CN101201331B - 一种在线确定初馏塔顶石脑油质量指标的软测量方法 - Google Patents

Abstract

本发明公开了一种在线确定初馏塔顶石脑油质量(干点)指标的软仪表技术：即选取初馏塔处理量、塔顶温度、塔顶压力、顶回流单位处理量温差、回流比、初馏塔顶石脑油流量、初一中单位处理量温差等变化因素，作为初馏塔顶石脑油干点软仪表的输入变量；利用初馏塔相关的测量仪表值，直接测量或间接计算获得实时测量值，以及通过生产装置集散控制系统的人机界面获得前一时刻初馏塔顶石脑油干点人工分析值；基于工业装置样本数据训练建立的神经网络软仪表模型进行在线计算；通过系统预测偏差分析，对模型计算值进行加权修正，在线、实时确定初馏塔顶石脑油干点。初馏塔顶石脑油干点的软仪表在线计算值，可用以指导操作，并作为进一步按质量指标进行控制的依据。

Description

一种在线确定初馏塔顶石脑油质量指标的软测量方法

技术领域

本发明属于石油炼制与过程控制交叉领域，涉及石油炼制常减压生产装置中初馏塔顶产品——石脑油质量(干点)指标的在线确定方法。 

背景技术

由于世界能源问题的日趋严重，原油市场和成品油市场变化莫测，原油的品质和价格成为世界炼油工业选择炼制原油的重要因素。常减压装置是整个炼油工业的首要生产环节，其中初馏塔、常压塔和减压塔作为常减压装置的关键设备，负责完成原油一次加工的主要过程。常减压装置直接处理原油，将原油切割成各种不同馏分的产品并消耗大量的能量。这些馏分产品或作为后续工段的进料，或经调和后作为成品油出售，它们有一定的质量要求。其中初馏塔是常减压装置的第一个精馏塔，其流程如图1所示，原油经过脱盐脱水预处理后，加热到一定的温度进入初馏塔，初馏塔将原油分割成初馏塔顶石脑油和塔底油，以达到降低常压塔顶部负荷的目的；初馏塔设有顶回流，以保证精馏效果；设有两个循环回流，即初馏塔第一中段循环回流、初馏塔第二中段循环回流，以下简称为：初一中和初二中，以控制塔内的气液相负荷，提高处理量。 

石油馏分是复杂的混合物，一般常用沸点范围来表征其蒸发及汽化性能。沸点范围又称沸程。石油馏分的沸程测定是一种在标准设备中，按照GB6536-86规定的方法进行的简单蒸馏。国外将此类方法成为ASTM(American Society forTesting Material，美国材料试验学会)蒸馏或恩氏(Engler)蒸馏。其测定过程是，将100mL(20℃下)油品放入标准的蒸馏瓶中按规定的速度进行加热，其馏出第一滴冷凝液时的气相温度称为初馏点。随后，其温度逐步升高而不断地馏出，依次记下馏出液达10mL、20mL直至90mL时的气相温度，称为10％、20％、......、90％馏出温度。当气相温度升到一定数值后，它就不再上升反而回落，这个最高的气相温度称为干点(或终馏点)。 

初馏塔顶石脑油干点是初馏塔重要的控制指标，其控制的好坏，直接影响原油收率的提高和后续工序的操作稳定。由于在常减压装置生产过程中，没有合适的在线仪表能对初馏塔塔顶石脑油干点进行实时分析，一般操作人员仅能根据每4或8个小时分析样的分析结果对生产进行调整，而这些分析样需要2小时的分析时间，这些因素都不可避免地带来了分析结果的太滞后和生产操作条件不能及时调整，从而给产品质量的控制带来困难。 

