CN102880905B - 一种常顶油干点在线软测量方法 - Google Patents

Abstract

本发明涉及一种常顶油干点的在线软测量方法；选取和构造影响常顶油干点的关键变量，即常压塔塔顶温度、常压塔塔顶压力、常压塔塔顶回流温度、常压塔塔顶循环带出能量、采出比和常压塔侧线采出总量作为神经网络模型的输入变量，常顶油干点作为对应的输出，建立基于人工神经网络模型的常顶油干点的软仪表，通过人工分析值对模型输出进行校正，实现对常压塔塔顶产品质量的实时监测和控制；该方法不仅可以指导操作人员对操作过程进行及时调整，而且软仪表给出的干点估计值可以为过程控制提供依据，进而实现操作过程的优化，提高常减压装置的原油拔出率。

Description

一种常顶油干点在线软测量方法

技术领域

本发明属于石油炼制与智能控制交叉领域，涉及石油炼制过程中常减压装置中常压塔产品-常顶油干点的一种在线软测量方法。

背景技术

常压塔作为常减压装置的主要设备，大量处理来自初馏塔的原油，并消耗大量的能量。因此，保证常压塔高效、稳定运行，成为常减压装置节能降耗、提高原油拔出率的关键。

常顶油干点是常顶产品的主要质量控制指标，其主要反映采出油品的轻重，所以其控制的好坏不仅关系到常压塔原油的拔出率，同时影响后面的加工过程。当前，对于干点，还没有合适的仪表能够实时给出测量值，多数炼厂还是依赖于实验室的人工分析值。人工分析的周期一般为每4个小时或者8个小时一次，每次分析需要近两个小时，然后根据人工分析的结果对操作工况进行调整，所以滞后较大，往往容易造成采出的产品太重不合格或者为了保证产品的质量而最终影响到原油的拔出率。

为了解决上述问题，在过程控制中，开发了许多软测量的方法，利用各种不同的数学模型来估计干点值。通过选取与常顶油干点值密切相关的变量作为模型的辅助变量，然后根据模型输入实时估计出干点值。软测量中使用的模型众多，大体可以分为三类，即机理模型、统计模型和智能建模方法。机理模型法和统计模型法是传统的建模方法，它们的共同缺点是不能准确描述常减压装置这种高度非线性的系统，所以模型精度都不够高。近年来发展起来的智能建模技术，为非线性系统建模提供了一种新的思路。智能建模方法有人工神经网络、支持向量机等，它们共同的特点是具有自学习、自组织能力，对于非线性系统可以给出较为准确的描述，所以在过程建模中得到了广泛的应用。

目前，针对常压塔的软测量方法中，不管是传统的建模方法还是智能建模，都存在如下一些问题：

(1)由于原油性质及操作工况经常发生变化，造成所建模型的计算精度随时间逐渐降低，所以软测量模型发挥的效果有限。

(2)常减压装置是高度非线性系统，变量耦合严重，软测量建模中所选变量往往较多，而且相互关联，冗余变量较多，反而造成模型的输出稳定性下降。

常压塔的操作变量较多，为了合理选取软测量模型的辅助变量，避免模型过于精简，不能完全描述干点的变化规律，同时，为了减少冗余变量的产生，本发明首先采用AspenPlus对常压塔进行流程模拟，模拟出常压塔的实际操作工况，然后进行常压塔关键操作变量关于常顶油干点的灵敏度分析，根据灵敏度分析的结果，选取对常顶油干点影响较大的变量作为软测量模型辅助变量的候选集合，然后基于石油精馏原理，对候选的辅助变量进行相关性分析，去除冗余的变量，最终确定模型的输入变量。依据确定的辅助变量，采集现场的历史生产数据，去除异常数据，形成训练样本集。然后利用BP算法训练3层前馈神经网络，在误差满足一定要求后，输出模型参数。

发明内容

本发明的目的是给出一种常压塔常顶油干点的人工神经网络软测量方法。首先通过AspenPlus灵敏度分析，选取常顶温度(x₁，℃)、常顶压力(x₂，Kpa)、常顶回流温度(x₃，℃)、常顶循带出能量(x₄，℃·t/h)、采出比(x₅)和常压塔侧线采出总量(x₆，t/h)作为神经网络模型的输入变量。其中x₁，x₂，x₃可由仪表直接测量得到，x₄，x₅，x₆可在仪表测量值的基础上通过计算得到，通过集散控制系统的人机接口输入上一天时刻t′的常压塔常顶油干点的人工分析值；经过模型在线计算，并根据模型输出值和输入的上一天时刻t′的人工分析值的相对误差，对模型输出值进行校正，实现在线给出常顶油干点的估计值。

