利用神經網絡在DCS中實現重整催化劑積碳軟測量

蔡軍，方宏昌，李哲，趙釗

(中國石油遼陽石化分公司 芳烴廠，遼寧 遼陽 111003)

?

利用神經網絡在DCS中實現重整催化劑積碳軟測量

蔡軍，方宏昌，李哲，趙釗

(中國石油遼陽石化分公司 芳烴廠，遼寧 遼陽 111003)

重整催化是石油化工的重要部分，該過程使石腦油發生重整反應，生產出高辛烷值汽油或者芳烴，副產氫氣以及液化氣(LPG)。由于反應過程條件苛刻，重整鉑催化劑表面將很快結焦積碳而老化，老化的催化劑在再生系統裝置中還原得到活性，再次進入重整過程反應。

重整老化的催化劑稱為待生催化劑，其結焦積碳量應控制在5%左右，積碳量過高影響催化劑的活性，芳烴產率低，再生燒焦時困難，容易產生飛溫燒壞設備或者燒焦不完全造成催化劑黑心，再生氧氯化時引起高溫；積碳量過低催化劑循環速率增大，催化劑磨損過大從而降低了其使用壽命。因此，連續重整反應中，催化劑積碳量監測對保障工藝裝置的安全穩定生產、保證芳烴的產率、延長催化劑的使用壽命具有重要意義。

催化劑積碳量監測有在線分析儀測量和人工取樣分析兩種方法。人工取樣分析時間周期長，檢定結果滯后，對重整裝置運行操作帶來不利影響，而在線分析儀器設備又相當昂貴。為此，中國石油遼陽石化分公司1.4Mt/a連續重整裝置根據軟測量理論，應用徑向基函數(RBF)神經網絡技術，在裝置DCS中實現了催化劑積碳量的有效監測。

1重整反應工藝過程簡介

該公司1.4Mt/a連續重整裝置采用了美國UOP公司的第三代超低壓(0.35MPa)連續重整專利技術，其反應工藝流程如圖1所示，自預加氫裝置來的精制石腦油與循環氫氣混合后經換熱器E261進入加熱爐F261，加熱至549 ℃左右后進入重整第一反應器R261，與自再生系統來的催化劑反應后，重整油溫度和壓力都有所改變，接著進入加熱爐F263再次加熱至549 ℃，之后進入反應器R262進行反應，再依次分別加熱后進入R263以及R264，最后完成整個重整反應，反應后的重整產物經E261換熱后至下游進行產物分離。重整催化劑在重整四合一反應器中會逐漸結焦積碳并失去活性，自上向下流動，最后在R264底部流出至再生系統裝置進行再生還原。

重整反應中，工藝過程的各個因素影響催化劑結焦積碳，包括重整產品辛烷值、反應器溫度、反應器壓力、空速、氫油比、催化劑類型等。因此，可以將這些工藝參數作為輔助變量，通過軟測量的方式來得到主導變量——重整催化劑積碳量。

圖1　重整反應工藝流程示意

2重整催化劑積碳軟測量

軟測量技術的理論根源是Brosilow提出的推斷控制，所謂軟測量是把自動控制理論與生產工藝過程知識有機地結合起來，在熟悉軟測量對象以及整個裝置工藝流程的基礎上，對于難于測量或不能直接測量的主導變量，選擇另外一些容易測量的輔助變量，通過某種數學關系或建立某種模型來對主導變量進行預估。

重整催化劑結焦積碳因素分析： 四合一反應器的入口溫度和加權平均床層溫度升高，辛烷值將上升，則結焦含量將上升；反應器平均壓力上升，則結焦含量將下降；氫油比增加會使石腦油以更快的速率通過反應器，并且為吸熱反應提供更多的熱載體，生焦速率下降，減少催化劑結焦；空速越低，操作苛刻度越大，催化劑結焦越大；此外，影響催化劑結焦因素還包括催化劑添加量與種類、重整進料芳烴潛含量、重整進料餾程等。

在該項目的催化劑積碳軟測量中，積碳量為主導變量，選擇反應器溫度和壓力、重整進料氫油比、催化劑循環速率等作為輔助變量。然而，這些輔助變量和催化劑積碳量并無直接的數學關系，因而項目開發采用了RBF神經網絡來建立催化劑積碳軟測量模型。

