蔡軍,方宏昌,李哲,趙釗
(中國石油遼陽石化分公司 芳烴廠,遼寧 遼陽 111003)
?
利用神經(jīng)網(wǎng)絡(luò)在DCS中實(shí)現(xiàn)重整催化劑積碳軟測量
蔡軍,方宏昌,李哲,趙釗
(中國石油遼陽石化分公司 芳烴廠,遼寧 遼陽 111003)
重整催化是石油化工的重要部分,該過程使石腦油發(fā)生重整反應(yīng),生產(chǎn)出高辛烷值汽油或者芳烴,副產(chǎn)氫氣以及液化氣(LPG)。由于反應(yīng)過程條件苛刻,重整鉑催化劑表面將很快結(jié)焦積碳而老化,老化的催化劑在再生系統(tǒng)裝置中還原得到活性,再次進(jìn)入重整過程反應(yīng)。
重整老化的催化劑稱為待生催化劑,其結(jié)焦積碳量應(yīng)控制在5%左右,積碳量過高影響催化劑的活性,芳烴產(chǎn)率低,再生燒焦時(shí)困難,容易產(chǎn)生飛溫?zé)龎脑O(shè)備或者燒焦不完全造成催化劑黑心,再生氧氯化時(shí)引起高溫;積碳量過低催化劑循環(huán)速率增大,催化劑磨損過大從而降低了其使用壽命。因此,連續(xù)重整反應(yīng)中,催化劑積碳量監(jiān)測對(duì)保障工藝裝置的安全穩(wěn)定生產(chǎn)、保證芳烴的產(chǎn)率、延長催化劑的使用壽命具有重要意義。
催化劑積碳量監(jiān)測有在線分析儀測量和人工取樣分析兩種方法。人工取樣分析時(shí)間周期長,檢定結(jié)果滯后,對(duì)重整裝置運(yùn)行操作帶來不利影響,而在線分析儀器設(shè)備又相當(dāng)昂貴。為此,中國石油遼陽石化分公司1.4Mt/a連續(xù)重整裝置根據(jù)軟測量理論,應(yīng)用徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)技術(shù),在裝置DCS中實(shí)現(xiàn)了催化劑積碳量的有效監(jiān)測。
1重整反應(yīng)工藝過程簡介
該公司1.4Mt/a連續(xù)重整裝置采用了美國UOP公司的第三代超低壓(0.35MPa)連續(xù)重整專利技術(shù),其反應(yīng)工藝流程如圖1所示,自預(yù)加氫裝置來的精制石腦油與循環(huán)氫氣混合后經(jīng)換熱器E261進(jìn)入加熱爐F261,加熱至549 ℃左右后進(jìn)入重整第一反應(yīng)器R261,與自再生系統(tǒng)來的催化劑反應(yīng)后,重整油溫度和壓力都有所改變,接著進(jìn)入加熱爐F263再次加熱至549 ℃,之后進(jìn)入反應(yīng)器R262進(jìn)行反應(yīng),再依次分別加熱后進(jìn)入R263以及R264,最后完成整個(gè)重整反應(yīng),反應(yīng)后的重整產(chǎn)物經(jīng)E261換熱后至下游進(jìn)行產(chǎn)物分離。重整催化劑在重整四合一反應(yīng)器中會(huì)逐漸結(jié)焦積碳并失去活性,自上向下流動(dòng),最后在R264底部流出至再生系統(tǒng)裝置進(jìn)行再生還原。
重整反應(yīng)中,工藝過程的各個(gè)因素影響催化劑結(jié)焦積碳,包括重整產(chǎn)品辛烷值、反應(yīng)器溫度、反應(yīng)器壓力、空速、氫油比、催化劑類型等。因此,可以將這些工藝參數(shù)作為輔助變量,通過軟測量的方式來得到主導(dǎo)變量——重整催化劑積碳量。
圖1 重整反應(yīng)工藝流程示意
2重整催化劑積碳軟測量
軟測量技術(shù)的理論根源是Brosilow提出的推斷控制,所謂軟測量是把自動(dòng)控制理論與生產(chǎn)工藝過程知識(shí)有機(jī)地結(jié)合起來,在熟悉軟測量對(duì)象以及整個(gè)裝置工藝流程的基礎(chǔ)上,對(duì)于難于測量或不能直接測量的主導(dǎo)變量,選擇另外一些容易測量的輔助變量,通過某種數(shù)學(xué)關(guān)系或建立某種模型來對(duì)主導(dǎo)變量進(jìn)行預(yù)估。