石油馏分干点的预测主要有机理模型方法和统计模型方法。机理模型方法如：中国专利(ZL95101183.9)公开了一种用于石油分馏塔塔顶汽油干点和中部侧线产品柴油95％点的在线确定方法。利用温度、油汽分压和油品组分分率，以及分馏塔及其相关设备的动态模型，在线实时计算分馏塔内物流流量、内回流流量和油品组分分率，进而随时确定汽油干点和柴油95％点。其他一些机理模型方法，主要采用实测的分馏塔温度和压力，按稳态关系估计汽油或柴油产品质量，如：Applied Automation INC.(A.A.公司)，兰州炼油化工总厂自动化所，上海高桥石化公司炼油厂等等。同时，大量公开的文献也报道各种统计方法建立馏分油质量指标模型，主要有：各种全局多元线性回归方法，它们具有简洁明确的解析表达形式，但难以描述石油分馏这样高度非线性系统。有多种非线性建模方法(如神经网络方法、支持向量基回归方法、关联向量基回归方法、核PCA回归方法等等)，它们可以处理高度非线性体系，建模时有较高的拟合精度，但模型预测性能依赖于输入变量选择、以及建模样本的质量。 

现有的各种在线确定馏分油产品质量指标方法存在如下一些缺点： 

(1)石油分馏塔处理的油品组成复杂、经常变换且油品性质通常难以及时获得，操作变量多、存在交互作用且对产品质量影响复杂，准确的机理模型难以及时建立。 

(2)影响馏分油质量的操作变量众多且存在交互作用，统计模型的输入变量通常或存在大量冗余变量，使建立的模型稳定性差；或过于精简，难以描述馏分油质量指标的变化规律。 

(3)由于炼制原油频繁变换且原油性质无法及时获得，因此大量统计模型方法未考虑炼制原油性质的变化，造成模型精度下降、甚至严重偏离采样分析值。 

发明内容

本发明目的是提供一种在线确定初馏塔顶石脑油干点的软仪表技术。选取初馏塔处理量(x₁，T/Hr)、塔顶温度(x₂，℃)、塔顶压力(x₃，MPa)、顶回流单位处理量温差(x₄，℃)、回流比x₅、初馏塔顶石脑油流量(x₆，T/Hr)、初一中单位处理量温差(x₇，℃)、初二中单位处理量温差(x₈，℃)、进料温度(x₉，℃)、以及前一时刻初馏塔顶石脑油干点人工分析值(x₁₀，℃)，作为初馏塔顶石脑油干点软仪表的输入变量；基于工业装置样本数据，采用神经网络技术建立输入变量与初馏塔顶石脑油干点关联模型；利用初馏塔相关的测量仪表值，直接或间接计算获得x₁～x₉的实时测量值，以及通过生产装置集散控制系统的人机界面获得前一时刻初馏塔顶石脑油干点人工分析值；基于模型，进行在线计算，并根据模型计算的系统偏差，对模型计算值进行加权修正，实现在线、实时确定初馏塔顶石脑油干点。 

1.输入变量的选取(或构造) 

在实际生产过程中，影响初馏塔顶石脑油干点的主要因素：初馏塔处理量、塔顶温度、塔顶压力、顶回流带出能量、回流比、初馏塔顶石脑油流量、初一中带出能量、初二中带出能量、进料温度、以及炼制原油的性质。其中顶回流带出能量、初一中带出能量、及初二中带出能量的计算，涉及流股物性数据，因此无法在线获得；炼制原油的性质经常无法及时获得；其他影响因素都有测量仪表直接获得或间接计算获得。 

本发明的特点是： 

(I)定义了顶回流单位处理量温差、初一中单位处理量温差、初二中单位处理量温差，分别表征了初馏塔在单位处理量下顶回流带出能量、初一中带出能量和初二中带出能量。 

(II)将前一时刻初馏塔顶石脑油干点人工分析值作为炼制原油性质的间接表征。 

为此，初馏塔顶石脑油干点软仪表的输入变量选取如下： 

(1)初馏塔处理量(x₁，T/Hr) 

(2)塔顶温度(x₂，℃) 

(3)塔顶压力(x₃，MPa) 

(4)顶回流单位处理量温差(x₄，℃) 

(5)回流比(x₅) 

(6)初馏塔顶石脑油流量(x₆，T/Hr) 

(7)初一中单位处理量温差(x₇，℃) 

(8)初二中单位处理量温差(x₈，℃) 

(9)进料温度(x₉，℃) 