3基于RBF神經網絡的催化劑積碳模型

3.1RBF神經網絡

人工神經網絡技術具有良好的非線性映射能力、自學習適應能力與并行處理能力，為解決不確定、非線性的建模問題開辟了一條新的思路。RBF神經網絡是以函數逼近為基礎的一種局部逼近前饋網絡,具有收斂速度快、逼近精度高、網絡規模小等特點。RBF神經網絡結構如圖2所示，它由三層組成，第一層是輸入層，由輸入信號源節點組成；第二層是隱含層，即徑向基層；第三層是線性輸出層。隱層神經元“基”構成隱含層空間，將輸入向量直接映射到隱空間。

圖2　徑向基函數神經網絡結構示意

(1)

若取徑向基函數為高斯函數，則神經元的輸出為

(2)

(3)

根據RBF神經網絡的特點可知，網絡隱層神經元個數及其中心、隱層與輸出層連接權值決定神經網絡的結構，調整改變這些因素就可以使RBF神經網絡逼近任意非線性空間。

3.2催化劑積碳量模型建立

RBF神經網絡建立非線性映射模型需要做的工作： 結構設計，即如何確定網絡隱層神經元節點個數；確定各徑向基函數的數據中心及徑向基函數寬度；輸出權值修正等。

3.2.1網絡模型的輸入

根據重整反應的工藝原理，將反應溫度、反應壓力、氫油比、催化劑循環速率等工藝參數作為輔助變量，以確定催化劑積碳量RBF神經網絡模型的6個輸入節點。

3.2.2神經網絡設計與訓練

設計RBF神經網絡隱含層神經元個數有兩種方法： 采用隱層神經元個數等于訓練樣本個數的正規化網絡；采用隱含層神經元數目小于訓練樣本個數的廣義網絡。當訓練樣本個數很大時，正規化網絡難以實現，且在求解網絡的權值時容易產生病態問題，因而選取廣義的RBF網絡。廣義RBF網絡隱層神經元個數大致可以選為2n+1個，n為輸入層節點數，該應用的輸入節點為6個，所以這里設計隱層的節點數為13個左右。

對于催化劑積碳量RBF神經網絡的訓練，首先在裝置DCS中對相關的工藝過程數據進行采集，共收集了數據樣本243組，然后應用處理軟件對含有工業噪聲的采樣數據進行誤差處理和歸一化處理，剔除一些不正常的數據后得到訓練樣本150組。接著再利用這些訓練樣本對RBF神經網絡進行訓練，訓練過程中根據目標偏差確定了神經網絡的神經元節點數定為12個。同時采用了催化劑積碳量均值m和標準差d來對神經網絡的輸出做還原計算。

Yout=(OutNN+b2)d+m

(4)

4催化劑積碳量RBF神經網絡模型在DCS中的組態

重整聯合裝置DCS為PKS 300系統，催化劑積碳量RBF神經網絡模型在PKS 300下的組態過程如圖3所示。

圖3　RBF神經網絡模型程序結構示意

1) 建立催化劑積碳量軟測量點。打開PKS系統組態軟件Configuration Studio，進入過程組態畫面Control Builder，在其中建1個CM點，位號為CA2601，雙擊該CM點進入組態表單。從Control Builder功能塊庫Library的Utility中拖1個數值數組塊NUMERICARRAY到CA2601表單，該數組塊用于存放催化劑積碳量神經網絡模型隱含層權值、輸出層權值、輸入變量的兩組歷史數據以及輸入訓練樣本的均值和其標準差；從Control Builder功能塊庫Library的Utility中拖6個數值塊NUMERIC到CA2601表單，分別用于程序計數、中間變量及輸出等的寄存器；再從Control Builder功能塊庫Library的DATAACQ中拖1個DACA塊用于CM點輸出。

2) 編寫催化劑積碳量的RBF神經網絡模型。在Control Builder中建1個SCM(sequential control module)點，位號為CA260，雙擊該SCM點進入組態表單，進行神經網絡模型程序編寫。程序第一步計算輸入變量，6個輸入變量寫入CA2601中數組109～114單元；第二步對最近3組輸入變量(CA2601中數組97～114單元的數據)平滑處理；第三步保存歷史數據，即將CA2601中數組103～108單元的數據寫入數組97～102單元，將數組109～114單元的數據寫入數組103～108單元；第四步輸入變量數據(CA2601中數組109～114單元的數據)標準化；第五、六、七步分別為計算神經網絡隱含層結果、計算神經網絡輸出層結果和最后測量結果的還原計算。該程序多處使用了循環結構，每個循環使用2個條件塊和幾個步驟塊來完成。

3) 完成上述工作后，在Control Builder將組態好的催化劑積碳量軟測量點CA2601和軟測量RBF神經網絡模型程序CA260下裝至控制器，激活CM點CA2601和SCM點CA260并啟動CA260，整個催化劑積碳量軟測量開始運行。

5結束語

在連續重整反應中，催化劑積碳量是重要的過程指標。中國石油遼陽石化分公司重整裝置利用先進的軟測量控制理論、神經網絡技術和計算機控制技術，實現了催化劑積碳量的有效測量。該測量結果和人工采樣分析結果進行了多次的比較，其誤差都在0.01范圍內，從而驗證了該測量技術的可靠性。基于RBF神經網絡的催化劑積碳量軟測量技術的成功開發對于重整裝置的操作及優化運行具有重要意義。

參考文獻：

[1]俞金壽.軟測量技術在石油化工中的應用[J]．石油化工，2000,29(03)： 221-226.

