一种乙烯裂解炉全运行周期裂解深度控制系统的制作方法

本实用新型涉及化学工程和自动化控制领域，具体而言，涉及一种乙烯裂解炉全运行周期裂解深度控制系统，

背景技术：

乙烯是一种十分重要的化工原料，乙烯的产量、单套装置的规模和技术水平是衡量一个国家石化工业发展水平的重要标志。目前，烃类的蒸汽热裂解仍是生产乙烯的最主要方法，而乙烯裂解炉作为整个裂解装置的龙头，其操作的平稳性不仅影响乙烯装置的产量和产品质量，还会对下游生产装置的运行产生影响。因此，有效控制乙烯裂解炉的生产运行对整个裂解装置的长期稳定操作起到至关重要的作用。

乙烯收率是裂解炉最重要的操作指标，它主要取决于原料在裂解炉中的裂解深度。裂解深度有两种表示方法：(1)对于液体原料，例如石脑油和加氢尾油，裂解深度可以采用丙烯和乙烯的收率比值或者甲烷和丙烯的收率比值来表示；(2) 对于气体原料，例如液化石油气和乙烷，裂解深度可以采用关键组分的转化率来表示。在实际应用中，为了获得一定的乙烯收率，必须将裂解深度控制在适当的范围之内。影响裂解深度的最主要因素是反应温度，反应温度越高，裂解深度越大，因此，大部分乙烯裂解炉均采用盘管出口温度(Coil Outlet Temperature，COT)来表征和控制裂解深度。

乙烯裂解炉通常采用图1所示的方案来控制COT出口温度：COT控制器实时比较COT测量值与设定值之间的关系，并根据比较结果来调整燃料气的流量，从而达到控制COT的目的。这种控制方案不具备裂解深度自动控制功能，操作人员无法直接给定裂解深度的设定值，而是通过设定目标COT值，从而间接控制裂解深度。这种控制方案的最大优点是简单易控，没有复杂的多重控制回路，因此在早期的裂解炉系统中得到广泛应用。它的缺点也显而易见：(1)这种控制方案并不能直接控制裂解深度，如果裂解炉的操作条件发生变化，例如原料性质发生改变或者裂解炉处于清焦末期，但是COT仍然保持在原值附近，那么裂解深度就会发生变化，影响整个装置的产品收率；(2)操作人员可以根据裂解气组分在线分析值以及操作经验来手动改变COT的设定值，从而达到动态调整裂解深度的目的，但是这种操作方法具有很大的滞后性和随机性，不利于裂解炉的稳定运行。

为了能够直接并且准确地控制裂解深度，可以采用图2所示的具有双重控制回路的COT控制方案。在该方案中，增加了一个裂解深度控制器，操作人员可以直接给定P/E(丙烯与乙烯的收率比值)的设定值，或者直接给定乙烯收率的设定值。裂解深度控制器与COT控制器形成串级控制，由裂解深度控制器动态给定COT控制器的设定值，从而令COT控制器可以动态调整裂解炉的COT，达到稳定控制裂解深度的目的。裂解气中各个主要产品的收率由裂解气组分在线分析仪表测量得到，并返回至裂解深度控制器作为对比测量值使用。这种控制方案虽然可以直接控制裂解深度，但是仍然存在很多问题：(1)在线分析仪表通常需要几分钟甚至几十分钟才能分析完一个样品，在此期间，裂解深度控制器无法得到实时有效的在线测量值，这很容易造成整个裂解炉系统运行不稳定；(2)这种控制方案严重依赖在线分析仪表，如果分析仪表发生故障，整个控制方案就会失效，此时必须立即停用裂解深度控制器，回到直接控制COT的模式，有时甚至会造成裂解炉紧急停车。

