CN111238997A

CN111238997A - 一种原油脱盐脱水过程的进料密度在线测量方法

Info

Publication number: CN111238997A
Application number: CN202010088086.3A
Authority: CN
Inventors: 栾小丽; 张瑾; 赵顺毅; 刘飞
Original assignee: Jiangnan University
Current assignee: Jiangnan University
Priority date: 2020-02-12
Filing date: 2020-02-12
Publication date: 2020-06-05
Anticipated expiration: 2040-02-12
Also published as: CN111238997B

Abstract

本发明提供了一种原油脱盐脱水过程的进料密度在线测量方法，属于流程工业生产加工领域。所述方法包括：历史光谱预处理、获取工况和进料密度信息、提取工况对应的模式、根据模式建立回归模型、实时采集光谱并预处理、判断模式估计进料密度。本发明利用深度学习技术对不同工况的数据进行多模式提取，再针对不同的模式进行相应的进料密度测量，由于多模式的进料密度测量蕴含了多个模式的信息，从而更能精确地捕捉原油的密度，以此保证原油脱盐脱水的合格率。

Description

一种原油脱盐脱水过程的进料密度在线测量方法

技术领域

本发明涉及一种原油脱盐脱水过程的进料密度在线测量方法，属于流程工业生产加工领域。

背景技术

原油脱盐脱水过程通常采用电化学脱盐脱水方法，该方法首先向原油中注入部分含氯低的淡水，以溶解原油中的结晶盐类，并稀释原有盐水，形成新的乳状液，然后在一定温度、压力和破乳剂及高压电场作用下，使微小的水滴，聚集成较大水滴。因不同物质间的密度差别，水滴由于重力从油中沉降、分离，从而达到脱盐脱水的目的。炼油厂大都采用二级电化学脱盐方法，要求在进料时，按原油含水量和含油量的比例加入淡水、破乳剂，如果加入过多的淡水和破乳剂，会造成淡水和破乳剂的浪费，并增加换热器的耗能；如果淡水和破乳剂过少，原油脱盐脱水的效果会变差；因此在保证产品质量的情况下，为了减少淡水和破乳剂的注入量，不仅需测量进料原油的流量，还需测量进料原油的含水量和含油量，由于原油的含水量和含油量不便测量，可通过测量原油进料的密度进行代替，而一般在线测量密度的密度计因为精度较小，可考虑采用近红外光谱仪进行进料密度的测量。

现有红外光谱仪进行进料密度的测量过程中，由于实际的炼油过程还存在许多不可控因素，例如进料管道堵塞、腐蚀，及温度变化等，导致原油脱盐脱水过程往往会出现多个工况的情况，出现使采用近红外光谱仪进行进料密度的在线测量难度大等问题。

发明内容

本发明针对上述问题，提供了一种原油脱盐脱水过程的进料密度在线测量方法，所述原油脱盐脱水过程为针对未处理的轻质石油，通过注入适当的水和破乳剂，经过混合使油水充分接触，原油中能溶于水的杂质进入水中，经过电脱盐装置，在一定电场、一定温度下的作用下，破坏乳状液，实现油水分离沉降，从而完成电化学脱盐脱水的过程，所述方法包括：

步骤1：采集原油脱盐脱水过程中进料的历史光谱数据，采用一阶导数的预处理方法对历史光谱数据进行预处理，并采用3σ准则和均值填充法分别进行奇异点剔除和缺失数据填充；定义预处理之后的近红外光谱数据为X；

步骤2：收集离线测量得来的进料密度值Y，来建立在线测量所需的模型；将近红外光谱数据X分为n种工况；每个工况的光谱数据集和进料密度数据可表示为{X_(j),Y_(j)}，j＝{1,2,3,...,n}；

步骤3：针对n种不同工况的光谱数据，采用n个堆栈收缩自编码器去分别提取相应的模式；通过最小化目标函数的训练过程得到不同模式包含的信息，包括输入空间到特征空间的编码函数f_(j)(g)和特征空间到重构空间的解码函数g_(j)(g)；根据自编码器得到的多个模式的信息f_(j)(g)，计算不同工况下的数据低维表达H_(j)；