重整催化劑結(jié)焦積碳因素分析: 四合一反應(yīng)器的入口溫度和加權(quán)平均床層溫度升高,辛烷值將上升,則結(jié)焦含量將上升;反應(yīng)器平均壓力上升,則結(jié)焦含量將下降;氫油比增加會(huì)使石腦油以更快的速率通過反應(yīng)器,并且為吸熱反應(yīng)提供更多的熱載體,生焦速率下降,減少催化劑結(jié)焦;空速越低,操作苛刻度越大,催化劑結(jié)焦越大;此外,影響催化劑結(jié)焦因素還包括催化劑添加量與種類、重整進(jìn)料芳烴潛含量、重整進(jìn)料餾程等。
在該項(xiàng)目的催化劑積碳軟測量中,積碳量為主導(dǎo)變量,選擇反應(yīng)器溫度和壓力、重整進(jìn)料氫油比、催化劑循環(huán)速率等作為輔助變量。然而,這些輔助變量和催化劑積碳量并無直接的數(shù)學(xué)關(guān)系,因而項(xiàng)目開發(fā)采用了RBF神經(jīng)網(wǎng)絡(luò)來建立催化劑積碳軟測量模型。
3基于RBF神經(jīng)網(wǎng)絡(luò)的催化劑積碳模型
3.1RBF神經(jīng)網(wǎng)絡(luò)
人工神經(jīng)網(wǎng)絡(luò)技術(shù)具有良好的非線性映射能力、自學(xué)習(xí)適應(yīng)能力與并行處理能力,為解決不確定、非線性的建模問題開辟了一條新的思路。RBF神經(jīng)網(wǎng)絡(luò)是以函數(shù)逼近為基礎(chǔ)的一種局部逼近前饋網(wǎng)絡(luò),具有收斂速度快、逼近精度高、網(wǎng)絡(luò)規(guī)模小等特點(diǎn)。RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示,它由三層組成,第一層是輸入層,由輸入信號(hào)源節(jié)點(diǎn)組成;第二層是隱含層,即徑向基層;第三層是線性輸出層。隱層神經(jīng)元“基”構(gòu)成隱含層空間,將輸入向量直接映射到隱空間。
圖2 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意
(1)
若取徑向基函數(shù)為高斯函數(shù),則神經(jīng)元的輸出為
(2)
(3)
根據(jù)RBF神經(jīng)網(wǎng)絡(luò)的特點(diǎn)可知,網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)及其中心、隱層與輸出層連接權(quán)值決定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),調(diào)整改變這些因素就可以使RBF神經(jīng)網(wǎng)絡(luò)逼近任意非線性空間。
3.2催化劑積碳量模型建立
RBF神經(jīng)網(wǎng)絡(luò)建立非線性映射模型需要做的工作: 結(jié)構(gòu)設(shè)計(jì),即如何確定網(wǎng)絡(luò)隱層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù);確定各徑向基函數(shù)的數(shù)據(jù)中心及徑向基函數(shù)寬度;輸出權(quán)值修正等。
3.2.1網(wǎng)絡(luò)模型的輸入
根據(jù)重整反應(yīng)的工藝原理,將反應(yīng)溫度、反應(yīng)壓力、氫油比、催化劑循環(huán)速率等工藝參數(shù)作為輔助變量,以確定催化劑積碳量RBF神經(jīng)網(wǎng)絡(luò)模型的6個(gè)輸入節(jié)點(diǎn)。
3.2.2神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練
