《延迟焦化粗汽油干点软测量.doc》由会员分享，可在线阅读，更多相关《延迟焦化粗汽油干点软测量.doc（6页珍藏版）》请在三一办公上搜索。
1、延迟焦化粗汽油干点软测量张克进俞金寿摘要在分析工艺机理的基础上，用PLS-RBFN并联方法建立延迟焦化粗汽油干点软测量模型。交叉验证表明，该方法是有效的，所建模型具有较高的精度和良好的泛化能力。关键词：软测量粗汽油干点延迟焦化PLSRBF神经网络The Soft Measurement of the Dry Po int of Crude Gasoline Delayed Coking AbstractOn the basis of analysis of the process mechanism， the model for soft measurement of the dry-poin
2、t of crude gasoline delayed coking is established by using PLS-RBFN parallel me thod The inter-verification shows that the method is effective and the model es tablished offers high accuracy and excel lent capability of generalizationKeywords：Soft measurementDry-point of crude gasolineDelayed cokin
3、gPLSRBF Neuro-network0引言当前，炼油工业中的原油重质化和产品结构轻质化的趋势日益明显，因此，渣油深度加工装置越加受到重视。渣油延迟焦化因其技术成熟，投资和操作费用低而获得了广泛的应用。延迟焦化是渣油热破坏加工的常用方法，其加工目的是从重质渣油中获得较多的轻质油品和石油焦。随着市场对轻质油和石油焦产品需求的增加，延迟焦化装置已成为仅次于催化裂化的一套效益型装置。但是，由于焦化装置的焦碳塔间歇切换及固、液、气产品并存等带来的复杂性，使焦化装置的先控和优化研究明显落后于催化、裂化装置。先控方案和优化技术已用于炼油工业的许多重要装置，并通过提高产品质量和产率来提高装置的经济效益。
4、这些方案和技术得以成功应用的基础是能够得到在线产品质量测量。在线分析仪器因其价格高，维护量大，特别是测量滞后大而限制了其应用普及。为了满足先控和优化技术对有效的在线质量测量的要求，便出现了软测量技术。软测量的实质就是建立主导变量和辅助变量之间的数学模型，用软件实现一些难于用仪表直接测量的变量的在线估计。神经元网络由于其具有通过学习可逼近任意非线性的映射能力，则在建模辨识方面显示出了明显的优越性。RBFN解决了局部极值问题，收敛速度快，成为实时辨识和控制的有力工具，但其也存在着参数选择的困难，难以同时保证模型精度和泛化能力。因此，本文采用PLS-RBFN并联组成混合模型的方法来实现延迟焦化粗汽油
5、干点的软测量。1问题描述某炼油厂延迟焦化装置采用一炉两塔流程和全井架水力除焦。分馏塔增设顶循环回流、中段回流和蜡油回流，用来加热软化水、原料油和发汽，合理地利用余热。工艺流程如图1所示。图1焦化分馏塔工艺流程示意图该装置以贫氢的重质油（减压渣油）为原料，在高温下（约500左右）进行深度的热裂化和缩合反应，生产气体、汽油、柴油和焦碳。采用国内成熟的延迟焦化工艺，将焦化油（减压渣油和循环油）经加热炉加热迅速升温到焦化反应温度，进入焦碳塔进行焦化反应，生成焦碳留于塔内，生成的油气从塔顶出来进入分馏塔进一步分离。分馏塔的产品组成极其复杂，产品质量无法用机理方法计算，目前主要用定期进行人工采样分析的方法
6、得到。其结果误差大，滞后大，无法用于直接控制。因此，建立质量估计模型，实现卡边控制，对提高装置的经济效益是有必要的。影响延迟焦化粗汽油干点的因素很多，如分馏塔塔顶温度、塔顶压力、汽油抽出量、顶回流温度、顶回流量、蒸发段温度、加热炉出口温度、注水量等。经对现场采集的数据的分析及工艺机理分析，确定了影响粗汽油干点的最主要因素，它们是分馏塔塔顶温度、粗汽油抽出量、塔顶回流量及回流温度。因此，粗汽油干点可用下式表示：y（k）fx1（k），x2（k），x3（k），x4（k），x5（k），N（k）（1）式中：y（k）为粗汽油干点，；x1（k）为分馏塔顶温度，；x2（k）为粗汽油抽出量，th；x3（k）为分