[2]李成棟.催化重整裝置技術問答[M].北京： 中國石化出版社，2004.

[3]徐承恩.催化重整工藝與工程[M].北京： 中國石化出版社，2006.

[4]李志明,孔令富.基于SVM的軟測量在原油含水率估算中的應用[J].燕山大學學報，2006，30(04)： 328-333.

[5]王玉喬,程光旭,湯杰國.基于KPCA的連續重整催化劑結焦碳含量軟測量模型[J].高校化學工程學報，2009,23(05)： 852-857.

[6]周勇,胡中功.RBF神經網絡理論及其在控制中的應用[J].武漢科技學院學報，2007,20(05)： 40-42.

[7]徐洪華,田迎華.RBF神經網絡在鍋爐安全液位控制中的應用[J].中國安全生產科學技術，2011,7(08)： 170-174.

[8]許海霞,王春華,周維,等.基于RBF神經網絡的混沌保密通信的研究[J].電路與系統學報，2005,10(03)： 28-31,46.

[9]劉宏鑫,江正豐,林斌.連續重整PS-VI催化劑硫中毒分析及對策[J].煉油技術與工程，2013，43(08)： 45-48.

[10]陳國平.PS-VII連續重整催化劑的積碳性能[J].石油煉制與化工，2006,37(08)： 18-19.

[11]馬愛增,潘錦程,楊森年,等.低積炭速率連續重整催化劑的研發及工業應用[J].石油煉制與化工，2012,43(04)： 18-23.

[12]賈瑩,高丙坤.基于遺傳算法優化神經網絡的管道泄漏檢測方法研究[J].化工自動化及儀表,2014,41(02)： 128-131,137.

[13]牛緒鐘,湯偉,胡連華,等.基于神經網絡的IMC-PID控制方法的應用[J].化工自動化及儀表,2012,39(01)： 6-9.

摘要：催化劑積碳量是重整催化過程的重要指標，常規方法無法直接測量，遼陽石化分公司針對1.40Mt/a連續重整裝置開發了基于RBF神經網絡的催化劑積碳量軟監測技術，并在聯合裝置DCS上得到應用。在簡單介紹重整反應工藝的基礎上，概括了重整催化劑積碳量軟測量技術，闡述了RBF神經網絡的理論基礎，并進一步說明了催化劑積碳量軟測量神經網絡模型的建立，同時敘述了神經網絡模型在DCS中的編程及軟測量技術的實現。

關鍵詞：重整催化劑軟測量RBF神經網絡

Realization of Soft Measurement for Carbon Deposition of Reforming Catalyst Based on RBF in DCSCai Jun, Fang Hongchang, Li Zhe, Zhao Zhao

(Aromatic Plant，Liaoyang Petrochemical Company of Petrochina, Liaoyang, 111003, China)

Abstracts： Carbon deposition is an important index of reforming catalyst. It can’t be directly measured with routine methods. Soft measurement technology for carbon deposition of reforming catalyst based on RBF neural network is developed for 1.40 Mt/a continuous reforming installation for Petrochina Liaoyang Company, and is applied in DCS for integrated installation. On the basic of introducing reforming reaction progress simply, soft measurement technology on carbon deposition of reforming catalyst is outlined. RBF neural network theory is expounded. Establishment of neural network model for soft measurement of carbon deposition of catalyst is described further. Programming of neural network model in DCS and realization of soft measurement technology are described.

Key words：reforming; catalyst; soft measurement; RBF neural network

中圖分類號：TP273

文獻標志碼：B

文章編號：1007-7324(2015)03-0029-04

作者簡介：蔡軍(1963—)，男，2004年畢業于大連理工大學計算機與科學應用專業，獲工學學士學位，現就職于中國石油遼陽石化分公司芳烴廠，從事工廠過程儀表及控制系統管理、技術改造及開發工作，任儀表車間主任。

稿件收到日期： 2015-02-12，修改稿收到日期： 2015-03-20。