大各理论塔板温度低于正常塔板的温度。图5描述回流比增大0.1%时各理论塔板的变化幅度，可以看出在第15块理论塔板处温度变化幅值达到最大，所以，选取第15块板作为灵敏板。

3.2.2 扰动

本文主要讨论了回流量(L)、上升蒸汽量(V)、进料组成(zF)及进料量(F)的扰动情况，幅度控制在 ±(1%～10%)。具体设置见表2，上述扰动变化时灵敏板温度响应曲线如图6所示。

表2 扰动设置Table 2 Setup details of disturbances

从图6可以看出，在某一时刻添加扰动后，灵敏板的温度瞬时改变到某一值，并在之后1 h之内缓慢恢复到正常温度，表明此

系统控制结构合理、响应迅速、稳定性较好，且随着扰动量的增大，响应曲线变化幅度呈一定的规律增大，远离标准曲线。当回流量、上升蒸汽量、进料组成、进料量分别扰动时，曲线走势基本相同，但各扰动曲线和标准曲线之间的距离有区别，因此，用扰动曲线与标准曲线之间的距离作为特征量来表征各扰动曲线。考虑到这种扰动相似的盲源扰动问题，后期可以通过建立神经网络模型来确定未知扰动的类型，增加神经网络训练样本可以提高预测的精度。对于预测有误的情况，可以将此组数据作为训练样本，使检测系统具有自学习的功能。

3.2.3 反演模型

欧式距离是一个通常采用的距离定义，各扰动下曲线与标准曲线的欧氏距离见表3。

表3 欧氏距离Table 3 Euclidean distances

以欧氏距离为自变量，各扰动量为因变量，运用遗传算法搜索函数模型如下：

3.3 CLIPS规则录入

专家系统[17,18]是人工智能领域重要的研究成果之一。将专家的知识和经验以知识库的形式存储，模仿人类专家的思维过程，运用知识库对问题做出判断与决策。一般主要由知识库、推理机两部分组成，为人类保存知识、传播知识、利用知识提供了有效手段，同时也可产生巨大的经济效益。

CLIPS是由美国NASA研发的一个专家系统编程语言，具有强大的知识表达和推理能力[19,20]。鉴于其优势将CLIPS作为专家系统知识库开发的工具。CLIPS支持正向链接规则，在事实的基础上，通过设定规则，对事实进行模式匹配，从而实现目标推理。本文根据单变量扰动的反演方法，建立了对应的规则库，实现反向推理干扰量的目的。

CLIPS中产生式规则(即IF...THEN...)基本结构为：

具体规则见表4。

表4 具体规则Table 4 Knowledge rules applied in the study

3.4 结果与讨论

当ΔL= 0.055时，检验此反演方法。首先用MATLAB求得欧氏距离d1= 8.950，调用CLIPS，反演得扰动量ΔL′= 0.057。相比实际扰动量有3.6% 的误差，增大样本容量在一定程度上能减小误差。具体界面如图7所示。

4 结 论

以二元精馏塔单变量扰动为研究对象，设计了一种智能反演扰动原因的方法。结果表明此方法能快速、准确地确定扰动量的大小，为故障原因的智能辨识提供了一种新思路。鉴于专家系统快速定位故障位置的优势，建立适应性强的故障诊断平台作为今后的研究方向。

图7 CLIPS反演界面Fig.7 Interface of CLIPS

符号说明：

参考文献：

[1] LUO Xiong-lin (罗雄麟), ZHAO Xiao-ying (赵晓鹰), WU Bo (吴博), et al. Online detection and control of ethylene column abnormal condition (乙烯精馏塔异常工况在线侦测与控制) [J]. Journal of Chemical Industry and Engineering (China) (化工学报), 2014, 65(11): 4517-4523.

[2] WANG Jia-cheng (王家成), QIAO Yan-li (乔延利), YANG Shi-zhi (杨世植), et al. Retrieval of polluted aerosol optical properties over coastal water (近海污染大气气溶胶光学性质反演研究) [J]. Laser & Opto electronics Pr ogress (激光与光电子学进展), 2011, 48(6): 4-10.

[3] LIU Cheng-li (刘成利), ZHENG Yong (郑勇), XIONG Xiong (熊熊), et al. Rupture process of Ms 6.5 Ludian earthquake constrained by regional broadband seismograms (利用区域宽频带数据反演鲁甸M_s 6.5级地震震源破裂过程) [J]. Chinese Journal of Geophysics (地球物理学报), 2014, 57(9): 3028-3037.

[4] TU Ya-li (涂娅莉), HE Guo-geng (何国庚), LI Jia (李嘉), et al. Expert systems for distillation column fault diagnosis (专家系统在精馏塔故障诊断中的应用) [J]. Low Temperature and Specialty Gases (低温与特气), 2006, 24(5): 26-29.

[5] TIAN Wen-de (田文德), YU Zi-ping (于子平), SUN Su-li (孙素莉). Fault diagnosis of rectifying tower using unsteady stage model (基于动态模拟的精馏塔故障诊断) [J]. Computers and Applied Chemistry (计算机与应用化学), 2011, 28(12): 1569-1572.