解决上述问题的一种策略就是尽量减弱控制系统对裂解气组分在线分析仪表的依赖程度，其中的一种方案就是引进一个“裂解深度预测模型”来实时向裂解深度控制器传送裂解深度的在线预测值。图3所示的基于预测模型的裂解深度Smith 预估控制方案就是一个很典型的应用实例。该方案中最为核心的组成部分就是裂解深度预测模型，它通常是一种神经元网络模型，可以快速地根据裂解炉的操作参数 (例如原料性质、裂解炉负荷、汽烃比、横跨温度、COT等)来计算出主要裂解产品的收率，从而间接求出裂解深度。为了保证预测值的有效性，通常需要根据在线分析仪表的测量值对其进行在线校正，并且在其将结果传递给裂解深度控制器之前进行滤波处理，摒除掉不合理的数据。既然裂解深度控制器是一种神经元网络模型，那么在其投入使用之前，必须对其进行严格有效的训练才行。训练时采用的数据主要有两个来源：(1)乙烯裂解装置的历史运行数据，包括原料性质、运行参数和裂解气收率等对应数据；(2)利用可靠的裂解反应数值模型对其进行大量训练。由于神经元网络的外推性存在很大的不确定性，因此，无论采用何种训练数据来源，都必须保证训练数据可以覆盖裂解炉将来可能遇到的所有原料性质和操作条件。

上述控制策略仍然存在若干问题：

(1)神经元网络没有充分考虑清焦周期对裂解深度的影响。随着裂解炉向清焦末期推进，反应盘管中焦层会逐步加厚，从而降低传热效率并加大反应阻力降。为了维持相似的裂解深度，清焦末期通常需要更高的COT。如果神经元网络不考虑清焦周期对裂解深度的影响，在清焦末期附近，裂解深度预测模型的计算数值会发生严重偏离，需要对其进行大幅度修正才能使用，这会给控制系统带来很大的不确定性，严重限制了该策略对裂解炉的精确控制能力。

(2)上述控制策略中的裂解深度预测模型中的模型参数不具备在线和离线的校正功能，因此无法在投入使用后仍能实时在线的提高计算精度和扩展原料的适应性。

(3)为了尽量延长裂解炉的操作周期，除了精确控制COT，还需要协同调整裂解炉的其他操作参数，包括负荷和汽烃比。例如，在操作末期时，当COT达到极限值，如果想在保证裂解深度不变的条件下继续稳定操作一段时间，可以适当降低裂解炉的原料负荷，并同时适当提高汽烃比。很显然，上述控制策略无法完成这种多操作参数的协同处理。

(4)在实际的装置运行当中，操作人员经常需要改变控制目标。例如，有的时候，操作人员希望控制P/E维持在一个固定值；有时，则希望控制乙烯收率维持在一个固定值；有时，操作人员希望获得最大的丙烯收率；有时，则希望得到最大的双烯收率；甚至，有的时候，操作人员希望裂解深度能够适应产品的市场价格，即，将裂解深度控制在最大盈利模式。控制目标的改变经常发生在原料性质发生剧烈变化的时候，或者市场价格发生剧烈变化的时候。很显然，上述控制策略无法满足这种操作的灵活性。

为了解决上述问题，必须使用一种功能更加强大、操作更加灵活、精度更高的控制方案。

技术实现要素：

本实用新型的目的在于上述现有技术中存在的缺点，提出一种乙烯裂解炉全运行周期裂解深度控制系统，利用这种控制方法可以对裂解炉全运行周期内裂解深度准确控制、提高模型原料适应性、延长裂解炉的清焦周期、灵活设定裂解炉控制目标。

为达上述目的，本实用新型提供一种乙烯裂解炉全运行周期裂解深度控制系统，包括顺序连接的裂解深度控制器、COT控制器、燃料气流量控制器、裂解炉、在线校正模块和滤波处理模块，所述滤波处理模块与所述裂解深度控制器相连，裂解深度预测模块分别与所述裂解炉和在线校正模块相连，用于根据所述裂解炉的操作参数来计算出主要裂解产品的收率，从而间接求出裂解深度；所述在线校正模块用于将所述裂解深度预测模块计算出的裂解深度进行在线校正，并将矫正结果传递给所述滤波处理模块；其中：

