基于PLS-MI组合的天牛须搜索BP神经网络模型对汽油辛烷值的预测性能

针对数据集中特征变量存在高度非线性和冗余的特点,提出了一种基于偏最小二乘回归(PLS)和互信息(MI)组合降维法的改进天牛须搜索算法（RSBAS）优化BP神经网络模型(PLS-MI-RSBASBP),并用于S Zorb脱硫装置汽油辛烷值的预测。首先通过偏最小二乘法和互信息组合算法选取与汽油辛烷值强相关的特征变量,然后使用RSBASBP模型对汽油辛烷值进行预测,并与BP,GABP,BASBP网络模型预测结果比较。结果表明：PLS-MI-RSBASBP模型预测结果较其他模型预测结果的MAE,MSE,RMSE更小,预测准确度高;而且,PLS-MI-RSBASBP模型可以确定影响汽油辛烷值的特征变量,从而进行有效控制和优化。     

S Zorb精制汽油辛烷值优化模型及工业应用

针对S Zorb精制汽油研究法辛烷值(RON)损失较大的问题,以某石化企业S Zorb装置近3年的运行数据为基础,采用最大互信息系数(MIC)和Pearson相关系数并结合BP神经网络,从包括原料油性质、吸附剂性质、产品性质和操作变量在内的273个变量中筛选出22个建模变量,构建了结构为21-14-1的汽油RON预测模型,并进行验证。结果表明：建立的预测模型具有较好的拟合优度和泛化能力,其对测试集的平均绝对误差(MAE)和决定系数(R²)分别为0.116 3、0.960 1。在此基础上,针对具体原料性质,采用遗传算法(GA)优化操作变量,发现该模型通过优化能有效降低汽油RON损失;工业试验验证结果表明,通过模型优化操作变量可使汽油RON损失降低25%。     

基于XGBoost和改进灰狼优化算法的催化裂化汽油精制装置的辛烷值损失模型分析

为了降低催化裂化汽油精制装置的辛烷值损失,基于机器学习技术和改进灰狼优化算法建立了汽油辛烷值损失的预测和优化模型。首先通过Pearson相关系数法、最大互信息系数法(MIC)和基于随机森林的特征选择方法分别对影响汽油辛烷值的367个特征进行训练获得各特征的重要度评分,对3种方法的结果按权重法进行融合获得最终的特征重要度排序,根据特征重要度占比之和超过 95%的指标,选出25个特征作为建模主要变量;然后基于XGBoost算法建立汽油辛烷值损失预测模型,对比其他机器学习模型,验证了XGBoost在测试集上的预测性能最优,其均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R²)分别为1.3197、0.3581和0.9981;最后采用汽油辛烷值损失值与主要变量的映射函数作为目标函数,建立关于汽油辛烷值损失值最小的单目标优化模型,为了提高模型的求解速率和准确度,基于sigmoid函数的收敛因子调整策略和个体更新的差分变异策略,提出了一种改进的差分灰狼优化算法。结果表明,优化后的样本辛烷值损失值均减小到0.4左右,同时86.15%的样本辛烷值损失降幅在60%~80%之间,说明建立的优化模型和所提出的改进差分灰狼优化算法是合理的。通过数据挖掘技术建立的降低汽油辛烷值损失模型可以尽量减少汽油精制过程中的辛烷值损失,为石化企业和运营商提供决策分析。     

BP神经网络结合遗传算法优化催化裂化MIP的产品分布

采用MIP工业装置原料油性质、再生催化剂性质和操作条件等18个变量,使用Pearson相关系数法约简了芳烃含量和一反出口温度两个变量,以约简后的16个变量为输入变量,4个主要产物收率为输出变量,建立了结构为16-20-4的BP神经网络模型。验证表明,所建立的神经网络模型可靠性良好。将所建立的BP神经网络模型与遗传算法相结合优化了仅汽油收率最大和汽油收率最大并且焦炭收率最小时的操作条件,结果表明,操作条件的优化值与催化裂化的工艺实际情况相符。采用所建立的BP神经网络产品收率模型与遗传算法相结合,可以实现多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所降低,但是焦炭产率有较大幅度下降,对工业生产有指导作用。     

催化裂化汽油稳定塔多变量控制

将多变量模型预测控制技术应用于催化裂化汽油稳定塔的控制,有助于提高稳定塔的控制品质。 Ｍ Ｐ Ｃ控制器控制的变量包括汽油雷氏蒸气压、液化气中 Ｃ５ 含量和塔顶温度３ 个被控变量,塔底温度和冷回流量 ２ 调节变量,以及包括塔操作压力、回流温度和进料流量等３ 个干扰变量。应用机理模型进行汽油雷氏蒸气压和液化气中 Ｃ５ 含量的在线计算以满足在操作条件大范围变化的控制需要。为建立 Ｍ Ｐ Ｃ 控制器通过现场阶跃实验建立了稳定塔的传递函数动态模型矩阵。该控制器已在工业装置上投用,且通过鉴定。     

