過程控制與監控方案設計
在過程控制與監控方案中,MPC控制模塊,將來自PLS校準模型的實時康寧微通道反應器中醚收率,預測控制到期望的設定值。
此外,該收率預測與連續流工藝過程數據一起,用于開發的PCA監測器中,以檢測并指示工藝/反應相關的故障。
圖3. 先進過程控制與監控方案流程
圖4. MPC控制器構成
1. PLS校準模型設計
以泵1和泵2轉速以及溫控器溫度為因素,在反應器中進行了實驗設計(DOE)。泵的轉速在200到425 rpm之間,來調節水相與有機相的比例。
當反應穩定后,在反應器出口收集樣品,使用HPLC進行定量分析,后端裝備FT-IR探針用于醚的紅外光譜測定。
HPLC所測定的定量收率與在線FT-IR光譜實時預測醚的收率相關聯,并建立校準模型。
圖5. 泵速、溫度和醚收率的實時變化
圖6. FT-IR光譜(左)以及在1204cm−1左右,收率不同的醚吸收峰
對實驗過程中采集的在線FT-IR光譜進行預處理后,得到FT-IR光譜圖和一個醚光譜峰值約1204 cm−1(圖6右側圖)。從HPLC數據可知,FT-IR的醚峰和HPLC百分比產率之間有很強的相關性。
2. MPC控制模型開發
MPC控制方案是控制兩個泵速度和循環器溫度SP,以將醚收率控制在所需的設定點。
PCA(Principal Component Analysis,主成分分析,一種統計方法) Process Monitor利用醚的產率預測值和反應器過程數據,來監控反應過程中的故障。
PCA(Principal Component Analysis,主成分分析統計法)利用醚的收率預測值和反應器過程數據,來監控反應過程中的故障。
SPE值(平方預測誤差奇異值分解)高于95%閾值,表明數據相關性出現故障。而??2超過其閾值,反映了過程偏離其多元平均值。
4、方案的有效性和穩定性實驗
為了驗證模型的有效性和穩定性,作者實驗了三種連續化反應:100%催化劑濃度的標準化學反應工藝,以及2種不規則化學反應工藝(分別具有75%和50%催化劑濃度),均在三個不同醚收率設定值下,評估MPC和PCA控制性能。