所述裂解深度预测模块用于全运行周期内的裂解深度的预测，所述裂解深度预测模块的输入条件中增加了反应运行周期的多个参数，包括运行天数、拱顶温度、排烟温度、机冷气出口温度；

所述裂解深度控制系统还包括自由基反应及结焦模型模块、智能集中管理模块、进料流量控制器和汽烃比控制器；所述自由基反应及结焦模型模块与所述裂解深度预测模块相连，用于对所述裂解深度预测模块进行离线校正，所述自由基反应及结焦模型模块能够将所述裂解深度预测模块之前未曾覆盖的原料添加进来；所述进料流量控制器和所述汽烃比控制器分别连接在所述智能集中管理模块和所述裂解炉之间，用于实现对进料流量和汽烃比的单独控制；所述智能集中管理模块同时为所述裂解深度控制器、所述进料流量控制器和所述汽烃比控制器提供设定值，从而达到多操作参数的协同控制。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制系统，所述的进料流量控制器控制的进料管线上装有为进料流量控制器提供测量值的流量计，以供所述智能集中管理模块通过实时对比设定值和测量值之间的相对大小实现进料流量的自动设定。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制系统，所述裂解炉配备有热值仪，用于实时测量燃料气的低热值，并所述裂解炉将所述热值仪和燃料气流量控制器串连在一起形成热值前馈，输入至所述COT控制器的输入端。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制系统，所述热值仪、所述燃料气流量控制器和所述COT控制器共同组成热值前馈模块，用于实时测量燃料气的热值，并根据所述热值直接计算燃料气的需求量；同时所述热值前馈模块还用于快速识别燃料气组分的变化，并根据新的热值快速调整燃料气的流量。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制系统，所述智能集中管理模块包括六种控制目标，分别为：固定丙烯与乙烯的收率比值、最大盈利化、最大丙烯收率、固定乙烯收率、最大双烯收率和固定盘管出口温度；所述集中管理模块同时包括操作参数预估功能，当操作人员打算从一种控制目标调整为另一种控制目标时，所述操作参数预估功能能够提供操作人员查看调整后的裂解炉操作参数以及各种产品的预估收率。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制方法，所述的带有热值前馈功能的燃料气控制器增加了热值训练模型，用于根据燃料气的组分实时预测燃料气的低热值。

根据本实用新型提供的乙烯裂解炉全运行周期裂解深度控制系统，所述裂解深度预测模块采用成熟的BP神经元网络模型作为核心的计算模块；在建立神经元网络模型时，对神经元网络模型的参数要添加版本控制功能；接下来要对所述神经元网络模型进行训练，每一套训练数据采用如下方式生成：

确定石脑油的宏观物性，包括平均密度、平均分子量、ASTM-D86蒸馏曲线、PONA 值分布；

利用信息熵最大化方法，通过石脑油的宏观物性计算得到油品的详细分子组成；

将油品详细分子组成代入自由基裂解模型中，计算出某反应条件下的各种产品收率；其中所述反应条件包括横跨温度、COT、进口压力、出口压力、拱顶温度；所述产品包含氢气、甲烷、乙烯、丙烯、丁二烯；

利用石脑油裂解结焦模型计算出每隔24小时后，基于P/E比值不变条件下的反应条件的变化情况；

判断停炉清焦的条件：a、COT值达到上限；b、炉管温度达到设计值；c、反应压力降达到规定极限值；上述三个条件中的任一条件满足后都必须停炉清焦；

所述神经元网络模型经过训练后，需要采用工业运行数据进行验证。

与现有技术相比，本实用新型的积极效果为：

可以对裂解炉全运行周期内裂解深度的准确控制，克服了清焦周期对裂解深度的影响，提高了乙烯的收率；可以对裂解深度预测模型中的参数进行离线和在线的校正，提高模型的准确度和原料适应性；可以协同控制裂解炉负荷、汽烃比和COT，尽可能延长裂解炉的清焦周期；可以灵活设定裂解炉控制目标，满足操作人员的各种生产要求。