設(shè)計(jì)RBF神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元個(gè)數(shù)有兩種方法: 采用隱層神經(jīng)元個(gè)數(shù)等于訓(xùn)練樣本個(gè)數(shù)的正規(guī)化網(wǎng)絡(luò);采用隱含層神經(jīng)元數(shù)目小于訓(xùn)練樣本個(gè)數(shù)的廣義網(wǎng)絡(luò)。當(dāng)訓(xùn)練樣本個(gè)數(shù)很大時(shí),正規(guī)化網(wǎng)絡(luò)難以實(shí)現(xiàn),且在求解網(wǎng)絡(luò)的權(quán)值時(shí)容易產(chǎn)生病態(tài)問題,因而選取廣義的RBF網(wǎng)絡(luò)。廣義RBF網(wǎng)絡(luò)隱層神經(jīng)元個(gè)數(shù)大致可以選為2n+1個(gè),n為輸入層節(jié)點(diǎn)數(shù),該應(yīng)用的輸入節(jié)點(diǎn)為6個(gè),所以這里設(shè)計(jì)隱層的節(jié)點(diǎn)數(shù)為13個(gè)左右。
對(duì)于催化劑積碳量RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,首先在裝置DCS中對(duì)相關(guān)的工藝過程數(shù)據(jù)進(jìn)行采集,共收集了數(shù)據(jù)樣本243組,然后應(yīng)用處理軟件對(duì)含有工業(yè)噪聲的采樣數(shù)據(jù)進(jìn)行誤差處理和歸一化處理,剔除一些不正常的數(shù)據(jù)后得到訓(xùn)練樣本150組。接著再利用這些訓(xùn)練樣本對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練過程中根據(jù)目標(biāo)偏差確定了神經(jīng)網(wǎng)絡(luò)的神經(jīng)元節(jié)點(diǎn)數(shù)定為12個(gè)。同時(shí)采用了催化劑積碳量均值m和標(biāo)準(zhǔn)差d來對(duì)神經(jīng)網(wǎng)絡(luò)的輸出做還原計(jì)算。
Yout=(OutNN+b2)d+m
(4)
4催化劑積碳量RBF神經(jīng)網(wǎng)絡(luò)模型在DCS中的組態(tài)
重整聯(lián)合裝置DCS為PKS 300系統(tǒng),催化劑積碳量RBF神經(jīng)網(wǎng)絡(luò)模型在PKS 300下的組態(tài)過程如圖3所示。
圖3 RBF神經(jīng)網(wǎng)絡(luò)模型程序結(jié)構(gòu)示意
1) 建立催化劑積碳量軟測量點(diǎn)。打開PKS系統(tǒng)組態(tài)軟件Configuration Studio,進(jìn)入過程組態(tài)畫面Control Builder,在其中建1個(gè)CM點(diǎn),位號(hào)為CA2601,雙擊該CM點(diǎn)進(jìn)入組態(tài)表單。從Control Builder功能塊庫Library的Utility中拖1個(gè)數(shù)值數(shù)組塊NUMERICARRAY到CA2601表單,該數(shù)組塊用于存放催化劑積碳量神經(jīng)網(wǎng)絡(luò)模型隱含層權(quán)值、輸出層權(quán)值、輸入變量的兩組歷史數(shù)據(jù)以及輸入訓(xùn)練樣本的均值和其標(biāo)準(zhǔn)差;從Control Builder功能塊庫Library的Utility中拖6個(gè)數(shù)值塊NUMERIC到CA2601表單,分別用于程序計(jì)數(shù)、中間變量及輸出等的寄存器;再從Control Builder功能塊庫Library的DATAACQ中拖1個(gè)DACA塊用于CM點(diǎn)輸出。
