PX氧化反应器动态模型和4-CBA浓度的软测量

建立了PX氧化反应器的动态机理模型,模型能够较好地预测不同工艺条件下的4-CBA浓度。基于上述模型,对现有工艺过程进行了数值模拟,发现4-CBA浓度与尾气CO2浓度具有很强的相关性。通过数据回归得到了简化的4-CBA软测量模型,上述模型为现有PX氧化过程的4-CBA浓度实时控制提供了理论依据。     

洛阳PTA装置基于径基函数网络的4-CBA软测量

采用一种具有强非线性表达能力的径基函数网络方法建立洛阳PTA装置4-CBA含量软测量模型。在实际应用中,4-CBA含量软测量模型具有良好的预测精度,相对误差仅为4.3%。基于该软测量模型系统分析主要工艺操作参数对TA产品中4-CBA含量的影响,为生产操作条件的优化提供指导。     

基于改进的FasBack神经模糊系统的4-CBA软测量模型研究

提出一种基于改进的FasBack神经模糊系统的新型对羧基苯甲醛(4-CBA)软测量模型,用Leven-berg-M arquardt算法训练模型中的部分参数,经实际过程数据验证表明,提出的模型学习速度快、预测精度高、鲁棒性强,为实现精对苯二甲酸(PTA)生产过程中4-CBA含量的实时、精确控制提供了一条有效的途径。     

PTA生产中4-CBA含量的软测量技术

介绍了软测量技术的基本原理,并对近几年4-CBA含量的软测量建模方法进行系统综述,指出了该技术存在的问题和今后研究方向。     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。     

基于双阈值AdaBoost算法的4-CBA含量软测量建模

针对PX氧化过程中4-CBA含量无法在线测量的问题,提出了一种基于双阈值更新样本权重的AdaBoost算法,该算法以BP神经网络作为弱学习器,采用轮盘赌方法根据样本权重在训练样本集中选择部分样本训练弱学习器,采用上一轮弱学习器的训练相对误差绝对值来更新所有训练样本的权重,在此基础上,用双阈值对样本误差范围进行划分,然后用不同的权重因子与原来的样本权值相乘实现样本权值的二次更新。该过程降低了含有大误差的样本的权值,增加了较大误差的样本的权值,从而减小了在下一轮训练过程中选到异常样本的概率。分别采用5种不同的方法并用实测的工业数据建立了4-CBA含量软测量模型,仿真结果表明用提出的改进AdaBoost算法建立的4-CBA含量软测量模型,其预测误差小于其他方法建立的模型误差。     

对羧基苯甲醛在Pd/AC催化剂上加氢反应表观动力学

在实验室间歇高压釜中对Pd/AC催化剂上对苯二甲酸(TA)加氢精制过程的对羧基苯甲醛(4-CBA)加氢反应进行了研究。考察了氢分压、反应温度、催化剂颗粒大小对4-CBA消失速率的影响,并采用幂函数动力学模型拟合得到了接近工业反应温度范围的表观动力学方程。结果表明,氢分压0.35~1.0 MPa时,对4-CBA加氢反应的速率影响很小,反应速率对氢分压可视为零级,随着温度升高和催化剂颗粒减小,4-CBA加氢反应速率显著增加;工业条件下的TA加氢精制过程存在着严重的内外扩散,4-CBA加氢反应的表观活化能为28 kJ/mol,对4-CBA的反应级数为1.23。     

4-CBA对PET产品色相b值的影响

针对聚酯(PET)装置负荷提升后,聚酯产品色泽指标b值波动很大的现象,统计跟踪分析了PET装置原料精对苯二甲酸(PTA)、辅料催化剂、添加剂及工艺操作的变化,讨论了PET产品中b值的影响因素。结果表明:对羟基苯甲醛(4-CBA)是影响PET产品的b值的主要因素;PET切片的b值升高与原料PTA中4-CBA含量变化趋势相近;PET装置负荷大幅提升后,当PET b值上升超过1.5时,生产上要及时控制4-CBA含量;PET装置平稳运行时,PTA中4-CBA含量小于40μg/g,可满足生产要求。     

