利用神经网络在DCS中实现重整催化剂积碳软测量

蔡军，方宏昌，李哲，赵钊

(中国石油辽阳石化分公司 芳烃厂，辽宁 辽阳 111003)



利用神经网络在DCS中实现重整催化剂积碳软测量

蔡军，方宏昌，李哲，赵钊

(中国石油辽阳石化分公司 芳烃厂，辽宁 辽阳 111003)

重整催化是石油化工的重要部分，该过程使石脑油发生重整反应，生产出高辛烷值汽油或者芳烃，副产氢气以及液化气(LPG)。由于反应过程条件苛刻，重整铂催化剂表面将很快结焦积碳而老化，老化的催化剂在再生系统装置中还原得到活性，再次进入重整过程反应。

重整老化的催化剂称为待生催化剂，其结焦积碳量应控制在5%左右，积碳量过高影响催化剂的活性，芳烃产率低，再生烧焦时困难，容易产生飞温烧坏设备或者烧焦不完全造成催化剂黑心，再生氧氯化时引起高温；积碳量过低催化剂循环速率增大，催化剂磨损过大从而降低了其使用寿命。因此，连续重整反应中，催化剂积碳量监测对保障工艺装置的安全稳定生产、保证芳烃的产率、延长催化剂的使用寿命具有重要意义。

催化剂积碳量监测有在线分析仪测量和人工取样分析两种方法。人工取样分析时间周期长，检定结果滞后，对重整装置运行操作带来不利影响，而在线分析仪器设备又相当昂贵。为此，中国石油辽阳石化分公司1.4Mt/a连续重整装置根据软测量理论，应用径向基函数(RBF)神经网络技术，在装置DCS中实现了催化剂积碳量的有效监测。

1重整反应工艺过程简介

该公司1.4Mt/a连续重整装置采用了美国UOP公司的第三代超低压(0.35MPa)连续重整专利技术，其反应工艺流程如图1所示，自预加氢装置来的精制石脑油与循环氢气混合后经换热器E261进入加热炉F261，加热至549 ℃左右后进入重整第一反应器R261，与自再生系统来的催化剂反应后，重整油温度和压力都有所改变，接着进入加热炉F263再次加热至549 ℃，之后进入反应器R262进行反应，再依次分别加热后进入R263以及R264，最后完成整个重整反应，反应后的重整产物经E261换热后至下游进行产物分离。重整催化剂在重整四合一反应器中会逐渐结焦积碳并失去活性，自上向下流动，最后在R264底部流出至再生系统装置进行再生还原。

重整反应中，工艺过程的各个因素影响催化剂结焦积碳，包括重整产品辛烷值、反应器温度、反应器压力、空速、氢油比、催化剂类型等。因此，可以将这些工艺参数作为辅助变量，通过软测量的方式来得到主导变量——重整催化剂积碳量。

图1　重整反应工艺流程示意

2重整催化剂积碳软测量

软测量技术的理论根源是Brosilow提出的推断控制，所谓软测量是把自动控制理论与生产工艺过程知识有机地结合起来，在熟悉软测量对象以及整个装置工艺流程的基础上，对于难于测量或不能直接测量的主导变量，选择另外一些容易测量的辅助变量，通过某种数学关系或建立某种模型来对主导变量进行预估。

重整催化剂结焦积碳因素分析： 四合一反应器的入口温度和加权平均床层温度升高，辛烷值将上升，则结焦含量将上升；反应器平均压力上升，则结焦含量将下降；氢油比增加会使石脑油以更快的速率通过反应器，并且为吸热反应提供更多的热载体，生焦速率下降，减少催化剂结焦；空速越低，操作苛刻度越大，催化剂结焦越大；此外，影响催化剂结焦因素还包括催化剂添加量与种类、重整进料芳烃潜含量、重整进料馏程等。

在该项目的催化剂积碳软测量中，积碳量为主导变量，选择反应器温度和压力、重整进料氢油比、催化剂循环速率等作为辅助变量。然而，这些辅助变量和催化剂积碳量并无直接的数学关系，因而项目开发采用了RBF神经网络来建立催化剂积碳软测量模型。

