CN110717235A - 一种催化裂化装置沉降器结焦预测方法 - Google Patents

Abstract

本发明公开了一种催化裂化装置沉降器结焦预测方法，包括：关键因素确定步骤，通过结焦原理分析确定影响各部位累积结焦量的关键因素；关键因素建模步骤，根据大数据技术和关键因素确定关键因素计算模型；各部位累积结焦量计算步骤，根据关键因素相关数据和关键因素计算模型计算各部位累积结焦量。本发明通过数据分析发现影响催化裂化装置沉降器各部位结焦的关键因素，可以准确预测沉降器中各部位的结焦量，为实施减缓结焦的可行措施提供科学依据。

Description

一种催化裂化装置沉降器结焦预测方法

技术领域

本发明属于炼油化工技术领域，具体地说，涉及一种催化裂化装置沉降器结焦预测方法。

背景技术

催化裂化装置是炼油厂加工重油的重要装置，是生产汽油的主要装置，催化裂化装置在我国占有十分重要的地位。目前我国催化裂化装置的运行水平在不断的提高，但在产品分布、节能减排、运行周期及催化剂技术等四个重点方面仍存在一系列亟待解决的问题。

其中，目前我国催化裂化装置运行周期平均只有3年，运行周期还有很大的提升空间。影响催化裂化装置运行周期的一个重要因素就是沉降器的结焦问题，为此，准确预测沉降器的结焦，并有理有据地采取减缓结焦的措施，对于延长催化裂化装置生产周期、减少装置非计划停车非常重要。

由于沉降器内的结焦在装置正常运行时看不见、摸不着，常用的技术手段很难解决结焦的定量预测问题。国内有研究人员从机理角度分析催化裂化装置沉降器的结焦问题，取得了很多成果，但也没有完全解决结焦预测问题，尤其是沉降器各部位结焦预测问题。

发明内容

为解决以上问题，本发明提供了一种催化裂化装置沉降器结焦预测方法，用于准确预测沉降器内各个部位的结焦量。

根据本发明的一个实施例，提供了一种催化裂化装置沉降器结焦预测方法，包括：

关键因素确定步骤，根据结焦原理分析确定影响沉降器各部位结焦量的关键因素；

关键因素建模步骤，采用大数据分析方法对每个关键因素进行相关性分析，确定每个关键因素的强相关工艺变量，基于强相关工艺变量建立每个关键因素的计算模型；

结焦量计算步骤，根据现场采集的工艺变量数据以及每个关键因素的计算模型计算每个关键因素的数值，基于所述关键因素的数值推算沉降器各部位的累积结焦量。

根据本发明的一个实施例，上述关键因素可以包括：油浆平均冷凝率、沉降器各部位的重油液滴捕获率和被捕获重油液滴生焦率。

根据本发明的一个实施例，油浆平均冷凝率的强相关变量主要包括：反应温度、反应压力、初馏点、50％馏出温度、90％馏出温度、575℃馏出量和10％馏出温度。

根据本发明的一个实施例，沉降器各部位的重油液滴捕获率的强相关变量主要包括：汽提段温度、沉降器出口温度、二反出口温度、提升管出口温度、集气室压力、防焦蒸汽流量、沉降器物流流量、汽提蒸汽流量、沉降器旋风入口密度和沉降器气体线速。

根据本发明的一个实施例，被捕获重油液滴生焦率的强相关变量主要包括：反应温度、原料残炭、原料初馏点、油浆密度、原料分子量、芳香烃含量、饱和烃含量、胶质沥青质含量和氢/碳比。

根据本发明的一个实施例，采用神经网络方法，以油浆平均冷凝率的强相关工艺变量为自变量，建立回归模型作为油浆平均冷凝率的计算模型。

根据本发明的一个实施例，采用CFD流体力学方法，以沉降器各部位对重油液滴捕获率的强相关工艺变量为自变量，建立回归模型作为沉降器各部位对重油液滴捕获率的计算模型。

根据本发明的一个实施例，采用神经网络方法，以被捕获重油液滴生焦率的强相关工艺变量为自变量，建立回归模型作为被捕获重油液滴生焦率的计算模型。

根据本发明的一个实施例，所述结焦量计算步骤进一步包括：

根据油气中油浆质量流量和油浆平均的冷凝率计算重油液滴生成量；

根据重油液滴生成量、沉降器各部位对重油液滴捕获率以及被捕获重油液滴的生焦率计算沉降器各部位的瞬时结焦速率；

根据沉降器各部位的瞬时结焦速率和时间跨度计算沉降器各部位的累积结焦量。

根据本发明的一个实施例，提供的催化裂化装置沉降器结焦预测方法还包括以下步骤：

对于可调控的工艺变量，按照其对瞬时结焦速率的影响程度进行排序，以便根据生产要求推荐减缓结焦的工艺操作条件。

本发明的有益效果：

本发明通过大叔数据分析发现影响催化裂化装置沉降器各部位结焦的关键因素，可以准确预测沉降器中各部位的结焦量，为实施减缓结焦的可行措施提供有力依据。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要的附图做简单的介绍：