1、软测量模型辅助变量的选取或者构造

常压塔的操作变量很多，各个变量相互影响，耦合严重。对常顶油干点的影响变量有：常顶油采出量、常一线油采出量、常二线采出量、常三线采出量、常四线采出量、常压塔总进料量、进料温度、加热炉出口温度、常顶温度、常顶压力、常顶循取热量、常一中取热量、常二中取热量、常一线汽提加热负荷、常二线汽提蒸汽量、常三线汽提蒸汽量、常压塔塔釜汽提蒸汽量。其中，像常顶循取热量、常一中取热量、常二中取热量、常一线汽提加热负荷等变量的精确计算涉及到原油的物性数据，由于原油性质变化较为频繁，不能及时获得较为准确的物性数据，所以取热量用换热温度差和流量的乘积进行简单表征。对上述变量逐个用Aspenplus进行关于常顶油干点的灵敏度分析，如图1所示，给出了加热炉出口温度对常顶油干点的灵敏度分析结果，依此例，可以对其它变量逐个进行灵敏度分析。根据灵敏度分析的结果，选取对干点影响显著的操作变量作为软测量模型的辅助变量的候选集。

本发明的特点：

(1)利用Aspenplus对操作变量进行灵敏度分析，选择对常顶油干点影响显著的变量作为软测量模型辅助变量的候选集，然后基于石油精馏原理，去掉冗余变量，确定模型的辅助变量。

(2)构造了常顶循带出能量、采出比、常压塔侧线采出量三个辅助变量，来分别表征常顶循的取热量、常顶油的采出比例、常压塔的四个侧线的采出量总和。

(3)利用常顶油干点前一天时刻t′的人工分析值，对接下来一天的软测量模型输出进行校正，以应对由于原油性质频繁变换而导致的模型精度逐渐下降的问题。

为此，常压塔常顶油干点神经网络软测量模型选取的辅助变量如下：

①常顶温度(x₁，℃)

②常顶压力(x₂，Kpa)

③常顶回流温度(x₃，℃)

④常顶循带出能量(x₄)

⑤采出比(x₅)

⑥常压塔侧线采出量(x₆，t/h)

其中，常顶循带出能量、采出比、常压塔侧线采出量的计算公式构造如下：

x₄＝F₁×(t₁-t₂)(1)

x₅＝F₂/F(2)

x₆＝F₃+F₄+F₅+F₆(3)

其中，F₁为常顶循流量(t/h)，t₁、t₂分别为常顶循的抽出和返回温度(℃)，F₂为常顶汽油采出量(t/h)，F为常压塔进料量(t/h)，F₃，F₄，F₅，F₆分别为常一线、常二线、常三线、常四线采出量(t/h)。

2、数据预处理

根据上面确定的模型的辅助变量，采集常压塔的历史生产数据，包括x₁，x₂，x₂及计算所x₄，x₅，x₆需的变量：常顶循流量F₁、常顶循的抽出和返回温度t₁、t₂，常顶汽油采出量F₂，常压塔进料量F以及常一线、常二线、常三线、常四线采出量F₃，F₄，F₅，F₆和对应时刻的干点人工分析值。采集的数据范围应覆盖较宽的操作工况，同时应避免采集开、停车和异常工况下的数据，对采集到的数据进行粗大误差的去除和侦破，形成数据样本集。

由于模型各个输入变量数量级相差较大，所以模型的输入变量按照下式进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}(b-a)+a,i=\mathrm{1,2},...,6---\left(4\right)$

式中，x_i是神经网络模型第i个输入变量的测量值，sx_i表示第i个输入变量经归一化处理后神经网络的输入值，和表示采集的第i个输入变量变化范围的下限和上限，a和b表示归一化处理后输入变量的下限和上限，这里，取b＝1和a＝-1。