3基于RBF神经网络的催化剂积碳模型

3.1RBF神经网络

人工神经网络技术具有良好的非线性映射能力、自学习适应能力与并行处理能力，为解决不确定、非线性的建模问题开辟了一条新的思路。RBF神经网络是以函数逼近为基础的一种局部逼近前馈网络,具有收敛速度快、逼近精度高、网络规模小等特点。RBF神经网络结构如图2所示，它由三层组成，第一层是输入层，由输入信号源节点组成；第二层是隐含层，即径向基层；第三层是线性输出层。隐层神经元“基”构成隐含层空间，将输入向量直接映射到隐空间。

图2　径向基函数神经网络结构示意

(1)

若取径向基函数为高斯函数，则神经元的输出为

(2)

(3)

根据RBF神经网络的特点可知，网络隐层神经元个数及其中心、隐层与输出层连接权值决定神经网络的结构，调整改变这些因素就可以使RBF神经网络逼近任意非线性空间。

3.2催化剂积碳量模型建立

RBF神经网络建立非线性映射模型需要做的工作： 结构设计，即如何确定网络隐层神经元节点个数；确定各径向基函数的数据中心及径向基函数宽度；输出权值修正等。

3.2.1网络模型的输入

根据重整反应的工艺原理，将反应温度、反应压力、氢油比、催化剂循环速率等工艺参数作为辅助变量，以确定催化剂积碳量RBF神经网络模型的6个输入节点。

3.2.2神经网络设计与训练

设计RBF神经网络隐含层神经元个数有两种方法： 采用隐层神经元个数等于训练样本个数的正规化网络；采用隐含层神经元数目小于训练样本个数的广义网络。当训练样本个数很大时，正规化网络难以实现，且在求解网络的权值时容易产生病态问题，因而选取广义的RBF网络。广义RBF网络隐层神经元个数大致可以选为2n+1个，n为输入层节点数，该应用的输入节点为6个，所以这里设计隐层的节点数为13个左右。

对于催化剂积碳量RBF神经网络的训练，首先在装置DCS中对相关的工艺过程数据进行采集，共收集了数据样本243组，然后应用处理软件对含有工业噪声的采样数据进行误差处理和归一化处理，剔除一些不正常的数据后得到训练样本150组。接着再利用这些训练样本对RBF神经网络进行训练，训练过程中根据目标偏差确定了神经网络的神经元节点数定为12个。同时采用了催化剂积碳量均值m和标准差d来对神经网络的输出做还原计算。

Yout=(OutNN+b2)d+m

(4)

4催化剂积碳量RBF神经网络模型在DCS中的组态

重整联合装置DCS为PKS 300系统，催化剂积碳量RBF神经网络模型在PKS 300下的组态过程如图3所示。

图3　RBF神经网络模型程序结构示意

1) 建立催化剂积碳量软测量点。打开PKS系统组态软件Configuration Studio，进入过程组态画面Control Builder，在其中建1个CM点，位号为CA2601，双击该CM点进入组态表单。从Control Builder功能块库Library的Utility中拖1个数值数组块NUMERICARRAY到CA2601表单，该数组块用于存放催化剂积碳量神经网络模型隐含层权值、输出层权值、输入变量的两组历史数据以及输入训练样本的均值和其标准差；从Control Builder功能块库Library的Utility中拖6个数值块NUMERIC到CA2601表单，分别用于程序计数、中间变量及输出等的寄存器；再从Control Builder功能块库Library的DATAACQ中拖1个DACA块用于CM点输出。

2) 编写催化剂积碳量的RBF神经网络模型。在Control Builder中建1个SCM(sequential control module)点，位号为CA260，双击该SCM点进入组态表单，进行神经网络模型程序编写。程序第一步计算输入变量，6个输入变量写入CA2601中数组109～114单元；第二步对最近3组输入变量(CA2601中数组97～114单元的数据)平滑处理；第三步保存历史数据，即将CA2601中数组103～108单元的数据写入数组97～102单元，将数组109～114单元的数据写入数组103～108单元；第四步输入变量数据(CA2601中数组109～114单元的数据)标准化；第五、六、七步分别为计算神经网络隐含层结果、计算神经网络输出层结果和最后测量结果的还原计算。该程序多处使用了循环结构，每个循环使用2个条件块和几个步骤块来完成。

