专利名称：合成氨工艺中“氨净值”的软测量方法
技术领域：
本发明涉及一种合成氨工艺中“氨净值”的软测量方法，具体地说，涉及一种采用 “一轴三径冷激式”氨合成塔的合成氨工艺中“氨净值”的软测量方法。
背景技术：
采用“一轴三径冷激式”氨合成塔的合成氨工艺以其具有低能耗和高产量等优点， 已成为中小型合成氨生产的主流工艺，其流程示意图如图1所示。由图1可知气体氨含量不大于4%的入塔氮氢混合气分一路作为“一入”主线， 进入氨合成塔塔壁环隙，自上而下冷却氨合成塔外筒后成为“一出”气体。入塔氮氢混合气 的另一路与“一出”出来的气体混合后进入气气换热器。经气气换热器顶部出来的气体，一 路作为“二入”主线，进入氨合成塔下部的换热器管间，被管内反应后的热气体加热，经中心 管进入塔上部的第一轴向层进行反应；经气气换热器顶部出来的气体的另两路作为冷激气 (“一冷激气”、“二冷激气”)分别从第一径向层和第二径向层进入合成塔。轴向层反应后 的热气体和“一冷激气”混合进入第一径向层，反应后的气体出第一径向层后，进入第二径 向层，与被加入的“二冷激气”混合，进入第二径向层进行反应，反应后的气体进入第三径向 层进行反应。经过第三径向层反应后的气体氨含量为12% 14%，进入合成塔下部的换热 器换热后，第二次出合成塔(称为“二出”气体)。由于“入塔氮氢混合气”和“二出”气体 中氨的含量直接影响“氨净值”(“二出”气体中氨含量与“入塔氮氢混合气”中氨含量的差 值)，是各合成氨生产商所关注的重要指标之一。“氨净值”是评价催化剂活性的重要参考依据。及时获得了 “氨净值”，能够在线判 断氨合成反应的情况，反映催化剂活性的衰减情况，从而及时调整催化剂床层温度的活动 范围，更有效的发挥催化剂的催化作用(如果正常操作参数下，“氨净值” 一直比较高，同时 反应温度偏高，此时为了防止高温造成的催化剂失活迅速，应适当调低各催化剂床层的反 应温度，延长催化剂的使用寿命。如果一段时期内，正常操作参数下，氨净值持续下降，说明 催化剂活性降低，为补偿活性丧失造成的反应速度的下降，应提升各催化剂床层的反应温 度，以提高“氨净值”，这样就可以获得催化剂使用周期内的高产率)。目前，对采用“一轴三径冷激式”氨合成塔的合成氨工艺中氨合成塔的“入塔氮氢 混合气”和“二出”气体中氨含量的测定多采用人工取样分析(即每8小时在“入塔氮氢混 合气”总管处和氨合成塔的“二出”出口处人工取样，并进行氨含量的离线分析)。显然，滞 后性是人工取样分析法的最大缺陷。同时采用滞后性的“氨净值”来“指导”合成氨的生产， 会影响催化剂使用效率及造成产品质量的波动。鉴于此，如何及时获得采用“一轴三径冷激式”氨合成塔的合成氨工艺中的“氨净 值”就成为本发明需要解决的技术问题。
发明内容
本发明的目的在于，提供一种采用“一轴三径冷激式”氨合成塔的合成氨工艺中的“氨净值”的在线软测量方法，克服现有技术中存在的缺陷(主要是由于“氨净值”的滞后性 所导致的催化剂使用效率低和产品质量不稳定)。本发明所说的采用“一轴三径冷激式”氨合成塔的合成氨工艺中的“氨净值”的在 线软测量方法，包括如下步骤(1)选取采用“一轴三径冷激式”氨合成塔的合成氨工艺中，入塔氮氢混合气中氢 含量(简记为H2)，入塔氮氢混合气的压力(简记为P)，入塔氮氢混合气的温度(简记为T) 及放空气中甲烷含量(简记为CH4)的在线测量值，将其归一化处理，作为氨合成塔入塔氮 氢混合气中氨含量的BP (Back Propagation)神经网络的输入变量，BP神经网络的输出变 量经反归一化处理后即得入塔氮氢混合气中氨含量(简记为NH3in)的软测量值；(2)选取采用“一轴三径冷激式”氨合成塔的合成氨工艺中，入塔氮氢混合气中氢 含量(简记为H2，与(1)同)，入塔氮氢混合气的压力(简记为P，与(1)同)，入塔氮氢混合 气的流量(简记为F)，一冷激气的流量(简记为F1)，二冷激气的流量(简记为F2)及放空 气中甲烷含量(简记为CH4,与(1)同)的在线测量值和入塔氮氢混合气中氨含量(简记为 NH3in)的软测量值(由步骤(1)中得)，将其归一化处理，作为氨合成塔“二出”气体中氨含 量(简记为NH3。ut)的BP神经网络的输入变量，BP神经网络的输出变量经反归一化处理后 得氨合成塔的“二出”气体中氨含量(简记为NH3。ut)的软测量值；(3)计算由步骤(2)所得的氨合成塔的“二出”气体中氨含量(NH3。ut)的软测量值 与由步骤(1)所得入塔氮氢混合气中氨含量(NH3in)的软测量值的差值，得“一轴三径冷激 式”氨合成塔的合成氨工艺中的在线“氨净值”(“氨净值” =NH3out-NH3in)。其中所说的采用“一轴三径冷激式”氨合成塔的合成氨工艺的流程示意图如图1 所示，具体工艺可参阅(沈浚等.《合成氨》化学工业出版社，2001，p815)。
