CN112908424A - 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法 - Google Patents

降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法 Download PDF

Info

Publication number
CN112908424A
CN112908424A CN202110078304.XA CN202110078304A CN112908424A CN 112908424 A CN112908424 A CN 112908424A CN 202110078304 A CN202110078304 A CN 202110078304A CN 112908424 A CN112908424 A CN 112908424A
Authority
CN
China
Prior art keywords
data
value
octane number
pressure
flow
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.)
Withdrawn
Application number
CN202110078304.XA
Other languages
English (en)
Inventor
郭际
楼宇佳
顾邦平
王婉仪
吴先华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Maritime University
Original Assignee
Shanghai Maritime University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Maritime University filed Critical Shanghai Maritime University
Priority to CN202110078304.XA priority Critical patent/CN112908424A/zh
Publication of CN112908424A publication Critical patent/CN112908424A/zh
Priority to US17/489,418 priority patent/US11820947B2/en
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G11/00—Catalytic cracking, in the absence of hydrogen, of hydrocarbon oils
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G47/00—Cracking of hydrocarbon oils, in the presence of hydrogen or hydrogen- generating compounds, to obtain lower boiling fractions
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G47/00—Cracking of hydrocarbon oils, in the presence of hydrogen or hydrogen- generating compounds, to obtain lower boiling fractions
    • C10G47/36—Controlling or regulating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
    • C10G2300/10—Feedstock materials
    • C10G2300/1037—Hydrocarbon fractions
    • C10G2300/104—Light gasoline having a boiling range of about 20 - 100 °C
    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