附图说明

图1为不带裂解深度控制的COT控制方案；

图2为带有裂解深度控制的COT控制方案；

图3为基于预测模型的裂解深度Smith预估控制方案；

图4为乙烯裂解炉全运行周期裂解深度控制方案；

图5为保持裂解深度不变的条件下，COT在整个清焦周期内的可能变化趋势；

图6为保持裂解深度不变的条件下，P/E在整个清焦周期内的可能变化趋势；

图7为定值控制COT在整个清焦周期内不变的情况；

图8为定值控制COT的条件下，P/E在整个清焦周期内的可能变化趋势；

图9为操作参数预估与控制器智能集中管理模块的多种工作模式；

图10为乙烯裂解炉全运行周期裂解深度控制方案的实施示意图。

具体实施方式

以下将结合附图，对本实用新型的技术方案及其优点进行详细的描述。

(一)裂解深度预测模型

本实用新型采用的裂解深度预测模型仍然沿用BP神经元网络模型，在模型投入使用前，需要对其进行大量训练和验证。但是，与“基于预测模型的裂解深度 Smith预估控制方案”等现有控制方案相比，本实用新型采用的裂解深度预测模型具备了真正意义上的裂解炉全运行周期精确控制和模型参数的离线/在线实时校正功能。

1、裂解炉全运行周期内裂解深度的精确控制

在现有的控制方案中，裂解深度预测模型通常采用BP神经元网络模型，模型的输入条件包括原料性质、裂解炉负荷、汽烃比、横跨温度和COT等裂解炉操作参数，模型的输出结果则包括了主要产品的收率，包括氢气、甲烷、乙烯、丙烯和丁二烯等。裂解深度预测模型的结果经过在线校正和滤波处理后被传送至裂解深度控制器，用于裂解深度的动态实时控制。

现有控制方案中的裂解深度预测模型存在一个很严重的问题，它没有考虑炉管结焦对“裂解深度和COT之间对应关系”的干扰。随着炉管内焦层的增厚，辐射传热效率会逐渐降低，为了达到与清焦初期一样的裂解深度，必须提高辐射室内的温度，从而也会相应提高COT。图5展示了在保持裂解深度不变的条件下，COT在整个清焦周期内的可能变化趋势；图6展示了此种情况下P/E在整个清焦周期内的可能变化趋势。如果在整个清焦周期内均保持COT的定值控制(如图7所示)，那么，随着焦层的增厚，裂解深度会逐步降低(如图8所示)。

如果裂解深度预测模型不具备全运行周期内的裂解深度预测能力，那么，当裂解炉处于清焦末期时，预测模型给出产品收率会存在很大误差，此时，必须对其进行大幅度的在线分析校正才可以使用。如果在线分析仪表出现问题，无法对预测模型的结果进行及时校正，那么整个控制方案就会失效。另外，如果裂解深度预测模型不具备全运行周期内的准确预测，那么它便无法被用于裂解炉的多操作参数协同控制。

本实用新型采用的新型裂解深度预测模型充分考虑了炉管结焦对裂解深度的影响，从而可以用于全运行周期内的裂解深度的准确预测。该预测模型的输入条件除了常规的裂解炉操作参数(原料性质、裂解炉负荷、汽烃比、横跨温度、COT)，同时还增加了反应运行周期的若干参数，包括运行天数、拱顶温度、排烟温度、急冷器出口温度。在对预测模型进行训练的时候，训练使用的参数需要覆盖整个裂解操作周期。这种数据主要有两个来源：(a)工业运行数据；(b)采用自由基裂解反应模型和结焦模型计算得到的数据。一般而言，工业运行数据比较可靠，但是通常覆盖的原料较少；采用模型计算得到的数据则比较完整和全面，但事先必须对计算模型进行有效的校正。