图1为本发明所述的采用“一轴三径冷激式”氨合成塔的合成氨工艺的流程示意 图。图2为本发明所述的入口氨含量BP (Back Propagation)神经网络示意图。图3为本发明所述的出口氨含量BP(Back Propagation)神经网络示意图。图4为本发明所述的入口氨含量、出口氨含量软测量模型在线预测及模型校正的 示意图。
具体实施例方式本发明所说的采用“一轴三径冷激式”氨合成塔的合成氨工艺中的“氨净值”的在 线软测量方法，包括如下步骤(I)NH3in软测量值的获得(1-1)辅助变量的选择根据对现有采用“一轴三径冷激式”氨合成塔的合成氨工艺的分析，本发明的发明 人选择了 H2, P，T及CH4的在线测量值为NH3in的软测量模型(BP神经网络)的输入变量；(1-2)过程数据的预处理技术过程数据的预处理技术包括对采集的数据进行的校核和校正。采集数据过程中要充分考虑数据的有效性、时序性、完整性，以消除随机误差和过失误差对测量值的影响。本 发明涉及的过程数据的预处理技术如下①根据生产操作经验和3 σ准则剔除明显错误的数据通过对实际生产的历史数据进行分析，软测量模型中的各辅助变量(即Η2、Ρ、Τ和 CH4)均近似服从正态分布，即满足式(1)(剔除明显不合理的测量值)I ξ η-μ」<3。in (1)式(1)中ξ in为BP神经网络的某输入变量(即H2、P、T和CH4)的测量值，μ in为 数学期望，Oin2为方差。本发明通过此方法对软测量模型新建或校正时所用历史数据中有明显错误的数 据进行去除。②为减少干扰，对于实时过程数据采用数字滤波方法进行平滑滤波处理数字滤波的功能是将一组输入的数字序列通过一定的运算后转变为另一组输 出的数字序列。本发明采用一阶数字滤波技术，例如对于第η组(对应第η个采样时 刻)输入序列Xin(η)，其经过滤波后的输出序列为 人(n) =+ bJtjfi-I) ’其中 J^(I) = Xm(I)，ain > 0，bin > 0，ain+bin = 1，ain = 0. 9，bin = 0. 1。(1-3) NH3in的软测量模型的建立本发明采用误差反向传播算法的前馈型神经网络，简称BP (Back Propagation)网 络(请参见图2)。它含有输入层、隐含层以及输出层，为3层前馈网络结构。该BP网络有 4个输入节点(H2，CH4, P，Τ)。输出层有1个节点，其对应的输出变量为(请参见图1)入 塔氮氢混合气中氨含量(简记NH3in)的W，l]范围内的软测量值。所述BP网络的隐含层有4个节点。①对输入变量(即H2、P、T或CH4的在线测量值经一阶数字滤波处理后的值)按 式(2)进行归一化处理，作为BP神经网络模型的输入变量。nXin = (Xin-minXj / (maxXin-minXin) (2)式⑵中Xin为某输入变量(即H2、P、T或CH4)的在线测量值经一阶数字滤波处 理后的值，nXin为归一化以后的数值，[minXin, HiaxXiJ为某输入变量(即H2, P、T或CH4的 在线测量值)的变化范围。②BP网络的前馈计算在训练该网络的学习阶段，设有N个训练样本，则使用第ρ (ρ = 1,2,..., N)组样 本的输入数据inXp和输出数据indp (新建BP网络软测量模型时采用历史NH3in的人工分析 值；软测模型校正时按步骤(1-5)中软测量模型在线“滚动”的方式进行取值)对网络进行 训练，BP网络的前馈计算如下隐含层第j个节点的输入为
4
innet^ = ^ φ ηΙΝ『+θυ(3)