    • C10G2300/20—Characteristics of the feedstock or the products
    • C10G2300/30—Physical properties of feedstocks or products
    • C10G2300/305—Octane number, e.g. motor octane number [MON], research octane number [RON]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Chemical & Material Sciences (AREA)
  • Organic Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Analytical Chemistry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)

Abstract

本发明提出了一种降低S‑zorb装置催化裂化汽油过程中辛烷值损耗的方法。该方法具体包括等精度测量、收集调整设备数据之间差异，构建初始数据样本集；采用数据处理方法整理数据；采用局部线性嵌入方法对自变量数据进行降维，根据权重提取主要自变量；进行相关性检验，去除相关系数较高的自变量；使用因变量与降维后的自变量构建基于遗传算法优化的BP神经网络模型，得到最优辛烷值损耗预测模型；最终使用预测模型得到主要自变量的最优操作条件。本发明区别于传统化工机理方式构建催化裂化技术过程模型，有利于企业因地制宜分析辛烷值损耗的影响因素，减少精炼油中辛烷值损耗，提升精炼油质量。

Description

降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法
技术领域
本发明涉及催化裂化技术领域，特别涉及一种降低S-zorb装置催化裂化汽油过程中辛烷值损耗的方法。
技术背景
催化裂化技术是石油二次加工的主要方法之一，通过热能和催化剂的共同作用以裂化重油向裂化气、汽柴油转变，再通过S-zorb装置吸附脱硫并将烯烃转制入液化气副产品。S-zorb装置的抗爆指数损失小、辛烷值保留度好、氢气消耗度较低、能耗消耗少并且产出的轻质油产率较高、还可产出富含烯烃的副产品。因此，研究S-zorb装置催化裂化技术中的辛烷值损耗问题，有利于更好地实现制成品清洁化以及效能最大化，这也是化工领域具有重要应用价值的问题之一。
为降低S-zorb装置催化裂化汽油过程中的辛烷值损耗，需要通过构建数据分析模型表达反应过程。重点是要确定催化裂化过程中对产品辛烷值含量具有影响的变量。从S-zorb装置催化裂化汽油的生产过程来看，影响最终产品辛烷值含量的变量很多，主要包括原料性质、吸附剂因素以及装置操作条件等。下面将阐述确定原料性质、吸附剂因素以及装置操作条件的方法。
(1)原料性质
对于原料性质的确定，主要依据的是化工机理。实际生产中通过提高渣油掺炼量以提高单环芳烃含量脱烷基，生成较高的辛烷值烯烃芳烃组分；也可通过调配原料品种，降低原料钠含量和饱和烃含量，增加原料密度以增加产品辛烷值；还可通过脱氢芳构化生成高辛烷值组分。刘永才等学者(影响S-Zorb装置汽油辛烷值损失因素分析，石油化工设计，2019)指出，精制汽油为保持液位回流，形成二次反应，烯烃反应饱和深度增加也会加大辛烷值损失，因此可以调控精制汽油回流量减小这一损失。
(2)吸附剂因素
对于吸附剂因素的确定，主要是依据化工机理和运行经验而开展的。S-zrob装置主要的吸附剂活性物为镍和氧化锌。在吸附剂反应过程中，待生、再生吸附剂的持硫率、持碳率加高，有利于减少产品辛烷值损失，同时还会影响到脱硫率；邹亢等学者(S-Zorb吸附剂中Zn2SiO4对汽油辛烷值及吸附剂脱硫能力的影响，石油学报(石油加工)，2020)研究得出，吸附剂中的硅酸锌物相质量分数的提升可以减少辛烷值损失，同时吸附剂外表面的增加也会导致吸附剂对烯烃吸附能力的减弱，减小烯烃饱和加氢的比率，从而减少辛烷值损失量。
(3)装置操作条件
目前在S-zorb装置应用中，通常对装置的温度、压力、进料等进行调控，以达到最优的脱硫率及保留辛烷值效果。
首先，反应温度是S-zorb装置应用的一个重要方面。烯烃加氢饱和作为强放热反应，反应温度的提高会抑制这一反应，从而提高辛烷值的保留度。马强等学者(降低S-Zorb装置汽油辛烷值损失的优化操作，技术应用与研究，2020)研究得出，产品辛烷值的保留度随着温度的升高先升后降，临界点约在427度。