神经网络模型的输出变量利用下式进行归一化处理：

$\mathrm{sy}=\frac{y-y^{\min }}{y^{\max }-y^{\min }}(d-c)+c---\left(5\right)$

式中，y为输出变量常顶油干点的实际分析值，y^min，y^max为输出变量实际分析值的下限和上限，归一化以后的值为sy，c和d表示归一化处理后神经网络模型的输出值的下限和上限。这里取d＝0.9和c＝0.1，归一化以后的值(sx₁，sx₂Lsx₆，sy)作为神经网络训练样本集。

3.人工神经网络模型的建立

人工神经网络采用三层前馈网络，如图2所示。激活函数均使用tansig函数，采用误差反向传播算法(BP算法)对网络进行训练，输入层节点个数为6，隐含层节点个数定为5～10个，输出层节点为1，利用训练样本集对网络进行训练，训练的误差函数MSE如下：

$\mathrm{MSE}=\frac{1}{n}{(y^{\′}-\mathrm{sy})}^2---\left(6\right)$

其中，y′为神经网络的计算值，sy为归一化以后干点的人工分析值。

经过一定的训练代数后，当误差小于一定的要求后，停止训练，输出神经网络的权值和阈值，即获得用神经网络描述的sx₁，sx₂Lsx₆与sy的近似关系，可以写为：

sy≈y′＝f(sx₁，sx₂Lsx₆)(7)

其中，神经网络模型f(·)是描述sx₁，sx₂Lsx₆与y′的函数关系，其实质是用y′去逼近真实值sy，然后将y′反归一化，得到模型的计算值即

$\tilde{y}=\frac{y^{\′}-c}{d-c}(y^{\max }-y^{\min })+y^{\min }---\left(8\right)$

4、软测量模型的在线校正

通过在集散控制系统建点，将以上的神经网络模型写入DCS中，通过实时采集或者计算得到6个输入变量的值，然后通过模型计算，给出常顶油干点的模型计算值，将模型计算值和相应时刻的人工分析值作对比，利用二者的误差对模型计算值进行校正，最终输出校正值。

模型的校正方式如下：

由于每8个小时对干点进行一次人工分析，所以对模型每8小时进行一次校正。计算公式如下：

$\hat{y}\left(t\right)=\tilde{y}\left(t\right)+\mathrm{\α}(y_a-{\tilde{y}}_a)---\left(9\right)$

其中，y_a为常顶油干点人工分析值，为神经网络模型经校正后的输出值，为模型未经校正的输出值，为人工分析对应时刻的未经校正的模型输出值。α为人工分析值和神经网络模型输出值之间的误差的加权值，可以根据对二者所给结果的信任程度取值。

附图说明

图1是加热炉出口温度对常顶油干点的灵敏度分析图

图2是常顶油干点神经网络软测量模型框图

具体实施方式

1、数据采集及预处理

从工业现场采集400余组历史生产数据，去除粗大误差和异常数据后，选取400组来进行神经网络的训练，利用式(4)，对输入变量进行归一化处理，x₁的变化范围为[100.5，114.86]，x₂的变化范围为[32.31，55.35]，x₃的变化范围为[69.21，86.67]，x₄的变化范围为[2747.49，4427.83]，x₅的变化范围为[0.0145，0.0279]，x₆的变化范围为[97.9，123.1]，这里，a＝-1，b＝1。输入变量归一化计算公式如下：

${\mathrm{sx}}_1=\frac{x_1-114.86}{114.86-100.5}\×2-1$

${\mathrm{sx}}_2=\frac{x_2-32.31}{55.35-32.31}\×2-1$

${\mathrm{sx}}_3=\frac{x_3-69.21}{86.67-69.21}\×2-1$

${\mathrm{sx}}_4=\frac{x_4-2747.49}{4427.83-2747.49}\×2-1$

${\mathrm{sx}}_5=\frac{x_5-0.0145}{0.0279-0.0145}\×2-1$

${\mathrm{sx}}_6=\frac{x_6-97.9}{123.1-97.9}\×2-1$

利用式(5)，对因变量进行归一化处理，常顶油归一化的范围为[135.4，154.6]，归一化到[0.1，0.9]，这里d＝0.9，c＝0.1，计算公式为：

$\mathrm{sy}=\frac{y-135.4}{154.6-135.4}(0.9-0.1)+0.1$

2、软测量模型的建立

神经网络的输入层节点数为6，中间层节点数为8，输出层节点数为1。以归一化以后的320组数据作为训练样本，利用BP算法对3层前馈神经网络进行训练，以余下的80组样本作为测试数据，对模型进行检验，在模型训练误差平均值及平均预测误差≯2℃后，输出神经网络的参数，得到常顶油干点软测量模型。常顶油干点神经网络相关参数如下所示：