/=1其中j为隐含层节点的索引；Mw《为第ρ组训练数据的隐含层的输入.MNf为来 自输入层第i个节点的输出(输入层节点的输出等于其输入)；約为输入层第i个节点与隐 含层第j个节点之间的连接权值；θ ,J为隐含层第j个节点的阈值。
隐含层第j个节点的输出为
(4)其中为隐含层的输出；/(—<y)为Sigmoid激励函数。输出层节点的输入为 其中《为输出层的输入；、为隐含层第j个节点与输出层节点之间的连接权 值；92为输出层节点的阈值。输出层节点的输出，即BP网络的输出为
(6)其中为输出层的输出。③BP网络权值和阈值的确定设每一组样本ρ的输入输出模式对的二次型误差函数定义为
(7)N组数据的平均误差代价函数为 神经 网络权值和 阈值的排列格式为 (φη,φη,φ ,φ]4,φ21,φ22,φ23,φ2 ,φ31,φ32,φ33,φ34,φ41,φ42, φ^,φ^,η^η^η^,η^,θ^θ^θ^,θ^,θ^,
其总数量为 dim = 4X4+4+4+1 = 25。对入塔氮氢混合气中氨含量的BP神经网络软测量模型采用Matlab7. 0软件的BP 神经网络工具箱进行优化求解，得到BP神经网络的权值和阈值。(1-4)应用软测量模型进行在线预测将输入变量(即H2、P、T或CH4的在线测量值)经一阶数字滤波和按公式(2)归 一化处理后代入(1-3)的BP神经网络软测量模型中，将得到软测量模型在
范围的输 出值，按公式(8)反归一化得到入塔氮氢混合气中氨含量(NH3in)的软测量值。Yin = nYinX (maxYin-minYin) +minYin (8)式⑶中Yin为入塔氮氢混合气中氨含量(NH3in)的软测量值，IiYin为入塔氮氢混 合气中氨含量(NH3in)的BP神经网络在W，l]的输出变量值，[maxYin，maxYin]为入塔氮氢 混合气中氨含量(NH3in)的变化范围。(1-5)软测量模型的在线校正由于软测量对象的时变性、非线性以及模型的不完整性等因素，必须考虑模型的在线校正，才能适应新工况。为此，根据每8小时一次的入塔氮氢混合气氨含量(NH3in)的人 工分析值对软测量模型进行在线“滚动”(即，判断NH3in的软测量模型输出值与对应的人工 分析值的相对误差是否超出限制；如果超限，则将NH3in的软测量模型输出值置为NH3in的人 工分析值，并通过前一个8小时周期内的历史输入数据以及相应NH3in软测量数据，对NH3in 软测量模型进行重新训练，得到新的模型参数)优化校正，使软测量模型适应工业过程操 作特性的变化和生产工况的迁移。本发明在合成氨生产厂的DCS (Distributed Control Systems)中实时读出的现 有仪表的在线测量值(H2、CH4、P、T)和入塔氮氢混合气氨含量人工分析值的基础上，能够实 时推测入塔氮氢混合气氨含量(NH3in)。(2) NH3out软测量值的获得(2-1)辅助变量的选择根据对现有采用“一轴三径冷激式”氨合成塔的合成氨工艺的分析，本发明的发明 人选择了 H2, P，F，F1, F2及CH4的在线测量值和NH3in的软测量值为NH3。ut的软测量模型(BP 神经网络)的输入变量；其中所说的在线测量值由合成氨生产厂的DCS (Distributed Control Systems) 中实时读出，并与步骤(1)中的入塔氮氢混合气中氨含量(NH3in)的软测量模型的相关输入 变量值对应。(2-2)过程数据的预处理技术过程数据的预处理技术包括对采集的数据进行的�：撕托Ｕ�。采集数据过程中要 充分考虑数据的有效性、时序性、完整性，以消除随机误差和过失误差对测量值的影响。本 发明涉及的过程数据的预处理技术如下①根据生产操作经验和3 σ准则剔除明显错误的数据通过对实际生产的历史数据进行分析，软测量模型中的各辅助变量(即Η2、P、F、 F1, F2、CH4或NH3in)均近似服从正态分布，即满足式(9)(剔除明显不合理的测量值)Iout-UoutI <3oout (9)式(9)中ξ。ut为BP神经网络的某输入变量(H2、P、F、F”F2、CH4的测量值或NH3in 的软测量值)，u。ut为数学期望，0。ut2为方差。本发明通过此方法对软测量模型新建或校正时所用历史数据中有明显错误的数 据进行去除。