其次，反应压力也是调控的一个重要方面。烯烃加氢饱和作为体积减少的化合反应，反应压力的增加将会加快这一反应，从而增加辛烷值的损失，但与此同时精制汽油的硫含量将会下降，调整不同点位的压力值需要在硫含量和辛烷值含量之间寻求一个平衡点。在2019年，S-zorb装置系统设定压力由2.5MPa调整为2.45MPa，过滤器ME101压差上升至11KPa。
最后，在进料方面，主要从氢油比和质量空速等方面共同影响装置效用。周欢等学者(S-Zorb装置辛烷值损失大原因的分析与措施，云南化工，2019)指出，氢油比即汽油进料量与循环氢的比例，S-zorb装置采用摩尔比，固定系统压力不变的情况下，氢油比的增加会增大烯烃加氢饱和反应的速率，导致辛烷值损失，但同时它也可以抑制吸附剂的结焦反应；质量空速即汽油进料量与内藏量的比例，它的增加会抑制烯烃加氢饱和反应，从而降低辛烷值损失，但同时也会降低脱硫率。因此在进料方面，需要准确调整以达成脱硫和保留辛烷值的平衡。
综上所述，目前对催化裂化技术过程建模主要是依靠已有的化工机理来选定具体变量构建模型，由于依据化工机理构建的模型对原料要求较高、装置操作点位较多、反应机制较为复杂以及变量之间存在非线性关系，目前依靠化工原理建立的数理模型无法全面考虑装置的操作点位数据、原材料数据、催化剂数据等对最终产品辛烷值损耗的影响，从而导致S-zorb装置催化裂化技术在应用中经常会出现产品辛烷值损耗较大的不理想情况，因此有必要对S-zorb装置催化裂化过程进一步建模，得到确定S-zorb装置催化裂化技术过程的方法，为S-zorb装置催化裂化技术的推广与应用提供技术支持。
发明内容
采用数据分析的方法确定催化裂化汽油过程的变量，有利于获得理想的催化裂化过程模型以及精准的最优点位操作条件，以此精确调试催化裂化技术的点位，在满足脱硫要求的前提下降低催化裂化汽油过程中的辛烷值损耗。鉴于此，针对目前利用化工对催化裂化技术过程建模中存在变量考虑不够全面导致辛烷值损耗的增加等问题，我们将最终产品的辛烷值损耗以及产品含硫量作为因变量，将S-zorb装置的操作点位数据、原材料数据、催化剂数据作为自变量，在此基础上建立数学函数关系，获得理想的催化裂化过程模型。通过控制自变量数据，使因变量逐渐下降，在满足脱硫要求的前提下降低催化裂化汽油过程中的辛烷值损耗，从而减少精炼油中辛烷值损耗，提升精炼油质量，并丰富催化裂化技术操作变量的选定方法。
本发明提出一种降低S-zorb装置催化裂化汽油过程中辛烷值损耗的方法包括以下步骤：
S1、等精度测量、收集并调整设备数据之间差异，构建初始数据样本集；
S2、采用数据处理方法对S1中的数据进行整理，得到处理后的数据样本集；
S3、采用局部线性嵌入方法对数据样本集中的自变量数据降维，提取主要自变量；
S4、对保留后的自变量进行相关性检验，去除相关系数较高的自变量；
S5、使用因变量与降维后的自变量，构建基于遗传算法优化的BP神经网络模型，调整参数后得到最优辛烷值损耗预测模型；
S6、使用最优辛烷值损耗预测模型得到主要自变量的最优操作条件；
所述步骤S1包含以下步骤：
S1.1、等精度测量、收集并输入设备的操作点位数据a11,a12,…,a1m,a21,a22,…,a2m,…,aj1,aj2,…,ajm、原材料数据b11,b12,…,b1n,b21,b22,…,b2n,…,bk1,bk2,…,bkn、催化剂数据c11,c12,…,c1n,c21,c22,…,c2n,…,cl1,cl2,…,cln、产品辛烷值损耗数据x1,x2,…,xn与产品硫含量数据y1,y2,…,yn，m为操作点位数据样本数且为正整数，n为产品数据、原材料数据、催化剂数据样本数且为正整数，j,k,l分别为操作点位变量数、原材料变量数、催化剂变量数且均为正整数；
操作点位数据包括：氢油比，反应过滤器压差，还原器压力，还原器流化氢气流量，反应器温度、压力、压差，D-105温度、压力、流化氢气流量，反吹氢气压力，稳定塔顶压力、塔顶进口温度、塔顶出口温度、液位、温度，塔顶回流罐D-201液位，干气出装置温度，精制汽油出装置温度、出装置流量，蒸汽进装置压力、流量、去进料缓冲罐流量，新氢、轻烃、干气进装置流量，污油出装置流量，燃料气进装置温度、压力、流量，氮气进装置流量、压力，1.0MPa蒸汽进装置温度，循环水进出装置流量，0.3MPa凝结水出装置流量，除氧水进装置流量，非净化风进装置流量、压力，D-107转剂线压差、提升氮气流量，催化汽油进装置总流量；