(10)前一时刻初馏塔顶石脑油干点人工分析值(x₁₀，℃) 

其中，顶回流单位处理量温差、回流比、初一中单位处理量温差、初二中单位处理量温差定义(或构造)如下： 

$\left\{\begin{array}{c}{x}_4=\frac{(x_2-t_1)m_1}{x_1}\\ x_5=\frac{m_1}{x_6}\\ x_7=\frac{(t_2-t_3)m_2}{x_1}\\ x_8=\frac{(t_4-t_5)m_3}{x_1}\end{array}\right.---\left(1\right)$

式中t₁：塔顶回流温度(℃)；m₁：初馏塔顶回流量(T/Hr)；t₂：初一中抽出温度(℃)；t₃：初一中返塔温度(℃)；m₂：初一中循环量(T/Hr)；t₄：初二中抽出温度(℃)；t₅：初二中返塔温度(℃)；m₃：初二中循环量(T/Hr)。 

x₁、x₂、x₃、x₆、x₉、t₁、m₁、t₂、t₃、m₂、t₄、t₅、m₃均可以由初馏塔的相关测量仪表直接获得。x₄、x₅、x₇、x₈可以由公式(1)实时间接计算获得。前一时刻初馏塔顶石脑油干点人工分析值x₁₀，通过生产装置集散控制系统的人机界面，由操作人员输入获得。因此，初馏塔顶石脑油干点软仪表的所有输入变量都可以实时、在线获取。 

2.神经网络模型建立 

由于各输入变量对初馏塔顶石脑油干点影响复杂，呈高度非线性的特征，为此，可以采用各种非线性建模技术(如神经网络建模方法、支持向量基回归等)，建立输入变量与初馏塔顶石脑油干点的关联模型。以下描述初馏塔顶石脑油干点神经网络模型的建立： 

各输入变量(x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈、x₉、x₁₀)与初馏塔顶石脑油干点(y，℃)的神经网络模型采用活化函数为Sigmoid函数，三层前传神经网络来建立，并采用误差反传算法(BP，Back Propagation)对网络进行训练，输入层10个节点、隐含层1～30个节点、输出层1个节点。网络模型的输入变量利用式(2)进行归一化处理： 

${\mathrm{sx}}_i=\frac{x_i-x_{\min }^i}{x_{\max }^i-x_{\min }^i}(b-a)+a,i=\mathrm{1,2},...,\mathrm{9,10}---\left(2\right)$

(2)式中，x_i是第i个输入变量的实际测量值，sx_i表示第i个输入变量归一化后作为神经网络输入的值，

x_min ⁱ，x_max ⁱ

表示第i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，b]。 

网络模型的输出变量利用式(3)进行归一化处理： 

$\mathrm{sy}=\frac{y-y_{\min }}{y_{\max }-y_{\min }}(b-a)+a,---\left(3\right)$

(3)式中，sy表示因变量归一化后作为神经网络输出的目标值，[y_min，y_max]表示因变量的变化范围，归一化后神经网络输出的变化范围为[a，b]。 

采集到n组代表性的工业装置数据，其中每组数据包含输入变量(x₁、x₂、x₃、x₄、x₅、x₆、x₇、x₈、x₉、x₁₀)与对应的初馏塔顶石脑油干点(y)，经(2)、(3)式归一化后为[sx₁，sx₂，…，sx₁₀，sy]，形成训练样本。对神经网络模型，以[sx₁，sx₂，…，sx₁₀]作为网络的输入，对应的sy作为目标值，训练网络。当达到一定精度要求时，停止训练，获得[sx₁，sx₂，…sx₁₀]与sy之间的神经网络模型，设为： 

  sy＝f(sx₁，sx₂，…，sx₁₀)    (4) 

其中，f(·)为[sx₁，sx₂，…，sx₁₀]与sy之间的神经网络模型。则通过对神经网络模型输出st的反归一化，就可以求得初馏塔顶石脑油干点的模型计算值 

即 

$\tilde{y}=y_{\min }+\frac{y_{\max }-y_{\min }}{b-a}(\mathrm{sy}-a)---\left(5\right)$