②为减少干扰，对于实时过程数据采用数字滤波方法进行平滑滤波处理数字滤波的功能是将一组输入的数字序列通过一定的运算后转变为另一组输 出的数字序列。本发明采用一阶数字滤波技术，例如对于第η组输入序列(对应第η个 采样时刻)X。ut(n)，其经过滤波后的输出序列为= (…+ …-1)，其中 Λ^Ο) = ^ouiO)，aOUt > 0，bout > 0，a。ut+b。ut = 1，a。ut = 0· 9，b。ut = 0· 1。(2-3) NH3out的软测量模型的建立本发明中的氨合成塔“二出”气体中氨含量(NH3wt)的软测量模型采用误差反向传 播的前馈型神经网络，简称BP (Back Propagation)网络。由图3可知它含有输入层、隐含 层以及输出层，为3层前馈网络结构。该BP网络有7个输入节点(H2，CH4, NH3in，P，F，F1和 F2)。输出层有1个节点，其对应的输出变量为(参见图1)氨合成塔的“二出”气体中氨含
7量(简记NH3。ut)
范围内的软测量值。所述BP网络的隐含层有7个节点。(Oij为输入层第i个节点与隐含层第j个节 点之间的连接权值出。.为隐含层第j个节点的阈值；υ j是隐含层第j个节点和输出层节点 之间的连接权值；b2为输出层节点的阈值。隐含层和输出层节点的输入是前一层节点的输 出的加权和，每个节点的激励程度由Sigmoid激励函数来决定。①对输入变量(即H2, CH4, P，F，F1, F2的在线测量值和NH3in的软测量值经一阶数 字滤波处理后的值)按式(10)进行归一化处理，作为BP神经网络模型的输入变量。nX0Ut = (X0Ut-minX0Ut)/(maxX0Ut-minX0Ut) (10)式(10)中X。ut为某输入变量(即HyCH^PjjpF2的在线测量值和NH3in的软测 量值经一阶数字滤波处理后的值)，1^_为归一化以后的数值，[minX0Ut, maxX0Ut]为某输入 变量(即H2、P、F、HCH4的在线测量值或NH3in的软测量值)的变化范围。②氨合成塔“二出”气体中氨含量的软测量BP网络模型的前馈计算在训练该网络的学习阶段，设有N个训练样本，则使用第ρ (ρ = 1,2,..., N)组样 本的输入数据Xp和输出数据dp (新建BP网络软测量模型时采用历史NH3。ut的人工分析值； 软测模型校正时按步骤(2-5)中软测量模型在线“滚动”的方式进行取值)对网络进行训 练，BP网络的前馈计算如下隐含层第j个节点的输入为 其中j为隐含层节点的索引；netf)为第ρ组训练数据的隐含层的输入；/^为来自 输入层第i个节点的输出(输入层节点的输出等于其输入)为输入层第i个节点与隐 含层第j个节点之间的连接权值；b。.为隐含层第j个节点的阈值。隐含层第j个节点的输出为 其中为隐含层的输出；/( <_)为Sigmoid激励函数。输出层节点的输入为 其中W《为输出层的输入；、为隐含层第j个节点与输出层节点之间的连接权 值；132为输出层节点的阈值。输出层节点的输出，即BP网络的输出为 其中O2"为输出层的输出。
③氨合成塔“二出”气体中氨含量的软测量BP网络模型权值和阈值的确定设每一 组样本P的输入输出模式对的二次型误差函数定义为 N组数据的平均误差代价函数为 本发明运用粒子群优化算法(PSO)优化获得BP神经网络的权值和阈值。在PSO 算法中，种群的每一个粒子位置对应的是神经网络权值和阈值的一个候选向量，排列格式
b17，b2)，其总数量为 dim = 7 X 7+7+7+1 = 64。其中所述的PSO算法优化神经网络权值和阈值的步骤如下a)PSO算法参数的初始化种群规模Popsize = 50 ；最大迭代次数MaxIter = 2000 ；惯性因子的最大值为0. 9，最小值为0. 2。两个学习算子均为2. 0。b)对种群中的粒子位置和速度进行初始化，粒子位置的各个部分是网络的初始权 值和阈值，其范围为[_2.0，2.0]，粒子速度的各个部分则是在[_2.0，2.0]范围内取随机 数。c)适应值函数fitness为N组数据的平均误差代价函数，即 d)利用适应值函数评价每个粒子的适应值。e)将每个粒子的适应值与粒子自身的最好位置pbest比较。当粒子当前适应值优 于自身最好适应值，则更新Pbest。f)将每个粒子的pbest与整个种群的最优位置gbest比较。当粒子自身的最好适 应值优于种群的最优适应值，则更新gbest。g)计算当前的惯性因子，并对粒子的速度和位置进行更新。