原材料数据包括：原料硫含量，原料辛烷值，饱和烃，烯烃，芳烃，溴值，以及密度；
催化剂数据包括：待生吸附剂焦炭，待生吸附剂硫，再生吸附剂焦炭，以及再生吸附剂硫；
产品数据包括：产品硫含量，产品辛烷值损失；
S1.2、调整操作点位数据、原材料数据、催化剂数据样本与产品数据样本采集频次之间的差异；其方法为：产品数据对应的操作点位数据取前两小时测量值均值，同时对应该特定时刻测得的原材料数据和催化剂数据，构建初始数据样本集；
所述步骤S2包含以下步骤：
S2.1、采用设备可调整范围的最大最小限值，框定操作点位数据，剔除由于测量误差导致不在此范围的异常值；
S2.2、采用拉依达准则剔除含有较大误差值的坏值；
步骤S2.2包含以下步骤：
S2.2-1、算出每一类数据测量值的算术平均值及剩余误差；
S2.2-2、按贝塞尔公式
Figure BDA0002908333710000051
算出标准误差σ；
S2.2-3、若某个测量值xu的剩余误差vu满足|vu|＝|xu-x|＞3σ，则认为xu是含有较大误差值的坏值，予以剔除；
S2.3、对样本数据中存在的空值进行处理；
步骤S2.3包含以下步骤：
S2.3-1、对每列空值进行计数；
S2.3-2、求出其每列空值个数的平均值，将其定义为残缺数据判断的临界点；
S2.3-3、若某一被测变量中存在的空值个数超过此临界值，则认为此列数据中的残缺数据过多，剔除这一被测变量；
所述步骤S3包含以下步骤：
S3.1、采用局部线性嵌入方法对自变量进行降维，得到权重系数矩阵，自变量包括操作点位变量、原材料变量、催化剂变量；
S3.2、根据自变量总数，提取权重系数矩阵中权重最高的10％个自变量作为保留后的自变量；
所述步骤S4包含以下步骤：
S4.1、计算提取得到的自变量之间的相关系数；
S4.2、在相关系数绝对值大于0.8的情况下，认为自变量之间相关系数过高，剔除其中与其他自变量相关系数均较高的自变量，从而得到具有代表性且相互独立的主要自变量；
S4.3、将原油辛烷值含量作为较为重要的影响因素加入其中，同样作为主要自变量；
所述步骤S5包含以下步骤：
S5.1、确定神经网络的输入层为S4中的主要自变量，输出层为预测辛烷值损失值以及预测产品硫含量，隐含层节点数的公式为
Figure BDA0002908333710000052
确定样本集中85％的样本为训练集，15％的样本为测试集；
S5.2、运用基于遗传算法优化的BP神经网络模型进行训练拟合，得到预测模型、返回的预测值与产品数据之间的误差与误差百分比以及拟合优度；
所述步骤S5.2包含以下步骤：
S5.2-1、对遗传算法中的个体进行初始化实数编码，每一个体由输入层与隐含层连接权值Wa、隐含层阈值θa、隐含层与输出层连接权值Wb以及输出层阈值θb共四部分组成，构成一个确定的神经网络；
S5.2-2、计算适应度，对于每一个体使用训练集数据运行神经网络后得到预测系统输出，将个体适应度Fi定义为预测输出与实际输出之间的误差Ei，公式如下：
Figure BDA0002908333710000061
式中，n为输出节点数；pi为第i个节点的预测输出，zi为第i个节点的实际输出；k为系数，为0.5；
S5.2-3、选择轮盘赌算法进行选择操作；
首先计算个体被选择概率，公式如下：
Figure BDA0002908333710000062
式中，fi＝k/Fi为适应度倒数，与适应性正相关；k为系数，为1；N为个体总数；将[0,1]区间划分为N个区间，区间长度与个体被选择概率相同，通过生成随机数判断随机数所在区间，从而选择对应个体构成新种群；
S5.2-4、采用实数交叉法进行交叉操作；
对群体中的个体以设定的交叉概率判断是否实行交叉操作，第m个个体与第n个个体在j交叉位置的交叉操作公式如下：
amj＝amj(1-b)+anjb
anj＝anj(1-b)+amjb
式中，b为[0,1]之间的随机数；
S5.2-5、采用实值法变异进行变异操作；
对群体中的个体以设定的变异概率判断是否实行变异操作，随后选取第i个个体的j变异位置进行变异操作，公式如下：
Figure BDA0002908333710000071
式中，amax为aij的上界，amin为aij的下界，r为[0,1]之间的随机数，f(g)为变异公式f(g)＝r2(1-g/Gmax)2，r2为[0,1]之间的随机数，g为当前迭代次数，Gmax为最大迭代次数；
