软测量预估延迟焦化粗汽油干点及收率

通过采集过程参数建立粗汽油干点软测量模型的汽油收率,柴油收率,蜡油收率,气体收率,焦碳化率的预估模型,并在线投用,校正。     

常减压装置常压塔塔顶汽油干点的软测量

针对某炼油厂常压精馏塔塔顶汽油干点在线测量困难的问题,建立了汽油干点与其影响因素的软测量网络模型.将易于测量的温度压力等变量作为网络的输入,汽油干点作为网络的输出,然后进行训练,使网络输出与化验分析值接近.以此方法实现了常压精馏塔产品质量的软测量,为先进控制提供较准确的产品质量数据,以达到提高效率,节能降耗等目的.     

一种新的常压塔汽油干点观测方法

提出一种新的汽油干点观测方法－机理模型与神经网络相结合的汽油干点观测方法。这一方法是先将Luenberger观测器理论应用到常压塔顶这一具有不可测输入的非线性系统,构造Luenberger观测器观测出一些不可测量但可观测的内部物理量;然后将这些内部物理量与其它物理量一起作为输入信号,汽油干点作为输出信号构成神经网络观测汽油干点,并用改进的学习算法训练神经网络;通过与其它方法进行比较,表明这一观测方法有较高的精确度及较强的适应性。     

粗汽油干点的实时估计与控制中的应用

从工艺机理出发，采用多层前向神经元网络建立了粗汽油干点的估计模型，并实现了该质量指标的预测控制，长期工业现场运行表明，估计模型具有较高的精度，而且可适应处理量的变化与原料的性质的波动。所开发的闭环预测控制系统有良好的调节性能与较强的鲁棒性，取得了较好的调节效果。     

催化重汽油干点的影响因素分析

国内某石化公司1 Mt/a的催化裂化装置出现了重汽油干点偏高的情况。通过分析装置现有操作数据并针对该数据进行了详细核算,找到了导致重汽油干点偏高的具体原因。分析讨论了重汽油干点的影响因素,并提出了降低重汽油干点的调整方案。     

基于线性化模型的汽油调合过程动态优化

针对现有的调合模型复杂且参数难以获取、优化算法繁琐的缺陷,引入动态优化思想,将汽油调合优化过程分解成若干个短周期,对每一段短周期内汽油辛烷值等质量指标进行线性化处理,建立了一种汽油调合线性动态模型。结合实际工艺背景,对汽油调合优化目标函数和约束条件进行了数学描述,并将其转换成简单的线性规划问题。与此同时,运用在线分析技术获取调合过程当前工况下的调合汽油和组分油的质量指标,用于实时更新优化模型。仿真结果表明:基于线性化模型的汽油调合过程动态优化方案在在线分析仪精度达到要求的情况下,能很快、精确地跟踪质量指标目标设定值,实现调合汽油质量指标的卡边控制,并提高调合利润。     

微粒群神经网络在常压塔汽油干点软测量建模中的应用

首先将微粒群优化算法用于神经网络连接权值和阈值的训练,构造微粒群神经网络,然后将微粒群神经网络用于常压塔汽油干点软测量建模。通过与实际值的对比,结果表明基于微粒群神经网络的软测量模型具有良好的性能和极好的应用前景。     

可编程调节器在汽油质量控制中的应用

一、概述原油加工的第一个装置就是蒸馏装置。常压蒸馏又是出产品的第一道工序。它的产品质量是否合格,收率高低是降低产品成本,提高效益的关键所在。如何对汽油的干点式航煤比重进行质量控制,在既经济、又实用的原则指导下,对原控制系统进行更新改造是本文涉及的主题。我厂蒸馏装置以克     

灵活运用各项工艺措施实现清洁汽油的生产

对车用汽油清洁化生产的主要控制难点进行了分析，结合镇海炼化公司的情况，对工业生产中所采取的诸如催化原料脱硫预处理、MIP—CGP改造、应用降烯烃催化剂、调整控制汽油干点、提高重整汽油辛烷值与产量、扩大MTBE产能、重整汽油苯组分抽提、汽油组分资源的调合优化利用等多项清洁汽油生产工艺措施的应用及效果进行了总结与探讨。     

考虑碳排放因素的汽油调合在线优化

针对国家“双碳”战略目标要求,以炼化企业汽油调合在线优化为研究对象,分析了国Ⅵ汽油新标准下被控属性更多、更严、调合效率要求更高等特点,以及由此带来的调合组分油调整导致调合成品汽油携带碳排放量的变化情况。考虑到传统的汽油调合在线优化一般只考虑调合成本、质量卡边等目标,首先建立了非线性的汽油调合辛烷值、蒸气压和馏程等软测量模型,然后构建了基于调合效应的汽油调合优化模型,优化目标中引入调合成品油二氧化碳排放最低化目标,开发了一种融合携带碳排放特征的汽油调合优化模型。为满足在线调合优化需求,优化模型中考虑了实际累积调合过程,将调合工艺过程中储罐汽油属性合格转化成调合头属性区间合格,利用调合头处优化的属性补偿已调合体积和罐底油的属性偏差。仿真结果表明,设计的考虑碳排放因素汽油累积调合优化技术能很好地满足汽油调合在线优化需求,为国Ⅵ标准和碳交易背景下汽油调合工艺设计及在线优化控制提供了技术支撑。     

