专利名称：一种裂解炉裂解反应的预警方法
技术领域：
本发明涉及一种裂解炉裂解反应的预警方法，尤其是一种乙烯装置裂解炉裂解反应的 预警方法。
背景技术：
在流程工业生产中，由于生产过程复杂、操作工艺条件经常变化，很难直观的从检测 变量看出生产过程是否出现异常，往往要等到异常情况持续了一段时间，己经对产品的质 量或系统的稳定性产生影响时，才能发现异常状况。目前，流程工业生产装置大多采用集 散控制系统(DCS)监控或人工操作，DCS —般带有报警设备，当生产过程关键参数超出 报警限值时，将会进行声、光报警或信息提示，但此时故障己经发生，对生产已造成了一 定的负面影响；且由于报警参数不易修改，系统误报警较多，无法消除， 一定程度上影响 操作人员的精神状态。如果能在装置处于从正常工况转向异常工况的过渡期发现问题，并 发出警报，就能及时找出问题所在并进行处理，把损失减到最小。预警技术就是在对生产 过程进行实时分析的情况下，及时发现异常工况趋势并对操作人员进行警示，使其以最快 的速度消除装置发生或即将发生的异常状况，以较大程度地减少设备在"非正常生产状况" 下的运行，并降低生产事故发生的概率，不仅保障生产和生产装置的安全，还可以提高企 业的经济效益。
乙烯是化学工业的重要基础原料，其产量成为衡量一个国家或地区石油化工发展的主 要标志。乙烯生产的规模、成本、生产稳定性、产品质量等都会对整个石油化工行业产生 重大影响，因此乙烯装置就成为关系全局的核心生产装置。作为乙烯生产过程的龙头装置， 裂解炉运行情况的好坏，直接影响乙烯的收率和后续工序的进行，如果在裂解区没有产生 合格的裂解气，那么后续的精馏精制过程也很难产出合格的乙烯产品。
在生产过程中，当原料进入到裂解炉辐射段后，由于受到高温加热而发生脱氢、断链 等反应，分解成乙烯、丙烯等多种烃类及碳、氢、水、 一氧化碳等多种产物，对裂解反应 进行在线实时分析就可以及时掌握裂解的程度及生产主要组分的比例，这对提高产出率，
4增加经济效益是至关重要的。现行裂解装置的生产状况如前述流程工业生产类似，缺乏对 裂解深度有效及时的报警机制，虽有专门用来检测裂解反应深度的在线仪表，但是一般都 价格昂贵，维护困难，稳定性差，且存在20 30分钟的滞后，无法实时反映出裂解反应深 度的变化。
发明内容
为了解决上述技术问题，本发明提供了一种裂解炉裂解反应的预警方法以达到以下目 的通过本预警技术减少非正常工况，增加企业经济效益，减少事故的发生，其工作原理 是对生产过程进行分析，在事故发生前根据已经有的专家知识，对操作人员提出建议性意 见，指导操作人员进行控制操作，稳定生产过程，及时避免损失。
本发明技术方案的基本原理如下-
当裂解反应出现异常时，与其相关的裂解炉出口温度、进料流量、稀释蒸汽流量等变 量也会表现出相应的变化，所以通过一些生产过程中的正常和异常历史数据的统计和分析， 可以建立起裂解反应的预警模型，当有新的实时数据输入该模型时，就可预测出这种工况 属于正常或是异常的类别，这样不需要检测裂解气中各产物的收率，就可以判定裂解过程 是否正常进行，裂解深度是否处于正常范围。
