关于在粗乙醇共沸蒸馏过程中，将机器学习模型与智能优化算法相结合的预测控制策略的研究

《Journal of the Indian Chemical Society》：Research on the predictive control strategy of a machine learning model integrated with intelligent optimization algorithms in the crude ethanol azeotropic distillation process

　　方河

西安科技大学化学与化学工程学院，中国西安，710054

摘要

为了解决乙醇生产过程中由于提高纯度而导致的能耗问题，本研究旨在利用集成智能优化算法的机器学习模型作为替代方案，以实现非标准条件下粗乙醇溶液在共沸蒸馏过程中控制参数的精确预测和动态优化，从而提高乙醇的纯度。预测模型采用由元启发式鲸鱼优化算法（WOA）优化的径向基函数（RBF）神经网络。Aspen Dynamics用于模拟粗乙醇的共沸蒸馏过程，生成大量数据来训练WOA-RBF模型。与传统的RBF神经网络、人工神经网络（ANN）和卷积神经网络（CNN）相比，WOA-RBF模型表现出更高的预测准确性，决定系数（R2）为97.21%，均方根误差（RMSE）为3.432×10^-6。通过三种算法优化了比例-积分-微分（PID）控制器参数：霜冻冰物理现象优化（RIME）、灰狼优化（GWO）和WOA，并在实验中应用了阶跃输入干扰信号。结果表明，RIME优化的PID控制器的时间加权绝对误差（ITAE）为28.948，小于GWO和WOA优化的控制器。因此，通过RIME优化蒸馏过程的PID参数，并对进料流量和组成引入±10%和±20%的干扰，可以确保新的稳态乙醇纯度超过99.98%，同时有效增强蒸馏过程的控制稳定性并提高乙醇纯度。

本研究为复杂蒸馏过程的智能预测控制提供了新的解决方案，对于工业化学领域的高效低碳运行以及提高经济效益和安全性具有重要意义。

引言

作为比化石燃料更清洁的能源，乙醇因其政策激励和日益严重的环境问题而继续受到关注。在乙醇生产过程中，尽管取得了一些进展，但蒸馏仍然是能耗最高的部分[1]。数据显示，化学生产中的40%-70%的能耗用于分离操作，其中蒸馏占据了95%的能耗。因此，在全球能源日益稀缺的背景下，蒸馏过程一直是研究人员探索节能潜力的关键方向，任何好的改进都能带来可观的经济效益[2]。粗乙醇蒸馏作为乙醇生产的核心过程，涉及的原材料含有多种杂质。此外，乙醇-水系统中的共沸现象导致了显著的分离难度和参数强耦合。传统的蒸馏过程难以同时满足纯度和能耗的双重要求。因此，迫切需要有效的优化和控制解决方案。

近年来，蒸馏领域进行了各种类型的研究。综述的研究涵盖了蒸馏的所有方面。Liang等人[3]开发了一种创新且节能的提取蒸馏过程，通过将预分离塔与萃取剂回收塔耦合，并验证了两组二元共沸分离示例。结果表明，该过程在经济性和能源效率方面具有显著优势。然而，这种过程不适用于粗乙醇原料中复杂杂质的特点，难以直接应用于粗乙醇蒸馏场景。Kumar Vivek等人[4]采用了热泵蒸馏技术和低压蒸汽辅助加热来加热塔底的再沸流。相关研究数据显示，新过程的能耗和成本低于传统过程。然而，它没有涵盖精馏过程的动态控制优化，难以处理由于原料波动引起的纯度波动问题。Repke等人[5]首次尝试使用变压批次蒸馏的实验方法从水中分离乙腈；同时，还探索了不同批次模式下的模拟过程。结果显示，模拟数据与实验数据高度一致，这也验证了压力摆动蒸馏过程的可行性。然而，这种过程涉及复杂的操作，不适合大规模连续精馏生产粗乙醇。Tabri等人[6]提出了一种半连续异相共沸蒸馏过程，以醋酸脱水作为分离系统进行模拟设计。最终，与传统的批次蒸馏塔相比，半连续蒸馏可以减少剩余分数，缩短分离时间，并具有良好的节能效果。然而，该过程是为单一脱水系统设计的，没有考虑到粗乙醇中多种杂质的干扰。此外，在关于粗乙醇蒸馏的专业研究中，大多数现有过程采用传统的PID控制，存在控制精度低和抗干扰能力弱的问题，难以适应粗乙醇蒸馏中的多参数耦合和动态波动特性。