^=—ter+CMpiler-X'D+^PT-^n《+y+V^+1其中w为惯性因子；iter为当前迭代次数；i代表种群中第i个个体的索引；ν为 粒子的速度；Cl，C2分别为两个学习算子；巧，r2分别为两个均勻分布的随机数；Pi表示种群 中第i个个体的最好位置Pbest ;Pg表示整个种群的最优位置gbest ；Xi表示种群中第i个 个体的位置。h)判断当前迭代次数iter是否达到Maxlter。没有则转至步骤d)；否则输出最 优适应值所对应的粒子位置，即为由PSO算法优化获得的神经网络权值和阈值。
(2-4)应用软测量模型进行在线预测将输入变量(即H2, CH4, P，F，F1, F2的在线测量值和NH3in的软测量值)经一阶数 字滤波和按公式(10)归一化处理后代入(2-3)的BP神经网络软测量模型中，将得到的软 测量模型输出值按式(17)反归一化得到氨合成塔“二出”气体中氨含量(NH3wt)的软测量 值。Yout = nY0Ut X (maxY0Ut-minY0Ut) +minY0Ut (17)式(17)中Yout为氨合成塔“二出”气体中氨含量(NH3out)的软测量值，nY0Ut为BP 神经网络的在W，l]的输出变量值，[minY。ut，maxY0Ut]为氨合成塔“二出”气体中氨含量 (NH3out)的变化范围。(2-5)NH3out软测量模型的在线校正由于软测量对象的时变性、非线性以及模型的不完整性等因素，必须考虑模型的 在线校正，才能适应新工况。为此，根据每8小时一次的氨合成塔入塔氮氢混合气氨含量 (NH3in)的人工分析值和氨合成塔“二出”气体中氨含量(NH3。ut)的人工分析值对软测量模型 进行在线“滚动”(即，判断NH3in以及NH3wt软测量模型输出值与对应的人工分析值的相对 误差是否超出限制；如果其中有任何一个超限，则将NH3in，NH3out的软测量模型输出值置为 对应的人工分析值，并通过前一个8小时周期内的历史输入数据以及相应NH3in，NH3out的软 测量数据，对NH3in，NH3out的软测量模型进行重新训练，得到新的模型参数)优化校正，使软 测量模型适应工业过程操作特性的变化和生产工况的迁移。(3)在线“氨净值”的获得本发明在利用现有仪表的在线测量值(HyCHpPHi和F2)和入塔氮氢混合气中 氨含量软测量值(NH3in)的基础上，能够实时推测氨合成塔“二出”气体中的氨含量(NH3wt)， 从而计算出氨净值(=NH3out-NH3in)。本发明为合成氨生产厂的产品质量控制提供了有利的依据由于采用神经网络模 型进行预测，大大提高了氨合成塔入口、出口氨含量的预测精度和容错性能，克服了由于氨 合成塔入口、出口氨含量的测量滞后对生产过程及产品质量的影响。对氨合成塔入口、出口 氨含量软测量模型进行在线预测及模型校正的流程参见图4。以下通过实施例对本发明作进一步阐述，其目的仅在于更好理解本发明的内容。实施例1入塔氮氢混合气中的氨含量(NH3in)的软测量根据从合成氨生产装置的DCS系统中实时读出的入塔氮氢混合气氢含量、放空气 甲烷含量、入塔氮氢混合气压力、入塔氮氢混合气温度中选取对应时刻上述变量作为神经 网络的输入，前一个8小时周期内的入塔氮氢混合气中氨含量的人工分析值作为判定软测 量模型是否校正的依据，训练神经网络，从而在得到训练及预测误差较小的一组权值后得 到氨合成塔入塔氮氢混合气中氨含量的实时软测量预测值。下面为某合成氨生产厂某天通过DCS系统实时读出的值(H2、P、T、CH4)以及NH3in 的人工分析值所组成的360组数据，按公式(1)经过3 ο准则剔除有明显错误的18组数据 后，得到342组数据。经一阶数字滤波，按公式(2)归一化后，将其中242组数据用于训练 神经网络，用其余100组数据用于测试神经网络的泛化能力。BP神经网络模型输入节点数 为4，中间层节点数为4，输出节点数为1，迭代次数为200代。经训练后获得的一组神经网