3.神经网络模型计算值系统偏差的加权修正 

该神经网络模型可以投运在生产装置的计算机集散控制系统(Distributedcontrol system，DCS)中，通过以上10个输入变量，在线计算初馏塔顶石脑油干点。其采样时刻的模型计算值可以与该时刻的人工分析值进行对比，并对计算系统偏差进行加权修正。 

设当前时刻为t，前一时刻(即最近一次的取样时刻)为t-1，依次类推。设t-1时刻模型计算值为 

t-1时刻样品的人工分析值为y_t-1，则t-1时刻模型计算偏差为： 

$\mathrm{\Δ}{y}_{t-1}=y_{t-1}-{\tilde{y}}_{t-1},$

则，依次分析到前m时刻的计算偏差为： 

$\mathrm{\Δ}{y}_{t-2}=y_{t-2}-{\tilde{y}}_{t-2}$

$\mathrm{\Δ}{y}_{t-3}=y_{t-3}-{\tilde{y}}_{t-3}$

……| 

$\mathrm{\Δ}{y}_{t-m}=y_{t-m}-{\tilde{y}}_{t-m}$

则，当前时刻t的模型计算值 

，经过系统偏差加权修正后的值 

为： 

$\left\{\begin{array}{c}{\stackrel{\‾}{y}}_i={\tilde{y}}_i+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i\mathrm{\Δ}{y}_{t-i}\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i=1\end{array}\right.---\left(6\right)$

其中，w_i是t-i时刻计算偏差Δy_t-i的权值，且0 ≤w_m≤w_m-1≤…≤w_i≤w_i-1 ≤…≤ w₂≤w₁≤1。 也是初馏塔顶石脑油干点软仪表的最终输出值。 

4.初馏塔顶石脑油干点软仪表的在线计算 

初馏塔顶石脑油干点软仪表的在线计算流程如图2所示。基于10个输入变量的实时直接测量值或间接计算值，通过(2)式，求得[x₁，x₂，…x₁₀]归一化后的值[sx₁，sx₂，sx₁₀]；通过(4)式，求得神经网络输出值sy；通过(5)式，反归一化求得初馏塔顶石脑油干点的模型计算值 

通过(6)式，求得经过系统偏差加权修正后的值 

即初馏塔顶石脑油干点软仪表的在线计算值。 

附图说明

图1是初馏塔工艺流程图； 

图2是初馏塔顶石脑油干点软仪表的在线计算流程。 

具体实施方式

通过以下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。 

实施例1 

1.初馏塔顶石脑油干点软仪表的建立 

采集184组具有代表性的原始样本数据，利用(2)式，对上述各自变量进行归一化处理：x₁的变化范围[335.29，450.64]，x₂的变化范围[143.11，152.92]，x₃ 的变化范围[0.1658，0.2524]，x₄的变化范围[5.6412，15.21]，x₅的变化范围[0.46826，1.5219]，x₆的变化范围[20.035，63.216]，x₇的变化范围[0.80222，5.1604]，x₈的变化范围[2.3588，5.6667]，x₉的变化范围[226，251.5]，x₁₀的变化范围[157，175.5]，[a，b]的取值通常为[0，1]、[0.1，0.9]、[0.2，0.8]等值，此处取a＝0.2，b＝0.8，进行归一化计算： 

${\mathrm{sx}}_1=\frac{x_1-335.29}{450.64-335.29}(0.8-0.2)+0.2$

${\mathrm{sx}}_2=\frac{x_2-143.11}{152.92-143.11}(0.8-0.2)+0.2$

${\mathrm{sx}}_3=\frac{x_3-0.46826}{1.5219-0.46826}(0.8-0.2)+0.2$

${\mathrm{sx}}_4=\frac{x_4-5.6412}{15.21-5.6412}(0.8-0.2)+0.2$

${\mathrm{sx}}_5=\frac{x_5-0.46826}{1.5219-0.46826}(0.8-0.2)+0.2$

${\mathrm{sx}}_6=\frac{x_6-20.035}{63.216-20.035}(0.8-0.2)+0.2$

${\mathrm{sx}}_7=\frac{x_7-0.80222}{5.1604-0.80222}(0.8-0.2)+0.2$

${\mathrm{sx}}_8=\frac{x_8-2.3588}{5.6667-2.3588}(0.8-0.2)+0.2$

${\mathrm{sx}}_9=\frac{x_9-226}{251.5-226}(0.8-0.2)+0.2$

${\mathrm{sx}}_{10}=\frac{x_{10}-157}{175.5-157}(0.8-0.2)+0.2$

利用(3)式，对上述因变量进行归一化处理：y的变化范围[157，175.5]，取a＝0.2，b＝0.8，进行归一化计算： 

$\mathrm{sy}=\frac{y-157}{175.5-157}(0.8-0.2)+0.2$

网络结构为：输入层节点数为10，隐含层节点数为6，输出层节点数为1。以归一化后的184组样本数据为训练样本，采用BP算法对网络进行训练；网络收敛时，得到下列一组权值和阈值： 

$W^{\left(1\right)}=\left[\begin{array}{c}{w}_{11}^{\left(1\right)}{w}_{21}^{\left(1\right)}...w_{91}^{\left(1\right)}{w}_{101}^{\left(1\right)}\\ w_{12}^{\left(1\right)}{w}_{22}^{\left(1\right)}...w_{92}^{\left(1\right)}{w}_{102}^{\left(1\right)}\\ ......\\ w_{16}^{\left(1\right)}{w}_{26}^{\left(1\right)}...w_{96}^{\left(1\right)}{w}_{106}^{\left(1\right)}\end{array}\right]$

$=\left[\begin{array}{cccccccccc}0.48257& 3.1847& 1.4328& -0.65042& -0.86693& -2.2105& 2.6316& -9.4267& -0.59569& 1.9172\\ 5.6216& 9.4934& 2.142& -4.6182& -1.1986& -3.1552& -0.95382& -2.6022& -2.2269& -2.7722\\ -4.1181& 2.0561& 6.2795& -3.608& -0.34485& -6.3287& -3.708& 1.9186& 2.7553& -0.10217\\ -3.0258& 5.6259& 4.6112& 1.2912& -1.3115& 4.525& 1.4842& 1.8597& -5.5177& 3.7813\\ 1.8173& -3.8688& 1.6797& 1.2245& -2.209& -0.21487& 2.2379& 5.6012& 8.3638& -0.55844\\ -1.0041& -8.1117& -4.3513& 0.68567& 3.5065& 6.2836& -2.6308& 6.7478& -0.043046& 2.1355\end{array}\right]$

$W^{\left(2\right)}=[w_{11}^{\left(2\right)}{w}_{21}^{\left(2\right)}...w_{51}^{\left(2\right)}{w}_{61}^{\left(2\right)}]=\left[\begin{array}{cccccc}3.2096& 1.7922& 0.4695& 0.83599& 2.3834& 2.964\end{array}\right]$

$b^{\left(1\right)}=\left[\begin{array}{c}{b}_1^{\left(1\right)}\\ b_2^{\left(1\right)}\\ b_3^{\left(1\right)}\\ ...\\ b_6^{\left(1\right)}\end{array}\right]=\left[\begin{array}{c}2.1446\\ 1.4391\\ 3.297\\ -5.9783\\ -8.9021\\ -0.97301\end{array}\right]$

$b_1^{\left(2\right)}=-5.8905$

其中w_ij ⁽¹⁾为输入层第i个节点到隐含层第j个节点的权值；w_ij ⁽²⁾为隐含层第f个节点到输出层第j个节点的权值：b_i ⁽¹⁾为隐含层第f个节点阈值；b_i ⁽²⁾为输出层第i个节点阈值。 

