CN110931085B - 一种连续重整催化剂结焦炭含量在线预测和优化方法 - Google Patents
一种连续重整催化剂结焦炭含量在线预测和优化方法 Download PDFInfo
- Publication number
- CN110931085B CN110931085B CN201911260669.3A CN201911260669A CN110931085B CN 110931085 B CN110931085 B CN 110931085B CN 201911260669 A CN201911260669 A CN 201911260669A CN 110931085 B CN110931085 B CN 110931085B
- Authority
- CN
- China
- Prior art keywords
- catalyst
- coking
- content
- data
- prediction model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000003054 catalyst Substances 0.000 title claims abstract description 135
- 238000004939 coking Methods 0.000 title claims abstract description 118
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000002407 reforming Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 15
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims abstract description 31
- 239000001301 oxygen Substances 0.000 claims abstract description 31
- 229910052760 oxygen Inorganic materials 0.000 claims abstract description 31
- 239000000571 coke Substances 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008929 regeneration Effects 0.000 claims abstract description 8
- 238000011069 regeneration method Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 7
- 238000006057 reforming reaction Methods 0.000 claims description 7
- 150000004945 aromatic hydrocarbons Chemical class 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000005070 sampling Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 229920000642 polymer Polymers 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000001833 catalytic reforming Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N31/00—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods
- G01N31/10—Investigating or analysing non-biological materials by the use of the chemical methods specified in the subgroup; Apparatus specially adapted for such methods using catalysis
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Molecular Biology (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明涉及一种连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:包括以下步骤:步骤1、建立催化剂结焦炭含量预测模型;步骤2、从实时数据库中获取输入数据,在APC服务器上运行催化剂结焦炭含量预测模型,获取催化剂结焦炭含量的预测值;步骤3、建立模型预测结果与APC控制器间的联动。本发明的优点在于:通过在线近红外分析仪进行在线分析数据,大幅度提高了连续重整催化剂结焦炭含量预测频率;另外,采用LSTM网络训练得到的催化剂结焦炭含量预测模型的精确度高,并根据催化剂结焦炭含量预测结果调整APC控制器的再生器烧焦区入口氧含量设定值,及时优化催化剂再生操作,实现了再生器烧焦区入口氧含量的精准控制。
Description
技术领域
本发明涉及重整领域,特别涉及一种连续重整催化剂结焦炭含量在线预测和优化方法。