7、馏塔顶回流量，th；x4（k）为分馏塔顶压力，kPa；x5（k）为分馏塔顶回流温度，；N（k）为其它影响因素；f（.）为待估函数关系。函数f（.）是复杂的多变量非线性函数，因此本文采用PLS-RBFN并联混合模型来拟合f（.）函数。2延迟焦化粗汽油干点软测量根据采样分析时间，对应采集了相关变量的实际数据，经过过失误差剔除及滤波处得到了一个由128组训练数据和17组校验数据组成的样本，分别用PLS，RBFN及PLS-RBFN并联方法建立了粗汽油干点软测量模型。21基于PLS的粗汽油干点软测量模型PLS是一种单步分解和回归方法，它在主元分析的基础同时考虑了输入、输出数据集，对输入输出同时进行正交分
8、解，使PLS能从较少的载荷矢量中得到尽可能多的信息。它的特征向量与主元直接相关，能用于非常复杂的对象，预测含噪音的样本。特别适合于处理化工对象。用这一方法处理上述数据得到软测量模型，交叉验证结果如图2所示。RMS误差为151。图2PLS模型校验曲线22基于RBFN的粗汽油干点软测量模型RBFN由输入层，一个隐含层和输出层组成，只有邻层神经元之间相互连接，信号由低层神经元向高层传输。单输出典型结构如图3所示。它完成如下的非线性映射：式中：（.）为RR的函数；Wi为网络权值；X为输入向量；Ci为RBFN中心值；为控制矩；m为中心数。图3RBF的典型结构从输入层到隐含层输入向量的各个分量被无变化地传
9、递到隐含层的每一个节点，每个节点函数构成径向对称的基函数。隐含层的作用相当于对输入模式进行一次非线性变换，以利于输出层进行分层识别，在输出层实现新的线性组合。RBFN的理论基础是函数逼近，因此它特别适合于多变量函数逼近，只要中心集选得合适，仅需要很少的神经元就能获得很好的逼近效果，其网络的连接权与输出呈线性关系，使得它可以采用保证全局收敛的线性优化算法。本文中选用高斯函数。用RBFN建立粗汽油干点软测量模型，其交叉验证结果如图4所示。RMS误差为16。图4RBFN模型验证曲线23基于PLS-RBFN的粗汽油干点软测量混合模型为了提高模型精度和泛化能力，将PLS模型和RBFN模型组合形成如下结构
10、的PLS-RBFN混合模型。图5PLS-RBFN混合模型结构协调单元的任务是根据两种模型的偏差方向及偏差量来调整各自的贡献率，从而提高混合模型的精度和泛化能力。用同样的校验数据对混合模型进行了交叉验证，结果如图6所示，其RMS误差为132。图6PLS-RBFN混合模型验证曲线3种模型的校验误差如表1所示。从中不难看出，混合模型的误差范围小于其它2种模型，满足了工艺提出的误差指标。这表明其泛化能力优于其它2种模型。表13种模型验证误差采样次数PLS-RBFNRBFNPLS134650716821882860813157241064407314200451351231496145097198709
11、10892980580371629037010681027500358111009018039120404041130240780361421213829415273274272163033782211725741808 3结论神经元网络因其良好的非线性逼近能力而成为软测量建模的有力工具。但是，由于其参数选择的不确定性，工业对象的复杂性，辅助变量选择的准确性以及建模数据的有效性，严重限制了所建模型的泛化能力，而这正是软测量应用成功与否的关键所在。因此，在建模时应解决好以下问题：采用过失误差剔除及适当的滤波技术进行数据预处理；优化神经网络的选择参数；兼顾网络训练精度及泛化能力，过高的训练精度既影响模型的泛化能力，同时也不符合实际情况，因为所用数据不同程度地存在误差，训练精度高放大了误差的作用；将不同方法结合使用，互相取长补短也是提高泛化能力的一种有效方法。本文正是在解决了以上问题的基础上，建立了延迟焦化粗汽油干点软测量模型。模型验证结果表明，PLS-RBFN并联建模方法是有效的，所建模型具有较好的泛化能力，适于在线应用。在实际应用中，还必须考虑模型的在线校正，以适应生产的变化。作者简介:张克进，男，1964年生，1985年毕业于华东化工学院（现华东理工大学），1988年获硕士学位，现为在职博士生，高级工程师。研究方向为工业过程自动化、神经元网络及模糊控制等。