上述案例表明，虽然关于蒸馏的研究很多，但蒸馏操作涉及众多参数和复杂的内部机制，输入与输出之间存在显著的相互作用，这无疑增加了预测和优化的难度[7]。鉴于蒸馏操作涉及众多参数和复杂的内部机制，其核心挑战在于系统内部的多变量耦合和非线性动态特性。关键变量（如塔底温度、塔顶压力、回流比、进料流量和组成）之间存在高度相关性。即使任何一个参数的微小波动都可能通过耦合效应传递到整个塔系统，引发产品和能耗水平的连锁反应，使得传统的单变量控制策略无效。此外，蒸馏过程通常具有较大的时间延迟和高惯性。例如，塔内气液相变、传热和传质过程的完成需要一定的时间。这常常导致传统反馈控制在应对突然的操作条件时出现调节延迟，无法实现全局最优运行。

因此，在多变量相互作用和复杂非线性机制的双重约束下，提高蒸馏过程控制精度和节能潜力的关键瓶颈在于如何构建一种能够准确捕捉系统动态行为、有效解耦多变量相关性并做出高级优化决策的控制策略。

目前，工业正在经历由人工智能（AI）驱动的第四次工业革命。许多研究报道了AI在工业化学中的应用，包括实时监控[8]、[9]、预测性设备维护[10]、[11]、过程质量控制[12]和能源效率[13]。在化学工业中也进行了各种类型的研究，使用了机器学习模型。Ammar H. Elsheikh等人[35]将RVFL神经网络与RUN优化器结合，构建了RVFL-RUN混合模型。RVFL作为一种随机神经网络，其隐藏层权重随机初始化并固定，只需训练输出层权重。它具有训练速度快和泛化能力强的优点。RUN优化器通过模拟Runge-Kutta数值方法的迭代过程，可以动态调整模型参数更新步长，有效避免传统梯度下降方法的局部最优问题，并显著提高收敛速度和预测精度。这种跨领域算法融合为可再生能源系统的复杂非线性建模提供了新的范式。实验表明，RVFL-RUN模型在水生产和温度预测方面表现优异，远超过纯RVFL和RVFL-PSO模型。与传统优化算法相比，RUN优化器通过适应性地调整参数更新路径，将训练时间缩短了30%以上，这种高精度预测能力为蒸馏塔的实时操作参数优化提供了可靠的基础。Ahmed B. Khoshaim等人[62]首次将灰狼优化器（GWO）与多层感知器（MLP）结合，构建了GWO-MLP预测模型。以纳米颗粒增强AA2024铝合金的摩擦搅拌加工为对象，以转速、进料率和通过次数为输入，该模型预测了晶粒尺寸、硬度和强度等性能。GWO优化了MLP的权重和偏置，克服了传统反向传播算法容易陷入局部最优的缺点。预测精度显著优于纯MLP模型，为摩擦搅拌加工技术的性能智能预测提供了一种有效方法。Ammar H. Elsheikh等人[63]系统总结了机器学习在摩擦搅拌焊接（FSW）中的三个主要应用：联合性能预测、实时过程控制和工具故障诊断。他们阐明了主流ML方法的原则和评估标准，并总结了其在建模、参数优化和缺陷早期预警方面的优势。他们指出了传统试错方法的局限性，并展示了ML可以提高效率、降低成本并确保质量。他们还指出了未来的发展方向，为FSW智能与工业4.0的集成提供了全面的参考。