φ u=-10.3888;炉 12=1.2665;炉 13=-0.0915;识 I4=I .7676;
φ 2 =-55·6555;炉 22=67·4447;炉 23=-26· 1933;炉 24=-5·6235;φ 31=84.8621 \φ 32=63.1648;炉 33=18.8804;^ 34=38.7447;炉41=-50.0208舻 42=-143.5093妒43=-8.8744舻 44=-0.0510;II1 = 0. 1546 ； η2 = -0. 0845 ； η3 = 0. 0962 ； η4 = -0. 1919 ；θ η = 24. 7610 ； θ 12 = -29. 4720 ； θ 13 = 11. 0857 ； θ 14 = -16. 1016θ 2 = 0. 7729 ；如选取的模型的输入变量H2 = 60. 99 %, CH4 = 18. 96%, P = 27. 71MPa, T = 26. 36 °C, H2的变化范围为[60，65]，CH4的变化范围为[16，20]，P的变化范围为[25，30]， T的变化范围为[25，30]，经一阶数字滤波，按公式(2)归一化后，数值分别为0. 1982， 0. 7391,0. 5413,0. 2727。
innetu= H2* φ n+ CH4* 炉21+ P* 炉31+ T *φ^χ+θ\\·,
inOn = 1,
innetu= ^2* φ 12+ CH4* φ 22+ P* 32+ T * ^ 42+ θ η\ innetu= Η2* 识 π+ CH4* φ 23+ φη+ * φ 43+ θ ο；
innetu^ H2*φ 14+ CH4*φ24+ V*φ^+ ^f φ44+ θι4；
(1+exp(_innetu))
in012 = 1
(1+exp (_innet12)) (1+exp (_innet13)) (1+exp (_innet14)) innet2 = inOn* η !+InO12* n2+in013* η 3+in014* n4+ θ 2
in013 = 1 in014 = 1
in02 = innet2将权值和阈值代入上面的式子，入口氨含量的变化范围为[2，3]，通过公式(8)进 行反归一化处理得inModelOut = in02* (3_2)+2，则inModelOut为由BP神经网络软测量 模型预测的NH3in的实际值。氨合成塔“二出”气体中的氨含量(NH3。ut)的软测量根据从合成氨生产装置的DCS系统中实时读出的入塔氮氢混合气氢含量、放空气 甲烷含量、入塔氮氢混合气压力、入塔氮氢混合气流量、冷激气1流量、冷激气2流量值和入 塔氮氢混合气氨含量的软测量值，利用前一个8小时周期内的氨合成塔“二出”出口气体中 氨含量的人工分析值作为判定软测量模型是否校正的依据，训练神经网络，从而在得到训 练及预测误差较小的一组权值后得到氨合成塔“二出”出口氨含量的实时软测量预测值。下面为同一合成氨生产厂同一天(与入口氨含量软测量模型采样时刻相对应)通 过DCS系统实时读出的值(H2，CH4, F，F1, F2, P)、NH3in的软测量值以及NH3。ut人工分析值构 成的360组数据，按公式(9)经过30准则剔除有明显错误的18组数据后，将剩下的342 组数据经一阶数字滤波，按公式(10)归一化后，将其中的242组用于训练神经网络，用100
11组测试神经网络的泛化能力。经训练后获得的一组神经网络权值和阈值如下ω η = -0· 0805 ； ω 12 = -O. 3182 ； ω 13 = 0. 1523 ； ω 14 = -1. 5755 ； ω 15 = 0. 7675 ； ω16 = 1. 0215 ； ω17 = -1. 3626 ；ω21 = -1. 4075 ； ω22 = -1. 1437 ； ω23 = -1. 2269 ； ω24 = 0. 7893 ； ω25 = 0. 4678 ； ω26 = -1. 3268 ； ω27 = -1. 5907 ；ω31 = 0.8332 ； ω 32 = 0. 6604 ； ω 33 = 0. 9781 ； ω34 = 0. 