背景技术
重整反应过程复杂,焦化积炭是重整装置常见的副反应之一,催化剂在使用过程中,反应物或生成物中某些组分的分子经脱氢-聚合形成高聚物,进一步脱氢生成氢含量很低的焦炭物质沉积在催化剂表面,导致催化剂有效比表面积减少,活性下降,即为结焦。同时,催化剂积炭含量还直接影响着再生系统的操作参数和再生周期。因此催化剂的结焦炭含量是连续催化重整过程中一个非常重要的控制指标,有必要对其进行实时监控。
如:王玉乔在《高校化学工程学报》上公开了名称为“基于KPCA的连续重整催化剂结焦炭炭含量软测量模型”的论文,该论文中通过建立连续重整催化剂结焦炭含量的数学模型进行预测,具体方法和步骤如下:
1、选取影响催化剂结焦炭含量的因素,一般有重整反应器的液时空速、加权平均入口温度、压力、氢油比、进料干点及芳烃潜含量;
2、按照如下方法选择建模数据:进料干点、芳烃潜含量和催化剂结焦炭含量是由人工采样分析的,所以必须先找出人工采样的时间。综合考虑物料在反应器内的停留时间和反应产物采样点的位置,估计出采样和进料的时间差,确定采样物料的进料时段,找出该时段内的重整进料流量、加权平均入口温度、加权平均床层温度、反应器总温降、平均反应器压力、氢油比等数据,这样就确定了一组样本。按照上述方法得到m+n组样本数据,其中的m组数据用来建立模型,n组数据用来检验模型的有效性;
3、建立基于KPCA的重整催化剂结焦炭含量BP神经网络软测量模型;
4、采用人工采样分析得到的催化剂结焦炭含量对建立的模型进行校正,并引入在线校正技术。
但该论文中使用的方法存在以下问题:(1)进料干点、芳烃潜含量是由人工采样分析的,采样频率一般是每天一次,这样就限制了催化剂结焦炭含量的预测周期;(2)该模型只能对催化剂结焦炭含量进行预测,但缺少采用模型预测得到的催化剂结焦炭含量结果对后续催化剂再生部分进行调整的控制方案;同样,目前采用PLS、BP神经网络等方法建立的模型的精度仍存在改进空间。因此需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状,提供一种连续重整催化剂结焦炭含量在线预测和优化方法,该方法提高了预测频率且通过预测结果及时优化催化剂再生操作,降低了再生器的烧焦温度。
本发明解决上述技术问题所采用的技术方案为:一种连续重整催化剂结焦炭含量在线预测和优化方法,包括以下步骤:
步骤1、建立催化剂结焦炭含量预测模型,具体包括如下步骤:
步骤1-1、采用在线近红外分析仪实时分析重整进料,获取重整进料的分析数据;
步骤1-2、利用DCS采集重整反应的运行数据,并通过OPC服务器将运行数据和分析数据导入到APC服务器上的实时数据库中;
步骤1-3、在步骤1-2中采集的运行数据与步骤1-1中获取的分析数据中选取影响催化剂结焦炭含量的因素;
步骤1-4、在实时数据库中获取重整反应的运行数据与分析数据,选取不同时间的运行数据与分析数据构成不同的样本,将样本数据组成训练集和测试集;其中,每个样本数据中包括步骤1-3中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值以及该数值下对应的催化剂结焦炭含量;
步骤1-5、将训练集的所有数据分别输入到LSTM网络中进行训练,其中,将步骤1-2中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值作为输入数据,将该数值下对应的催化剂结焦炭含量作为输出数据,最后得到训练完成的催化剂结焦炭含量预测模型;
步骤1-6、并通过将测试集输入到训练完成的催化剂结焦炭含量预测模型进行测试,验证该催化剂结焦炭含量预测模型的精确度,判断测试集的预测结果的精确度是否大于等于预设值,如是,则该训练完成的催化剂结焦炭含量预测模型为最终的催化剂结焦炭含量预测模型,如否,继续训练该催化剂结焦炭含量预测模型,直至当测试集的预测结果的精确度达到预设值时,则结束;
步骤2、从实时数据库中获取输入数据,在APC服务器上运行催化剂结焦炭含量预测模型,得到催化剂结焦炭含量的预测值;
步骤3、建立模型预测结果与APC控制器间的联动,具体包括如下步骤:
步骤3-1、根据之前的运行数据,在不同烧焦区入口氧含量摩尔百分比时,拟合出中间变量y与催化剂循环速率之间的数学关系式;以及在不同烧焦区气体流量设计百分比时,拟合出中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式;
步骤3-2、根据重整再生器运行时使用的烧焦区气体流量设计百分比,选择对应的中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式,并根据预测模型计算得到催化剂结焦炭含量的预测值,且该预测值对应为待生催化剂上的焦炭重量百分比,并根据催化剂结焦炭含量预测值计算出相应的中间变量y值;
步骤3-3、根据重整再生器运行时使用的催化剂循环速率,计算烧焦区入口氧含量摩尔百分比的不同取值时所对应的中间变量y值;
步骤3-4、将步骤3-2中计算得到的中间变量y值与步骤3-3中烧焦区入口氧含量摩尔百分比的不同取值所对应的中间变量y值进行比较,获取步骤3-2中计算得到的中间变量y值所对应的烧焦区入口氧含量摩尔百分比;
步骤3-5、把步骤3-4中计算得到的烧焦区入口氧含量摩尔百分比作为催化剂再生
系统APC控制器中再生器烧焦区入口氧含量的设定值,从而实时控制再生器烧焦区入口氧含量。
具体的,所述步骤2包括以下具体步骤:
步骤2-1、把步骤1-6中得到的最终催化剂结焦炭含量预测模型部署在APC服务器上;
步骤2-2、组态建立预测模型输入数据与实时数据库之间的数据传输关系;
