精馏是石油化工生产过程中应用最广泛的操作之一,对精馏设备所作的微小扰动可能会引发事故,产生巨大的经济损失。为确保精馏装置安全、平稳运行,及时发现异常状态中参数的劣化趋势,需要及时识别异常原因,从源头上预防和控制精馏事故的发生。精馏过程中存在大量扰动,扰动原因难以确定,扰动量信息诊断精度难以提高。基于以上问题,本文将物理领域的反演思想应用到精馏扰动诊断领域,建立扰动反演模型,深入分析扰动原因。本文以单、双变量扰动为例,对精馏过程扰动原因反演问题进行了研究。考虑动态精馏过程的非线性与非稳定性,结合物料衡算和能量衡算等方程,运用机理建模的方法,建立了精馏塔的动态数学模型,并动态模拟出正常、异常样本。对应地,运用人工神经网络(ANN)、否定选择法(NSA)和支持向量机(SVM)方法确定出扰动类型,然后结合遗传算法(GA)建立了各扰动量与特征表示量的反演模型,通过运算获得扰动量的大小。考虑到上述诊断方法中人工提取特征所带来的复杂性和不确定性,本文运用深度学习(DL)对扰动类型进行识别,增强了识别过程的智能性。本文选取脱丙烷生产工艺为研究对象,建立了动态模拟仿真系统。同时也建立了扰动量的反演模型,诊断出了工艺中常见的扰动原因,对上述所提方法进行了验证和对比。结果表明,此方法能够快速定位扰动类型,准确得出扰动量,实现了动态精馏系统扰动原因的深入辨识。