5199 ； ω35 = 0. 8261 ； ω36 =1. 6343 ； ω37 = -0· 7909 ；ω41 = -0. 5343 ； ω42 = 1. 5865 ； ω43 = 0. 8559 ； ω44 = 0. 2185 ； ω45 = -0· 9341 ； ω 46 = 0. 3234 ； ω47 = -0. 8237 ；ω51 = -1. 2447 ； ω52 = -0· 2329 ;ω53 = 1. 4728 ； ω54 = -0. 8013 ； ω55 = -0. 9915 ； ω56 = 1. 4455 ； ω57 = 0. 9004 ；ω61 = -1· 0656 ； ω62 = 1. 5108 ； ω63 = 0· 9078 ； ω64 = -0. 8394 ； ω65 = -0. 9500 ； ω66 = 1. 6077 ； ω67 = 1. 9750 ；ω71 = -1. 3288 ； ω72 = -0. 1280 ； ω 73 = 0. 3306 ； ω 74 = -1· 3689 ； ω75 = 1. 0085 ； ω 76 = -0. 1122 ； ω77 = 1. 7784 ；U1 = -O. 3326 ； υ 2 = 0. 7010 ； υ 3 = 0. 4200 ； υ 4 = -0. 9251 ； υ 5 = 0. 0503 ； υ 6 =0. 6925 ； υ 7 = 1. 9929 ；bn = -0. 5939 ；b12 = 0. 7180 ；b13 = -2. 1196 ；b14 = 0. 9492 ；b15 = 0. 0869 ；b16 =-0. 5680 ；b17 = -0. 6722 ；b2 = -0. 8439 ；如选取的模型的输入变量H2= 63. 02%,CH4 = 19. 04%,F = 187969. QlmVhjF1 = 34867. 51m3/h，F2 = 32236. 09m3/h，P = 27. 71MPa，NH3in = 2. 7%,H2 的变化范围为[60，65]， CH4的变化范围为[16，20]，F的变化范围为[150000，200000]，F1的变化范围为[30000， 40000]，F2的变化范围为[250000，30000]，P的变化范围为[25，30]，NH3in的变化范围为[2， 3]。经一阶数字滤波，按公式(10)归一化后，数值分别为0.6042，0.7592，0.7594，0.4868， 0. 7236,0. 5418,0. 7。netn = H2* ω n+CH4* ω 21+F* ω ω 41+F2* ω 51+Ρ* ω 61+NH3in* ω 71+bn ；net12 = H2* ω 12+CH4* ω 22+F* ω 32+卩产 ω 42+F2* ω 52+Ρ* ω 62+NH3in* ω 72+b12 ；net13 = H2* ω 13+CH4* ω 23+F* ω ^F1* ω 43+F2* ω 53+Ρ* ω 63+NH3in* ω 73+b13 ；net14 = H2* ω 14+CH4* ω 24+F* ω ^+F1* ω 44+F2* ω 54+Ρ* ω 64+NH3in* ω 74+b14 ；net15 = H2* ω 15+CH4* ω 25+F* ω ^+F1* ω 45+F2* ω 55+Ρ* ω 65+NH3in* ω 75+b15 ；net16 = H2* ω 16+CH4* ω 26+F* ω ^+Fj ω 46+F2* ω 56+Ρ* ω 66+NH3in* ω 76+b16 ；net17 = H2* ω 17+CH4* ω 27+F* ω ω 47+F2* ω 57+Ρ* ω 67+NH3in* ω 77+b17 ；O11 = l/(l+exp(_netn))；O12 = l/(l+exp(_net12))；O13= l/(l+exp(_net13))；O14= l/(l+exp(_net14))；O15= l/(l+exp(_net15))；O16= l/(l+exp(_net16))；
