基于神经网络的原油减压蒸馏塔的建模与控制
|
摘要
原油蒸馏过程是炼油厂及大型石油化工企业的龙头。常减压塔是实现蒸馏过程的重要设备，其生产水平的高低直接影响着原油的利用率和企业的经济效益。本文选择了在原油蒸馏过程中有重要作用的减压蒸馏塔作为研究对象。
在了解了工艺流程和原油蒸馏原理的基础之上，分析了影响粘度和闪点的主要因素，从而利用遗传算法优化的对角神经网络(Diagonal Recurrent Neural Network-DRNN)建立了减压塔减三线的粘度和闪点的软测量仪表。仿真结果表明，所建软测量仪表精度很高，可替代质量分析仪表。
由于减压塔减三线是减压塔各侧线中最重要的，因此本文仅作减三线温度系统的控制方案并利用遗传算法优化的DRNN神经网络建立了减三线温度系统的神经网络模型。由于温度与质量有一一对应关系，因此控制好温度也就间接的控制好了产品的质量。在蒸馏系统中，是通过控制侧线抽出量来控制侧线温度。在仔细分析了减压塔的工艺特点及实际生产方案后，本文采用神经网络自适应控制技术对减压塔减三线温度系统进行控制。仿真结果表明，控制效果很好，完全达到控制要求。
Crude distillation is most important process in refineries and large petrifaction enterprises. The atmospheric and vacuum towers whose production level directly affect the oil using-rate and economic benefit of a enterprise are the important equipments to implement the distillation. The vacuum tower who plays an important role in crude distillation process is studied.
On the basis of comprehension of process flow and principle of crude oil distillation, various factors which affect viscosity and flash point about No.3 side line of vacuum tower are analyzed and then the software instruments of viscosity and flash point about No.3 side line of vacuum tower are established by using DRNN neural network based on genetic algorithm. From simulation results, the software instruments obtain good accuracy. They can replace quality analysis instruments.
The control method of No.3 side line temperature system of vacuum tower is only introduced and the model of No.3 side line temperature system of vacuum tower is established by using DRNN neural network based on genetic algorithm because No.3 side line is most important in all side lines of vacuum tower. Control temperature indirectly equals to control quality because of the corresponding relation between temperature and quality. In distillation system, control of side line's temperature is attained by controlling the extraction's flux from side line. After analyzing the technics-characteristic and real production's scheme of the vacuum tower, neural network adaptive control is applied in No.3 side line temperature control system of vacuum tower. From simulation result, it receives good effect and reaches the requirement of control.
在了解了工艺流程和原油蒸馏原理的基础之上，分析了影响粘度和闪点的主要因素，从而利用遗传算法优化的对角神经网络(Diagonal Recurrent Neural Network-DRNN)建立了减压塔减三线的粘度和闪点的软测量仪表。仿真结果表明，所建软测量仪表精度很高，可替代质量分析仪表。
由于减压塔减三线是减压塔各侧线中最重要的，因此本文仅作减三线温度系统的控制方案并利用遗传算法优化的DRNN神经网络建立了减三线温度系统的神经网络模型。由于温度与质量有一一对应关系，因此控制好温度也就间接的控制好了产品的质量。在蒸馏系统中，是通过控制侧线抽出量来控制侧线温度。在仔细分析了减压塔的工艺特点及实际生产方案后，本文采用神经网络自适应控制技术对减压塔减三线温度系统进行控制。仿真结果表明，控制效果很好，完全达到控制要求。
Crude distillation is most important process in refineries and large petrifaction enterprises. The atmospheric and vacuum towers whose production level directly affect the oil using-rate and economic benefit of a enterprise are the important equipments to implement the distillation. The vacuum tower who plays an important role in crude distillation process is studied.
On the basis of comprehension of process flow and principle of crude oil distillation, various factors which affect viscosity and flash point about No.3 side line of vacuum tower are analyzed and then the software instruments of viscosity and flash point about No.3 side line of vacuum tower are established by using DRNN neural network based on genetic algorithm. From simulation results, the software instruments obtain good accuracy. They can replace quality analysis instruments.
