【技术实现步骤摘要】
一种汽油精制设备的操作参数优化方法
[0001]本专利技术涉及工业自动控制
,特别涉及一种基于神经网络及遗传算法的汽油精制设备的操作参数优化方法。
技术介绍
[0002]目前,我国有超过70%的汽油都是由催化裂化生产得到的,因此在成品汽油中,有95%以上的硫和烯烃来自催化裂化汽油。其中,烯烃是影响汽油辛烷值(衡量汽油抗爆震燃烧能力的指标,数值越高越好)的重要化学成份,而硫会对汽车原件造成不良影响以及污染环境。所以,必须对催化裂化汽油进行精制处理以满足汽油质量要求并且在处理过程中减少辛烷值损失和降低硫含量。催化裂化汽油吸附脱硫S-Zorb装置具有耗氢量少、脱硫率高、辛烷值损失小的特点,可以满足国内日益提高的环保要求。因此,S-Zorb装置为国内主要的催化裂化汽油精制设备之一。
[0003]但是,S-Zorb装置设备操作参数有氢油比、反应过滤器压差、还原器压力等超过三百个操作变量。因此,需要调整优化装置的各个操作参数,以获得高质量的汽油。传统的优化方法一般为数据关联方法确定参数和因变量之间的相关性或者化学机理方法根 ...
【技术保护点】
【技术特征摘要】
1.一种汽油精制设备的操作参数优化方法,其特征在于,包括以下步骤:步骤S1.原始数据采集:记录原料、产品和吸附剂性质并从从精制设备上采集若干数据,包括氢油比、反应过滤器压差、还原器压力在设备上的可设定的操作变量;步骤S2.数据处理:对步骤一中获得的数据剔除异常值获得正常数据;步骤S3.特征选择:计算所有操作变量的距离相关系数并对操作变量求和获得评分系数,按照评分系数排序获得25个主要操作变量;步骤S4.神经网络模型训练:将经过处理的数据样本送入预设的神经网络模型进行训练;步骤S5.参数优化:将已知较优的操作参数作为初始化变量,代入遗传算法中并将参数代入预测模型中迭代获得最优操作参数变量;步骤S6.再学习:将优化后的主要操作参数输入至精制设备中,获得实际产品辛烷值和硫含量;将获得的参数和实际的产品辛烷值和硫含量加入样本库中,使得神经网络模型越来越稳定,预测准确率越来越高;所述步骤S2数据处理包括最大最小值限幅、拉依达准则去除异常值;步骤S21:所述最大最小值限幅是指根据操作变量理论取值范围确定实际测量值是否异常,如果异常则剔除;步骤S22:所述拉依达准则去除异常值是指假设采集到的一组数据记为(x1,x2,...,x
n
),计算其算术平均值为和剩余误差之后利用公式(1)计算标准差σ,若剩余误差|v
i
|满足:|v
i
|>3σ,则认为数据x
i
为异常值,需要将其剔除;所述步骤S3特征选择包括以下步骤:S31:归一化,将数据按照公式(2)归一化处理:式中,x为需要归一化的值,x
max<...
【专利技术属性】
技术研发人员:谢晓兰,翟青海,梁荣华,郑伟程,刘亚荣,
申请(专利权)人:桂林理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。