环氧乙烷反应器子系统的改进控制研究.pdf

《环氧乙烷反应器子系统的改进控制研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、过程控制化工自动化及仪表，20lO，37(6)：29～3lContmlandInst兀JmPntsinChemicalIndustry环氧乙烷反应器子系统的改进控制研究尹成强1，张雷鸣2，高洁‘(1．聊城大学汽车与交通工程学院，山东聊城25加59；2．上海西门子自动化有限公司，上海200030)摘要：针对环氧乙烷反应器控制存在的问题，采用一种改进的控制方法。首先基于径向基神经网络系统建立环氧乙烷反应器模型，并由模型输出值调整反应器氧气进料控制的期望值。然后通过提高氧气进料控制的快速性和准确性来实现对环氧乙烷反应器的优化控制。仿真结果验证了改进控制方案的有效性。关键词：环氧乙烷反应器；神

2、经网络；优化控制中图分类号：TI】273文献标识码：A文章编号：1000-3932(2010)06J0029JD3l引言环氧乙烷是乙烯-】：业衍牛物中仅次于聚乙烯的重要基础化工原料，它由乙烯和氧气在一定温度和压力环境中，在银催化剂的作用下于环氧乙烷反应器中氧化合成。随着经济的飞速发展，我国对环氧乙烷产品的需求茸快速增长。目前，我国环氧乙烷行业的生产控制方式主要是采用传统的控制方式，其中90％以上采用了传统PID控制方法⋯。通常利用反应器入口和出【l的质谱仪等现场设备采集反应器温度、压力、反应气成分浓度数据作为对象的实际模型来控制环氧乙烷反应器，虽然温压补偿逻辑能很好地实现对现场值的校正

3、，但是现场环境复杂，质谱仪等现场仪器的故障率高(7％一10％)、需要经常清洗且设备单价高，因此不能确保提供准确稳定的对象模型1⋯；另外，因为采用传统的PID控制策略，往往很难整定到最优参数，即使得到了比较好的控制参数，经过一段时间后参数又会偏移，且PID参数只能根据经验设置或采用集散系统默认的值，性能指标往往不能令人满意，并且系统控制策略单一p1。所以提高环氧乙烷装置的过程控制技术是解决当前我国环氧乙烷供需矛盾的一条较便捷的途径。2改进的环氧乙烷反应器控制方案环氧乙烷反应器温度、压力、反应气浓度、致稳剂流量、循环气流最和杂质的动态变化都会对反应产生影响，同时参加反应的设备有非线性特性，

4、故环氧乙烷反应器系统是一个非线性的动态系统。其中氧气进料鼍是反应器装置中的主要被控量，并且氧气浓度要受到进料和出口气体等参数的限制。正常操作下，环氧乙烷的浓度主要取决于反应器进口处氧气的浓度。通常，环氧乙烷反应器进n气体中氧含量采用氧分析仪连续测量，出口也设氧分析仪，进出口也设有乙烯分析仪。为掌握进出反应器气体的全组分，利用质谱仪和色谱仪进行伞组分分析，并通过DcS对质谱仪和色谱仪本身的完好性以及分析参数进行校验，这些导致r成本高昂和系统的极不稳定。在设定反应器入门处乙烯浓度(进料量)的前提下，氧气进料浓度控制就成为环氧乙烷反应器控制的核心，即要得到期望的环氧乙烷浓度就必须使反应器入口

5、处的氧气浓度达到设定的值。本文应用神经网络建立环氧乙烷反应器模型，并根据此模型来调整氧气阀门逻辑PlD的期毕设定值，实现反应器氧气进料的优化控制，从而就实现了整个反应器的优化控制，具体的控制策略如图l所示。图l改进的环氧乙烷反应器控制方案图当反应器出口处质谱仪B能正常工作时(仪器能否正常工作由装置的控制系统进行自动判断)，则使用此仪器测量的环氧乙烷浓度数据调整氧气进料的期望值和阀门的开度，同时启动人工神经网络模型的校正功能，跟踪仪器的：工作，榆验测量数据的偏差；当其不能正常工作时，则启动人工神经网络模型到在线工作状态，根据质谱仪A的环氧乙烷反应收稿日期：20lO彤-25(修改稿)·30

6、·化工自动化及仪表第37卷器入口处氧气和乙烯等反应前物质浓度的数据，神经网络模型即可给出反应器出口环氧乙烷等反应后物质浓度的预测值，然后根据此数据调整氧气进料的期望值和阀门的开度。如果预测结果和现场仪器所测值的偏差超过一定值，控制系统会做出一系列反应，先是报警，如果偏差继续增大系统就会转入处理异常情况状态。此方案可节省原来反应器出口处作为备份用的一台质谱仪，并且系统稳定性能大大提高，如果推广使用可节省不少的设备投资。3过程模型的确定改进的环氧乙烷反应器控制方案，其核心内容是反应器的过程模型，它对整个子系统控制效果具有决定性的作用。本文借助于神经网络建立软测量过程模型确定反应器出口处环氧

7、乙烷浓度，从而调整氧气进料的期望值。在此将环氧乙烷反应器近似为一个两输入两输出的非线性动态系统，即输人为环氧乙烷反应器入口处氧气和乙烯的浓度，输出为环氧乙烷反应器出口处氧气和环氧乙烷的浓度。虽然此方案不能涵盖反应器所有的输入输出信息，但它能够建立一个合理的模型来说明本文方案是有效的。在先自动确定隐节点中心矢量的情况下，由于RBF网络只需对隐含层至输出层的线性权值进行学习修正，故它比BP具有更快的收敛速度，它的网络连接权与输出呈线性关系，使得它可