一种催化重整装置中关于加热炉温度的实时控制方法制造方法及图纸

本发明专利技术公开了一种催化重整装置中关于加热炉温度的实时控制方法。本发明专利技术整个控制过程中，给定第一个反应器的入口温度，通过神经网络模型获得第一个反应器的出口温度，通过两个控制信号以及一个时延控制加热炉投放燃料的调节阀使之达到第二个反应器的入口温度，依次进行最终完成四个反应器温度的实时控制。本发明专利技术通过对催化重整装置中加热炉出入口温度的控制，有效的实现了加热炉温度的实时控制，这对于在加热炉中实现节省燃料、提高反应速率具有重要的意义。

【技术实现步骤摘要】
一种催化重整装置中关于加热炉温度的实时控制方法
本专利技术属于自动控制
，涉及一种催化重整装置中关于加热炉温度的实时控制方法。
技术介绍
催化重整是炼油、石化行业中最重要的加工工艺之一，它是以石脑油为原料，在催化剂的作用下，进行催化重整反应生产高辛烷值汽油组分和苯、甲苯、二甲苯等基本有机化工原料的过程。重整反应的过程是重整进料与循环氢混合，并与重整反应产物换热，然后进入加热炉加热到一定的温度，然后进入第一个重整反应器进行重整反应，生成重整反应产物从第一个重整反应器出来后再进入加热炉加热到一定的反应温度后进入第二个重整反应器进行重整反应，直到第四个重整反应器。在催化重整装置中的重整反应主要是强吸热反应，在反应过程中，反应物的温度将不断下降，因此必须在反应器入口处设置加热炉，提高反应物的温度，以保证反应所需温度以及一定的反应速率。催化重整装置中的加热炉采用的是“四合一”管式加热炉，即把四个反应加热炉整合到一个炉子里，与之对应的则是4个自上而下的反应器。随着世界能源短缺以及越来越激烈的国际市场竞争，与发达国家同类企业相比，国内企业普遍存在着生产成本高，经济效益差等问题。因此，若在一定程度上节省资源，不仅可以节省资金，还可以提高市场竞争力。由于重整进料与循环氢混合的成分占比是不断变化的、反应器中的重整反应也是不断变化的，若是使加热炉一直保持一个温度，不但浪费加热炉的燃料，而且也不能保证加热到反应所需的最佳温度。基于以上问题，本专利技术给出了一种催化重整装置中关于加热炉温度的实时控制方法，该方法采用神经网络学习、DMC(动态矩阵预测控制)相结合的方式，为实现加热炉温度的实时控制提供了有利的保障。
技术实现思路
本专利技术的一个目的是针对现有的催化重整装置中加热炉温度难以实时自动控制等不足，提出了一种催化重整装置中关于加热炉温度的实时控制方法，具体是一种神经网络学习、DMC预测控制相结合的控制方法。本专利技术首先根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；然后运用历史数据以及神经网络学习的方法建立起反应器的输入输出模型，并可以预测出反应器的出口温度；接下来，给定一个加热炉出口温度的设定值，通过DMC预测控制，会得到一个控制加热炉出口温度的控制信号Δu1；随后，根据神经网络模型预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，可以得到另外一个控制加热炉入口温度的控制信号Δu2；其次，由于整个反应过程需要一定的时间，若得到控制信号之后，加热炉投放燃料的调节阀直接动作的话，就会造成加热炉温度与所需温度不符的情况，达不到精确控制的要求，因此需要给加热炉投放燃料的调节阀动作加一个时延Δt；最后，在两个控制信号以及时延的作用下，控制加热炉投放燃料的调节阀，使之能够实现加热炉温度的实时控制。整个控制过程中，从第一个反应器入口温度开始，通过DMC预测控制得到第一个反应器的出口温度，加热炉的出口温度即是反应器的入口温度，再通过神经网络学习的方式可以获得第一个反应器的出口温度，通过控制加热炉的燃料阀门使之达到第二个反应器入口温度，依次进行，最终完成四个反应加热炉温度的实时控制。该方法弥补了现有的催化重整装置中加热炉温度难以实时自动控制等不足，便于节省加热炉燃料费用，以及提高反应效率。本专利技术一种催化重整装置中关于加热炉温度的实时控制方法，该方法主要步骤如下：步骤(1)、根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；步骤(2)、运用历史数据以及神经网络学习的方法建立反应器的输入输出模型，用以预测反应器的出口温度；步骤(3)、给定一个加热炉出口的设定值，通过DMC预测控制，得到控制加热炉出口温度的第一个控制信号Δu1；步骤(4)、根据神经网络预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，得到控制加热炉入口温度的第二个控制信号Δu2；步骤(5)、由于整个反应过程需要一定的时间，若得到控制信号之后，加热炉投放燃料的调节阀直接动作的话，就会造成加热炉温度与所需温度不符的情况，达不到精确控制的要求，因此，需要给加热炉投放燃料的调节阀动作加一个时延Δt；步骤(6)、在两个控制信号以及时延的作用下，结合步骤(1)加热炉过程模型，控制加热炉投放燃料的调节阀，使之能够实时控制加热炉的温度。整个控制过程中，给定第一个反应器的入口温度，通过步骤(2)神经网络模型获得第一个反应器的出口温度，通过控制信号Δu1、Δu2以及时延Δt控制加热炉投放燃料的调节阀使之达到第二个反应器的入口温度，依次进行最终完成加热炉四个反应器温度的实时控制。所述的步骤1具体的实施步骤如下：给加热炉燃料投放量一个阶跃，使得投放量增加，采集燃料投放量发生阶跃后的加热炉出口温度数据，直到加热炉出口温度重新回到稳态状态，记录此过程的数据t'＝[t1,t2,t3,…,tn]，Y＝[y1,y2,y3,…,yn]，其中[t1,t2,t3,…,tn]表示新的采样时间，[y1,y2,y3,…,yn]表示对应的加热炉出口温度，根据加热炉出口温度的变化情况确定加热炉出口温度与加热炉燃料投放量之间的传递函数。所述的步骤2具体的实施步骤如下：基于历史测试数据建立神经网络模型，输入为反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容，输出为当前反应器出口温度的预测值。提取不同影响因素下反应器出口温度的历史数据，建立神经网络的输入样本与输出样本集；输入样本包括反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容，输出样本为反应器输出预测温度；神经网络模型包括输入层、隐含层(中间层)和输出层，隐含层(对输入特征多层次的抽象)和输出层的神经元个数(多个线性划分)范围分别为2～4和2～6。训练过程中将反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容作为输入，以反应器出口温度作为输出，通过神经网络学习获得神经网络模型，神经网络模型中的各参数定义如下：输入层单元输入向量为Pks＝(a1,a2,…,an)，目标向量Tks＝(d1,d2,…,dn)，n表示输入层单元输入向量个数；隐含层单元输入向量Sks＝(s1,s2,…,sp)，输出向量Bks＝(b1,b2,...,bp)，p表示隐含层单元输入向量个数；输出层单元输入向量Lks＝(l1,l2,…,lq)，输出向量Cks＝(c1,c2,…,cq)，ks＝1,2,…,m表示样本数据个数，q表示输出层单元输入向量个数；神经网络模型的学习过程步骤如下：a)初始化各层的连接权值和阈值，给输入层到隐含层的连接权wisj、隐含层到输出层的连接权vjt、隐含层各单元输出阈值θj、输出层各单元的输出阈值yt赋予区间(-1,1)内的随机值；is＝1,2,…,n，j＝1,2,…,p，t＝1,2,…,q；b)选取输入样本和输出样本；c)用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出本文档来自技高网...

