论文部分内容阅读
分子蒸馏技术是依据分子运动平均自由程的不同而进行物质分离的一项新型分离技术,在提取物质未沸腾的情况下就能进行混合物的分离,这种特性在分离和净化天然物质、热敏性物质时能够最大限度地避免热分解带来的破坏和损失,因而可以很好地保护物质的天然特性,这也是分子蒸馏技术被广泛应用在天然物质提取和精细化工行业的主要原因。但是分子蒸馏装置的内部反应机理复杂,影响蒸馏效果的因素众多,迄今为止人们尚无法确切说明各因素对蒸馏过程的具体影响,也没有建立出可用于技术计算的完善的数学模型。实际工业生产所使用的装置多依赖于实验室的放大实验及工业领域的生产实践经验。本文针对分子蒸馏过程多变量、非线性、内部机理复杂、建模困难等问题,基于神经网络自学习、自适应及强非线性映射能力的特点,对神经网络在分子蒸馏过程中的应用进行了研究,建立出了改进的BP神经网络产品纯度预测模型,通过软件分析了分子蒸馏参数对其生产过程的具体影响,通过建立输入层工艺参数到输出层产品纯度的神经网络预测模型,在生产进行之前利用已有的历史数据对神经网络进行训练,对将要进行的生产过程做出预测性输出,从而指导实际的工业生产。仿真结果显示所建立的模型能够有效分析工艺参数变化对蒸馏过程的影响,可以对产品纯度进行有效预测。其次,在详细分析了蒸馏参数对蒸馏过程影响的基础上,选取了对蒸馏过程影响效果最明显的两个参数(蒸发器温度和进料流量)作为被控对象。针对被控对象的非线性、延迟性的特点,这里采用先进控制技术中的神经网络控制,以误差作为神经网络的输入,以控制器的三个参数P、I、D作为输出,设计了神经网络PID控制器,实验效果验证了先进控制在此被控对象上的快速性和准确性。最后,将集散控制(DCS)系统的思想引入DCH-300三级分子蒸馏设备。根据DCH-300装置的工艺流程,设计了基于可编程控制器(PLC)和触摸屏(HMI)的分子蒸馏装置DCS控制系统。在过程控制层,根据工艺流程设计了上位机监控组态画面,建立数据监控与采集系统,设置报警处理措施。