步骤2-3、实时从实时数据库中获取输入数据,并通过催化剂结焦炭含量预测模型进行计算,输出数据对应为催化剂结焦炭含量的预测值。
所述步骤1-1中在线近红外分析仪的分析频率为1~10分钟/次。
作为优选,所述步骤1-3中影响催化剂结焦炭含量的因素中的分析数据包括进料干点和芳烃潜含量,运行数据包括液时空速、加权平均入口温度、压力和氢油比,其共同组成影响催化剂结焦炭含量的因素。
作为优选,所述步骤3-4中使用插值法获取步骤3-2中计算得到的中间变量y值所对应的烧焦区入口氧含量摩尔百分比。
与现有技术相比,本发明的优点在于:通过引入在线近红外分析仪获取实时在线分析数据,实现1~10分钟/次的预测频率,大幅度提高了连续重整催化剂结焦炭含量预测频率;另外,采用LSTM网络训练得到的催化剂结焦炭含量预测模型的准确率高,并根据催化剂结焦炭含量预测结果调整APC控制器的再生器烧焦区入口氧含量设定值,及时优化催化剂再生操作,实现了再生器烧焦区入口氧含量的精准控制。
附图说明
图1为本发明实施例中使用的硬件构架示意图;
图2为本发明实施例的中间变量y与催化剂循环速率以及中间变量y与待生催化剂上的焦炭重量百分比之间的拟合曲线;
图3为本发明实施例中模型预测值与采样分析数据的对比图;
图4为本发明实施例中优化前后再生烧焦温度对比图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种连续重整催化剂结焦炭含量在线预测和优化方法,包括以下步骤:
步骤1、建立催化剂结焦炭含量预测模型,具体包括如下步骤:
步骤1-1、采用在线近红外分析仪实时分析重整进料,获取重整进料的分析数据;步骤1-1中在线近红外分析仪的分析频率为1~10分钟/次;本实施例中,在线近红外分析仪的分析频率为5分钟/次;
步骤1-2、利用DCS采集重整反应的运行数据,并通过OPC服务器将运行数据和分析数据导入到APC服务器上的实时数据库中;如图1所示,为该方法中使用的硬件构架;DCS3和在线近红外分析仪2的数据均通过控制网1,并经OPC服务器4,实现与APC服务器6之间的数据传输,为保证安全,在OPC服务器4和APC服务器6间设立防火墙5;且所有硬件之间均为通讯连接;
步骤1-3、在步骤1-2中采集的运行数据与步骤1-1中获取的分析数据中选取影响催化剂结焦炭含量的因素;本实施例中,影响催化剂结焦炭含量的因素中的分析数据包括进料干点和芳烃潜含量,运行数据包括液时空速、加权平均入口温度、压力和氢油比,其共同组成影响催化剂结焦炭含量的因素;
步骤1-4、在实时数据库中获取重整反应的运行数据与分析数据,选取不同时间的运行数据与分析数据构成不同的样本,将样本数据组成训练集和测试集;其中,每个样本数据中包括步骤1-3中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值以及该数值下对应的催化剂结焦炭含量;
步骤1-5、将训练集的所有数据分别输入到LSTM网络中进行训练,其中,将步骤1-2中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值作为输入数据,将该数值下对应的催化剂结焦炭含量作为输出数据,最后得到训练完成的催化剂结焦炭含量预测模型;
步骤1-6、并通过将测试集输入到训练完成的催化剂结焦炭含量预测模型进行测试,验证该催化剂结焦炭含量预测模型的精确度,判断测试集的预测结果的精确度是否大于等于预设值时,如是,则该训练完成的催化剂结焦炭含量预测模型为最终的催化剂结焦炭含量预测模型,如否,继续训练该催化剂结焦炭含量预测模型,直至当测试集的预测结果的精确度达到预设值时,则结束;
步骤2、从实时数据库中获取输入数据,在APC服务器上运行催化剂结焦炭含量预测模型,获取催化剂结焦炭含量的预测值;具体包括如下步骤:
步骤2-1、把步骤1-6中得到的最终催化剂结焦炭含量预测模型部署在APC服务器上;
步骤2-2、组态建立预测模型输入数据与实时数据库之间的数据传输关系;
步骤2-3、实时从实时数据库中获取输入数据,并通过催化剂结焦炭含量预测模型进行计算,输出数据对应为催化剂结焦炭含量的预测值;
为了保证催化剂结焦炭含量预测值的准确性,每隔一段时间对该催化剂结焦炭含量预测模型进行校正,例如:每隔两个月对该催化剂结焦炭含量预测模型进行校正时,则采用前两个月内的催化剂结焦炭含量采样分析数据对该模型进行校正,该校正方法能使催化剂结焦炭含量的预测值更加准确;
步骤3、建立模型预测结果与APC控制器间的联动;具体包括如下步骤:
步骤3-1、根据之前的运行数据,采用通用曲线拟合方法,在不同烧焦区入口氧含量摩尔百分比时,拟合出中间变量y与催化剂循环速率之间的数学关系式;以及在不同烧焦区气体流量设计百分比时,拟合出中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式;
如:通用曲线拟合方法为线性拟合、多项式拟合等;例如:图2所示的拟合曲线,左侧为不同烧焦区入口氧含量摩尔百分比(记为O2%)时,中间变量y与催化剂循环速率(记为c)之间的关系曲线,该曲线为线性,其数学关系式别对应为:
O2%为0.5:y=0.2738c-9.1905;
O2%为0.6:y=0.232c-9.7;
O2%为0.7:y=0.2c–10;
O2%为0.8:y=0.1765c-10.147;
O2%为0.9:y=0.1571c-10.214;
O2%为1.0:y=0.16c–12;
右侧为不同烧焦区气体流量设计百分比(记为F%)时,中间变量y与待生催化剂上的焦炭重量百分比(记为w)之间的关系曲线,该曲线为多项式拟合曲线,其数学关系式别对应为:
