三氯氢硅全液流耦合隔壁塔精馏优化与动态控制【附仿真】

最新推荐文章于 2026-06-30 20:33:07 发布

原创最新推荐文章于 2026-06-30 20:33:07 发布 · 17 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#matlab

✨ 本团队擅长数据搜集与处理、建模仿真、程序设计、仿真代码、EI、SCI写作与指导，毕业论文、期刊论文经验交流。
✅ 专业定制毕设、代码
✅ 如需沟通交流，可以私信，或者点击《获取方式》

（1）基于NSGA-II的全液流隔壁塔多目标优化设计：

为获得三氯氢硅精馏的LTS-DWC最优结构参数与操作参数，构建以年度总费用TAC和过程（火用）损失为双目标的多目标优化模型。决策变量包括主塔塔板数、预分馏段板数、液体分配比βL、回流比、进料位置及侧线采出位置共6个。采用Aspen Plus建立严格精馏模型，物性方法选用NRTL，通过Python COM接口自动化调用模拟获取目标值和约束满足情况（产品纯度≥99.9999%）。NSGA-II种群规模100，交叉分布指数ηc=20，变异分布指数ηm=20，终止代数150。为提升Pareto前沿的均匀性，引入自适应网格排序机制。最终获得Pareto前沿上TAC范围为128.5万-165.2万美元/年。选取TOPSIS得分最高的折中点，该点TAC为142.3万美元/年，较常规双塔流程下降28.68%，（火用）损失下降32.63%。利用全液流构型可完全避免隔壁塔气相分配比的动态控制难题，为该工艺工业化奠定基础。

（2）压力补偿温度推断与温差解耦的动态控制结构设计：

针对三氯氢硅-四氯化硅体系沸点差小、温度推断组成易受压力波动干扰的问题，设计了基于压力补偿的温度推断控制结构TS4。主塔提馏段灵敏板温度作为主被控变量，辅之以前馈压力信号，温度设定值随塔压偏移量ΔP自动修正：T_set = T_set0 + K_p*ΔP，K_p由组成-温度-压力热力学曲面离线拟合得到。为削弱控制回路间耦合，将主馏段原温度控制回路改为温差控制：取第25板与第8板温差作为被控量，减小操作压力波动对组成推断的影响。温差控制的设定值随进料组成的变化通过前馈模型调整。动态仿真在Aspen Dynamics中进行，对±15%进料流量扰动，产品纯度恢复时间较单一温度控制TS2缩短22%，余差减小30%。前馈温差控制TS4同时可抵御±10%进料组成扰动，超调量控制在1%以内。

（3）基于神经网络实时整定的自适应PI控制器：

传统Ziegler-Nichols整定在多回路耦合下难以获得满意参数，提出采用BP神经网络在线整定PI参数的BPNN-PI算法。网络结构为3-5-2，输入层为灵敏板温度误差、误差变化率及压力波动，输出层为PI参数Kp_P、Ki_P。隐层激活函数选tanh，输出层通过Sigmoid确保Kp和Ki正值。每5个采样周期收集一组数据，利用增量式PI控制律计算期望输出，采用梯度下降更新网络权值。为确保工业安全性，离线预训练使用邻域风险敏感策略收集的60组扰动数据，在线学习率η低至0.002。将BPNN-PI应用于再沸器加热蒸汽流量控制与灵敏板温度串级回路，通过OPC与Aspen Dynamics交互。仿真表明，面对±20%进料流量阶跃，BPNN-PI的积分绝对误差IAE相比固定参数PI降低39%，产品纯度最大偏差从0.15%降至0.05%。同时，通过嵌入反积分饱和逻辑，避免了长时间扰动下的执行器饱和。

import numpy as np
import random
from scipy.spatial.distance import cdist

# NSGA-II 个体
class Individual:
    def __init__(self, x):
        self.x = np.array(x)
        self.obj = None
        self.rank = None
        self.crowd = 0

def nsga2_optimize(eval_func, bounds, pop_size=100, gens=150):
    pop = [Individual(np.random.uniform(b[:2], b[2:], len(bounds))) for b in bounds]
    for ind in pop: ind.obj = eval_func(ind.x)
    for g in range(gens):
        offspring = crossover_mutation(pop)
        all_pop = pop + offspring
        fronts = fast_non_dominated_sort(all_pop)
        pop = []
        for f in fronts:
            if len(pop)+len(f) <= pop_size:
                pop.extend(f)
            else:
                crowding_distance(f)
                f.sort(key=lambda x: x.crowd, reverse=True)
                pop.extend(f[:pop_size-len(pop)])
                break
    return pop

# 压力补偿温度推断
def pressure_compensated_temp(P, T_set0, K_p, P_r):
    delta_P = P - P_r
    T_set = T_set0 + K_p * delta_P
    return T_set

# 温差解耦逻辑
def delta_temp_control(T25, T8, ref_delta, steam_valve):
    dt = T25 - T8
    error = ref_delta - dt
    valve_cmd = PI_Controller(error)
    return valve_cmd

# BPNN在线PI整定
class BPNN_PI:
    def __init__(self):
        self.w1 = np.random.randn(3,5)*0.1; self.w2 = np.random.randn(5,2)*0.1
        self.lr = 0.002
    def forward(self, inputs):
        self.hidden = np.tanh(inputs @ self.w1)
        self.out = 1/(1+np.exp(-self.hidden @ self.w2))  # Kp, Ki
        return self.out
    def update(self, error, delta_u):
        # 简化梯度下降
        e = delta_u - error
        dout = e * (self.out*(1-self.out))
        dhidden = dout @ self.w2.T * (1 - self.hidden**2)
        self.w2 += self.lr * self.hidden.T @ dout
        self.w1 += self.lr * inputs.T @ dhidden

# 反积分饱和
def anti_windup_pi(error, u_max, integrator, Kp, Ki, dt):
    u_p = Kp*error
    integrator += Ki*error*dt
    u = u_p + integrator
    if u > u_max:
        u = u_max
        integrator -= Ki*error*dt   # 反算
    return u, integrator