对二甲苯氧化反应器连续全混流模型

在对二甲苯液相催化氧化动力学研究的基础上,比较了化学反应速率与气液传质速率的相对大小。结果表明,工业反应器中,该氧化过程受化学反应控制,动力学是影响反应速率的主要因素。从而不计传质,并将反应器考虑成CSTR模型,模拟计算结果与实际值比较吻合。用此模型对影响反应的各工艺条件的计算机试验表明,停留时间延长、催化剂浓度增加、温度升高、Br/Co(摩尔比)比增大有利于提高TA收率和降低4-CBA浓度,但燃烧消耗加剧;Co/Mn(摩尔比)配比对主反应影响不大,但燃烧副反应随Co/Mn配比增大而增大。     

PTA质量对聚酯生产的影响

分析了聚酯装置生产中PTA粒径变化及杂质含量变化对生产工艺及产品质量的影响。原料PTA粒径的变化以及对羧基苯甲醛(4-CBA)和对甲基苯甲酸(PT酸)含量超标都会对聚合反应带来不利影响,且直接影响短纤维质量。PTA粒径应稳定在(130±10)μm。PT酸,4-CBA含量的波动会导致酯化工艺水中化学耗氧量(COD)的变化,应避免大幅度波动。     

工业PTA氧化过程4-CBA浓度的模糊神经网络模型

A fuzzy neural network (FNN) model is developed to predict the 4-CBA concentration of the oxidation unit in purified terephthalic acid process. Several technologies are used to deal with the process data before modeling.First,a set of preliminary input variables is selected according to prior knowledge and experience. Secondly,a method based on the maximum correlation coefficient is proposed to detect the dead time between the process variables and response variables. Finally, the fuzzy curve method is used to reduce the unimportant input variables.The simulation results based on industrial data show that the relative error range of the FNN model is narrower than that of the American Oil Company (AMOCO) model. Furthermore, the FNN model can predict the trend of the 4-CBA concentration more accurately.     

基于证据框架的最小二乘支持向量机在精对苯二甲酸生产中的应用

支持向量机是一种基于统计学习理论的新型机器学习方法.本文给出一种考虑损失函数的噪声模型参数β的贝叶斯证据框架最小二乘支持向量机回归算法,通过贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中.将提出的算法用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程中的关键指标对羧基苯甲醛（4-carboxybenzaldhyde,4-CBA）含量的预测中,能很好地跟踪4-CBA含量的变化趋势,泛化能力较强,为4-CBA含量的实时预测提供了很好的解决方案.     

含水量对粗对苯二甲酸熟化的影响

研究了高温下含水量对粗对苯二甲酸晶体粒度和固液两相中杂质浓度的影响,结果表明:熟化能增加对苯二甲酸晶体的平均粒径,但含水量变化对熟化过程影响不明显。含水量的减小有利于固相和液相中4-CBA浓度的降低,但此含水量存在一个阈值,低于此含水量对杂质的减少速率影响微小。     

基于MLFN-PLSR的PX氧化反应组合建模方法

针对对二甲苯（p-xylene，PX）氧化反应过程中影响主要副产物对羧基苯甲醛（4-carboxybenzaldehyde，4-CBA）含量的因素众多且呈高度非线性的特征，提出了多层前向型神经网络（multi-layer feedforward network，MLFN）与偏最小二乘回归（partial least squares regression，PLSR）相结合的建模方法，建立反应产物中4-CBA含量关联模型。MLFN-PLSR采用三层网络结构和尽量多的隐节点，通过MLFN充分提取样本数据信息；然后采用PLSR消除隐含层输出冗余信息，建立具有良好预测精度的模型。与MLFN相比，最佳性能模型的预测偏差平方和均值下降了12.11%、模型平均预测偏差平方和均值下降了8.37%。与PLSR相比，最佳性能模型的预测偏差平方和均值下降了70.62%。