F%为80:y=-0.1184w3+2.6567w2-21.476w+62.687;
F%为90:y=-0.0827w3+2.0716w2-18.729w+61.24;
F%为100:y=-0.0647w3+1.7476w2-17.157w+61.467;
F%为110:y=-0.051w3+1.4744w2-15.625w+60.947;
步骤3-2、根据重整再生器运行时使用的烧焦区气体流量设计百分比,选择对应的中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式,并根据预测模型计算得到催化剂结焦炭含量的预测值,且该预测值对应为待生催化剂上的焦炭重量百分比,并根据催化剂结焦炭含量预测值计算出相应的中间变量y值;
步骤3-3、根据重整再生器运行时使用的催化剂循环速率,计算烧焦区入口氧含量摩尔百分比的不同取值时所对应的中间变量y值;
本实施例中,根据如图2左侧所示的不同烧焦区入口氧含量摩尔百分比(记为O2%)时,中间变量y与催化剂循环速率(记为c)之间的关系曲线以及对应的数学关系式,分别计算出O2%为0.5、0.6、0.7、0.8、0.9、1.0时的中间变量y;
步骤3-4、将步骤3-2中计算得到的中间变量y值与步骤3-3中烧焦区入口氧含量摩尔百分比的不同取值所对应的中间变量y值进行比较,获取步骤3-2中计算得到的中间变量y值所对应的烧焦区入口氧含量摩尔百分比;本实施例中,使用插值法获取步骤3-2中计算得到的中间变量y值所对应的烧焦区入口氧含量摩尔百分比;
步骤3-5、把步骤3-4中计算得到的烧焦区入口氧含量摩尔百分比作为APC控制催化剂再生系统控制器中再生器氧含量的设定值,从而实时控制再生器烧焦区入口氧含量。
将该发明中采用LSTM网络建立的连续重整催化剂结焦炭含量预测模型,经过测试数据的检测,实验结果如图3所示,模型预测的与采样分析得到的催化剂结焦炭含量的相对误差仅为1%,因此通过LSTM网络建立的连续重整催化剂结焦炭含量预测模型准确率高;另外,通过在线近红外分析仪1~10分钟/次的分析频率,该分析数据作为输入数据实时输入到预测模型中,因此能达到1~10分钟/次的预测频率,使预测频率1天/次提高到1~10分钟/次,真正实现了在线预测,并与APC控制器形成联动,形成闭环操作优化,实现了再生器烧焦区入口氧含量的精准控制,将该联动运行到实验中,实验结果如图4所示,发现优化后催化剂的烧焦温度比优化前催化剂的烧焦温度平均降低5℃左右,降低高温燃烧对催化剂的影响。
Claims (5)
1.一种连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:包括以下步骤:
步骤1、建立催化剂结焦炭含量预测模型,具体包括如下步骤:
步骤1-1、采用在线近红外分析仪实时分析重整进料,获取重整进料的分析数据;
步骤1-2、利用DCS采集重整反应的运行数据,并通过OPC服务器将运行数据和分析数据导入到APC服务器上的实时数据库中;
步骤1-3、在步骤1-2中采集的运行数据与步骤1-1中获取的分析数据中选取影响催化剂结焦炭含量的因素;
步骤1-4、在实时数据库中获取重整反应的运行数据与分析数据,选取不同时间的运行数据与分析数据构成不同的样本,将样本数据组成训练集和测试集;其中,每个样本数据中包括步骤1-2中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值以及该数值下对应的催化剂结焦炭含量;
步骤1-5、将训练集的所有数据分别输入到LSTM网络中进行训练,其中,将步骤1-2中选取的影响催化剂结焦炭含量的因素在某个时间点对应的取值作为输入数据,将该数值下对应的催化剂结焦炭含量作为输出数据,最后得到训练完成的催化剂结焦炭含量预测模型;
步骤1-6、并通过将测试集输入到训练完成的催化剂结焦炭含量预测模型进行测试,验证该催化剂结焦炭含量预测模型的精确度,判断测试集的预测结果的精确度是否大于等于预设值时,如是,则该训练完成的催化剂结焦炭含量预测模型为最终的催化剂结焦炭含量预测模型,如否,继续训练该催化剂结焦炭含量预测模型,直至当测试集的预测结果的精确度达到预设值时,则结束;
步骤2、从实时数据库中获取输入数据,在APC服务器上运行催化剂结焦炭含量预测模型,获取催化剂结焦炭含量的预测值;
步骤3、建立模型预测结果与APC控制器间的联动;具体包括如下步骤:
步骤3-1、根据之前的运行数据,在不同烧焦区入口氧含量摩尔百分比时,拟合出中间变量y与催化剂循环速率之间的数学关系式;以及在不同烧焦区气体流量设计百分比时,拟合出中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式;
步骤3-2、根据重整反应器运行时使用的烧焦区气体流量设计百分比,选择对应的中间变量y与待生催化剂上的焦炭重量百分比之间的数学关系式,并根据预测模型计算得到催化剂结焦炭含量的预测值,该预测值对应为待生催化剂上的焦炭重量百分比,最后根据催化剂结焦炭含量预测值计算出相应的中间变量y值;
步骤3-3、根据重整反应器运行时使用的催化剂循环速率,计算烧焦区入口氧含量摩尔百分比的不同取值时所对应的中间变量y值;
步骤3-4、将步骤3-2中计算得到的中间变量y值与步骤3-3中烧焦区入口氧含量摩尔百分比的不同取值所对应的中间变量y值进行比较,获取步骤3-2中计算得到的中间变量y值所对应的烧焦区入口氧含量摩尔百分比;
步骤3-5、把步骤3-4中计算得到的烧焦区入口氧含量摩尔百分比作为催化剂再生系统APC控制器中再生器烧焦区入口氧含量的设定值,从而实时控制再生器的烧焦区入口氧含量。
