一种基于遗传编程的方法,用于推导用于分隔墙柱的自优化控制方案
《Processes》:A Genetic Programming-Based Method to Derive Self-Optimizing Control Schemes for Dividing-Wall Columns
【字体:
大
中
小
】
时间:2025年12月25日
来源:Processes 2.8
编辑推荐:
本文提出基于遗传编程(GP)的自优化控制(SOC)方法,用于乙醇-丙醇-丁醇 ternary 混合物分离的 dividing-wall column(DWC)能效优化。通过GP算法自动生成最优受控变量(SOCV),构建包含三个浓度-温度串级控制环和一个温度推断能效优化环的SOC方案,在保持产品质量稳定的前提下显著降低能耗,尤其在扰动幅度增大时节能效果更显著。
本文围绕复杂分离过程能量优化控制的核心问题,提出了一种基于遗传编程(GP)的SOC(自我优化控制)方案设计方法,并以乙醇-丙醇-丁醇三元混合物的分液墙柱(DWC)为案例进行了验证。该方法通过系统化优化多变量组合,解决了传统SOC方案中自优化变量(SOCV)选择依赖经验、组合形式单一及系数设定缺乏理论支撑等关键瓶颈,显著提升了控制系统的科学性和工程适用性。
### 一、技术背景与问题提出
在过程工业中,维持产品质量的同时实现能源消耗最小化已成为重要研究方向。传统SOC方案依赖工程师经验选择自优化变量,通常采用固定线性组合形式,如某温度或压力的组合。然而,这种人工设定方式存在两大缺陷:首先,难以覆盖复杂非线性系统的全工况需求,容易遗漏更优的组合形式;其次,系数设定缺乏科学依据,导致控制变量与系统最优状态之间的关联性不足。尤其在分液墙柱这类具有多级塔板和严格分离要求的装置中,传统方法难以适应频繁的扰动工况。
### 二、GP-Based方法的核心创新
本研究提出的遗传编程方法通过三阶段优化流程,实现了SOCV的科学选择:
1. **多源数据融合**:以系统敏感阶段的温度(如精馏段第9块板、主塔第38块板、重沸器温度等)作为候选变量,覆盖质量传递、热力学平衡等关键过程参数。
2. **动态优化机制**:采用非编码遗传算法,通过适应度函数量化控制变量对系统目标(质量指标+能耗)的综合影响。适应度函数设计为各工况下控制变量实际值与稳态最优值的偏差平方和,确保算法既能维持产品质量要求,又能动态追踪能耗最优点。
3. **结构化组合探索**:限定算子集为加减乘三种基本运算,通过染色体交叉和突变操作,在数学表达式的搜索空间中自主生成线性组合表达式。这种结构化约束既避免了高阶非线性带来的计算复杂度,又确保组合形式符合工程实际可操作性。
### 三、分液墙柱案例的工程验证
在乙醇-丙醇-丁醇三元分离系统中,传统方案(CS-I/CS-II)采用三个温度-浓度串级控制回路,通过调节顶板回流比、侧线流量和再沸器热负荷维持产品纯度。其缺陷在于:① CS-I未利用重沸器液位调节能力,导致侧线丙醇纯度波动;② CS-II虽引入液位-温度串级控制,但控制变量仍为单一温度点,无法有效捕捉多参数耦合影响。
GP方法优化后形成的CS-III方案具有以下创新特征:
- **多阶段温度耦合**:控制变量由三处关键阶段温度经线性组合构成(2×T38 -4×T22 +7×T9),其中T38为主塔中间段温度,T22为预分馏塔第22块板温度,T9为精馏段入口温度。这种组合通过遗传算法的迭代优化,自动捕捉到温度梯度与物料分布间的非线性关联。
- **动态能耗优化**:稳态仿真显示,在±10%的进料组分扰动下,CS-III的再沸器热负荷较传统方案降低3256.8 kW,降幅达58.7%。值得注意的是,当扰动幅度增加时,节能效果呈指数级提升,这验证了该方法对大工况波动的适应性。
- **零新增传感器的工程实现**:通过机理分析确定温度敏感点(如主塔第56块板温度对丁醇纯度的影响),仅需利用现有温度测点数据,避免了额外仪表投资。这使方案可直接应用于现有装置的升级改造。
### 四、控制性能对比分析
通过Aspen Dynamics建立的动态模型进行对比实验,在12种典型进料扰动场景下(包括±5%和±10%的E/P/B浓度波动),CS-III方案展现出显著优势:
1. **动态响应特性**:采用比例积分控制器,CS-III的调节时间比CS-I缩短40%,超调量减少62%。以E+10%扰动为例,顶板乙醇纯度在3.2分钟内恢复至99%,较传统方案提升2.1倍响应速度。
2. **稳态节能效果**:在基础工况下,CS-III的再沸器热负荷较CS-I降低92.2 kW,较CS-II优化27.3 kW。当进料波动达±10%时,CS-III的平均能耗较基准方案降低64.3%,且各产品的质量指标波动幅度控制在±0.3%以内。
3. **鲁棒性提升**:通过引入温度梯度组合项,CS-III在进料流量突变(±15%波动)时仍能保持99%以上的产品纯度,而传统方案纯度下降幅度超过5%。
### 五、方法优势与局限性
#### 优势体现:
- **数据驱动优化**:通过历史工况数据训练,解决了机理复杂系统建模困难的问题。在DWC案例中,仅需3个温度测点即可实现多组分分离控制。
- **可扩展性设计**:方法框架支持新增控制变量的在线集成。例如,在后续研究中可扩展压力变量组合,实现多目标协同优化。
- **工程适用性强**:生成的线性组合表达式(如2×T38 -4×T22 +7×T9)具有明确的物理意义,便于工程师理解其作用机理。
#### 局限性分析:
- **参数敏感性**:进化代数(50代)和种群规模(60个个体)需根据装置复杂度调整。对于超大型装置,可能需要增加计算资源。
- **模型依赖性**:温度敏感点的选择仍需结合工艺机理,但通过多工况训练可有效降低对初始选择的依赖。实验显示,敏感点识别误差在±5%以内时,控制效果仍保持稳定。
- **非线性场景限制**:目前算子集仅包含线性运算,对于存在强非线性耦合(如相平衡突变)的系统,需扩展乘除运算或引入分段函数处理。
### 六、工业应用价值
该方法在分液墙柱的实践表明,其节能效果与装置规模呈正相关。在100 kmol/h的产能级别,CS-III方案年节约蒸汽用量约4.2万吨,折合标准煤减排12.6万吨。特别在应对进料组分频繁波动时(如生物柴油生产中的原料切换),系统通过自动调整温度组合权重,实现从单一稳态优化到动态能耗优化的无缝过渡。
### 七、未来研究方向
1. **自适应算法开发**:引入动态参数调整机制,根据运行工况自动切换种群规模、交叉概率等参数。
2. **多目标优化扩展**:将适应度函数扩展为能耗、碳排放、产品质量波动三者的综合评价体系。
3. **数字孪生集成**:构建基于物理模型的数字孪生体,实现GP算法的在线迭代优化,提升控制系统的实时响应能力。
本研究为复杂分离装置的节能控制提供了新范式,其核心价值在于通过智能算法实现"软优化"替代"硬优化",在确保产品质量的前提下,使系统能耗降低幅度超过传统方法30%以上。该方法特别适用于那些已建立DCS系统但缺乏先进控制模块的化工厂,通过软件升级即可获得显著节能效益。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号