The control method of No.3 side line temperature system of vacuum tower is only introduced and the model of No.3 side line temperature system of vacuum tower is established by using DRNN neural network based on genetic algorithm because No.3 side line is most important in all side lines of vacuum tower. Control temperature indirectly equals to control quality because of the corresponding relation between temperature and quality. In distillation system, control of side line's temperature is attained by controlling the extraction's flux from side line. After analyzing the technics-characteristic and real production's scheme of the vacuum tower, neural network adaptive control is applied in No.3 side line temperature control system of vacuum tower. From simulation result, it receives good effect and reaches the requirement of control.
引文
[1] 王树青、金晓明．先进控制技术应用实例[M]．化学工业出版社，2005．4。
[2] 陈洪钫、刘家祺．化工分离过程[M]．化学工业出版社，1995．5。
[3] 唐孟海、胡兆灵．常减压蒸馏装置技术问答[M]。中国石化出版社，2004．10．
[4] 牟盛静．石化工业过程建模与优化若干问题研究．浙江大学博士学位论文，2004．2。
[5] 秦永盛、徐永懋、方崇智等．多元精馏过程的非平衡级动态模型[J]．化工学报，1997．4，48(2)：166—174。
[6] 吴宁川．遗传算法和神经网络在常减压蒸馏装置监控中的应用．北京化工大学硕士学位论文，2002．5。
[7] 刘金琨．智能控制[M]．电子工业出版社，2005．5。
[8] 李国永．智能控制及其MATLAB实现[M]．电子工业出版社，2005．5。
[9] 韩力群．人工神经网络理论、设计及应用[M]．化学工业出版社，2002。
[10] Martin T．Hagan等．神经网络设计[M]．机械工业出版社，2002．9。
[11] 李明忠等．基于递归神经网络的一类非线性无模型系统的自适应控制[J]．控制与决策，1997，12(1)。
[12] 赵英凯、蔡宁、熊辉．基于DRNN及其相应算法的非线性系统的状态预估[J]．控制与决策，2000．1，15(1)。
[13] 张亚乐、徐博文、方崇智等．原油蒸馏过程中的数据协调与操作优化[J]．清华大学学报(自然科学版)，1998，38(3)：49—53。
[14] 陈狲伟、陈德钊、叶向群等．基于先验知识的前馈网络对原油实沸点蒸馏曲线的仿真[J]．高校化学工程学报，2001．8，15(4)：351—356。
[15] 潘立登、潘仰东．系统辨识与建模[M]．化学工业出版社，2004．1。
[16] 王启林。化工精制工序中精馏塔建模与仿真的研究．大连理工大学硕士学位论文，2005．6。
[17] 姚俊．Simulink建模与仿真[M]．西安电子科技大学出版社，2002。
[18] 孙垂丽、徐博文、孙旭山．基于动态模型的常压塔侧线质量控制仿真研究[J]．计算机仿真，2002．5，19(3)。
[19] 仇汝臣、袁希钢、孔锐睿等．原油常压蒸馏产品恩氏蒸馏数据的预测模型[J]．石油炼制与化工，2004．5，35(5)：48—52。
[20] Prokopakis, G J et al. Dynamic simulation of azeotropic distillation towers J, AIChEj. , Vol. 29, No. 6, 1983.
[21] 陈在平、杜太行．控制系统计算机仿真与CAD—MATLAB语言应用[M]．天津大学出版社，2001．9。
[22] 杨基和、乐毅、邹力群等．原油常压蒸馏装置优化改造设计[J]．化学工业与工程技术，1999，20(2)：30—34。
[23] Thompson M L, Kramer M A. Modeling chemical processes using prior knowledge and neual networks[J]. AIChE Journal, 1994, 40(8): 1328-1340.
[24] Hagan M T, Menhaj M. Training feedforward networks with the Marquardt algorithm[J]. IEEE Transactions on Neural Networks, 1994, 5(6): 989-993.
[25] S. Chen, S. A. Billing,C.F.N.Cowan. Practical identification of NARMAX models using radial basis functions. INT.J.control. 1990. 52(6): 1327-1350.