S5.2-6、当达到以下终止条件之一时，停止迭代，算法终止，得到最优权值阈值；
1)最优个体适应度及种群适应度停止上升；
2)达到设定最大迭代次数Gmax；
S5.2-7、将通过遗传算法得到的最优初始权值Wa，Wb，阈值θa，θb赋予神经网络进行预测；
(1)前向传播
输入层为x1,x2,…,xn，输入层与隐含层连接权值矩阵为Wa，选择线性加权求和方法，得隐含层第i个神经元净输入为
Figure BDA0002908333710000072
将净输入Netini与
Figure BDA0002908333710000073
比较后通过激活函数处理得到神经元输出；选取Sigmod函数f(x)＝1/[1+exp(-x)]作为激活函数实现信号变换；
故第i个隐含层神经元输出为：
Figure BDA0002908333710000074
其次，隐含层与输出层连接权值矩阵为Wb，同样选择线性加权求和方法得第i个输出层神经元净输入为
Figure BDA0002908333710000075
将OutNetini与
Figure BDA0002908333710000076
比较后同样通过激活函数Sigmod反函数处理得到第i个输出层神经元输出为：
Figure BDA0002908333710000077
实际值为z1,z2,…,zm，当次预测结果最小二乘误差为：
Figure BDA0002908333710000078
(2)反向传播
使用梯度下降法更新参数减小Ek，参数调整公式如下：
Figure BDA0002908333710000081
式中，η为学习速率，P为待调整参数；
通过对前述参数的调整后，再次不断循环迭代及调整，神经网络达到最优化；
S5.2-8、当达到以下终止条件之一时，停止迭代，算法终止，得到最优神经网络；
1)达到设定最小误差阈值Emin；
2)达到设定最大迭代次数Gmax；
S5.3、根据返回的预测值与产品数据之间的误差与误差百分比、拟合优度等数据，调整遗传算法参数：设定最大迭代次数Gmax，种群规模M，交叉概率Pc，变异概率Pm；神经网络参数：学习速率η，设定最小误差阈值Emin，设定最大迭代次数Gmax；
S5.4、当返回的预测值与产品数据之间的误差<0.1、拟合优度>80％，保存训练完成的基于遗传算法优化的神经网络模型，即得到最优辛烷值损耗的预测模型；
所述步骤S6包含以下步骤：
S6.1、在保持原油辛烷值含量以及除主要自变量以外的其他自变量不变的情况下，根据设备可调整范围以及最小操作幅度，在设备可调整范围内生成主要自变量的随机操作条件来模拟调整过程，得到随机生成样本；
S6.2、使用最优辛烷值损耗预测模型仿真随机生成样本的辛烷值损失值以及精制后汽油的硫含量；
S6.3、根据硫含量<10ppm对精制后汽油硫含量进行筛选，得到符合的样本；此处根据《国六车用汽油标准技术要求》(GB17930-2016)中硫含量的标准进行筛选；
S6.4、将以上筛选后的样本对应的操作条件，以相对于原操作条件下的辛烷值损耗降幅作为权重系数加权平均后，得到主要操作变量的最优操作条件。
所述的局部线性嵌入降维、基于遗传算法优化的BP神经网络模型的建立及数据拟合所使用的软件为Matlab软件。
本发明的技术构思是：通过本发明提出的方法确定的操作变量，以具体的企业数据作为基础，获得具体的最优操作变量条件，来降低S-zorb装置催化裂化汽油过程中的辛烷值损失。
本发明的有益效果如下：
1、在不同企业，可能因为当地气压或温度等条件不同，S-zorb装置具有不同的最优反应条件，因此采用数据分析方法，可以获得降低S-zorb装置催化裂化汽油过程中辛烷值损耗的方法，并因地制宜分析S-zorb装置辛烷值损耗的影响因素。
2、S-zorb装置操作变量之间存在非线性关系。本发明以局部线性嵌入作为非线性降维方法，保留了原变量之间的权重关系，使其克服主观因素的影响。
3、S-zorb装置对原料要求较高、装置操作点位较多、反应机制较为复杂。本发明采用基于遗传算法优化的神经网络模型，与目前常用的利用化工机理确定操作变量的方法有本质的区别，也是对已有方法的有益补充。
附图说明
图1为降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法的流程示意图。
具体实施方式
参照附图，进一步说明本发明：
降低S-zorb装置催化裂化汽油过程中辛烷值损耗的方法包括以下步骤：