$w1=\left[\begin{array}{cccccc}-0.341& 0.6661& -1.6805& 0.2676& -2.7082& 1.9736\\ 9.8793& -202.701& -2.6907& -113.45& 321.4433& -395.88\\ -5.4458& 0.3865& 3.559& -4.5623& -7.0847& -2.4882\\ 4.9235& 0.5815& -3.9916& 4.1895& -0.1155& 3.3565\\ -1.5312& -0.9696& 1.5297& 3.5879& 0.6568& 0.7242\\ -21.5012& 2.1147& -44.9359& -14.2282& -0.5703& 70.2191\\ -5.0854& 1.1167& 1.2024& 2.668& -0.7608& -3.1868\\ 0.3375& -0.6293& 1.6411& -0.2988& 2.6869& -1.9619\end{array}\right]$

w2＝[18.88560.0618-0.1445-0.13670.2957-0.1004-0.169819.0212]

b1＝[1.5976-127.5591.4681-0.50360.019117.9897-3.2703-1.6006]

b2＝0.6431

其中，w1，w2为神经网络的连接权值，b1，b2分别为隐含层节点和输出节点的阈值。所以，常顶油干点的神经网络模型为：

o^h＝t(sx·w1+b1)(10)

y′＝t(oh·w2+b2)(11)

其中，oh为隐含层输出值，y′为神经网络的输出值。

$o_1^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(1,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,1}\right))$

$o_2^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(2,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,2}\right))$

$o_3^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(3,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,3}\right))$

$o_4^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(4,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,4}\right))$

$o_5^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(5,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,5}\right))$

$o_6^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(6,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,6}\right))$

$o_7^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(7,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,7}\right))$

$o_8^h=t(\underset{i=1}{\overset{6}{\mathrm{\Σ}}}w1(8,i){\mathrm{gsx}}_i+b1\left(\mathrm{1,8}\right))$

$y^{\′}=t(o_1^h\·w2\left(\mathrm{1,1}\right)+o_2^h\·w2\left(\mathrm{1,2}\right)+o_3^h\·w2\left(\mathrm{1,3}\right)+o_4^h\·w2\left(\mathrm{1,4}\right)+o_5^h\·w2\left(\mathrm{1,5}\right)+o_6^h\·w2\left(\mathrm{1,6}\right)+o_7^h\·w2\left(\mathrm{1,7}\right)+o_8^h\·w2\left(\mathrm{1,8}\right)+b2)$

其中，表示隐含层第i个节点的输出值。w1(i，j)表示权值矩阵w1中第i行的第j维变量，b1(i，j)表示阈值矩阵b1的第i行的第j维变量，w2(i，j)表示权值矩阵w2中第i行的第j维变量。

y′为神经网络的计算值，经过反归一化，就可以得到神经网络的预测值，常顶油归一化的范围为[135.4，154.6]，归一化到[0.1，0.9]，d＝0.9，c＝0.1，所以反归一化公式为：

$\tilde{y}=\frac{y^{\′}-0.1}{0.9-0.1}(154.6-135.4)+135.4$

以上描述了基于集散控制系统的常顶油干点神经网络模型，接下来，描述模型的校正方法。以某一时刻t模型的计算值为例：

设时刻t时6个输入变量的采集或者计算值为：

$\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\\ x_4\\ x_5\\ x_6\end{array}\right]=\left[\begin{array}{c}107.85\\ 49.02\\ 81.77\\ 3723.35\\ 0.016\\ 114.27\end{array}\right]$

归一化后，得到[sx₁，sx₂Lsx₆]＝[0.024，0.450，0.438，0.162，-0.772，0.307]，代入以上神经网络模型得到，模型的计算值为：时刻t对应的前一次的人工分析值为142，当时的软测量模型输出值为141.18，所以利用如下公式进行校正：

为t时刻模型的校正输出值。这里，取α的值为0.2。

Claims (1)