本实用新型采用的新型裂解深度预测模型仍然采用了BP神经元网络模型，但由于输入参数中增加了运行周期相关的数据，因此，它可以准确判断出目前裂解炉处于清焦周期的哪个位置，并自动判断出焦层对产品收率的影响，从而可以准确预测真实的裂解深度。需要指出的是，输入参数中包含了“急冷器出口温度”，该参数主要用于判断裂解气急冷换热器内结焦的状态。如果急冷换热器内焦层变厚，则会影响超高压蒸汽的产量，进而影响对流段内热量的分配，从而最终影响横跨温度和辐射室内的裂解深度。

2、模型参数的离线/在线实时校正

全运行周期内的准确预测对裂解深度预测模型的准确度和原料适应性提出了更高的要求。为了能够持续地对神经元网络模型内的参数进行优化，必须让预测模型具备离线或者在线的参数校正功能。在现有的控制方案中，裂解深度预测模型尚不具备此种功能。

然而，裂解深度预测模型是整个控制方案中的核心部分，对其参数进行校正和优化会产生潜在的安全风险。为了解决这个问题，本实用新型中采用的神经元网络模型具备参数的版本控制功能。例如，裂解深度预测模型刚刚投入使用时，其内部的神经元网络参数集合假设为{a1,b1,c1,d1,e1,f1,g1…}，经过了校正优化后，参数集合变为{a2,b2,c2,d2,e2,f2,g2…}。在经过一系列验证之后，操作人员可以通过参数版本控制界面，自由选择是否采用新的参数集合。如果新的参数集合投入使用后出现准确度下降，那么操作人员可以立即使用之前版本的参数集合。这种参数版本控制的策略极大方便了神经元网络模型的持续优化。

模型参数的校正优化有两种方式，分别是离线校正和在线校正。离线校正所需要的数据来自于自由基反应模型和结焦模型，这种方式更加侧重于提高神经元网络模型的原料适应性，即，可以迅速将预测模型之前未曾覆盖的原料添加进来；在线校正需要的数据来自于裂解炉的在线分析仪表，这种方式侧重于持续提高神经元网络模型参数的准确度。这两种校正模式可以分别单独进行，也可以同时进行。

(二)操作参数预估与控制器智能集中管理模块

与现有裂解深度控制方案相比，本实用新型提出的“乙烯裂解炉全运行周期裂解深度控制方案”中增加了一个“操作参数预估与控制器智能集中管理模块”，它主要提供如下两个功能：(1)同时控制裂解深度控制器、进料流量控制器和汽烃比控制器，达到多操作参数的协同控制的目的，从而可以尽量延长操作周期；(2) 提供操作参数预估功能，用于提示操作人员裂解炉在各种控制目标下的运行状态。

1、多操作参数的协同控制功能

裂解深度预测模型产生的预测结果经过在线校正和滤波处理之后，不再直接传递给裂解深度控制器，而是先传递给操作参数预估与控制器智能集中管理模块(简称为集中管理模块)，经过该管理模块的综合处理后再传递给裂解深度控制器，传递的数值由智能集中管理模块的设定值和工作模式决定。

集中管理模块同时为裂解深度控制器、进料流量控制器和汽烃比控制器提供设定值，这样可以达到多操作参数的协同控制。协同控制的一个重要应用是延长清焦周期。当裂解炉处于清焦末期时，COT已经达到了控制方案规定的上限值，不宜再进一步提高。此时，如果想进一步延长操作周期，可以适当降低裂解炉的处理负荷，并同时调整汽烃比，从而使裂解深度稳定在一个合理的区间之内。

2、灵活设定控制目标和工作模式

集中管理模块可以用于灵活设定裂解炉的控制目标和工作模式，如图9所示，至少可以有6种控制目标：固定P/E、最大盈利、最大丙烯收率、固定乙烯收率、最大双烯收率、固定COT。