图1是根据本发明的预测方法的流程图；

图2是根据本发明的沉降器内各部位结焦量计算的原理图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

大数据技术就是从各种各样类型的数据中，快速获得有价值信息的能力，其主要特点是对大量业务数据进行抽取、转换、分析和其他模型化处理，从中提取辅助决策的关键性数据，发现规律和异常，定性问题定量化，预测未来发展。较之于传统的分析工具，大数据分析技术的优势在于：数据采集更为密集和广泛，强调数据的外部性；数据存储成本更低，运算更快；强调相关性分析和未来预测，其经典分析方法包括分类、聚类、关联和预测等。目前，大数据技术已经应用在包括石化领域的各个领域。

因此，为了准确预测催化裂化装置内沉降器的各部位结焦情况，为生产操作与装置工艺优化提供依据，本发明提出了一种催化裂化装置沉降器结焦预测方法。如图1所示为本发明的预测方法的流程图。以下参考图1来对本发明进行详细说明。

首先是步骤S110关键因素确定步骤，通过结焦原理分析确定影响各部位累积结焦量的关键因素。

具体的，可以通过结焦原理分析得到影响各部位累积结焦量的关键因素。如图2所示，由于累计结焦量是各部位瞬时结焦速率及其时间跨度的乘积累计，而瞬时结焦速率则是重油液滴生成量、各部位对重油液滴捕获率、被捕获重油液滴生焦率的乘积，而重油液滴生成量则是重油液滴生成量与油浆平均冷凝率的乘积。因此，由此可以确定影响累积结焦量的关键因素包括冷凝率、生焦率和捕获率。

接下来是步骤S120关键因素建模步骤，采用大数据分析方法对每个关键因素进行相关性分析，确定每个关键因素的强相关工艺变量，基于强相关工艺变量建立每个关键因素的计算模型。该步骤进一步通过以下的几个步骤实现。

首先，对收集的大数据进行预处理。大数据包括大量的生产和实验数据，对这些大数据进行的预处理过程包括粗差的剔除、缺失值的补救、稳态判断、归一化处理等。其中，粗差的剔除过程为：若某个DCS(Distributed Control System，分布式控制系统)位点数据值超出阈值，则视其为粗差，舍弃；缺失值的补救方法有：删除、缺省值补充；稳态判断方法为：装置处于稳态的数据，才会被采用，判断依据是一段时间内关键DCS位点数据的方差小于某个阈值。归一化是为了消除数量级带来的偏差，一般采用下式进行归一化处理：

归一化的数据＝

(原始数据-原始数据最小值)/(原始数据最大值-原始数据最小值)。

接着，利用预处理后的大数据，分别针对冷凝率、生焦率和各部位捕获率进行相关性分析，以筛选出各自对应的强相关变量。在确认强相关变量时，首先通过理论分析找出各关键因素对应的可能相关的变量，然后采用实验加以验证，是理论分析与实验验证的综合过程。

其中，最终获得的冷凝率的强相关变量包括：反应温度、反应压力、初馏点、50％馏出温度、90％馏出温度、575℃馏出量、10％馏出温度。

生焦率的强相关变量包括：反应温度、原料残炭、原料初馏点、油浆密度、原料分子量、芳香烃含量、饱和烃含量、胶质沥青质含量、氢/碳(H/C)比。

各部位捕获率的强相关变量包括：汽提段温度、沉降器出口温度、二反出口温度、提升管出口温度、集气室压力、防焦蒸汽流量、沉降器物流流量、汽提蒸汽流量、沉降器旋风入口密度、沉降器气体线速。

最后，根据上述强相关变量分别对冷凝率、生焦率和各部位捕获率建立各自对应的计算模型。

关于冷凝率和生焦率，可以采用神经网络方法进行建模。具体的，冷凝率建模为例说明，以冷凝率为因变量，其对应的强相关变量为自变量进行回归建模。生焦率采用相同方法建模。

关于各部位捕获率采用CFD(Computational Fluid Dynamics)流体动力学的方法进行建模，首先建立沉降器的CFD流体力学模拟模型，输入不同的捕获率强相关变量的数值，进行大量的CFD模拟；其次以各部位捕获率为因变量，各部位捕获率强相关变量为自变量，进行回归建模。

最后是步骤S130各部位累积结焦量计算步骤，根据现场采集的工艺变量数据以及每个关键因素的计算模型计算每个关键因素的数值，基于所述关键因素的数值推算沉降器各部位的累积结焦量。

具体的，根据冷凝率强相关变量对应的工艺变量数据和冷凝率计算模型计算冷凝率，根据各部位捕获率强相关变量对应的工艺变量数据和各部位捕获率计算模型来计算各部位捕获率，根据生焦率强相关变量对应的工艺变量数据和生焦率计算模型计算生焦率。