BP神经网络结合遗传算法优化MIP工艺的产品分布

采用MIP工业装置原料油性质、再生催化剂性质和操作条件等18个变量,使用Pearson相关系数法约简了芳烃含量和第一反应区出口温度两个变量,以约简后的16个变量为输入变量,4个主要产物收率为输出变量,建立了结构为16-20-4的BP神经网络模型。验证表明,所建立的神经网络模型可靠性良好。将所建立的BP神经网络模型与遗传算法相结合,优化了仅汽油收率最大和汽油收率最大并且焦炭收率最小时的操作条件,结果表明,操作条件的优化值与MIP工艺实际情况相符。采用所建立的BP神经网络产品收率模型与遗传算法相结合,可以实现多目标优化,与单纯优化汽油收率相比,虽然汽油收率有所降低,但是焦炭产率有较大幅度下降,对工业生产有指导作用。     

基于气相色谱法的汽油高精度检测

采用气相色谱法测定汽油组成含量,并将汽油组成分为42组,使用偏最小二乘定量方法分别建立实测研究法辛烷值(RON)、馏程90%、饱和蒸汽压与42组变量之间的回归模型,并采用剔除异常样本、使用数据预处理、调整参与拟合变量这些方法优化模型参数,使模型的预测精度得到提高。该方法预测结果准确,满足工厂炼油加工和汽油调合分析的需要。     

用于FCC汽油辛烷值预测的非线性数学模型

依据汽油正构烷烃、异构烷烃、烯烃、环烷烃和芳烃(PIONA)的烃组成数据,将催化裂化(FCC)汽油单体烃组成分为37组,利用BP神经网络算法和支持向量机回归(SVR)分别建立了FCC汽油研究法辛烷值对37个变量的非线性数学模型。由MATLAB软件编写程序,利用Levenberg-Marquardt优化算法训练BP神经网络。支持向量机回归模型采用粒子群算法优化支持向量机参数及核函数参数,并采取交叉验证方法防止机器学习的欠学习和过拟合问题。计算结果表明:两种模型都能够较好地反映汽油单体烃组成与辛烷值之间的非线性关系;BP神经网络模型对辛烷值的预测性能好于支持向量机回归模型;增加样本数量,两种方法的预测准确性皆变好;针对40个样本的学习结果,两种模型预测的相对误差绝对值的平均值分别为0.148 7和0.167 4。     

隔板精馏降苯工艺优化模拟

采用精馏分离降苯技术,以不同含苯质量分数的模拟汽油为研究对象,根据Aspen Plus流程模拟软件中的Petlyuk模块建立隔板精馏模型,利用灵敏度分析对进出物料位置进行优化;此外,在不同回流比条件下,采用序贯二次规划算法对塔顶采出率和侧线采出率双变量进行优化,并与RedFrac常规精馏模型进行了对比分析。结果表明:采用隔板精馏塔,随着回流比的增加,汽油的收率和产值逐渐增加;当含苯质量分数为1%,3%,5%时,最高汽油收率依次为99.53%,96.35%,93.75%。隔板精馏工艺适用于含苯质量分数较低和较高的汽油,而常规精馏工艺更适用于含苯质量分数较低的汽油。     

基于LightGBM的催化重整装置产品预测及操作优化相关性分析

基于Aspen HYSYS软件建立了与某炼油厂有限实际生产数据相吻合的连续催化重整装置的机理模型;然后在此模型中考虑多种生产可能性,扩展数据范围得到完整的装置产品预测数据集;与常用的BP神经网络作对比,采用训练速度快、预测精度高、适合非线性过程建模的LightGBM决策树模型对该催化重整装置以4个反应器的温度和循环氢流量为特征变量,分别以戊烷、二甲苯、C6、重整汽油、氢气的流量和氢气纯度为目标建立了6个单目标数据驱动产品预测模型。通过对特征变量和目标之间的相关性分析,进行10折交叉验证,得到了特性变量的重要度排序,从而针对不同生产目标找出影响最大的操作变量。结果表明,使用LightGBM建立模型的预测准确度比BP神经网络的预测准确度有大幅度提升。     