[26] 卫东，曹广益，朱新坚．基于一种改进自适应模糊神经技术的PEMFC系统建模和控制[J]．上海交通大学学报，2004(9)：1581-1586。
[27] 毛剑琴等．卷染机模糊控制系统设计[J]．自动化学报，1997，23(2)。
[28] 韩大伟，邹志云．软测量与推断控制技术初探[J]．南京理工大学学报，2005．10：206-210。
[29] 陆德民(主编)．石油化工自动控制设计手册[M]．第三版．化学工业出版社，2000．1。
[30] 曾文华等．大型原油蒸馏过程能量全局优化控制策略[J]．炼油化工自动化．
[31] 曾文华．原油减压蒸馏塔侧线温度多变量预测控制[J]．信息与控制，2001．2，30(1)：89—92。
[32] 王文新．常压蒸馏装置在线优化控制．北京化工大学硕士学位论文，2000．11。
[33] 席爱民．计算机控制系统[M]．陕西科学技术出版社，1994．9。
[34] 黄一夫．微型计算机控制技术[M]．机械工业出版社，1996．5。
[35] 张晓华．控制系统数字仿真与CAD[M]．机械工业出版社，1999．10。
[36] 胡隆文 李柱 杜品圣．自适应调节器—应用微处理机的仪表化自校正调节器．1981年自动化应用委员会学术会议宣读文章。
[37] 谢新民、丁锋．自适应控制系统[M]．清华大学出版社，2003．1。
[38] 张鹏．自校正PID及其在加弹机温控器中的应用研究．浙江大学硕士学位论文，2002．2。
[39] 徐丽娜．神经网络控制[M]．电子工业出版社，2002．10。
[40] Ling K. V. and Dexter A.L. Expert control air-conditioning plant. Automatic, 1994,30(5):761-773.
[41] 蔡自兴．智能控制[M]．电子工业出版社，2004．8。
[42] Holland, C D, Athanasios, I L. Computer methods for solving dynamic separation problems J, MaGraw-Hill, 1983.
[43] 刘国荣．多变量系统模糊解耦自适应控制[J]．控制理论与应用，1997，14(2)。
[44] 黄道平等．自适应神经元非模型多变量优化补偿控制[J]．控制理论与应用，1998．6，15(3)。
[45] 刘军、刘丁、钱富才等．基于模糊神经网络大容量输油泵多变量控制[J]．控制理论与应用，2005．12，22(6)。
[46] 刘金琨．先进PID控制及其MATLAB仿真[M]．电子工业出版社，2003．1。
[47] 张亚乐、徐博文、方崇智等．基于稳态模型的常压蒸馏塔在线优化控制[J]．石油炼制与化工，1997．10，28(10)：48—52。
[48] 蒋宗礼．人工神经网络电子讲座．2004．2．18。
[49] 黄忠霖．控制系统MATLAB计算及仿真．北京．国防工业出版社，2001．11。
[2] 陈洪钫、刘家祺．化工分离过程[M]．化学工业出版社，1995．5。
[3] 唐孟海、胡兆灵．常减压蒸馏装置技术问答[M]。中国石化出版社，2004．10．
[4] 牟盛静．石化工业过程建模与优化若干问题研究．浙江大学博士学位论文，2004．2。
[5] 秦永盛、徐永懋、方崇智等．多元精馏过程的非平衡级动态模型[J]．化工学报，1997．4，48(2)：166—174。
[6] 吴宁川．遗传算法和神经网络在常减压蒸馏装置监控中的应用．北京化工大学硕士学位论文，2002．5。
[7] 刘金琨．智能控制[M]．电子工业出版社，2005．5。
[8] 李国永．智能控制及其MATLAB实现[M]．电子工业出版社，2005．5。
[9] 韩力群．人工神经网络理论、设计及应用[M]．化学工业出版社，2002。
[10] Martin T．Hagan等．神经网络设计[M]．机械工业出版社，2002．9。
[11] 李明忠等．基于递归神经网络的一类非线性无模型系统的自适应控制[J]．控制与决策，1997，12(1)。
[12] 赵英凯、蔡宁、熊辉．基于DRNN及其相应算法的非线性系统的状态预估[J]．控制与决策，2000．1，15(1)。
[13] 张亚乐、徐博文、方崇智等．原油蒸馏过程中的数据协调与操作优化[J]．清华大学学报(自然科学版)，1998，38(3)：49—53。
[14] 陈狲伟、陈德钊、叶向群等．基于先验知识的前馈网络对原油实沸点蒸馏曲线的仿真[J]．高校化学工程学报，2001．8，15(4)：351—356。
[15] 潘立登、潘仰东．系统辨识与建模[M]．化学工业出版社，2004．1。
[16] 王启林。化工精制工序中精馏塔建模与仿真的研究．大连理工大学硕士学位论文，2005．6。
[17] 姚俊．Simulink建模与仿真[M]．西安电子科技大学出版社，2002。
[18] 孙垂丽、徐博文、孙旭山．基于动态模型的常压塔侧线质量控制仿真研究[J]．计算机仿真，2002．5，19(3)。
[19] 仇汝臣、袁希钢、孔锐睿等．原油常压蒸馏产品恩氏蒸馏数据的预测模型[J]．石油炼制与化工，2004．5，35(5)：48—52。
[20] Prokopakis, G J et al. Dynamic simulation of azeotropic distillation towers J, AIChEj. , Vol. 29, No. 6, 1983.