步骤4：在每个模式下，对步骤3得到的数据低维表示H_(j)和进料密度Y_(j)进行建模，采用最小二乘模型去拟合它们之间的线性关系；

步骤5：实时采集脱盐脱水过程中进料的光谱数据，并对光谱数据进行如步骤1所示的预处理，得到新的采样数据x_new；

步骤6：对新采样数据x_new进行步骤3的模式的判断，将所有模式与它进行匹配，根据每个模式的匹配误差，确定新采样数据最合适的模式k，k＝{1,2,3,…,n}；

步骤7：在确定新采样数据点的模式后，选择模式k的最小二乘模型，估计当前时刻的进料密度y_new。

在本发明的一种实施方式中，所述历史近红外光谱数据X根据进料管道堵塞的严重程度分为正常、早期故障和严重故障三种工况。

在本发明的一种实施方式中，所述目标函数为：

其中，θ为函数f_(j)(g)和g_(j)(g)的参数，x为数据集X_(j)中的任意一组光谱数据，λ为自编码器的超参数，f_(j),k(g)为函数f_(j)(g)中关于第k个输出的部分函数，x_i为数据x的第i个特征。

在本发明的一种实施方式中，所述不同工况下的数据低维表达H_(j)：H_(j)＝f_(j)(X_(j))。

在本发明的一种实施方式中，所述最小二乘模型的参数矩阵β_(j)的估计形式为：

在本发明的一种实施方式中，所述匹配中第j个模式的匹配误差为：

r_(j)＝||x_new-g_(j)(f_(j)(x_new))||

在本发明的一种实施方式中，所述模式k为：

在本发明的一种实施方式中，所述当前时刻的进料密度y_new为：

y_new＝f_(k)(x_new)β_(k)

在本发明的一种实施方式中，所述原油脱盐脱水过程的历史数据的采样间隔为2分钟，共2640条近红外光谱数据。

在本发明的一种实施方式中，所述堆栈收缩自编码器个数为3，每个自编码器的网络层数设为3，每层对应的神经元个数分别为200，40，2。

有益效果：

本发明利用过程运行中的大量光谱数据，提出一种原油脱盐脱水过程的进料密度在线测量方法，利用深度学习技术对不同工况的数据进行多模式提取，再针对不同的模式进行相应的进料密度测量。由于多模式的进料密度测量蕴含了多个模式的信息，从而更能精确地捕捉原油的密度，以此保证原油脱盐脱水的合格率。

附图说明

图1为实施步骤流程框图。

图2为预处理后的近红外光谱图。

图3为光谱数据的工况分布图。

图4为模式提取的训练过程图。

图5为不同模式的数据低维表示图。

图6为最小二乘模型的平面拟合图。

图7为进料密度的在线测量图。

具体实施方式

下面结合附图和实施例对本发明作进一步详细说明。

实施例1

本实施例提供一种原油脱盐脱水过程的进料密度在线测量方法，针对未处理的轻质石油，即原油，通过注入适当的水和破乳剂，经过混合使油水充分接触，原油中能溶于水的杂质进入水中，经过电脱盐装置，在一定电场、一定温度下的作用下，破坏乳状液，实现油水分离沉降，从而完成电化学脱盐脱水的过程，如图1所示，所述方法包括：

步骤1：采集原油脱盐脱水过程中进料的历史光谱数据，采样间隔为2分钟，得到2640条近红外光谱数据；由于采集过程中存在的背景噪声、仪器性能的漂移以及杂散光等干扰因素，近红外光谱会有一定程度的变化，因此采用一阶导数的预处理方法对历史光谱数据进行预处理，并采用3σ准则和均值填充法分别进行奇异点剔除和缺失数据填充；定义预处理之后的近红外光谱数据集为X，如图2所示。

步骤2：利用离线测量得来的进料密度值，来建立在线测量所需模型。收集实验室化验所得的进料密度值Y，根据工厂的记录日志，历史近红外光谱数据集X分为正常、早期故障和严重故障三种工况，所述正常工况为脱盐脱水过程正常运行的情况，对应于图2中波峰值较小且波谷值较大的光谱数据，所述早期故障工况为进料管道轻微堵塞的情况，对应于图2中波峰和波谷轻微变化的光谱数据，所述严重故障工况为进料管道严重堵塞的情况，对应于图2中波峰和波谷偏离正常工况较大的光谱数据；在三种工况下采集的光谱数据二维分布情况如图3所示，图中聚集的三个数据点团分别表示三种工况；每个工况的光谱数据集和进料密度数据可表示为{X_(j),Y_(j)}，j＝{1,2,3}。

步骤3：针对三种不同工况的光谱数据，采用三个堆栈收缩自编码器去分别提取相应的模式；每个自编码器的网络层数设为3，每层对应的神经元个数分别为200，40，2；通过最小化目标函数的训练过程可得到不同模式包含的信息，包括输入空间到特征空间的编码函数f_(j)(g)和特征空间到重构空间的解码函数g_(j)(g)；所述的目标函数J(θ)的公式为：

其中，θ为函数f_(j)(g)和g_(j)(g)的参数，x为数据集X_(j)中的任意一组光谱数据，λ为自编码器的超参数，f_(j),k(g)为函数f_(j)(g)中关于第k个输出的部分函数，x_i为数据x的第i个特征；