2) 編寫催化劑積碳量的RBF神經(jīng)網(wǎng)絡(luò)模型。在Control Builder中建1個(gè)SCM(sequential control module)點(diǎn),位號(hào)為CA260,雙擊該SCM點(diǎn)進(jìn)入組態(tài)表單,進(jìn)行神經(jīng)網(wǎng)絡(luò)模型程序編寫。程序第一步計(jì)算輸入變量,6個(gè)輸入變量寫入CA2601中數(shù)組109~114單元;第二步對(duì)最近3組輸入變量(CA2601中數(shù)組97~114單元的數(shù)據(jù))平滑處理;第三步保存歷史數(shù)據(jù),即將CA2601中數(shù)組103~108單元的數(shù)據(jù)寫入數(shù)組97~102單元,將數(shù)組109~114單元的數(shù)據(jù)寫入數(shù)組103~108單元;第四步輸入變量數(shù)據(jù)(CA2601中數(shù)組109~114單元的數(shù)據(jù))標(biāo)準(zhǔn)化;第五、六、七步分別為計(jì)算神經(jīng)網(wǎng)絡(luò)隱含層結(jié)果、計(jì)算神經(jīng)網(wǎng)絡(luò)輸出層結(jié)果和最后測量結(jié)果的還原計(jì)算。該程序多處使用了循環(huán)結(jié)構(gòu),每個(gè)循環(huán)使用2個(gè)條件塊和幾個(gè)步驟塊來完成。
3) 完成上述工作后,在Control Builder將組態(tài)好的催化劑積碳量軟測量點(diǎn)CA2601和軟測量RBF神經(jīng)網(wǎng)絡(luò)模型程序CA260下裝至控制器,激活CM點(diǎn)CA2601和SCM點(diǎn)CA260并啟動(dòng)CA260,整個(gè)催化劑積碳量軟測量開始運(yùn)行。
5結(jié)束語
在連續(xù)重整反應(yīng)中,催化劑積碳量是重要的過程指標(biāo)。中國石油遼陽石化分公司重整裝置利用先進(jìn)的軟測量控制理論、神經(jīng)網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)控制技術(shù),實(shí)現(xiàn)了催化劑積碳量的有效測量。該測量結(jié)果和人工采樣分析結(jié)果進(jìn)行了多次的比較,其誤差都在0.01范圍內(nèi),從而驗(yàn)證了該測量技術(shù)的可靠性?;赗BF神經(jīng)網(wǎng)絡(luò)的催化劑積碳量軟測量技術(shù)的成功開發(fā)對(duì)于重整裝置的操作及優(yōu)化運(yùn)行具有重要意義。
參考文獻(xiàn):
[1]俞金壽.軟測量技術(shù)在石油化工中的應(yīng)用[J].石油化工,2000,29(03): 221-226.
[2]李成棟.催化重整裝置技術(shù)問答[M].北京: 中國石化出版社,2004.
[3]徐承恩.催化重整工藝與工程[M].北京: 中國石化出版社,2006.
[4]李志明,孔令富.基于SVM的軟測量在原油含水率估算中的應(yīng)用[J].燕山大學(xué)學(xué)報(bào),2006,30(04): 328-333.
[5]王玉喬,程光旭,湯杰國.基于KPCA的連續(xù)重整催化劑結(jié)焦碳含量軟測量模型[J].高?;瘜W(xué)工程學(xué)報(bào),2009,23(05): 852-857.
[6]周勇,胡中功.RBF神經(jīng)網(wǎng)絡(luò)理論及其在控制中的應(yīng)用[J].武漢科技學(xué)院學(xué)報(bào),2007,20(05): 40-42.
[7]徐洪華,田迎華.RBF神經(jīng)網(wǎng)絡(luò)在鍋爐安全液位控制中的應(yīng)用[J].中國安全生產(chǎn)科學(xué)技術(shù),2011,7(08): 170-174.