2.根据权利要求1所述的连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:所述步骤2包括以下具体步骤:
步骤2-1、把步骤1-6中得到的最终催化剂结焦炭含量预测模型部署在APC服务器上;
步骤2-2、组态建立预测模型输入数据与实时数据库之间的数据传输关系;
步骤2-3、实时从实时数据库中获取输入数据,并通过催化剂结焦炭含量预测模型进行计算,输出数据对应为催化剂结焦炭含量的预测值。
3.根据权利要求1所述的连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:所述步骤1-1中在线近红外分析仪的分析频率为1~10分钟/次。
4.根据权利要求1所述的连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:所述步骤1-3中影响催化剂结焦炭含量的因素中的分析数据包括进料干点和芳烃潜含量,运行数据包括液时空速、加权平均入口温度、压力和氢油比,其共同组成影响催化剂结焦炭含量的因素。
5.根据权利要求1所述的连续重整催化剂结焦炭含量在线预测和优化方法,其特征在于:所述步骤3-4中使用插值法获取步骤3-2中计算得到的变量y值所对应的烧焦区入口氧含量摩尔百分比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260669.3A CN110931085B (zh) | 2019-12-10 | 2019-12-10 | 一种连续重整催化剂结焦炭含量在线预测和优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911260669.3A CN110931085B (zh) | 2019-12-10 | 2019-12-10 | 一种连续重整催化剂结焦炭含量在线预测和优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110931085A CN110931085A (zh) | 2020-03-27 |
CN110931085B true CN110931085B (zh) | 2022-07-01 |
Family
ID=69858698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911260669.3A Active CN110931085B (zh) | 2019-12-10 | 2019-12-10 | 一种连续重整催化剂结焦炭含量在线预测和优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110931085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782979B (zh) * | 2020-12-25 | 2022-05-03 | 杭州电子科技大学 | 一种连续催化重整装置实时优化控制系统及其方法 |
CN117323921B (zh) * | 2023-12-01 | 2024-02-27 | 中控技术股份有限公司 | 一种再生反应器氧含量控制方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463327A (zh) * | 2014-10-27 | 2015-03-25 | 中国石油大学(北京) | 一种预测催化裂化焦炭产率的方法 |
CN108219826A (zh) * | 2017-12-27 | 2018-06-29 | 浙江大学宁波理工学院 | 一种催化裂化装置的控制方法 |
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
CN109543915A (zh) * | 2018-11-30 | 2019-03-29 | 中国海洋石油集团有限公司 | 基于测井信息对全井段烃源岩总有机碳含量的识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7634417B2 (en) * | 2004-08-27 | 2009-12-15 | Alstom Technology Ltd. | Cost based control of air pollution control |
US20060270046A1 (en) * | 2005-05-27 | 2006-11-30 | Coute Nicolas P | Processes for determining coke content based on catalyst color |
-
2019
- 2019-12-10 CN CN201911260669.3A patent/CN110931085B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104463327A (zh) * | 2014-10-27 | 2015-03-25 | 中国石油大学(北京) | 一种预测催化裂化焦炭产率的方法 |
CN108219826A (zh) * | 2017-12-27 | 2018-06-29 | 浙江大学宁波理工学院 | 一种催化裂化装置的控制方法 |
CN108251591A (zh) * | 2018-01-15 | 2018-07-06 | 上海大学 | 利用lstm系统的顶底复合吹炼转炉生产工艺控制方法 |