裂解炉在运行状态下是一个复杂的动力学系统，特别是在多故障源和非稳定状态下， 要求预警模型具有自适应和鲁棒性，也就是要求模式分类器具有自适应地处理由噪声引起 的模式失真的能力，能够根据设备运行参数的变化调整分类过程。神经网络技术具备这一 优势。基于祌经网络的预警技术，就是在建立被监测过程的动态模型的基础上，输入为与 被监测变量相关的容易测量的辅助变量，输出为系统的工作状态，分别用正常数据和异常 数据训练网络，通过神经网络的学习能力，使模型具有自己判断工况正常与否的能力，并 能够预测出生产过程的异常状态。对于乙烯裂解反应的预警，通过历史数据对神经网络进 行训练，建立裂解反应的神经网络预警模型，该模型可以对工况的变化进行实时分析，具 有独立判断工作状况的能力，当某因素发生故障而导致工况异常时，神经网络可以及时做 出反应，在该故障还没有对裂解反应造成影响之前发出预警，对于故障的早期发现具有很 大的帮助。
本发明的方法由以下步骤构成。
1、神经网络的网络结构
由于乙烯裂解是一个复杂的动态过程，本发明采用动态递归网络(Ehnan网络)来建立预警模型，网络的隐层单元采用Tansig函数作为激励函数，输出层单元采用Logsig函数作 为激励函数。输入层的节点数为1 7，隐含层节点数为1 30，每个单元都有一个与之相 对应的结构单元。网络结构的实施例如图1所示，该实施例输入层7个节点，隐含层8个 节点，输出层l个节点。
2、神经网络的输入、输出变量
神经网络输入的确定实际上就是特征量的提取，对于特征量的选取，主要考虑它是否 与装置的运行情况有比较明确的因果关系，即输入变量是能够反映出故障的可测量的征兆。 裂解深度是最能够反映出裂解装置是否正常运行的指标，但是由于裂解深度的值不容易直 接测得，因此选择一些便于测量的、与裂解深度有关系的变量作为输入变量。本发明可选 取的输入变量范围为
(1) 裂解炉出口温度(A， 。C)
(2) 稀释比(或汽烃比)(jc2) G)裂解炉进料负荷(x3，
(4) 原料油密度(jc4， g/cm3)
(5) 废热锅炉出口温度(jc5， °C)
(6) 裂解炉出口温度变化率(x6， X7w)
(7) 裂解炉进料负荷变化率(x7， 77/^w)
具体选取时，可选取其中l个或多个操作条件作为输入变量。 网络模型的输入变量利用式(l)进行归一化处理
",=~5-^~—a) + a， z'二l,2,…，z' (1)
i Ymax — Ymln 、 7， * "—''"'max 、"
(l)式中，X,是第Z'个输入变量的实际测量值，^M为输入变量个数，M,表示第Z个输入
变量归一化后作为神经网络输入的值，[x,min ，;C"]表示采集到第/个输入变量的变化范围，
归一化后输入变量的变化范围为[a, 6]。神经网络的输出变量/为生产工况，其值为0、 l或2， 0表示工况正常，l表示一般预
警，2表示严重预警。
3、 根据训练样本集对神经网络机型训练
一般来说，训练样本集不仅应全面涵盖所有故障模式的数据，还应具有一定的代表性， 同时必须保证学习的有效性。测试样本集的选择应该满足"交叉检验"的原则。
采集到"组代表性的工业装置数据，其中每组数据包含^ ，A,…,;c^,d，经归一化后 为h，^，…，M;jJ，形成训练样本。对裂解反应预警模型，以l^,，^C2,…,^c"j作为网络
的输入，对应的y作为目标值，训练网络。可采用误差反向传播算法(BP算法)对Elman
网络中的权值进行训练，当达到一定精度要求时，停止训练，获得裂解反应过程神经网络 预警模型。也可以采用遗传算法等智能优化算法对Elman网络中的权值进行学习，学习的
过程如图2所示。学习时，计算训练样本数据中的实际工况少与神经网络的输出y的误差，
将误差的倒数作为优化算法的适应度函数，通过优化算法的迭代求出适应度函数最大时的 神经网络权值。
4、 利用训练好的神经网络模型进行工况预测
训练好的网络可以分辨出系统是否处于正常工作状态或者预警的程度。预测时，将裂 解过程的相应输入变量代入训练好的网络，计算神经网络的输出，选择合适的分类阈值c。和
