【毕业论文】主元分析和神经网络在FCCU主分馏塔粗汽油干点软测量中的应用.docVIP

第一章 绪论 1.1引言 在许多工业控制场合，存在着一大类这样的变量，它们由于技术或经济上的原因，目前难以或无法通过传感器在线进行测量，但又是需要加以严格控制的与产品质量密切相关的过程变量。为了解决这类变量的测量问题，软测量技术得到了很大发展。软测量的基本思想是把自动控制理论与生产工艺过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的重要变量（称之为主导变量），选择另外一些容易测量的变量（称之为辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件功能。70年代Brosillow提出的推断控制思想，将工业机理和控制理论有机地结合起来，对于过程中难以测量的变量建立起其与可测变量的数学模型，实现实时计算和监测，提高产品质量和安全系数。近年来，软测量在理论研究和实际应用方面都取得了很大的进展，尤其是人工智能的发展，为软测量技术开辟了新的天地。其中基于人工神经元网络的软测量非常有效，它能够直接根据对象的输入输出数据建立数学模型，无需具备对象的先验知识，在解决高度非线性和严重不确定性系统控制方面具有巨大的潜力，是未来控制领域需要重点研究的几个方向之一。 1.2研究背景 在炼油过程中，产品质量控制一直是人们关注的重点，目前通常是采用人工采样送化验室分析化验，再把结果反馈给生产装置，指导工艺人员操作，控制产品的质量。由于此方法存在较大的滞后，因此控制效果并不理想；另一种方法是在采样点上安装在线质量分析仪表，但由于这类仪表也存在5—20min的测量滞后，同时测量精度也有待进一步的提高，加之价格较为昂贵且需要经常维护等因素，因此实际上很少直接用于闭环控制，只是作为参考显示来指导操作。近年来，软测量技术作为一种新型的测量技术日益受到人们的广泛关注，它可以利用质量变量和过程变量之间的关系或利用质量变量与加工过程机理间的关系建立测量模型，通过建立的软测量分析仪实施产品的质量监测与控制，并且在许多炼油装置上得到成功的应用，提高了产品质量等级和目的产品收率。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。本文将探讨和分析在FCCU分馏塔上实施粗汽油干点的基于神经网络的产品质量软测量模型，分别利用工艺机理分析，主元分析和主元分析与工艺机理分析相结合的方法从众多过程变量中选出能满足要求的有限个过程变量作为输入，以产品质量指标为输出，利用BP神经网络构造出产品质量指标（粗汽油干点）软测量模型，并将所建模型的计算值与实际化验值进行比较，分析主元分析及工艺机理分析相结合的方法在对复杂工业系统选主元时的优势。 1.3 FCCU主分馏塔的工艺流程简介 催化裂化装置（FCCU是石油加工中的重要装置，它将蜡油，渣油在催化剂的作用下裂化成经济价值高的液态烃，汽油和柴油来自罐区的减压渣油，减压蜡油和丙烷脱沥青油混和并与分馏系统物流换热后，再与回炼油及油浆混和，通过提升管下部雾化喷入提升管反应器。雾化的原料油与喷入的蒸汽与来自再生器的高温催化剂在反应器下部，沿提升管上升进行催化裂化反应，反应后的油气连同催化剂从提升管顶部送入沉降器，油汽同催化剂的混和物进入粗旋风分离器，分离后的油气再送入两组高效旋风分离器，最后油气离开沉降器，送入分馏系统进行产品分离。分离出的大部分催化剂经粗旋风分离器的料腿，用蒸汽预汽提后进入沉降器汽提段，蒸汽提出催化剂夹带的油气。汽提后的待生催化剂分成两路，一路进入第一再生器密相床烧焦再生，另一路进入第二再生器，与来自第一再生器的半待生催化剂共同烧焦再生。由增压风机提升进入第一再生器的待生催化剂在密相床上部与第一再生器主风逆流接触，进行完全烧焦再生，烧去大部分积碳的半待生催化剂进入第二再生器与来自沉降器的另一部分待生催化剂混和，在第二再生器烧焦罐下部与来自第二主风机的空气接触，进行高温烧焦。低炭度的催化剂和烧焦罐烟气一起上升通过稀相管，进入第二再生器二密相床，烧去低炭浓度的低炭，完成催化剂的再生。再生后的催化剂输送至提升管反应器循环使用。在第二再生器中，烧焦产生的过剩热量由外取热器取走。热催化剂从二密相床自流到外取热器，冷却后由空气提升返回烧焦罐中部。来自沉降器的油汽进入分馏塔，经该塔的分离后在其顶部产出粗汽油，中部为轻柴油，进入后续工段。而底部和下部的回炼油浆和回炼油则返回到装置进料与新进料混和后注入到反应器中回炼。FCCU主分馏塔粗汽油干点的因素很多，本论文中主要以某炼油厂的FCCU主分馏塔为对象,以粗汽油干点作为主导变量，主要待选的辅助变量如表1.3.1所示: 表1.3.1 待选辅助变量 编号 辅助变量 编号 辅助变量 1 T201顶温度顶循环油返塔温度T20