Mohamed Zayed等人[64]提出了一种带有棱镜吸收盘的创新太阳能蒸馏系统。他们通过实验分析了其水生产性能和热效率，并构建了一个由长城构建算法（GWCA）优化的LSTM模型来预测系统。棱镜结构增强了光的吸收和蒸发效果，GWCA优化提高了LSTM的参数优化能力，提高了预测精度和收敛速度。这项研究为太阳能蒸馏装置的结构设计和智能预测提供了新的思路。Hosam Faqeha等人[65]系统总结了预测性和混合机器学习方法在优化太阳能蒸馏器性能方面的应用进展。他们全面总结了各种模型在水生产、热效率和操作参数优化等方面的研究成果，比较了不同算法的优缺点和适用场景，指出了当前研究的不足，并展望了未来的发展方向，为该领域的后续研究提供了明确的参考框架。S. Shanmugan等人[66]提出了一种低成本双层太阳能蒸馏器。他们通过性能成本分析验证了其经济效率和水分生产效率优势，并使用机器学习模型准确预测了水分生产。双层结构显著提高了光吸收和蒸发性能，在低成本的前提下实现了效率提升。机器学习模型能够有效预测水分生产性能，为这种新型蒸馏器的工程应用和性能优化提供了可靠的方法和数据支持。Ammar H. Elsheikh等人[67]系统总结了人工神经网络在各种太阳能系统建模中的应用，包括太阳能蒸馏、光伏和光热系统。他们整理了网络结构、训练算法、输入输出参数和预测性能。文章比较了神经网络和传统模型的优缺点，指出了现有问题和发展趋势，为相关领域的智能建模、参数优化和性能预测提供了全面的参考。

Ismael Bashar H等人[36]提出了一种基于斑点鬣狗优化器（SHO）和支持向量回归（SVR）的混合模型（SVR-SHO），为真空膜蒸馏（VMD）过程中的渗透通量预测提供了高精度、高度泛化的解决方案。实验表明，该模型在预测渗透通量方面的相关系数明显优于单个SVR、人工神经网络和多元线性回归，均方根误差（RMSE）比传统方法提高了25%以上。该模型通过全局敏感性分析量化了操作参数对渗透通量的影响权重，为工业控制系统提供了数据驱动的调整依据，并通过高精度预测、动态参数调节和跨场景迁移三种能力为膜分离行业带来了可量化的经济效益。Kwon H[37]等人结合了LSTM网络和蒸馏塔的动态建模技术，以解决传统机理模型的高计算复杂性问题；提出了一种数据驱动的闭环控制策略，用于实时优化能源消耗；通过特征工程和模型集成技术提高了模型在多种操作条件下的鲁棒性。研究结果为化工行业提供了实用的智能解决方案。通过在炼油厂的实际应用验证，该方案显著降低了设备维护成本和碳排放量，为工业4.0背景下的工艺优化提供了方法论参考。

Perry J[38]等人构建了一个跨尺度的数据协作平台，将密度泛函理论（DFT）计算出的材料缺陷形成焓和氧空位的热力学参数与实验测量的氢生成率和循环稳定性数据相结合。通过使用生成对抗网络（GAN）进行数据增强来处理高温实验数据的稀疏性问题，开发了一种缺陷映射神经网络（DGNn）模型，该模型可以直接以原子坐标和晶体结构为输入来预测氧空位形成能量，取代了传统的DFT超胞 relaxation 计算方法。单个样本的推理时间从24小时缩短到了20毫秒。该框架将机器学习从单一属性预测扩展到整个材料设计、合成和系统集成链，在钙钛矿和萤石氧化物等多个系统中得到了验证，为推进太阳能热化学制氢提供了一个新的选择。

Duarte J C[39]等人开发了多种机器学习模型，包括识别有机分子的最强吸收峰、处理材料相图中不同区域的热物理性质、探索用于势能面拟合的神经网络、利用QM-symex数据库预测有机分子最强吸收峰的性质（如振子强度、激发能量等）。分子用SMILES表示，使用RDKit生成描述符，并转换坐标格式以准备数据集，使用LazyPredict筛选模型，并将其性能与人工神经网络进行了比较。该机器学习模型对特定目标具有良好的数值预测能力，在化学研究中得到了广泛应用。