~，当输出小于阈值c。时，判断过程为正常工况，当输出大于阈值c。且小于阈值^时，判
断过程为一般预警；当输出大于阈值c^时，判断过程为严重预警。
上述方法的流程图如图3所示。
图1是裂解炉热裂解反应过程的预警模型框图2是利用优化算法对裂解炉热裂解反应过程的预警模型训练模块图； 图3是利用祌经网络对裂解反应预警的方法流程图
具体实施例方式
通过以下最佳实施例的说明将有助于理解本发明，但并不限制本发明的内容。
本实施例方法的神经网络采用图l所示的结构，即输入层节点数为7，隐含层节点数为 8，输出层节点数为l。
首先，采集来自现场和实验装置的300组裂解炉在不同的裂解炉出口温度(x,， 。C)、 稀释比(或汽烃比)(&)、裂解炉进料负荷(A， 77/0、原料油密度(x4， g/cm3)、废 热锅炉出口温度(x5， 。C)、裂解炉出口温度变化率(&， 'C/w)、裂解炉进料负荷变化 率(X7, 77^w)下，对应裂解装置工况(0:正常，1: 一般异常，2:严重异常)形成 样本数据。
然后，利用(1)式，对上述各自变量进行归一化处理^的变化范围[840,860], ;c,的变 化范围
， ^的变化范围[22,27]， x4的变化范围
, x5的变化范围[400，410]， &的变化范围[-10,10]， 一的变化范围[-l，l]，取&=-1， b=l，进行归一化计算
<formula>formula see original document page 8</formula>"7=^(1-(-1)) + (-1) 1 + 1
以归一化后的300组样本数据为训练样本，本实施例采用BP算法对网络进行训练，训 练模块图如图2所示；当神经网络的输出/与训练样本的实测数据y的误差平方和小于某 阈值(该阈值的选取随预警模型的精度要求变化而变化，本实施例中取O.l)时，判定网络 收敛，得到下列一组权值《(/=1,2,3)和偏置量^ (/=1,2广'，8)、 6。。其中《(戶1,2,…，8;
产1,2，…,8)为第/个结构单元到隐层第j'个节点的权值；《(/=1,2广'，7;户1，2，…，8)为输
入层第'个节点到隐层第/个节点的权值；《(/=1,2，'-，8;户l)为隐层第Z个节点到输出节
点的权值。6, (tl，2,…,8)为隐层第'个节点的偏置值；6。为输出节点的偏置值。裂解炉热 裂解反应过程预警模型为
xA = /(w7. jce+ w2 议("+ 6)
xc (&) = xA (A — 1)
/(fc) = g(w3 .^(fc) + 6。)
其中，
■^(^> = ki(^) 、2(" ^3(W ^4(A) &5(&) &6(&) &7(&) 、S("] ^(" = hi(" ^2(A) ^3(A) ^4(^0 ^5(A) XA6(" ^7("
5x(A)=[巧sx2 sx3 (A) sx4 (A:) sx5 (A) sjc6 (A) sx7 ("]
2 1
/("是裂解反应预警模型的预测值，可取分类阈值c。二0.5， cw=1.5,当y'("Sc。时， 当前为正常工况；当c。〈/("S^时，当前为一般预警；当/(0>~时，当前为严重预警。
本发明的预警方法可在集散控制系统或现场总线控制系统中通过编制程序的方法实现，与一般的裂解气组分在线测量仪表相比，具有成本低、实施简单、无须维护、实时预 警等优势。
权利要求