接着，将实时采集的沉降器内油浆质量流量与油浆平均冷凝率相乘得到重油液滴生成量。然后，将重油液滴生成量、沉降器内各部位对重油液滴捕获率、被捕获重油液滴生焦率相乘得到各部位瞬时结焦速率。最后，将各部位瞬时结焦速率及其时间跨度相乘并累加，得到各部位累积结焦量。

对可调可控的工艺操作变量，按照其对各部位瞬时结焦速率的贡献度大小进行排序，从而为生产人员推荐减缓结焦的工艺操作条件。

下面是本发明一个具体实施例的工作流程，其具体包括以下步骤：

步骤S1：收集大量的生产与实验数据，并对基础数据进行预处理，再进行归一化处理。在此，预处理主要包括对数据的清洗和整定工作。

步骤S2：利用预处理后的基础数据，分别针对沉降器的冷凝率、捕获率、生焦率进行相关性分析，筛选出与冷凝率强相关的工艺变量、与生焦率强相关的工艺变量、与捕获率强相关的工艺变量。

步骤S3：优选利用神经网络技术分别建立用于计算冷凝率、生焦率的回归模型。

步骤S4：根据CFD流体力学方法建立沉降器对重油液滴捕获率的计算模型。

步骤S5：对现场采集的与沉降器的冷凝率、捕获率、生焦率相关的工艺变量的数据进行预处理，分别代入上述沉降器冷凝率、捕获率和生焦率的计算模型，获得相应的计算结果。

步骤S6：现场实时采集沉降器内油浆质量流量，结合冷凝率、捕获率和生焦率的计算结果，计算沉降器结焦速率预测值。

步骤S7：根据沉降器各部位的瞬时结焦速率和时间跨度计算沉降器各部位的累积结焦量。

步骤S8：依据对瞬时结焦收率的贡献度的大小，为生产人员推荐减缓结焦的工艺可调操作条件。

在此实施例中，沉降器各部位主要包括沉降器的壁部和穹顶。

本发明通过数据分析发现影响各部位结焦的关键因素，可以准确预测沉降器中各部位结焦量，为实施减缓结焦的可行措施提供科学依据。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (10)

1.一种催化裂化装置沉降器结焦预测方法，包括：

关键因素确定步骤，根据结焦原理分析确定影响沉降器各部位结焦量的关键因素；

关键因素建模步骤，采用大数据分析方法对每个关键因素进行相关性分析，确定每个关键因素的强相关工艺变量，基于强相关工艺变量建立每个关键因素的计算模型；

结焦量计算步骤，根据现场采集的工艺变量数据以及每个关键因素的计算模型计算每个关键因素的数值，基于所述关键因素的数值推算沉降器各部位的累积结焦量。

2.根据权利要求1所述的方法，其特征在于，所述关键因素包括：油浆平均冷凝率、沉降器各部位的重油液滴捕获率和被捕获重油液滴生焦率。

3.根据权利要求2所述的方法，其特征在于，油浆平均冷凝率的强相关变量包括：反应温度、反应压力、初馏点、50％馏出温度、90％馏出温度、575℃馏出量和10％馏出温度。

4.根据权利要求2所述的方法，其特征在于，沉降器各部位的重油液滴捕获率的强相关变量包括：汽提段温度、沉降器出口温度、二反出口温度、提升管出口温度、集气室压力、防焦蒸汽流量、沉降器物流流量、汽提蒸汽流量、沉降器旋风入口密度和沉降器气体线速。

5.根据权利要求2所述的方法，其特征在于，被捕获重油液滴生焦率的强相关变量包括：反应温度、原料残炭、原料初馏点、油浆密度、原料分子量、芳香烃含量、饱和烃含量、胶质沥青质含量和氢/碳比。

6.根据权利要求2所述的方法，其特征在于，采用神经网络方法，以油浆平均冷凝率的强相关工艺变量为自变量，建立回归模型作为油浆平均冷凝率的计算模型。

7.根据权利要求2所述的方法，其特征在于，采用CFD流体力学方法，以沉降器各部位对重油液滴捕获率的强相关工艺变量为自变量，建立回归模型作为沉降器各部位对重油液滴捕获率的计算模型。

8.根据权利要求2所述的方法，其特征在于，采用神经网络方法，以被捕获重油液滴生焦率的强相关工艺变量为自变量，建立回归模型作为被捕获重油液滴生焦率的计算模型。

9.根据权利要求2所述的方法，其特征在于，所述结焦量计算步骤进一步包括：

根据油气中油浆质量流量和油浆平均的冷凝率计算重油液滴生成量；

根据重油液滴生成量、沉降器各部位对重油液滴捕获率以及被捕获重油液滴的生焦率计算沉降器各部位的瞬时结焦速率；

根据沉降器各部位的瞬时结焦速率和时间跨度计算沉降器各部位的累积结焦量。

10.根据权利要求1所述的方法，其特征在于，还包括以下步骤：

对于可调控的工艺变量，按照其对瞬时结焦速率的影响程度进行排序，以便根据生产要求推荐减缓结焦的工艺操作条件。

Images