Jiang Jian[40]等人对重采样技术（如用于合成少数类样本的SMOTE）、数据增强技术（如用于生成虚拟分子的GAN）、算法改进技术（如用于优化分类边界的集成学习）以及特征工程技术（如用于筛选关键化学特征的梯度提升树）进行了分类和分析，揭示了这些技术在药物发现和材料筛选等场景中的适用性。

Wang[19]等人使用卷积神经网络识别滴流床反应器中的流场图像，并利用气液相持度来区分不同流动模式的边界。在化工过程故障诊断方面，Wu[20]等人提出了一种基于深度卷积神经网络（DCNN）的故障诊断分类模型，通过训练数据，最终模型在测试集上的故障分类准确率达到了88.2%。

Guo[22]等人使用改进的雪熔化优化器（ISAO）优化了CNN-BiLSTM模型，并将其应用于预测批量蒸馏过程中塔底馏分和乙醇的质量分数。

总之，这些研究都突显了机器学习模型在化学工程领域的强大应用优势，具有广泛的适用性和有效性。正如前述研究所表明的，机器学习模型在化工及相关领域展现了显著的优势和广泛的应用前景。它们能够有效地模拟复杂过程，并且能够精确拟合具有多变量耦合和强非线性的化学系统（如蒸馏、膜分离和反应器），从而弥补了传统机理模型的不足——这些模型计算复杂且难以建模。通过与传统优化算法的结合或创新其结构，这些模型不仅实现了高预测精度和出色的泛化性能，还能够有效避免局部最优解，显著减少了计算和推理时间，实现了实时预测和在线优化，满足了工业现场的需求。同时，通过数据增强和特征工程等技术，这些模型能够在数据稀疏和操作条件波动等复杂情况下保持稳定的输出。它们可以量化参数的影响权重，为工艺优化提供了基础，并为化学过程的智能化升级提供了高效可靠的解决方案。

因此，本研究的核心目标是构建一个集成智能优化算法的机器学习模型，以实现粗乙醇蒸馏过程中乙醇纯度的准确预测。该模型能够显著提升非线性拟合能力和预测精度，有效解决传统模型容易陷入局部最优解和泛化性能不足的问题。同时，通过比较三种智能优化算法在PID参数优化中的性能，所选的最优算法可以显著提高控制精度和抗干扰能力，避免由于控制参数波动导致的产品纯度不稳定、能耗高和系统振荡等问题。最后，通过评估指标和可视化方法对模型进行了全面验证，实现了蒸馏过程的高效稳定预测和最优控制，为粗乙醇蒸馏的智能化和低碳生产提供了理论基础和技术支持。

**节选内容：**

**共沸蒸馏过程**
共沸蒸馏是最常用的特殊蒸馏方法之一，常用于分离沸点相近的系统和共沸系统[15]。在共沸蒸馏[16]中，通过添加共沸剂来改变原始系统的相平衡关系来实现组分的分离。其核心是利用共沸剂与原始系统中的至少一个组分形成新的共沸物（这种新共沸物的形成具有显著的效果）。

**智能优化算法**
智能优化算法是一类受自然现象、生物行为或物理过程（如遗传进化、蚁群觅食、粒子群运动等）启发的计算方法，它们通过模拟群体智能或随机搜索机制，在复杂的解决方案空间中高效找到最优解。这些算法不依赖于数学模型的连续性和可微性等特性，能够灵活处理高维问题。

**结论**
为了提高粗乙醇蒸馏过程的预测精度和控制性能，从而减少乙醇生产和能耗，本文提出了一种基于WOA优化的RBF混合模型，以改进粗乙醇共沸蒸馏过程的控制性能。使用Aspen Dynamics软件设计、建模和模拟了粗乙醇蒸馏过程，并利用大量生成的数据进行训练。

**未引用的参考文献** [21], [32], [33]。

**利益冲突声明**
作者声明他们没有任何已知的竞争性财务利益或可能影响本文工作的个人关系。