O17= l/(l+exp(_net17))；net2 = O11* υ ^O12* υ 2+013* υ 3+014* υ 4+015* υ 5+016* υ 6+017* υ 7+b2 ；O2 = l/(l+exp(-net2))；将权值和阈值代入上面式子，出口氨含量的变化范围为[12，14]，通过公式(17) 进行反归一化处理得Model0ut = O2* (14-12)+12，则ModelOut为由BP神经网络软测量模
型预测得NH3wt的实际值。当前时刻“氨净值”预测值=NH3out(ModelOut) -NH3in (inModelOut)。上述要求的条件在大多数的中小型合成氨生产装置中均能满足，因此该发明具有 普适性。
1权利要求
一种采用“一轴三径冷激式”氨合成塔的合成氨工艺中的“氨净值”的在线软测量方法，包括如下步骤(1)选取采用“一轴三径冷激式”氨合成塔的合成氨工艺中，入塔氮氢混合气中氢含量，入塔氮氢混合气的压力，入塔氮氢混合气的温度(简记为T)及放空气中甲烷含量(简记为CH4)的在线测量值，将其归一化处理，作为氨合成塔入塔氮氢混合气中氨含量的BP神经网络的输入变量，BP神经网络的输出变量经反归一化处理后即得入塔氮氢混合气中氨含量(简记为NH3in)的软测量值；(2)选取采用“一轴三径冷激式”氨合成塔的合成氨工艺中，H2、P、CH4、入塔氮氢混合气的流量(简记为F)，一冷激气的流量(简记为F1)及二冷激气的流量(简记为F2)的在线测量值和由步骤(1)获得的NH3in的软测量值，将其归一化处理，作为氨合成塔“二出”气体中氨含量(简记为NH3out)的BP神经网络的输入变量，BP神经网络的输出变量经反归一化处理后得氨合成塔的NH3out的软测量值；(3)计算由步骤(2)所得的NH3out的软测量值与由步骤(1)所得的NH3in的软测量值的差值，得“一轴三径冷激式”氨合成塔的合成氨工艺中的在线“氨净值”。
2.如权利要求1所述的在线软测量方法，其特征在于，对步骤(1)中所述氨合成塔入塔 氮氢混合气中氨含量的BP神经网络模型中，输入层的节点数为4，中间层的隐层层数为1， 隐层节点数为4，输出层节点数为1。
3.如权利要求2所述的在线软测量方法，其特征在于，对步骤⑴中BP神经网络的输 入变量的在线测量值采用一阶数字滤波技术进行平滑滤波处理。
4.如权利要求3所述的在线软测量方法，其特征在于，其中，每8小时，采用NH3in的人 工分析值对步骤⑴中BP神经网络的软测量模型进行在线“滚动”优化校正一次。
5.如权利要求1所述的在线软测量方法，其特征在于，对步骤(2)中所述氨合成塔“二 出”气体中氨含量的BP神经网络模型中，输入层的节点数为7，中间层的隐层层数为1，隐层 节点数为7，输出层节点数为1。
6.如权利要求5所述的在线软测量方法，其特征在于，对步骤⑵中BP神经网络的输 入变量的在线测量值采用一阶数字滤波技术进行平滑滤波处理。
7.如权利要求6所述的在线软测量方法，其特征在于，其中，每8小时，采用NH3in和 NH3。ut的人工分析值对步骤⑵中BP神经网络的软测量模型进行在线“滚动”优化校正一 次。
全文摘要
本发明涉及一种采用“一轴三径冷激式”氨合成塔的合成氨工艺中“氨净值”的软测量方法。本发明选取采用“一轴三径冷激式”氨合成塔的合成氨工艺中一些工艺参数，分别通过不同的BP神经网络的软测量模型获得入塔氮氢混合气中氨含量和氨合成塔“二出”气体中氨含量软测量值，从而获得在线“氨净值”。本发明为合成氨生产厂的产品质量控制提供了有利的依据由于采用神经网络模型进行预测，大大提高了氨合成塔入口、出口氨含量的预测精度和容错性能，克服了由于氨合成塔入口、出口氨含量的测量滞后对生产过程及产品质量的影响。
文档编号G01N33/84GK101930008SQ201010249988
公开日2010年12月29日 申请日期2010年8月11日 优先权日2010年8月11日
发明者刘卓倩, 叶盛芳, 吕运江, 孙淑杰, 孙漾, 张凌波, 曹萃文, 曹长志, 王冬青, 芮胜波, 许伟, 邓冠龙, 顾幸生, 高宪国 申请人:华东理工大学;兖矿鲁南化肥厂
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