[21] 陈在平、杜太行．控制系统计算机仿真与CAD—MATLAB语言应用[M]．天津大学出版社，2001．9。
[22] 杨基和、乐毅、邹力群等．原油常压蒸馏装置优化改造设计[J]．化学工业与工程技术，1999，20(2)：30—34。
[23] Thompson M L, Kramer M A. Modeling chemical processes using prior knowledge and neual networks[J]. AIChE Journal, 1994, 40(8): 1328-1340.
[24] Hagan M T, Menhaj M. Training feedforward networks with the Marquardt algorithm[J]. IEEE Transactions on Neural Networks, 1994, 5(6): 989-993.
[25] S. Chen, S. A. Billing,C.F.N.Cowan. Practical identification of NARMAX models using radial basis functions. INT.J.control. 1990. 52(6): 1327-1350.
[26] 卫东，曹广益，朱新坚．基于一种改进自适应模糊神经技术的PEMFC系统建模和控制[J]．上海交通大学学报，2004(9)：1581-1586。
[27] 毛剑琴等．卷染机模糊控制系统设计[J]．自动化学报，1997，23(2)。
[28] 韩大伟，邹志云．软测量与推断控制技术初探[J]．南京理工大学学报，2005．10：206-210。
[29] 陆德民(主编)．石油化工自动控制设计手册[M]．第三版．化学工业出版社，2000．1。
[30] 曾文华等．大型原油蒸馏过程能量全局优化控制策略[J]．炼油化工自动化．
[31] 曾文华．原油减压蒸馏塔侧线温度多变量预测控制[J]．信息与控制，2001．2，30(1)：89—92。
[32] 王文新．常压蒸馏装置在线优化控制．北京化工大学硕士学位论文，2000．11。
[33] 席爱民．计算机控制系统[M]．陕西科学技术出版社，1994．9。
[34] 黄一夫．微型计算机控制技术[M]．机械工业出版社，1996．5。
[35] 张晓华．控制系统数字仿真与CAD[M]．机械工业出版社，1999．10。
[36] 胡隆文 李柱 杜品圣．自适应调节器—应用微处理机的仪表化自校正调节器．1981年自动化应用委员会学术会议宣读文章。
[37] 谢新民、丁锋．自适应控制系统[M]．清华大学出版社，2003．1。
[38] 张鹏．自校正PID及其在加弹机温控器中的应用研究．浙江大学硕士学位论文，2002．2。
[39] 徐丽娜．神经网络控制[M]．电子工业出版社，2002．10。
[40] Ling K. V. and Dexter A.L. Expert control air-conditioning plant. Automatic, 1994,30(5):761-773.
[41] 蔡自兴．智能控制[M]．电子工业出版社，2004．8。
[42] Holland, C D, Athanasios, I L. Computer methods for solving dynamic separation problems J, MaGraw-Hill, 1983.
[43] 刘国荣．多变量系统模糊解耦自适应控制[J]．控制理论与应用，1997，14(2)。
[44] 黄道平等．自适应神经元非模型多变量优化补偿控制[J]．控制理论与应用，1998．6，15(3)。
[45] 刘军、刘丁、钱富才等．基于模糊神经网络大容量输油泵多变量控制[J]．控制理论与应用，2005．12，22(6)。
[46] 刘金琨．先进PID控制及其MATLAB仿真[M]．电子工业出版社，2003．1。
[47] 张亚乐、徐博文、方崇智等．基于稳态模型的常压蒸馏塔在线优化控制[J]．石油炼制与化工，1997．10，28(10)：48—52。
[48] 蒋宗礼．人工神经网络电子讲座．2004．2．18。
[49] 黄忠霖．控制系统MATLAB计算及仿真．北京．国防工业出版社，2001．11。