训练时目标函数值的变化情况如图4所示，在图4中，当训练迭代次数为100时，三个自编码器的目标函数值都趋于稳定，说明三个自编码器训练效果较好；根据自编码器得到的多个模式的信息f_(j)(g)，计算不同工况下的数据低维表达H_(j)：H_(j)＝f_(j)(X_(j))，其数据分布情况如图5所示。

步骤4：在每个模式下，对步骤3得到的数据低维表示H_(j)和进料密度Y_(j)进行建模，采用最小二乘模型去拟合它们之间的线性关系，所述模型的公式为：

Y_(j)＝H_(j)β_(j)，

其中，β_(j)为最小二乘模型的参数矩阵，其估计形式为：

最后的拟合情况如图6所示，图中坐标轴H₁和H₂表示光谱数据的低维表达，坐标轴Y表示进料密度。

步骤5：间隔2分钟，实时采集脱盐脱水过程中进料的一组光谱数据，并对该组光谱数据进行如步骤1所示的预处理，得到一组新的采样数据x_new。

步骤6：对新采样数据x_new进行步骤3所述的模式的判断，将所有模式与它进行匹配，其中第j个模式的匹配误差为：

r_(j)＝||x_new-g_(j)(f_(j)(x_new))||²，

根据每个模式的匹配误差，确定新采样数据最合适的模式k，k＝{1,2,3}：

步骤7：在确定新采样数据点的模式后，选择模式k的最小二乘模型，估计当前时刻的进料密度y_new：

y_new＝f_(k)(x_new)β_(k)，

其中，f_(k)(g)为模式k的编码函数，β_(k)为模式k的最小二乘模型的参数矩阵。

在线运行60分钟后，其情况如图7所示，图中实心圆代表本方法测量的进料密度。

实施例2

本实施例将本发明的原油脱盐脱水过程的进料密度在线测量效果与通过密度计测量效果进行对比。

步骤1：在进料管道上安装振动管式液体密度计，利用管道在电子反馈系统作用下的谐振频率来测量管内的进料密度，谐振频率与进料密度的关系为：

ρ＝K₀+K₁T+K₂T²，

其中，ρ为进料密度，T为密度计中振动管的振荡周期，K₀、K₁、K₂为密度计的常数(出厂时标定)；

步骤2：通过密度计实时采集脱盐脱水过程的进料密度，采样间隔为2分钟，采集的进料密度如图7所示，图中空心菱形代表对比方法测量的进料密度，五角星形为真实密度值；比较图7中两种方法的效果可以看出，密度计在线测量的进料密度值相比于真实值误差较大，测量的准确性较低，而基于近红外光谱的在线测量方法因为考虑三种不同的工况，所以更能准确地测量进料密度。

本发明的保护范围并不仅局限于上述实施例，凡是在本发明构思的精神和原则之内，本领域的专业人员能够做出的任何修改、等同替换和改进等均应包含在本发明的保护范围之内。

Claims

1.一种原油脱盐脱水过程的进料密度在线测量方法，所述原油脱盐脱水过程为：针对未处理的轻质石油，通过注入水和破乳剂，经过混合使油水充分接触，原油中能溶于水的杂质进入水中，经过电脱盐装置，在电场、温度下的作用下，破坏乳状液，实现油水分离沉降，从而完成电化学脱盐脱水的过程，其特征在于，所述方法包括：

步骤6：对新采样数据x_new进行步骤3的模式的判断，将所有模式与它进行匹配，根据每个模式的匹配误差，确定新采样数据最合适的模式k，k＝{1,2,3,...,n}；

2.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述历史近红外光谱数据X根据进料管道堵塞的严重程度分为正常、早期故障和严重故障三种工况。

3.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述目标函数为：

4.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述不同工况下的数据低维表达H_(j)：H_(j)＝f_(j)(X_(j))。

5.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述最小二乘模型的参数矩阵β_(j)的估计形式为：

。

6.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述匹配中第j个模式的匹配误差为：

r_(j)＝||x_new-g_(j)(f_(j)(x_new))||²。

7.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述模式k为：

8.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述当前时刻的进料密度y_new为：

y_new＝f_(k)(x_new)β_(k)。

9.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述原油脱盐脱水过程的历史数据的采样间隔为2分钟，共2640条近红外光谱数据。

10.如权利要求1所述的一种原油脱盐脱水过程的进料密度在线测量方法，其特征在于，所述堆栈收缩自编码器个数为3，每个自编码器的网络层数设为3，每层对应的神经元个数分别为200，40，2。