计算机通信及神经网络技术在软测量中的应用

介绍了基于OPC的DCS与微机网络数据通信技术和基于神经网络预估技术在生产过程软测量系统中的应用。以某己内酰胺装置软测量系统的开发为例 ,讨论了相关技术问题和解决思路。现场的实测数据仿真验证结果表明了软测量系统的有效性 ,最后给出了软测量技术应与生产过程优化相结合的方向发展     

基于稳定Hammerstein模型的在线软测量建模方法及应用

针对复杂工业过程中由于存在未建模动态和不确定干扰,导致关键变量的软测量精度下降的问题,提出了一种基于稳定Hammerstein模型(H模型)的在线软测量建模方法。H模型的非线性增益采用带有时变稳定学习算法的小波神经网络模型,线性系统部分采用基于递推最小二乘的ARX模型,基于输入到状态稳定性理论证明了H模型辨识误差的有界性。其中小波神经网络具有表征强非线性的特性,稳定学习算法可抑制未建模动态和不确定干扰的影响,改善了模型的预测精度和自适应能力。以典型非线性系统和实际污水处理过程为例进行了仿真研究,结果表明,基于稳定H模型的软测量方法具有较高的在线软测量精度。     

基于过程神经网络的BOD在线检测仪研究

为了实现污水处理过程中BOD的在线检测,提出了具有权函数动量项和自适应学习速率权值的新的过程神经网络改进算法,并利用该算法建立了BOD软测量模型,设计了基于ATMEGA1280单片机的系统主控制器,采用模块化软件设计理念,利用AVR Studio开发环境,编程实现数据采集、软测量、液晶显示、数据存储、打印驱动等功能。此仪表已在工业现场得到应用,平均相对预测误差小于4.1%。     

化工过程深度神经网络软测量的结构与参数自动调整方法

深度学习在流程工业的软测量领域已经得到了应用。然而,深度神经网络（DNN）的结构和参数需要人工调整,这需要扎实的机器学习知识基础和丰富的参数调整经验,烦琐的调整过程限制了深度学习在化工领域的推广应用。在大量实验的基础上,对DNN的每个关键参数的选取过程进行了系统化的分析,提出了几乎无须人工干预的基于DNN软测量的结构和参数自动调整方法,极大地简化了参数调整过程,能够给工程技术人员学习及应用深度学习提供参考。对原油蒸馏装置及煤气化装置的案例分析验证了所提出方法的有效性和通用性。     

动态RBF神经网络在浮选过程模型失配中的应用

铝土矿泡沫浮选过程中,因矿浆的快速沉淀等原因工艺参数在线检测困难,且入矿性质变化频繁,造成浮选过程参数随入矿的变化而不断改变。而通常建立的静态软测量模型利用固定样本集训练得到,当矿源变化时容易发生模型失配现象,使模型不能跟踪当前对象。针对变矿源下的模型失配问题,本文提出基于隐层节点动态分配和模型参数动态修正策略的RBF神经网络建模方法,用于铝土矿浮选过程酸碱度的在线检测建模。实际生产数据仿真结果表明该方法能够有效解决模型失配的问题。     

基于神经网络的常压塔柴油凝点软测量的研究与应用

研究某炼油厂常压塔三线柴油凝点的软测量建模问题,分析过程变量对柴油凝点的影响。基于在线分析仪6min采样数据,利用前向网络和时延前向网络(TDNN)分别建立了三线柴油凝点的静态软测量模型和动态软测量模型,并结合在线分析仪对模型实现了在线修正。通过两种模型的仿真和在线实施效果,表明基于神经网络的软测量模型取得了较好的应用效果,而且动态模型的实施效果优于静态模型。     

多频率系统动态插值神经网络软测量建模

针对某些化工过程关键变量难以在线测量的问题,提出了一种基于多采样率系统的时间序列神经网络的软测量建模方法,建立了动态插值神经网络模型,并利用增强粒子群算法实现了网络参数的优化。将此方法用于实验室模拟建模,实现了变量的在线预估,并对网络的训练效果和泛化性能进行了分析,表明其建模效果明显优于普通静态神经网络。     

基于粒子群算法的软仪表技术

在软测量建模中,最常见的非机理建模方式就是利用神经网络进行建模,而近年来兴起的粒子群算法目前已应用于神经网络的训练。在对粒子群算法提出改进方案后,提出了基于改进的粒子群算法的前馈神经网络训练方案。然后再将神经网络应用到焦化装置分流塔柴油95％点软仪表模型参数估计中,得到了满意的结果,可以满足工业过程中的实际需要。     

基于工业色谱仪的精馏脱炔烃塔软测量建模

提出一种基于工业色谱仪的软测量建模方法,并针对碳五馏分分离过程中的精馏脱炔烃塔塔底成分估计问题,建立了合适的工业软测量模型。介绍了工业色谱仪在线质量检测原理和LM-BP神经网络模型的建立,并利用工业色谱仪在线检测的质量数据进行系统的在线和周期性模型更新,提高了软测量模型的在线估计精度。研究结果表明,基于工业色谱仪的LM-BP神经网络模型是一种有效的软测量建模方法。     

基于BP神经网络的串联连续打浆过程打浆度的软测量

介绍某造纸厂串联连续打浆的工艺过程 ,分析研究BP神经网络的结构和算法 ,建立了串联连续打浆过程打浆度软测量的BP神经网络模型 ,并将该模型用于打浆过程控制和优化控制 ,取得了较好的测量效果。