【技术保护点】
1.一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于包括以下步骤：/n步骤(1)、根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；/n步骤(2)、运用历史数据以及神经网络学习的方法建立反应器的输入输出模型，用以预测反应器的出口温度；/n步骤(3)、给定一个加热炉出口的设定值，通过DMC预测控制，得到控制加热炉出口温度的第一个控制信号Δu

【技术特征摘要】
1.一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于包括以下步骤：
步骤(1)、根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；
步骤(2)、运用历史数据以及神经网络学习的方法建立反应器的输入输出模型，用以预测反应器的出口温度；
步骤(3)、给定一个加热炉出口的设定值，通过DMC预测控制，得到控制加热炉出口温度的第一个控制信号Δu1；
步骤(4)、根据神经网络预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，得到控制加热炉入口温度的第二个控制信号Δu2；
步骤(5)、获取时延Δt；
步骤(6)、在控制信号Δu1、Δu2以及时延Δt的作用下，结合加热炉过程模型，控制加热炉投放燃料的调节阀，使之能够实时控制加热炉的温度。


2.根据权利要求1所述的一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于所述的步骤1具体是：
给加热炉燃料投放量一个阶跃，使得投放量增加，采集燃料投放量发生阶跃后的加热炉出口温度数据，直到加热炉出口温度重新回到稳态状态，记录此过程的数据t'＝[t1,t2,t3,…,tn]，Y＝[y1,y2,y3,…,yn]，其中[t1,t2,t3,…,tn]表示采样时间，[y1,y2,y3,…,yn]表示对应的加热炉出口温度，根据加热炉出口温度的变化情况确定加热炉出口温度与加热炉燃料投放量之间的传递函数。


3.根据权利要求1所述的一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于所述的步骤2具体是：
基于历史测试数据建立神经网络模型，输入为反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容，输出为当前反应器出口温度的预测值。


4.根据权利要求2所述的一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于神经网络模型包括输入层、隐含层和输出层，隐含层和输出层的神经元个数范围分别为2～4和2～6。


5.根据权利要求4所述的一种催化重整装置中关于加热炉温度的实时控制方法，其特征在于神经网络模型训练过程中将反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容作为输入，以反应器出口温度作为输出，通过神经网络学习获得神经网络模型，神经网络模型中的各参数定义如下：
输入层单元输入向量为Pks＝(a1,a2,…,an)，目标向量Tks＝(d1,d2,…,dn)，n表示输入层单元输入向量个数；
隐含层单元输入向量Sks＝(s1,s2,…,sp)，输出向量Bks＝(b1,b2,...,bp)，p表示隐含层单元输入向量个数；
输出层单元输入向量Lks＝(l1,l2,…,lq)，输出向量Cks＝(c1,c2,…,cq)，ks＝1,2,…,m表示样本数据个数，q表示输出层单元输入向量个数；
神经网络模型的学习过程步骤如下：
a)初始化各层的连接权值和阈值，给输入层到隐含层的连接权wisj、隐含层到输出层的连接权vjt、隐含层各单元输出阈值θj、输出层各单元的输出阈值yt赋予区间(-1,1)内的随机值；is＝1,2,…,n，j＝1,2,…,p，t＝1,2,…,q；
b)选取输入样本和输出样本；
c)用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出:






其中sj表示隐含层单元的输入值、为输入层的输出向量、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值；
d)计算输出层各单元一般化误差然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk＝(b1,b2,...,bp)、输出层各单元一般化误差计算隐含层各单元的一般化误差计算公式如下：






e)利用输出层各单元的一般化误差与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt：






同样利用隐含层各单元的一般化误差与输入层的输入来修正输入层到隐含层的连接权wisj、输出阈值θj：

【专利技术属性】
技术研发人员：张涵羽，江爱朋，林雅媚，赵伟杰，黄秋云，杨卫，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33