1、一种裂解炉裂解反应的预警方法，其特征在于，(1)选取裂解炉的操作条件作为乙烯裂解反应过程神经网络预警模型的输入变量；(2)选取生产工况标志位作为模型的输出变量；(3)利用工业裂解炉实际生产数据作为训练样本，建立乙烯裂解炉裂解反应过程神经网络预警模型，并根据预警模型的输出判断当前工况，及时发现异常趋势，并对操作人员进行警示，使其以快速消除装置的异常状况，降低生产事故的发生，提高装置的经济效益。
2、 根据权利要求1所述的预警技术，其特征在于，所述步骤(1)中选取的操作条件为裂解炉出口温度、稀释比(或汽烃比)、裂解炉进料负荷、原料油密度、废热锅炉出口温度、裂解炉出口温度变化率、裂解炉进料负荷变化率中的一个或多个条件的组合。
3、 根据权利要求l所述的预警技术，其特征在于，所述对乙烯裂解反应过程的神经网络预警模型，采用动态递归神经网络结构，输入层的节点数为1 7，隐含层节点数为1 30，每个单元都有一个与之相对应的结构单元，输出层节点数为1。
4、 根据权利要求3所述的预警技术，其特征在于，所述神经网络模型输入变量经归一化处理-式中，x,是第!'个输入变量的实际测量值，/_为输入变量个数，sx,表示第z'个输入变量归一化后作为神经网络输入的值，[;Cin ,:^31表示采集到第''个输入变量的变化范围，归一化后输入变量的变化范围为[fl,6]。
5、根据权利要求4所述的预警技术，其特征在于，采集到"组代表性的工业装置数据，其中每组数据包含^ ，x2,...,x, ，yj ，经归 一 化后为^ ，^^，…，;a、，:^ ，形成训练样本，对裂解反应预警模型，以h，^，…,w」作为网络的输入，对应的少作为目标值，训练网络。
6、 根据权利要求5所述的预警技术，其特征在于，采用误差反向传播算法(BP算法)对Elman网络中的权值进行训练，当神经网络输出与训练样本目标值的误差平方和小于阈值时，停止训练，获得裂解反应过程神经网络预警模型。
7、 根据权利要求5所述的预警技术，其特征在于，采用遗传算法等智能优化算法对Elman网络中的权值进行学习，学习时，计算训练样本数据中的实际工况少与神经网络的输出y的误差，将误差的倒数作为优化算法的适应度函数，通过优化算法的迭代求出适应度函数最大时的神经网络权值。
8、 根据权利要求1所述的预警技术，其特征在于，预测时，将裂解过程的相应输入变量带入训练好的网络，计算神经网络的输出，选择合适的分类阈值 和^，当输出小于阈值^时，判断过程为正常工况，当输出大于阈值 且小于阈值^时，判断过程为一般预警；当输出大于阈值^时，判断过程为严重预警。
9、 根据权利要求2-8中任一所述的预警技术，其特征在于，最佳输入节点数为
10、 根据权利要求1-8中任一所述的预警技术，其特征在于，所述预警技术是基于集散控制系统或现场总线控制系统实现的。
全文摘要
本发明涉及一种裂解炉裂解反应的预警方法，以预测裂解反应的发展趋势，使工作人员可作及时调整，减少异常工况时间，提高生产效率。本发明通过采集、统计、分析生产过程中的正常和异常历史数据，对基于神经网络建立的裂解反应预警模型进行训练，完成模型结构和参数的确立，然后在生产过程中进行运用、实现预警，即当有新的实时数据输入该模型时，进行工况预测，判定裂解过程是否正常进行，裂解深度是否处于正常范围，以便工作人员进行相应调整。本发明方法可在集散控制系统或现场总线控制系统中通过编制程序的方法实现，与一般的裂解气组分在线测量仪表相比，具有成本低、实施简单、无须维护、实时预警等优势。
文档编号G06N3/08GK101551663SQ200910050860
公开日2009年10月7日 申请日期2009年5月8日 优先权日2009年5月8日
发明者刘漫丹, 张靖博, 李绍军, 黄海燕 申请人:华东理工大学