[8]許海霞,王春華,周維,等.基于RBF神經(jīng)網(wǎng)絡(luò)的混沌保密通信的研究[J].電路與系統(tǒng)學(xué)報(bào),2005,10(03): 28-31,46.
[9]劉宏鑫,江正豐,林斌.連續(xù)重整PS-VI催化劑硫中毒分析及對(duì)策[J].煉油技術(shù)與工程,2013,43(08): 45-48.
[10]陳國平.PS-VII連續(xù)重整催化劑的積碳性能[J].石油煉制與化工,2006,37(08): 18-19.
[11]馬愛增,潘錦程,楊森年,等.低積炭速率連續(xù)重整催化劑的研發(fā)及工業(yè)應(yīng)用[J].石油煉制與化工,2012,43(04): 18-23.
[12]賈瑩,高丙坤.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的管道泄漏檢測方法研究[J].化工自動(dòng)化及儀表,2014,41(02): 128-131,137.
[13]牛緒鐘,湯偉,胡連華,等.基于神經(jīng)網(wǎng)絡(luò)的IMC-PID控制方法的應(yīng)用[J].化工自動(dòng)化及儀表,2012,39(01): 6-9.
摘要:催化劑積碳量是重整催化過程的重要指標(biāo),常規(guī)方法無法直接測量,遼陽石化分公司針對(duì)1.40Mt/a連續(xù)重整裝置開發(fā)了基于RBF神經(jīng)網(wǎng)絡(luò)的催化劑積碳量軟監(jiān)測技術(shù),并在聯(lián)合裝置DCS上得到應(yīng)用。在簡單介紹重整反應(yīng)工藝的基礎(chǔ)上,概括了重整催化劑積碳量軟測量技術(shù),闡述了RBF神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ),并進(jìn)一步說明了催化劑積碳量軟測量神經(jīng)網(wǎng)絡(luò)模型的建立,同時(shí)敘述了神經(jīng)網(wǎng)絡(luò)模型在DCS中的編程及軟測量技術(shù)的實(shí)現(xiàn)。
關(guān)鍵詞:重整催化劑軟測量RBF神經(jīng)網(wǎng)絡(luò)
Realization of Soft Measurement for Carbon Deposition of Reforming Catalyst Based on RBF in DCSCai Jun, Fang Hongchang, Li Zhe, Zhao Zhao
(Aromatic Plant,Liaoyang Petrochemical Company of Petrochina, Liaoyang, 111003, China)
Abstracts: Carbon deposition is an important index of reforming catalyst. It can’t be directly measured with routine methods. Soft measurement technology for carbon deposition of reforming catalyst based on RBF neural network is developed for 1.40 Mt/a continuous reforming installation for Petrochina Liaoyang Company, and is applied in DCS for integrated installation. On the basic of introducing reforming reaction progress simply, soft measurement technology on carbon deposition of reforming catalyst is outlined. RBF neural network theory is expounded. Establishment of neural network model for soft measurement of carbon deposition of catalyst is described further. Programming of neural network model in DCS and realization of soft measurement technology are described.
Key words:reforming; catalyst; soft measurement; RBF neural network
中圖分類號(hào):TP273
文獻(xiàn)標(biāo)志碼:B
文章編號(hào):1007-7324(2015)03-0029-04
作者簡介:蔡軍(1963—),男,2004年畢業(yè)于大連理工大學(xué)計(jì)算機(jī)與科學(xué)應(yīng)用專業(yè),獲工學(xué)學(xué)士學(xué)位,現(xiàn)就職于中國石油遼陽石化分公司芳烴廠,從事工廠過程儀表及控制系統(tǒng)管理、技術(shù)改造及開發(fā)工作,任儀表車間主任。
稿件收到日期: 2015-02-12,修改稿收到日期: 2015-03-20。