基于SSA-RELM的S Zorb装置在线产品预测及多目标操作优化分析

根据某炼油厂S Zorb装置的生产工艺和操作规范,用24个操作变量与精制汽油主产品的流量和硫含量的实际生产数据进行了相关性分析,压缩为10个操作变量后建立了基于Aspen Plus的生产过程机理模型;经随机抽样检验和灵敏度分析后,以原料进料流量和硫含量、加热炉进口温度、加氢石脑油进料流量、热分压力、热分温度、干气出装置温度、冷分温度为输入,精制汽油的流量、硫含量和氮含量为输出运行机理模型,拓展了装置的在线产品预测数据集;在此拓展数据集上,采用基于麻雀搜索算法的正则化极限学习机(SSA-RELM)建立了装置的在线产品预测数据驱动模型;最后以进料分区,将精制汽油流量、硫含量和氮含量为优化目标,给出了6个分区的在线操作最优化方案。     

以BP神经网络为基础的MIP工艺过程产品分布优化

催化裂化是一个高度非线性和强耦合的系统,传统的机理模型很难描述,而BP神经网络具有强大的非线性拟合和自学习能力。以某炼油厂1Mt/a的MIP装置反应-再生系统为研究对象,选取包括原料油性质、再生剂性质、操作条件的19个变量为神经网络模型的输入变量,液化气、汽油、柴油、焦炭收率为输出变量,建立了19-24-4 结构的BP神经网络。在此基础上,考察了原料油预热温度、一反出口温度、二反出口温度、反应压力对产品分布的影响,并采用遗传算法得到使汽油收率最优的操作条件。结果表明,所建立的模型具有良好的预测和外推能力,可为工业装置操作条件的优化提供指导。     

基于PSO-DBN的成品汽油调合配方预测建模

针对石化行业精炼汽油调合配方精度低的问题,考虑深度置信网络(Deep Belief Networks,DBNs)在特征提取和非线性处理方面的优势,将其应用于精炼汽油调合保守配方的预测建模。首先,基于精炼汽油调合的历史实测数据,根据数据集的特点,采用自助法对训练数据集和测试数据集进行划分; 其次,考虑到网络参数选择困难,采用粒子群算法(particle swarm optimization, PSO)对相关最优参数进行优选,取代了人工选择参数的繁琐过程,大大提高了优化效率。此外,利用对比散度算法对网络进行无监督的正向特征学习和有监督的反向微调,从而构建了更准确的保守配方预测模型。最后,为了评价该方法的有效性,将仿真结果与传统建模方法进行了比较,结果表明,DBN比误差反向传播(BP)和支持向量机(SVM)有更好的预测性能,可以为精炼油调合配方的生产提供指导。     

基于人工智能算法的催化裂化装置汽油收率预测模型的构建与分析

基于某石化企业的LIMS(Laboratory information management system)及DCS(Distributed control system)系统中的工业生产数据,结合工业经验中已知的影响催化裂化产品收率的重要因素,通过分析监控指标与实际汽油收率的相关性,筛选出与汽油收率的正负相关性较高的分析指标。在此基础上,基于梯度提升决策树GBDT算法构建了催化裂化汽油收率的预测模型,并预测了相应的汽油产率。结果表明：由GBDT算法构建的汽油收率预测模型预测结果的准确率为98.9%,R2系数为0.236,平均绝对误差为0.531%;模型预测结果与实际汽油产率相比,误差率小于1%,表明构建的模型能精确预测催化裂化装置中汽油等产品收率,有助于在实际生产中优化催化裂化装置的操作条件,从而进一步提升催化裂化装置的经济性能。     

The Application of the Discrete Lumped Kinetic Approach for the Modeling of a Vacuum Gas Oil Hydrocracker Unit

Abstract

The authors investigated the kinetic modeling of heavy fraction hydrocracking based on the discrete lumping approach. For this kinetic model, the authors considered a parallel reaction scheme to describe the conversion of feed into products (gases, gasoline, and diesel) advanced by D. I. Orochko and I. Khimiya (1970). The different industrial data sets were analyzed statistically. Then product distribution and kinetic parameters were fine-tuned using available industrial data. An optimization code in Matlab software was written to fine-tune these parameters. The model ability in prediction of product distribution was tested for other industrial data, and the authors found good agreement between the model predictions and these data.     

基于改进PCA-RFR算法的汽油辛烷值损失预测模型的构建与分析

基于某石化企业霍尼韦尔(PHD)实时数据库及实验室信息管理系统(LIMS)数据库,提出结合数据挖掘技术建立化工过程模型,解决在催化裂化汽油精制处理中S Zorb吸附脱硫过程的产品质量难以精准控制和过程优化响应不及时的问题。通过改进主成分分析(PCA)算法筛选出与汽油辛烷值损失相关性较高的操作变量,在此基础上,使用随机森林回归算法(RFR)构建汽油辛烷值损失预测模型,用于预测辛烷值损失。实验数据表明,预测结果的准确率为99.13%,相关系数（R²）为0.983,均方根误差为3.2169×10^-4,该模型与真实辛烷值损失的拟合效果非常接近,有助于在实际生产中优化操作条件、减少汽油辛烷值的损失、提高生产的经济效益。