-
-
手机阅读
第一分馏塔有36层浮阀塔板，脱丁烷塔的塔底产品，经液位与流量串级调节进入第一分馏塔，流量调节由塔底液面来控制。从塔顶来的汽相在塔顶冷凝器和调温冷凝器里全部冷凝，然后流入第一分馏塔顶回流罐。一部分经流量调节返回塔作回流，一部分轻石脑油产品经液位调节送储罐。重石脑油从第9层塔板抽出。航煤从填料段上部第19层塔板抽出。塔底产品用泵送出，经液位、流量串级调节流入第二分馏塔。
在加氢裂化分馏塔控制中，产品质量最难控的是航煤干点工艺控制对航煤干点要求在270～275℃内。平时操作都把干点控制在较保守的数值上，若我们能按要求把干点控制在270～275℃内，则航煤收率可以提高1％～1．5％。为此我们采用软测量方法来测量航煤干点。经与工艺人员多次协商及现场了解工艺情况后，初步确定了作为软测量模型输入变量的有关变量。影响航煤干点的最主要因素是航煤抽出量和航煤侧线抽出温度。次要的因素有：第一分馏塔塔顶压力、温度、回流量、轻石脑油抽出量、重石脑油抽出量及其测线温度、第一分馏塔塔底温度、流量，第一分馏塔进料量及进料温度。航煤干点y1与航煤抽出点温度、流量等13个变量有关，可以表示成如下的非线性关系：
y1＝f（th，qh，tj，qj，tr，qr，ttop，qtop，tin，qin，tb，qb，qL）
式中：tj为航煤抽出点温度；th为重石脑油抽出点温度；qj为航煤抽出量；qh为重石脑油抽出量；qr为回流量；qin为进料量；qL为轻石脑油抽出量；tin为进料温度；tr为塔顶回流温度；tb为塔底温度；qtop为塔顶压力；qb为塔底流量；ttop为塔顶温度。
2 主元分析
主元分析法（PCA）作为一种数据压缩并从中提取有用的信息的方法，已在数据处理中应用得越来越频繁，PCA的思想主要是将由过程数据和质量分析数据等变量组成的高维数据空间投影到低维特征空间，特征空间中的主元变量保留原始变量的特征信息而消去冗余信息，它是解决数据相关问题，提高模型运算速度的重要工具。
一般文献介绍，进行主元分析后按累积方差的85％选取主元变量即可很好反映过程信息而滤去冗余信息。但通过对航煤干点的软测量研究发现只按累积方差的85％选取主元是不够的，不能很好地跟踪反映工艺情况，抗干扰能力较差。经过反复试验最后按累积方差的95％选取主元，表1是有关影响航煤干点的十三个过程变量进行主元分析的结果。从表1可以看出，前六个主元变量截获了累积方差的96．43％，这就意味着用这六个主元变量就可以很好地反映过程的有用信息而滤去冗余信息。3 航煤干点PCA－RBFN网络模型
采用BP算法训练的多层前向网络在实际应用中已解决了不少问题，但由于BP网络的弱点，现在人们已将注意力越来越多地转向RBF网络，它具有更好的适应特性。将主元分析法与具有RBF网络相结合。
根据主元分析结果，所建的网络的输入对应于各测量变量，选取6个输入变量，网络输出变量是一个。输入层的传递函数采用线性函数，隐含层1采用高斯传递函数，隐含层2、输出层采用双曲正切函数。网络设两个隐含层，隐含层1的节点数选取30个，隐含层2的节点数选为6个，本RBF网络隐含层1采用K－means算法，隐含层2采用广义Delta算法进行训练，误差采用标准误差，网络权值的初始分布采用正态分布。
从所取得的240组数据中，用其中的180组训练RBF网络，再用剩下的60组对网络进行测试，测试泛化结果如图3所示。从图3可以看出，模型的跟踪性能较好，能较好地跟踪航煤干点的实际分析值，且能达到较高的精度（误差在±4℃以内）。
4 航煤干点的软测量工程实施及结果
在加氢裂化分馏塔航煤干点软测量系统中，其各种软测量模型的算法是软件的核心，但只有这些核心部分还无法构成一个实用完整的系统，必须有相应的软件来实现良好的人机接口和过程显示。在基于现场数据的仿真研究的基础上，由CENTUM－XL系统提供的编程环境编制软仪表的核心程序，程序包括数据预处理模块、神经网络预测模块、统计分析方法计算模块、在线校正模块组成。同时在现场CENTUM－XL系统操作站上完成了良好的人机操作界面。在整个组态过程中，过程参数的采集以及各种运算是在操作站上实现的，而操作画面、显示画面等各种画面是在工程师站上实现，然后下转至操作站的。
加氢裂化第一分馏塔航煤干点软测量模型自1998年7月投运以来，运行一直安全、可靠、稳定，我们采集了一段时间内的模型预报输出结果与化验分析值对比，两者的变化趋势基本一致，其绝对误差绝大多数小于2℃，其两者数据比较如表2、表3所示。其中表2为航煤干点软测量模型预报输出与化验分析值的比较。5 结束语
本文根据工艺机理和现场实测数据，经过主元分析建立了PCA－RBFN航煤干点软测量模型，并在CENTUM－XL系统上编制了相应软件（数据预处理、神经网络模型模块、在线校正模块等），最后在实际工业装置投入运行。运行结果表明，精度较高为实现在线控制创造了条件。