CN109543915A (zh) * | 2018-11-30 | 2019-03-29 | 中国海洋石油集团有限公司 | 基于测井信息对全井段烃源岩总有机碳含量的识别方法 |
Non-Patent Citations (1)
Title |
---|
Predicting the amount of coke deposition on catalyst pellets through image analysis and soft computing;Jingqiong Zhang 等;《Measurement Science and Technology》;20160920;第27卷(第11期);1-17 * |
Also Published As
Publication number | Publication date |
---|---|
CN110931085A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110931085B (zh) | 一种连续重整催化剂结焦炭含量在线预测和优化方法 | |
CN113724800A (zh) | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 | |
CN101650566B (zh) | 催裂化装置常规再生的再生烟气成份动态软测量方法 | |
JP2002527581A (ja) | ポリプロピレンプラントのオンライン式制御方法 | |
CN101620414A (zh) | 工业乙烯裂解炉裂解深度在线优化方法 | |
CN109002681B (zh) | 模拟/预测表面催化反应中催化剂催化活性的方法及其应用 | |
EP0949318A2 (en) | Process for determining the nitrogen content of the effluent of the pretreatment reactor in a catalytic hydrocracking plant | |
US20220299952A1 (en) | Control system with optimization of neural network predictor | |
Ramaker et al. | Improved monitoring of batch processes by incorporating external information | |
CN110957011A (zh) | 连续搅拌反应器在未知时变测量噪声下的在线生产参数估计方法 | |
CN115312130A (zh) | 面向增产催化裂化高附加值产品模拟的混合建模方法 | |
US10953377B2 (en) | Delta temperature control of catalytic dehydrogenation process reactors | |
CN113536601B (zh) | 一种提高连续重整装置催化剂碳含量预估精度的方法 | |
CN107450314B (zh) | 一种用于乙烯裂解炉全运行周期裂解深度控制系统及其方法 | |
US7373258B2 (en) | Method for monitoring and regulating selective hydrogenation of olefinic gasoline fractions | |
CN101859103A (zh) | 催化裂化反应深度在线计算和自适应非线性预测控制方法 | |
EP3967738A1 (en) | Estimation method of nitrogen content in the hydrocracker reactor feedstock for temperature optimization | |
CN113707240A (zh) | 基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法 | |
Abonyi et al. | Data-driven development and maintenance of soft-sensors | |
JP3016226B2 (ja) | 石油製品の性状制御装置及び方法 | |
US11993751B2 (en) | Predictive control systems and methods with fluid catalytic cracking volume gain optimization | |
CN110717279B (zh) | 石脑油裂解制乙烯的裂解产物组分软测量模型的建立方法 | |
CN115160473B (zh) | 基于传感器阵列和人工神经网络的烯烃四元气相共聚方法 | |
Ramachandran et al. | Data analysis, modeling and control performance enhancement of an industrial fluid catalytic cracking unit | |
US20210253956A1 (en) | Predictive control systems and methods with fluid catalytic cracking volume gain optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |