CN109858707A - 一种基于abc-anfis-ctf的乙烯裂解炉炉管智能结焦诊断方法 - Google Patents

Abstract

本发明涉及一种乙烯裂解炉炉管智能结焦诊断方法，更具体地，涉及一种融合人工蜂群(Artificial Bee Colony，ABC)算法、自适应神经模糊推理系统(Adaptive Neural Fuzzy Inference System，ANFIS)和结焦时间因子(Coking Time Factor，CTF)的乙烯裂解炉炉管智能结焦诊断方法，基于ABC‑ANFIS‑CTF的乙烯裂解炉炉管智能结焦诊断方法包括炉管结焦相关因素的数据采集和数据处理过程、炉管结焦专家评判规则获取过程、炉管结焦诊断模型训练过程以及炉管结焦诊断与预测过程。所述智能结焦诊断方法利用ABC算法的全局最优性和快速收敛性，优化ANFIS的结构参数，有效提高了训练效率和结焦诊断准确率，并引入结焦时间因子CTF，使所建立的结焦诊断模型在结合CTF情况下，能够很好地判断裂解炉运行周期内的炉管结焦程度和预测炉管结焦的发展趋势，从而起到炉管清焦预警和效能提高的作用。

Description

一种基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断 方法

技术领域

本发明涉及乙烯裂解炉炉管的结焦处理技术领域，更具体地，涉及一种基于 ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法。

背景技术

乙烯裂解炉是生产乙烯的关键设备。其中，裂解炉炉管又是乙烯裂解炉的核心部件。在乙烯生产过程中，裂解炉管渗碳结焦的产生是不可避免的，而渗碳结焦的存在，会导致乙烯裂解炉炉管使用寿命缩短，降低乙烯裂解的产出效率，影响乙烯生产过程中的生产效能和经济效益。目前，对于裂解炉炉管渗碳结焦的问题，主要通过改进炉管材质与其结构、裂解原料和裂解工艺条件三种抑制结焦的手段，降低结焦速率和数量。在乙烯生产过程中，当裂解炉炉管内壁焦炭沉积达到一定程度，就必须对裂解炉管进行清焦处理以保证乙烯生产的正常运作，而清焦处理的前提就是必须准确判断当前时刻和预测未来一段时间内每根裂解炉炉管的结焦程度。

近年来，国内外许多学者都对裂解炉管结焦诊断方法做了研究，对于乙烯裂解炉炉管结焦诊断主要有三种方式：一是根据结焦的内在机理构建结焦机理模型；二是选取与结焦量变化有关的量作为输入，利用机器学习或是神经网络等智能算法构建“黑箱”模型来计算结焦量；三是利用红外热像技术诊断裂解炉炉管故障。在机理建模方面，构建结焦机理模型能够预测裂解过程中轻质石油馏分、产生气体成分以及管内生成焦炭的厚度，并能预测丙烷和石脑油这两类石油液体在裂解炉管内的焦炭生成量。但结焦是高温裂解环境下发生的极其复杂的物理化学反应，构建机理模型的部分参数在实际生产中很难准确得到，使得机理模型的精度无法得到保障。在“黑箱”模型研究方面，采用遗传算法(GA)优化的反向传播神经网络(BP) 模型对催化裂解装置中焦炭的生成率进行预测，实验表明，GA-BP神经网络模型可以较好地预测催化裂解装置中焦炭的生成率。此外，利用Adaboost算法集成多输出支持向量机作为智能模型来矫正机理模型参数，能提高模型泛化能力和精度。然而“黑箱”模型具有的黑箱特性，使其工作不具有可解释性，同时对样本要求较高，如果在实际应用中影响因素的变化超出一定范围，“黑箱”模型的可靠性会明显下降。利用红外热像的检测技术能诊断炉膛出口横向温度分布情况及炉管结焦程度，从而为裂解炉的安全稳定优化运行和设备维修提供依据。但在实际生产中，由于红外热像设备安装、运行成本高，维护难，还未得到普及应用。

发明内容

本发明旨在克服上述现有技术的至少一种不足，提供一种基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，所述诊断方法具有结焦诊断精度高、运行成本低、可解释性强等优点，在乙烯实际生产过程中能够很好地判断裂解炉炉管结焦程度和预测结焦发展趋势。

本发明采取的技术方案是：

提供一种基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其中，ABC为人工蜂群算法，ANFIS为自适应神经模糊推理系统，CTF为结焦时间因子，包括以下步骤：

S1炉管结焦相关因素的数据采集和数据处理过程：采集得到与裂解炉炉管结焦相关的因素：炉管外表面温度、横跨段压力、文丘里压力、裂解炉运行周期、炉管结焦程度，再对横跨段压力和文丘里压力进行数据处理以获得绝压比；

S2炉管结焦专家评判规则获取过程：成立一个由若干人组成的评判专家小组，每位专家根据经验和专业知识评判步骤S1获取的每个单因素对炉管结焦结果的影响因子，从而确定相应的评判规则；

S3炉管结焦诊断模型训练过程：首先根据专家确定的评判规则，确定基于ANFIS的结焦诊断推理系统的网络结构，然后将步骤S1获得的炉管外表面温度、绝压比和炉管结焦程度数据样本输入结焦诊断推理系统进行训练，在训练过程中，搜索结焦诊断推理系统结构参数最优解，从而获得结焦诊断模型；

S4炉管结焦诊断与预测过程：根据炉管外表面温度、绝压比和裂解炉运行周期的关系，获取CTF，然后利用结焦诊断模型结合CTF对裂解炉在当前时刻的炉管结焦程度和未来一段时期内的结焦发展趋势进行预测，以起到炉管清焦预警和效能提高的作用。

上述方案中，炉管外表面温度由运行于乙烯裂解炉现场的非接触式智能测温仪测量得到，通过无线传输方式传输到模型训练机；横跨段压力、文丘里压力、裂解炉运行周期、炉管结焦程度可从厂区实时数据库读取得到。

本发明采用ANFIS降低了对样本的要求，并能充分利用领域专家知识，使得结焦诊断的推理过程容易理解，从而极大提升了结焦诊断模型的合理性和可解释性。此外，CTF的引入，使所建立的结焦诊断模型在结合CTF的情况下，能够很好地判断裂解炉运行周期内的炉管结焦程度和预测炉管结焦的发展趋势，同时可在结焦趋势预测阶段，进一步避免因裂解过程中产生的突变因素对裂解周期内裂解炉炉管结焦发展趋势的影响。本发明所建立的结焦诊断模型的精度高、误差小、可解释性强，在乙烯实际生产过程中能够很好地判断裂解炉炉管结焦程度和预测结焦发展趋势。

优选地，步骤S1中，根据横跨段压力和文丘里压力以计算绝压比，绝压比的计算公式为：

式中K_APR代表绝压比，P_w代表文丘里压力，P_h代表横跨段压力，Pa代表标准大气压强。

优选地，步骤S2中，所述评判规则具体包括，与炉管结焦程度相关的综合评判因素集：

U＝{原料，炉管外表面温度，绝压比，裂解炉运行周期} (2)；

和炉管结焦程度评判集：

V＝{正常，轻度结焦，中度结焦，严重结焦} (3)。

优选地，步骤S3中，采用ABC算法来搜索ANFIS的结构参数最优解，当ABC算法搜寻解的收益率不再提高或者搜索轮次大于预设范围时，终止搜索过程，得到最优解。将ABC 算法和ANFIS技术融合，利用ABC算法的全局最优性和快速收敛性，优化ANFIS的结构参数，有效提高了训练效率和结焦诊断准确率。

进一步优选地，ABC算法搜寻解的收益率计算公式为：

其中，SN代表结焦诊断推理系统结构参数可能解的维度，x_r代表第r个结构参数可能的解，F(x_r)代表第r个可能解的目标函数值；

其中，F(x_r)的计算公式为：

其中，N代表结焦诊断推理系统输入原始采集训练数据样本集合的维度，y_t代表训练样本中的真实炉管结焦程度，f_t(x_r)代表不同结构参数解的取值情况下结焦诊断推理系统预测输出的炉管结焦程度。

优选地，步骤S4中，获取CTF的具体步骤为：

先根据实际乙烯裂解生产过程中使用不同裂解原料所采集和处理的数据，得到炉管外表面温度与裂解炉运行周期之间的关系及炉管外表面温度与绝压比之间的关系，从而获得绝压比和裂解炉运行周期之间的关系；

再根据所述结焦诊断模型中，CTF定义为炉管外表面温度、绝压比和裂解炉运行周期关系式的集合，计算获得CTF的表达式。

在乙烯裂解过程中，裂解炉管的运行周期通常为60-80天。而在实际生产中，绝压比、裂解炉运行周期和炉管外表面温度有着密切的关系，对于不同的裂解原料和实际的裂解生产条件，这种关系又存在一定的差别。可根据采集的不同裂解原料的历史数据分析，获得绝压比、裂解炉运行周期和炉管外表面温度之间的关系。

进一步优选地，根据采集的不同裂解原料的历史数据分析，炉管外表面温度与裂解炉运行周期的关系为：

TMT＝f(T) (6)

其中，TMT代表炉管外表面温度，T代表裂解炉运行周期；

炉管外表面温度与绝压比的关系为：

TMT＝g(K_APR) (7)

其中，TMT代表炉管外表面温度，K_APR代表绝压比；

根据式(6)、(7)得到绝压比与裂解炉运行周期的关系为：

K_APR＝g^-1[f(T)] (8)；

再根据式(6)、(8)得到CTF的表达式Φ(T)为：

Φ(T)＝{TMT,K_APR}＝{f(T),g^-1[f(T)]} (9)。

优选地，步骤S4中，对裂解炉炉管在未来一段时期内的结焦发展趋势进行预测的具体过程为：将当前裂解炉运行周期内的时刻T₁和未来一段时间(T₁+t)内的时刻值代入CTF表达式计算得到炉管外表面温度和绝压比数据，然后再将得到的炉管外表面温度和绝压比数据代入训练完成的结焦诊断模型，由结焦诊断模型输出的结果得到裂解炉运行周期内当前时刻的炉管结焦程度和未来一段时间内的炉管结焦程度的发展趋势，从而起到炉管清焦预警和效能提高的功能。

与现有技术相比，本发明的有益效果为：

本发明将ABC算法和ANFIS技术融合，利用ABC算法的全局最优性和快速收敛性，优化了自适应模糊神经网络的结构参数，有效提高了训练效率和结焦诊断准确率，同时ANFIS具有专家知识利用较好、对样本的要求较低、推理过程容易理解等优点，极大程度上提升了诊断模型的合理性和可解释性。此外，CTF的引入，使所建立的结焦诊断模型在结合CTF的情况下，能够很好地判断裂解炉运行周期内的炉管结焦程度和预测炉管结焦的发展趋势，同时可在结焦趋势预测阶段，进一步避免因裂解过程中产生的突变因素对裂解周期内裂解炉炉管结焦发展趋势的影响。本发明所建立的结焦诊断模型的精度高、误差小、可解释性强，在乙烯实际生产过程中能够很好地判断裂解炉炉管结焦程度和预测结焦发展趋势。

附图说明

图1为ABC-ANFIS-CTF诊断方法对裂解炉炉管进行智能结焦诊断的整体流程图。

图2为裂解炉管结焦诊断模型训练过程。

图3为蜜源构成结构图。

图4为裂解炉炉管结焦程度预测流程图。

图5为炉管外表面温度和裂解炉运行周期的关系图。

图6为炉管外表面温度和绝压比的关系图。

图7(a)为时刻值为20～30天的裂解炉炉管结焦趋势预测图。

图7(b)为时刻值为50～60天的裂解炉炉管结焦趋势预测图。

具体实施方式

本发明附图仅用于示例性说明，不能理解为对本发明的限制。为了更好说明以下实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

实施例

如图1所示，一种基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，包括以下步骤：

S1炉管结焦相关因素的数据采集和数据处理过程：采集得到与炉管结焦相关的因素：炉管外表面温度、横跨段压力、文丘里压力、裂解炉运行周期、炉管结焦程度，再对横跨段压力和文丘里压力以计算绝压比，绝压比的计算公式为：

式中K_APR代表绝压比，P_w代表文丘里压力，P_h代表横跨段压力，Pa代表标准大气压强；

S2炉管结焦专家评判规则获取过程：如图2所示，成立一个由若干人组成的评判专家小组，每位专家根据经验和专业知识评判步骤S1获取的每个单因素对裂解炉炉管结焦结果的影响因子，从而确定相应的评判规则，其中，所述评判规则具体包括，与炉管结焦程度相关的综合评判因素集：

U＝{原料，炉管外表面温度，绝压比，裂解炉运行周期} (2)；

和炉管结焦程度评判集：

V＝{正常，轻度结焦，中度结焦，严重结焦} (3)；

S3炉管结焦诊断模型训练过程：首先根据专家确定的评判规则，确定基于ANFIS的结焦诊断推理系统的网络结构，然后将步骤S1获得的炉管外表面温度、绝压比和炉管结焦程度数据样本输入结焦诊断推理系统进行训练，在训练过程中，采用ABC算法来搜索结焦诊断推理系统结构参数最优解，以获得结焦诊断模型，其中，搜索的结构参数的可行解集合在ABC算法中被称为蜜源，可行解的类型包括不同输入变量的隶属度函数类型、模糊分割数和网络的训练迭代次数，蜜源的构成结构如图3所示；

在搜索过程中，当ABC算法搜寻解的收益率不再提高或者搜索轮次大于预设范围，终止搜索过程，得到最优解，收益率计算公式为：

其中，SN代表结焦诊断推理系统结构参数可能解的维度，x_r代表第r个结构参数可能的解，F(x_r)代表第r个可能解的目标函数值；

其中，F(x_r)的计算公式为：

N代表结焦诊断推理系统输入原始采集训练数据样本集合的维度，y_t代表训练样本中的真实炉管结焦程度，f_t(x_r)代表不同结构参数解的取值情况下结焦诊断推理系统预测输出的炉管结焦程度；

S4炉管结焦诊断与预测过程：如图4所示，根据炉管外表面温度、绝压比和裂解炉运行周期的关系，获取CTF，然后利用结焦诊断模型结合CTF对裂解炉在当前时刻的炉管结焦程度和未来一段时期内的结焦发展趋势进行预测，以起到炉管清焦预警和效能提高的作用。

本发明将ABC算法和ANFIS技术融合，利用ABC算法的全局最优性和快速收敛性，优化了自适应模糊神经网络的结构参数，有效提高了训练效率和结焦诊断准确率，同时ANFIS具有对样本的要求较低、专家知识利用较好和推理过程容易理解、等优点，极大程度上提升了诊断模型的合理性和可解释性。此外，CTF的引入，可在结焦趋势预测阶段，进一步避免因裂解过程中产生的突变因素对裂解周期内裂解炉炉管结焦发展趋势的影响。本发明所建立的结焦诊断模型的精度高、误差小、可解释性强，在乙烯实际生产过程中能够很好地判断裂解炉炉管结焦程度和预测结焦发展趋势。

其中，步骤S4中，获取CTF的具体步骤为：

先根据实际乙烯裂解生产过程中用不同裂解原料所采集和处理的数据，得到炉管外表面温度与裂解炉运行周期之间的关系及炉管外表面温度与绝压比之间的关系，从而获得绝压比和裂解炉运行周期之间的关系；

再根据所述结焦诊断模型中，CTF的定义为炉管外表面温度、绝压比与裂解炉运行周期关系式的集合，计算获得CTF的表达式。

在乙烯裂解过程中，裂解炉管的运行周期通常为60-80天。而在实际生产中，绝压比、裂解炉运行周期和炉管外表面温度有着密切的关系，对于不同的裂解原料和实际的裂解生产条件，这种关系又存在一定的差别。根据采集的不同裂解原料的历史数据分析，绝压比、裂解炉运行周期和炉管外表面温度的关系趋势如图5、6所示：

如图5所示，可假设对于某一种裂解原料作为乙烯裂解生产原料的裂解炉运行周期内，炉管外表面温度与裂解炉运行周期的关系式为：

TMT＝f(T) (6)

其中TMT代表炉管外表面温度，T代表裂解炉运行周期；

如图6所示，对于某一种裂解原料，在其作为乙烯裂解生产原料的裂解炉运行周期内，炉管外表面温度和绝压比的关系式为：

TMT＝g(K_APR) (7)

其中，TMT代表炉管外表面温度，K_APR代表绝压比；

根据式(6)、(7)得到绝压比和裂解炉运行周期的关系为：

K_APR＝g^-1[f(T)] (8)

所述结焦诊断模型中，CTF定义为炉管外表面温度、绝压比和裂解炉运行周期关系式的集合，再根据式(6)、(8)得到CTF的表达式Φ(T)为：

Φ(T)＝{TMT,K_APR}＝{f(T),g^-1[f(T)]} (9)；

其中，步骤S4中，对裂解炉炉管在未来一段时期内的结焦发展趋势进行预测的具体过程为：将当前裂解炉运行周期内的时刻T₁和未来一段时间(T₁+t)内的时刻值代入CTF表达式计算得到炉管外表面温度和绝压比数据，然后再将得到的炉管外表面温度和绝压比数据代入训练完成的结焦诊断模型，由结焦诊断模型输出的结果得到裂解炉运行周期内当前时刻的裂解炉炉管结焦程度和未来一段时间内的裂解炉炉管结焦程度的发展趋势。

其中，步骤S4中，选取以重油作为裂解生产原料的一个乙烯裂解生产的完整裂解炉运行周期，并在此运行周期内采集结焦因素相关的数据。由采集数据计算得，当前周期下CTF 对应的炉管外表面温度、绝压比和裂解炉运行周期的近似关系式分别为

TMT′＝224.95ln(T)+203.6 (10)；

K′_APR＝0.1386ln(T)+0.2973 (11)。

假设当前裂解炉运行周期时刻T₁＝20、T₂＝50，预测T₁和T₂时刻后10天裂解炉炉管结焦程度发展趋势，将(T₁～T₁+10)和(T₂～T₂+10)时间段内的时刻值代入(10)、(11)式可得对应时刻的TMT和K_APR值，再将计算得到的TMT和K_APR值输入的结焦诊断模型，得到未来这一时段内的结焦趋势，结焦趋势如图7(a)、(b)所示。由图可知预测的结焦趋势和真实的趋势基本相近，所以结焦诊断模型结合CTF预测结焦发展趋势的方法具有真实的参考意义。

显然，本发明的上述实施例仅仅是为清楚地说明本发明技术方案所作的举例，而并非是对本发明的具体实施方式的限定。凡在本发明权利要求书的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其中，ABC为人工蜂群算法，ANFIS为自适应神经模糊推理系统，CTF为结焦时间因子，其特征在于，包括以下步骤：

S1 炉管结焦相关因素的数据采集和数据处理过程：采集得到与裂解炉炉管结焦相关的因素：炉管外表面温度、横跨段压力、文丘里压力、裂解炉运行周期、炉管结焦程度，再对横跨段压力和文丘里压力进行数据处理以获得绝压比；

S2 炉管结焦专家评判规则获取过程：成立一个由若干人组成的评判专家小组，每位专家根据经验和专业知识评判步骤S1获取的每个单因素对炉管结焦结果的影响因子，从而确定相应的评判规则；

S3 炉管结焦诊断模型训练过程：首先根据专家确定的评判规则，确定基于ANFIS的结焦诊断推理系统的网络结构，然后将步骤S1获得的炉管外表面温度、绝压比和炉管结焦程度数据样本输入结焦诊断推理系统进行训练，在训练过程中，搜索结焦诊断推理系统结构参数最优解，从而获得结焦诊断模型；

S4 炉管结焦诊断与预测过程：根据炉管外表面温度、绝压比和裂解炉运行周期的关系，获取CTF，然后利用结焦诊断模型结合CTF对裂解炉在当前时刻的炉管结焦程度和未来一段时期内的结焦发展趋势进行预测，以起到炉管清焦预警和效能提高的作用。

2.根据权利要求1所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其特征在于，步骤S1中，根据横跨段压力和文丘里压力以计算绝压比，绝压比的计算公式为：

式中K_APR代表绝压比，P_w代表文丘里压力，P_h代表横跨段压力，Pa代表标准大气压强。

3.根据权利要求1所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其特征在于，步骤S2中，所述评判规则具体包括，与炉管结焦程度相关的综合评判因素集：

U＝{原料，炉管外表面温度，绝压比，裂解炉运行周期} (2)；

和炉管结焦程度评判集：

V＝{正常，轻度结焦，中度结焦，严重结焦} (3)。

4.根据权利要求1所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其特征在于，步骤S3中，采用ABC算法来搜索ANFIS的结构参数最优解，当ABC算法搜寻解的收益率不再提高或者搜索轮次大于预设范围时，终止搜索过程，得到最优解。

5.根据权利要求4所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其特征在于，ABC算法搜寻解的收益率计算公式为：

其中，SN代表结焦诊断推理系统结构参数可能解的维度，x_r代表第r个结构参数可能的解，F(x_r)代表第r个可能解的目标函数值；其中，F(x_r)的计算公式为：

其中，N代表结焦诊断推理系统输入原始采集训练数据样本集合的维度，y_t代表训练样本中的真实炉管结焦程度，f_t(x_r)代表不同结构参数解的取值情况下结焦诊断推理系统预测输出的炉管结焦程度。

6.根据权利要求1所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管结焦智能诊断方法，其特征在于，步骤S4中，获取CTF的具体步骤为：

先根据实际乙烯裂解生产过程中使用不同裂解原料所采集和处理的数据，得到炉管外表面温度与裂解炉运行周期之间的关系，以及炉管外表面温度与绝压比之间的关系，从而获得绝压比和裂解炉运行周期之间的关系；

再根据所述结焦诊断模型中，CTF的定义为炉管外表面温度、绝压比和裂解炉运行周期关系式的集合，计算获得CTF的表达式。

7.根据权利要求6所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管结焦智能诊断方法，其特征在于，根据采集的不同裂解原料的历史数据分析，炉管外表面温度与裂解炉运行周期的关系为：

TMT＝f(T) (6)

其中，TMT代表炉管外表面温度，T代表裂解炉运行周期；

炉管外表面温度和绝压比的关系为：

TMT＝g(K_APR) (7)

其中，TMT代表炉管外表面温度，K_APR代表绝压比；

根据式(6)、(7)得到绝压比和裂解炉运行周期的关系为：

K_APR＝g^-1[f(T)] (8)；

再根据式(6)、(8)得到CTF的表达式Φ(T)为：

Φ(T)＝{TMT,K_APR}＝{f(T),g^-1[f(T)]} (9)。

8.根据权利要求1所述基于ABC-ANFIS-CTF的乙烯裂解炉炉管智能结焦诊断方法，其特征在于，步骤S4中，对裂解炉炉管在未来一段时期内的结焦发展趋势进行预测的具体过程为：将当前裂解炉运行周期内的时刻T₁和未来一段时间(T₁+t)内的时刻值代入CTF表达式计算得到炉管外表面温度和绝压比数据，然后再将得到的炉管外表面温度和绝压比数据代入训练完成的结焦诊断模型，由结焦诊断模型输出的结果得到裂解炉运行周期内当前时刻的炉管结焦程度和未来一段时间内的炉管结焦程度的发展趋势。