固定P/E：在整个清焦周期，均保持相同的P/E。

最大盈利：操作人员输入主要产品的市场价格，集中管理模块会自动计算出产生最大盈利情况下的裂解深度，并将此作为控制目标。

最大丙烯收率：随着裂解深度从极小到极大，丙烯收率通常先增加后减少，即，丙烯收率通常存在一个峰值。该控制模式可以计算出获取最大丙烯收率条件下的裂解深度。

固定乙烯收率：如果对其它产品的收率没有要求，仅仅希望控制乙烯收率，那么可以采用该控制目标。在此种工作模式下，如果裂解原料性质发生波动，集中管理模块可以自动调整裂解深度，继续保持乙烯收率的控制目标。

最大双烯收率：如果操作人员希望裂解深度控制在可以获取乙烯和丙烯的综合收率最高的条件下，可以使用这种控制模式。

固定COT：这种模式主要应用于裂解深度控制系统出现问题的时候。此时，最佳的操作策略是保持COT不变。

3、操作参数预估功能

为了配合裂解炉控制目标的灵活设定，集中管理模块同时提供了操作参数预估功能。假设裂解炉目前正处于固定P/E控制模式，此时，操作人员希望将控制目标调整至最大丙烯收率模式。在调整之前，操作人员可以从集中管理模块的操作参数预估窗口中查看最大丙烯收率模式下的裂解炉操作参数，包括COT、横跨温度、拱顶温度等，同时可以查看此种模式下各种产品的预估收率。预估功能可以为操作人员调整控制目标提供必要的参考，有利于裂解炉的稳定运行。

操作参数预估功能的核心计算中枢其实是“全周期裂解深度预测模型”，预测模型实时将各种控制目标下的操作参数通过神经元网络模型计算得出后传递给集中管理模块。

(三)裂解深度控制器

裂解深度控制器与COT控制器形成串级控制来控制燃料气调节阀，实时控制燃料气的流量，从而控制裂解炉的COT。本实用新型采用的裂解深度控制器系统使用了带有热值前馈的燃料气控制，它有以下优点：

(1)热值前馈模块可以实时测量燃料气的热值，并根据热值直接计算出燃料气的需求量，从而可以使燃料气控制更加高效；

(2)热值前馈模块可以迅速识别出燃料气组分的变化，并根据新的热值快速调整燃料气流量，起到稳定COT的作用。

下面结合某工业石脑油蒸汽乙烯裂解炉对全运行周期裂解深度控制方法进行说明：

该实例的实施示意图如图10所示，接下来对主要模块的建立方法进行说明。

一、全周期裂解深度预测模型的建立

裂解深度预测模型仍然采用成熟的BP神经元网络模型作为核心的计算模块。在建立神经元网络模型时，对模型的参数要添加版本控制功能。本实施例采用BP 神经元网络模型采用C++语言编写，添加版本控制方法如下：

(1)采用面向对象的思路来编写神经元网络模型，神经元网络模型形成一个类，每一个具体的神经元网络模型是基于类产生的对象；

(2)每一个对象都对应一套属于自己的模型参数；

(3)终端用户可以通过调用不同的对象来使用不同版本的模型参数。

接下来，需要对神经元网络模型进行大量的训练。本实施例采用的数据来自于自由基裂解模型和结焦模型，每一套训练数据采用如下方式生成：

(1)确定石脑油的宏观物性，包括平均密度、平均分子量、ASTM-D86蒸馏曲线、PONA值分布。

(2)利用信息熵最大化方法，通过石脑油的宏观物性计算得到油品的详细分子组成。

(3)将油品详细分子组成代入自由基裂解模型中，计算出某反应条件下的各种产品收率。其中，反应条件包括横跨温度、COT、进口压力、出口压力、拱顶温度等；主要产品包含氢气、甲烷、乙烯、丙烯、丁二烯等。