则，初馏塔顶石脑油干点神经网络模型为： 

$\left\{\begin{array}{c}\mathrm{net}1=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i1}^{\left(1\right)}*{\mathrm{sx}}_i+b_1^{\left(1\right)}\\ \mathrm{net}2=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i2}^{\left(1\right)}*{\mathrm{sx}}_i+b_2^{\left(1\right)}\\ \mathrm{net}3=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i3}^{\left(1\right)}*{\mathrm{sx}}_i+b_3^{\left(1\right)}\\ \mathrm{net}4=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i4}^{\left(1\right)}*{\mathrm{sx}}_i+b_4^{\left(1\right)}\\ \mathrm{net}5=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i5}^{\left(1\right)}*{\mathrm{sx}}_i+b_5^{\left(1\right)}\\ \mathrm{net}6=\underset{i=1}{\overset{10}{\mathrm{\Σ}}}{w}_{i6}^{\left(1\right)}*{\mathrm{sx}}_i+b_6^{\left(1\right)}\end{array}\right.---\left(7\right)$

$\left\{\begin{array}{c}\mathrm{out}1=\frac{1}{1+\exp (-\mathrm{net}1)}\\ \mathrm{out}2=\frac{1}{1+\exp (-\mathrm{net}2)}\\ \mathrm{out}3=\frac{1}{1+\exp (-\mathrm{net}3)}\\ \mathrm{out}4=\frac{1}{1+\exp (-\mathrm{net}4)}\\ \mathrm{out}5=\frac{1}{1+\exp (-\mathrm{net}5)}\\ \mathrm{out}6=\frac{1}{1+\exp (-\mathrm{net}6)}\end{array}\right.,---\left(8\right)$

$\mathrm{net}5=w_{11}^{\left(2\right)}*\mathrm{out}1+w_{21}^{\left(2\right)}*\mathrm{out}2+w_{31}^{\left(2\right)}*\mathrm{out}3+w_{41}^{\left(2\right)}*\mathrm{out}4+w_{51}^{\left(2\right)}*\mathrm{out}5+w_{61}^{\left(2\right)}*\mathrm{out}6+b_1^{\left(2\right)},---\left(9\right)$

$\mathrm{sy}=\frac{1}{1+\exp (-\mathrm{net}5)},---\left(10\right)$

其中，sy是初馏塔顶石脑油干点神经网络模型预测值，该预测值通过反归一化处理就可以求得初馏塔顶石脑油干点(y，℃)的预测值 

在训练样本因变量归一化时，y的变化范围[157，175.5]，a＝0.2，b＝0.8，则 

$\tilde{y}=157+\frac{175.5-157}{0.8-0.2}(\mathrm{sy}-0.2)---\left(11\right)$

以上描述了如何基于工业装置生产过程数据建立初馏塔顶石脑油干点神经网络模型。下面将描述，如何对初馏塔顶石脑油干点神经网络模型的计算值进行系统偏差的加权修正。 

设，当前时刻为t，10个输入变量的采集值为： 

$\left[\begin{array}{c}{x}_1\\ x_2\\ .\\ .\\ .\\ x_{10}\end{array}\right]=\left[\begin{array}{c}414.51\\ 149.99\\ 0.21337\\ 12.588\\ 0.82065\\ 51.179\\ 2.7096\\ 4.4196\\ 232\\ 162\end{array}\right]$

则通过初馏塔顶石脑油干点神经网络模型计算得： 

设，依次分析到前m＝6时刻的计算偏差；在实际投运时，设t时刻它们的偏差为： 

[Δy_t-1Δy_t-2…Δy_t-6]＝[0.35-0.53-0.45 0.61-0.23-0.62] 

设，权值取为： 

[w₁w₂…w₆]＝[0.3 0.2 0.2 0.1 0.1 0.1] 

则，当前时刻t的模型计算值 

经过系统偏差加权修正后的值 

为： 

为t时刻初馏塔顶石脑油干点软仪表的在线输出值。 

Claims (2)

