甲苯/甲醇/水体系萃取精馏的鲁棒智能控制策略设计与神经网络优化

针对萃取精馏过程中非线性强、组分在线测量滞后等问题，青岛科技大学团队提出基于PID与BP神经网络(BPNN)的智能控制策略。通过设计温度-组分串级控制结构，结合鲸鱼优化算法(WOA)增强的BPNN实时预测组分浓度，显著提升系统抗干扰能力，为复杂分离过程控制提供新范式。

　　

在化工分离领域，萃取精馏(Extractive Distillation, ED)技术因其能高效分离共沸体系而备受关注。然而，这一过程存在两大痛点：一是强非线性特性导致传统PID控制难以应对进料扰动；二是依赖昂贵的在线组分分析仪，测量滞后严重影响控制时效性。这些问题直接制约着ED技术的工业化推广，正如Yang等学者指出的，开发先进控制策略已成为突破该领域瓶颈的关键。

青岛科技大学团队在《Process Safety and Environmental Protection》发表的研究中，以甲苯/甲醇/水三元体系为对象，创新性地将传统控制理论与人工智能相结合。通过稳态-动态协同优化方法，构建了双塔萃取精馏(EDC-ERC)的智能控制框架。研究首次将鲸鱼优化算法(Whale Optimization Algorithm, WOA)引入反向传播神经网络(Back Propagation Neural Network, BPNN)的训练过程，实现了无需物理分析仪的实时组分预测。

关键技术方法包括：1) 基于敏感塔板温度的双PID控制结构设计；2) 采用BPNN建立温度-组分软测量模型；3) 应用WOA优化神经网络超参数；4) 通过±20%进料扰动实验验证控制性能。所有数据均来自团队前期建立的甘油溶剂体系NDCED工艺(Novel Double-Column Extractive Distillation)。

设计基础
研究以团队前期开发的甘油溶剂双塔流程为对象，EDC塔顶采出高纯甲醇，塔底物料进入ERC塔进一步分离。该流程通过溶剂选择性增强组分相对挥发度，为控制策略设计提供稳态基础。

反向传播神经网络
针对组分测量滞后问题，研究构建了以全塔温度梯度为输入、产品浓度为输出的BPNN模型。通过WOA优化隐含层节点数和学习率，使预测误差降低42.3%，成功替代传统组分控制器。

结论
智能控制结构在进料流量/组成扰动下表现出显著优势：1) 温度-组分串级PID使纯度波动减少63%；2) BPNN-WOA组合将预测响应时间缩短至传统方法的1/5；3) 无需在线分析仪即可维持99.2%甲醇纯度。该成果为萃取精馏过程提供了经济可靠的智能控制方案。

讨论部分强调，该方法首次实现EDC-ERC系统的全流程智能控制，其创新点在于：1) 将WOA的全局搜索能力与BPNN结合，突破局部最优限制；2) 建立温度-组分动态关联模型，解决"黑箱"系统控制难题。研究不仅推动ED技术向智能化发展，更为其他复杂分离过程控制提供普适性框架，具有显著的工业应用价值。