(4)利用石脑油裂解结焦模型计算出每隔24小时后，基于P/E比值不变条件下的反应条件的变化情况。

(5)判断停炉清焦的条件：a、COT值达到上限；b、炉管温度达到设计值；c、反应压力降达到规定极限值。上述三个条件中的任一条件满足后都必须停炉清焦。

神经元网络模型经过训练后，需要采用工业运行数据进行验证。

二、操作参数预估与控制器智能集中管理模块的建立

本实施例使用的集中管理模块同时为裂解深度控制器、进料流量控制器和汽烃比控制器提供设定值，这样可以达到多操作参数的协同控制。协同控制的一个重要应用是延长清焦周期。当裂解炉处于清焦末期时，COT已经达到了控制方案规定的上限值，不宜再进一步提高。此时，如果想进一步延长操作周期，可以适当降低裂解炉的处理负荷，并同时调整汽烃比，从而使裂解深度稳定在一个合理的区间之内。

本实施例集中管理模块包含6种控制目标：固定P/E、最大盈利、最大丙烯收率、固定乙烯收率、最大双烯收率、固定COT。

固定P/E：在整个清焦周期，均保持相同的P/E。

最大盈利：操作人员输入主要产品的市场价格，集中管理模块会自动计算出产生最大盈利情况下的裂解深度，并将此作为控制目标。

最大丙烯收率：随着裂解深度从极小到极大，丙烯收率通常先增加后减少，即，丙烯收率通常存在一个峰值。该控制模式可以计算出获取最大丙烯收率条件下的裂解深度。

固定乙烯收率：如果对其它产品的收率没有要求，仅仅希望控制乙烯收率，那么可以采用该控制目标。在此种工作模式下，如果裂解原料性质发生波动，集中管理模块可以自动调整裂解深度，继续保持乙烯收率的控制目标。

最大双烯收率：如果操作人员希望裂解深度控制在可以获取乙烯和丙烯的综合收率最高的条件下，可以使用这种控制模式。

固定COT：这种模式主要应用于裂解深度控制系统出现问题的时候。此时，最佳的操作策略是保持COT不变。

三、进料流量控制器的建立

裂解炉的进料流量通常是操作人员手动设定，但在本实施例中，集中管理模块为进料流量控制器提供设定值，进料管线上的流量计为进料流量控制器提供测量值，通过实时对比设定值和测量值之间的相对大小实现进料流量的自动设定，如图10 所示。

为了保证裂解炉的稳定运行，必须对进料流量的最大值、最小值和单位时间内的变化速度进行限定。

四、汽烃比控制器的建立

一般而言，裂解炉的汽烃比采用常规的比值控制。在本实施例中，集中管理模块为汽烃比控制器提供设定值，从而可以动态调整汽烃比，如图10所示。

为了保证裂解炉的稳定运行，必须对汽烃比的最大值、最小值和单位时间内的变化速度进行限定。

五、裂解深度控制器的建立

本实施例采用的裂解深度控制器系统的逻辑框图如图10所示，这是一种具有热值前馈功能的燃料气控制系统。裂解深度控制器与COT控制器形成串级控制来调节燃料气调节阀的开度。同时，为了保证烧嘴出燃料气的压力始终处于稳定，需要对燃料气调节阀实行压力超驰控制。另外，裂解炉配备了热值仪，用于实时测量燃料气的低热值，并将热值仪与燃料气调节阀串联在一起形成前馈控制，从而可以快速应对燃料气组分的波动。

另外，本实施例在热值前馈中添加了热值训练模型，用于根据燃料气的组分实时预测燃料气的低热值。该热值训练模型也是一种BP神经元网络模型，输入条件是燃料气的组成，包括氢气、甲烷、C2组分、C3组分等；输出结果为燃料气的低热值。该热值训练模型增加了热值前馈的稳定性，尤其是当热值仪出现问题后，可以迅速为热值前馈控制提供数据。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本实用新型所必须的。

本领域普通技术人员可以理解：实施例中的装置中的模块可以按照实施例描述分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。

最后应说明的是：以上实施例仅用以说明本实用新型的技术方案，而非对其限制；尽管参照前述实施例对本实用新型进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用新型实施例技术方案的精神和范围。