炭黑过程优化案例研究

艾默生Tiffany Tang博士在2019年艾默生全球用户大会上首次提出了快速过程模型预测控制的新理念。

Tiffany认为：炭黑在几秒内快速形成，在这个过程建议使用模型预测控制（MPC），可以对产品质量、碘值、以及油/气比进行闭环控制，从而在消除手动控制的同时提高产品质量。艾默生创建了一个神经网络模型，可对碘值（在模型预测控制中用作控制变量）进行连续预测，这是该模型在炭黑行业进行预测控制的首批实践之一。项目第一阶段是已成功实施监管控制审核和相关传感器开发。

Tiffany是过程优化和高级流程控制领域的运营确定性顾问，拥有德克萨斯理工学院博士学位。她以炭黑项目面临的挑战以及应对挑战的方法作为开场。

该炭黑生产商为轮胎行业生产炭黑产品。生产挑战包括质量和手动操作范围的变化，期望通过自动化来改善这些变化，项目最终目标是减少不合格产品并提高员工效率。比如过去的产品不合格，返工常常使能耗增加一倍。

众所周知，炭黑反应过程异常快速，但要达到稳定状态大约需要15-20分钟。而模型预测控制通常应用在反应时间较长的过程中使用。快速过程的模型预测控制需要特殊设计和考虑。在先前手动采样过程中未及时获取实验室样品给MPC解决方案带来极大挑战，以及MPC控制策略必须与监管控制相配合。

该项目分为两个阶段。第一个阶段，修改监管控制策略，重新调整回路。创建基于神经网络的推理传感器，实时测量炭黑等级质量。第二个阶段，MPC确定了气体流量回路、石油流量回路和过程空气流量回路的三个控制变量。更改回路模式后，避免了MPC与本地控制之间的传输的混乱问题，大大提升了控制效率。

为了解决回路调整问题，使用Entech工具包识别动态过程，同时更改控制变量设定点，了解过程变量的变化。当项目团队对监管控制回路进行审核时，发现了变送器和控制阀的问题，因此使用Lambda处理方法调整阀门、测量设备和环路PID调谐参数，从而大大优化调节控制。在解决控制阀性能问题之前，Tiffany将PID重置参数提高至高级模式，来提高性能。阀门固定后，将其重置为推荐模式。

Tiffany接下来介绍了测量碘值的推理传感器。使用神经网络计算推断碘值，控制策略可以根据该数值调节供油流量。实验室样品历史数据和关键过程参数有助于对神经网络进行训练。在DeltaV Neural中进行了灵敏度分析，识别这些关键过程参数。在模型构建过程中删除低影响参数。经过一个半月的数据训练后，为了获得更准确的模型，通过提取和实施6个月的真实数据，从而提高模型准确性。

关于艾默生 

艾默生（美国纽约证券交易所代码：EMR）是一家全球性的技术与工程公司，为工业、商业及住宅市场客户提供创新性解决方案。自动化解决方案业务帮助过程、混合和离散行业制造商优化其能效和运营成本，促进生产，确保人员安全和保护环境。商住解决方案帮助确保人类舒适度和健康，保障食品质量和安全，提升能效，打造可持续发展的基础设施。如欲了解更多信息，欢迎访问：www.emerson.cn。

（艾默生自动化解决方案官方微信公众平台）