[6] Tian W, Guo Q, Sun S. Dynamic simulation based fault detection and diagnosis for distillation column [J]. Korean Journal of Chemical Engineering, 2012, 29(1): 9-17.

[7] TIAN W, SUN S, LIU J. Fault diagnosis in chemical processes based on dynamic simulation [J]. Journal of System Simulation, 2007, 19(12): 2831-2835.

[8] Wang Z, Zhao J, Shang H. A hybrid fault diagnosis strategy for chemical process startups [J]. Journal of Process Control, 2012, 22(7): 1287-1297.

[9] Hu J, Zhang L, Cai Z, et al. Fault propagation behavior study and root cause reasoning with dynamic Bayesian network based framework [J]. Process Safety and Environmental Protection， 2015,97:25-36.

[10] CAO Ru-cheng (曹汝成). Introductory combinatorics (组合数学) [M]. Guangzhou (广州): South China University of Technology Press (华南理工大学出版社), 2000

[11] LU Hai (卢海), YAN Lie-xiang (鄢烈详), SHI Bin (史彬), et al. Multi-objective optimization based on parallel multi-families genetic algorithm (并行多家族遗传算法解多目标优化问题) [J]. Journal of Chemical Industry and Engineering (China) (化工学报), 2012, 63(12): 3985-3990.

[12] LIU Lu (刘璐), LIU Ai-lun (刘爱伦). Fault diagnosis of distillation column based on Improved Genetic Algorithm optimization-based support vector machine (基于改进的遗传算法优化支持向量机的精馏塔故障诊断) [J]. Jounal of East China University of Science and Technology (Natural Science Edition) (华东理工大学学报(自然科学版)), 2011, 37(2): 228-233.

[13] Goldberg, D E, Holland, J H. Genetic algorithms and machine learning [J]. Machine Learning. 1988, 3 (2): 95-99.

[14] WAN Bin (万斌), TIAN Wen-de (田文德), YAO Fei (姚飞). A new real time dynamic distillation model for control system design (精馏过程实时动态模型) [J]. Journ al of Chem ical En gineering of Chine se Univers ities (高校化学工程学报), 2000, 14(3): 298-301.

[15] Deshpande A P, Patwardhan S C. Online fault diagnosis in nonlinear systems using the multiple operating regime approach [J]. Industrial & Engineering Chemistry Research, 2008, 47(17): 6711-6726.

[16] Skogestad, S. Distillation dynamics and control of distillation columns [J]. Chemical Engineering Research and Design. 1997, 75 (6), 539-562.

[17] TAN Da-peng (谭大鹏), LI Pei-yu (李培玉), PAN Xiao-hong (潘晓弘). CLIPS based realization method of fault diagnosis expert system developing environment (基于CLIPS的故障诊断专家系统开发环境) [J]. Journal of Zhejiang University (Engineering Science) (浙江大学学报(工学版)), 2009, 43(2): 240-243.

[18] SHI Tie-lin (史铁林), WANG Xue (王雪). A parallel backward reasoning algorithm for the rule-based diagnostic expert system (设备诊断专家系统中的一种并行反向推理算法) [J]. Journal of Huazhong University of Science and Technology (华中理工大学学报(社会科学版)), 1996, 24(4): 31-33.

[19] SHEN Da-wei (沈大伟), ZHUANG Cheng (庄诚), WANG Xue-lei (王学雷). Expert system development for fault diagnosis based on CLIPS (基于CLIPS的故障诊断专家系统开发) [J]. Control and Instruments in Chemical Industry (化工自动化及仪表), 2012, 39(4): 450-453.

[20] Qian Y, Xu L, Li X, et al. LUBRES: an expert system development and implementation for real-time fault diagnosis of a lubricating oil refining process [J]. Expert Systems with Applications, 2008, 35(3): 1252-1266.

Intelligent Inversion of Single Variable Disturbance in Distillation Processes

LIANG Hui-ting, TIAN Wen-de, JIN Man-man, XIANG Shu-guang
(College of Chemical Engineering, Qingdao University of Science & Technology, Qingdao 266042, China)

It is usually difficult to determine disturbance mechanism during distillation processes due to large number of disturbing factors, which makes it hard to improve the accuracy of fault diagnosis. In this paper, disturbance in distillation processes was studied. With reflux flow (L), vapor flow (V), feed composition (zF) and feed flow (F) as examples, an inversion method was used to establish an inversion model between the disturbance and Euclidean distances based on single variable perturbation. The disturbance could then be analyzed by mathematic calculation. This method was used as an operation rule and embedded into expert systems. The efficacy of the proposed strategy was demonstrated by a high-purity binary distillation column system.

distillation process； single variable disturbance； inversion； intelligent identification

TQ018； TP182

A

10.3969/j.issn.1003-9015.2016.06.009

1003-9015(2016)06-1300-06

2016-01-15

2016-05-25。

国家自然科学基金(2157061034)；山东省自然科学基金(ZR2013BL008)。

梁慧婷(1991-)，女，山东菏泽人，青岛科技大学硕士生。

田文德，E-mail：tianwd@qust.edu.cn