1.一种在线确定初馏塔顶石脑油质量指标的软测量方法，其特征在于，包括如下步骤：

a、选取初馏塔处理量(x₁，T/Hr)、塔顶温度(x₂，℃)、塔顶压力(x₃，MPa)、塔顶回流单位处理量温差(x₄，℃)、回流比x₅、初馏塔顶石脑油流量(x₆，T/Hr)、初一中单位处理量温差(x₇，℃)、初二中单位处理量温差(x₈，℃)、进料温度(x₉，℃)以及前一时刻初馏塔顶石脑油干点人工分析值(x₁₀，℃)，作为初馏塔顶石脑油干点软仪表的输入变量；

b、利用与初馏塔相关的测量仪表值和生产装置集散控制系统的人机界面，直接或间接计算获得x₁～x₁₀的实时测量值；

c、根据步骤b得到的所述x₁～x₁₀，基于软仪表在线计算因变量初馏塔顶石脑油干点(y，℃)；

所述x₁、x₂、x₃、x₆、x₉、t₁、m₁、t₂、t₃、m₂、t₄、t₅、m₃均可以由初馏塔的相关测量仪表直接获得；

所述塔顶回流单位处理量温差(x₄，℃)、回流比x₅、初一中单位处理量温差(x₇，℃)、初二中单位处理量温差(x₈，℃)由下式计算后间接获得：

$\left\{\begin{array}{c}{x}_4=\frac{(x_2-t_1)m_1}{x_1}\\ x_5=\frac{m_1}{x_6}\\ x_7=\frac{(t_2-t_3)m_2}{x_1}\\ x_8=\frac{(t_4-t_5)m_3}{x_1}\end{array}\right.$

式中t₁：塔顶回流温度(℃)；m₁：初馏塔顶回流量(T/Hr)；t₂：初一中抽出温度(℃)；t₃：初一中返塔温度(℃)；m₂：初一中循环量(T/Hr)；t₄：初二中抽出温度(℃)；t₅：初二中返塔温度(℃)；m₃：初二中循环量(T/Hr)；

所述输入变量利用下式进行归一化处理：

${\mathrm{sx}}_i=\frac{x_i-x_{\min }^i}{x_{\max }^i-x_{\min }^i}(b-a)+a,i=\mathrm{1,2},...,\mathrm{9,10}$

式中，sx_i表示第i个输入变量归一化处理后的值，

表示第i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，b]；

所述因变量利用下式进行归一化处理：

$\mathrm{sy}=\frac{y-y_{\min }}{y_{\max }-y_{\min }}(b-a)+a;$

式中，sy表示因变量归一化处理后的值，[y_min，y_max]表示因变量的变化范围，归一化处理后的变化范围为[a，b]；

采集工业装置数据，经归一化处理后，采用神经网络技术建立[sx₁，sx₂，…，sx₁₀]与sy之间的关联模型：

sy＝f(sx_1，sx₂，…，sx₁₀)；

其中，f(·)为[sx₁，sx₂，…，sx₁₀]与sy之间的神经网络模型，则通过对神经网络模型输出sy的反归一化，即利用下式求得所述初馏塔顶石脑油干点的模型计算值

$\tilde{y}:$

$\tilde{y}=y_{\min }+\frac{y_{\max }-y_{\min }}{b-a}(\mathrm{sy}-a).$

2.根据权利要求1所述的软测量方法，其特征在于，当前时刻t的模型计算值经过系统偏差加权修正后的值

为：

$\left\{\begin{array}{c}{\stackrel{\‾}{y}}_t={\tilde{y}}_t+\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i\mathrm{\Δ}{y}_{t-i}\\ \underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i=1\end{array}\right.$

其中，

$\mathrm{\Δ}{y}_{t-1}=y_{t-1}-{\tilde{y}}_{t-1}$

$\mathrm{\Δ}{y}_{t-2}=y_{t-2}-{\tilde{y}}_{t-2}$

$\mathrm{\Δ}{y}_{t-3}=y_{t-3}-{\tilde{y}}_{t-3}$

……

$\mathrm{\Δ}{y}_{t-m}=y_{t-m}-{\tilde{y}}_{t-m}$

Δy_t-i是t-i时刻初馏塔顶石脑油干点人工分析值y_t-i与神经网络模型计算值

的差；

w_i是t-i时刻计算偏差Δy_t-i的权值，且0≤w_m≤w_m-1≤…≤w_i≤w_i-1≤…≤w₂≤w₁≤1；

m是设定的正整数值，且m≥1。

Images