3) 完成上述工作后，在Control Builder将组态好的催化剂积碳量软测量点CA2601和软测量RBF神经网络模型程序CA260下装至控制器，激活CM点CA2601和SCM点CA260并启动CA260，整个催化剂积碳量软测量开始运行。

5结束语

在连续重整反应中，催化剂积碳量是重要的过程指标。中国石油辽阳石化分公司重整装置利用先进的软测量控制理论、神经网络技术和计算机控制技术，实现了催化剂积碳量的有效测量。该测量结果和人工采样分析结果进行了多次的比较，其误差都在0.01范围内，从而验证了该测量技术的可靠性。基于RBF神经网络的催化剂积碳量软测量技术的成功开发对于重整装置的操作及优化运行具有重要意义。

参考文献：

[1]俞金寿.软测量技术在石油化工中的应用[J]．石油化工，2000,29(03)： 221-226.

[2]李成栋.催化重整装置技术问答[M].北京： 中国石化出版社，2004.

[3]徐承恩.催化重整工艺与工程[M].北京： 中国石化出版社，2006.

[4]李志明,孔令富.基于SVM的软测量在原油含水率估算中的应用[J].燕山大学学报，2006，30(04)： 328-333.

[5]王玉乔,程光旭,汤杰国.基于KPCA的连续重整催化剂结焦碳含量软测量模型[J].高校化学工程学报，2009,23(05)： 852-857.

[6]周勇,胡中功.RBF神经网络理论及其在控制中的应用[J].武汉科技学院学报，2007,20(05)： 40-42.

[7]徐洪华,田迎华.RBF神经网络在锅炉安全液位控制中的应用[J].中国安全生产科学技术，2011,7(08)： 170-174.

[8]许海霞,王春华,周维,等.基于RBF神经网络的混沌保密通信的研究[J].电路与系统学报，2005,10(03)： 28-31,46.

[9]刘宏鑫,江正丰,林斌.连续重整PS-VI催化剂硫中毒分析及对策[J].炼油技术与工程，2013，43(08)： 45-48.

[10]陈国平.PS-VII连续重整催化剂的积碳性能[J].石油炼制与化工，2006,37(08)： 18-19.

[11]马爱增,潘锦程,杨森年,等.低积炭速率连续重整催化剂的研发及工业应用[J].石油炼制与化工，2012,43(04)： 18-23.

[12]贾莹,高丙坤.基于遗传算法优化神经网络的管道泄漏检测方法研究[J].化工自动化及仪表,2014,41(02)： 128-131,137.

[13]牛绪钟,汤伟,胡连华,等.基于神经网络的IMC-PID控制方法的应用[J].化工自动化及仪表,2012,39(01)： 6-9.

摘要：催化剂积碳量是重整催化过程的重要指标，常规方法无法直接测量，辽阳石化分公司针对1.40Mt/a连续重整装置开发了基于RBF神经网络的催化剂积碳量软监测技术，并在联合装置DCS上得到应用。在简单介绍重整反应工艺的基础上，概括了重整催化剂积碳量软测量技术，阐述了RBF神经网络的理论基础，并进一步说明了催化剂积碳量软测量神经网络模型的建立，同时叙述了神经网络模型在DCS中的编程及软测量技术的实现。

关键词：重整催化剂软测量RBF神经网络

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

中图分类号：TP273

文献标志码：B

文章编号：1007-7324(2015)03-0029-04

作者简介：蔡军(1963—)，男，2004年毕业于大连理工大学计算机与科学应用专业，获工学学士学位，现就职于中国石油辽阳石化分公司芳烃厂，从事工厂过程仪表及控制系统管理、技术改造及开发工作，任仪表车间主任。

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