1.一种常顶油干点在线软测量方法，其特征在于：所述软测量方法包括如下步骤：

(1)利用Aspenplus对常压塔的操作工况进行模拟，对常压塔的关键操作变量进行关于常顶油干点的灵敏度分析，根据灵敏度分析的结果，选取对常顶油干点有显著影响的操作变量作为常顶油干点软测量模型辅助变量的候选集；

(2)对经过灵敏度分析选取的辅助变量进行变量之间的相关性分析，去除冗余变量，最终选择常顶温度(x₁,℃)、常顶压力(x₂,Kpa)、常顶回流温度(x₃,℃)、常顶循带出能量(x₄，℃·t/h)、采出比x₅和常压塔侧线采出总量(x₆,t/h)作为神经网络模型的输入变量；

(3)选取常顶油干点作为网络模型的输出值；

(4)利用相应的数据采集点的测量仪表或者集散控制系统DCS，直接测量或者通过间接计算得到辅助变量x₁～x₆的值；

(5)通过对采集的现场数据进行数据预处理，形成神经网络训练样本集，利用误差反向传播BP算法对三层前馈神经网络进行训练，在误差达到一定要求后，输出神经网络模型的参数，即连接权值和阈值，得到关于常顶油干点的神经网络模型；

(6)根据神经网络模型的输入、输出变量在DCS中建点，然后将模型写入DCS，根据输入变量的实时数据，通过模型计算，实时计算输出，即干点的软测量值(y,℃)，进而指导操作人员对生产过程及时调整；

所述辅助变量x₁,x₂,x₃通过仪表直接测量得到，所述变量x₄,x₅,x₆通过以下公式间接计算得到：

x₄＝F₁×(t₁-t₂)

x₅＝F₂/F

x₆＝F₃+F₄+F₅+F₆

其中，F₁为常顶循流量(t/h),t₁、t₂分别为常顶循的出口和入口温度(℃)，F₂为常顶汽油采出量(t/h)，F为常压塔进料量(t/h)，F₃,F₄,F₅,F₆分别为常一线、常二线、常三线、常四线采出量(t/h)；

所述神经网络模型的输入、输出变量均经归一化处理；

所述神经网络模型的输入变量按照下式进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_i^{\min }}{x_i^{\max }-x_i^{\min }}(b-a)+a,i=1,2,...,6$

式中，x_i是神经网络模型第i个输入变量的测量值，sx_i表示第i个输入变量经归一化处理后作为神经网络的输入值，和表示采集的第i个输入变量变化范围的下限和上限，a和b表示归一化处理后输入变量的下限和上限；取b＝1和a＝-1；

所述神经网络模型的因变量利用下式进行归一化处理：

$sy=\frac{y-y^{\min }}{y^{\max }-y^{\min }}(d-c)+c$

式中，y为输出变量常顶油干点的实际分析值，y^min，y^max为输出变量常顶油干点的实际分析值的下限和上限，归一化以后的值为sy，c和d表示归一化处理后神经网络模型的输出值的下限和上限；

输入、输出数据经归一化后得到训练样本集(sx₁，sx₂…sx₆，sy)，然后采用BP算法来训练三层前馈神经网络，在训练误差满足一定的要求后，输出模型参数，得到模型输入输出的映射关系：

y′＝f(sx₁，sx₂…sx₆)

得到的模型输出需要进行反归一化处理才能得到最后的常顶油干点值，反归一化通过下式进行计算：

$\tilde{y}=\frac{y^{\′}-c}{d-c}(y^{\max }-y^{\min })+y^{min}$

式中，为常顶油干点软测量模型反归一化后的输出值，y^min，y^max为神经网络输出变量常顶油干点实际分析值的下限和上限，y'为神经网络的计算值，c和d表示神经网络模型的输出值归一化处理的下限和上限；

每天利用时刻t的干点人工分析值对下次人工分析值产生之前的模型计算值进行校正，校正公式如下：

$\hat{y}\left(t\right)=\tilde{y}\left(t\right)+\mathrm{\α}(y_a-{\tilde{y}}_a)$

其中，y_a为常顶油干点人工分析值，为神经网络模型经校正后的输出值，为模型未经校正的输出值，为人工分析对应时刻的未经校正的模型输出值，α为人工分析值和神经网络模型输出值之间的误差的加权值，根据对二者所给结果的信任程度取值。