S1、等精度测量、收集并调整设备数据之间差异，构建初始数据样本集；
S2、采用数据处理方法对S1中的数据进行整理，得到处理后的数据样本集；
S3、采用局部线性嵌入方法对数据样本集中的自变量数据降维，提取主要自变量；
S4、对保留后的自变量进行相关性检验，去除相关系数较高的自变量；
S5、使用因变量与降维后的自变量，构建基于遗传算法优化的BP神经网络模型，调整参数后得到最优辛烷值损耗预测模型；
S6、使用最优辛烷值损耗预测模型得到主要自变量的最优操作条件；
所述步骤S1包含以下步骤：
S1.1、等精度测量、收集并输入设备的操作点位数据a11,a12,…,a1m,a21,a22,…,a2m,…,aj1,aj2,…,ajm、原材料数据b11,b12,…,b1n,b21,b22,…,b2n,…,bk1,bk2,…,bkn、催化剂数据c11,c12,…,c1n,c21,c22,…,c2n,…,cl1,cl2,…,cln、产品辛烷值损耗数据x1,x2,…,xn与产品硫含量数据y1,y2,…,yn，m为操作点位数据样本数且为正整数，n为产品数据、原材料数据、催化剂数据样本数且为正整数，j,k,l分别为操作点位变量数、原材料变量数、催化剂变量数且均为正整数；
操作点位数据包括：氢油比，反应过滤器压差，还原器压力，还原器流化氢气流量，反应器温度、压力、压差，D-105温度、压力、流化氢气流量，反吹氢气压力，稳定塔顶压力、塔顶进口温度、塔顶出口温度、液位、温度，塔顶回流罐D-201液位，干气出装置温度，精制汽油出装置温度、出装置流量，蒸汽进装置压力、流量、去进料缓冲罐流量，新氢、轻烃、干气进装置流量，污油出装置流量，燃料气进装置温度、压力、流量，氮气进装置流量、压力，1.0MPa蒸汽进装置温度，循环水进出装置流量，0.3MPa凝结水出装置流量，除氧水进装置流量，非净化风进装置流量、压力，D-107转剂线压差、提升氮气流量，催化汽油进装置总流量，1#催化汽油、2#催化汽油、3#催化汽油进装置流量，原料缓冲罐液位，原料进装置温度、流量，原料泵出口流量，混氢点氢气流量，原料换热器管程总管进口温度、压差，加热炉进口温度、出口温度、氧含量、炉膛压力，反应器入口温度、出口温度，辐射室出口压力，加热炉主火嘴瓦斯入口压力，加热炉主火嘴阀前压力，K-101机出口压力，D-104压力、液面、去稳定塔流量、温度，D-121压力、液面、顶去放火炬流量、去稳定塔流量、温度，反应系统压力，还原器温度，再生风流量，再生冷氮气流量，R-102再生器提升氮气流量，再生器压力、顶底差压、顶烟气温度、下部温度、接收器差压、藏量，再生烟气氧含量，D-110顶底压差，R-102转剂线压差，火炬气排放流量，新氢进装置流量，产品汽油出装置流量，原料进装置流量累计，废氢排放累计流量，火炬气排放累计流量，E-101壳程入口总管温度、压力，E-101管程入口总管温度、压力，E-101壳程出口总管温度、压力，E-101管程出口总管温度、压力，D-204液位，D-101原料缓冲罐压力，D-203燃料气进口管温度、顶部出口管温度、出口燃料气流量、顶部出口管、底部液位，D-202液位，D-201水包界位，D-125液位、压力，D-124液位、压力，D-123蒸汽出口流量、冷凝水罐液位、压力、凝结水入口流量，D-122液位、入口管温度、顶出口管温度，D-121水液位，D-114液位，D-113顶放空线流量，D-110蒸汽盘管入口流量、底压力、底流化氮气流量，D-109压力、吸附剂料位、松动风流量、底压力，D-107下部松动风流量、温度、顶压力、底压力、底排放滑阀压差、底滑阀，D-106压力仪表管嘴反吹气流量、温度、热氮气流量，D-105下锥体松动风流量、上跨接线松动风流量，D-103底部液位，D-102温度，D-101脱水包液位，C-201下部进料管温度，C-201#37层塔盘温度，A-202A/B出口总管温度，A-201出口总管温度，EH101出口，D-110顶压力，再生器接收器与LH差压，再生进料罐与LH差压，预热器空气出口压力，PDI-2107点，烟气出辐射室温度，烟气出对流室温度，循环氢压缩机出口去混氢点压力，循环氢至闭锁料斗料腿流量，D-113压力，热循环气去R101底提升气管流量，热氮气过滤器ME-113差压，冷氮气过滤器ME-114差压，空气预热器烟气入口压力、温度、空气出口压力、温度，进料调节阀旁路流量，紧急氢气总管，紧急氢气去R-101流量，紧急氢气去D-102流量，火炬罐D-206液位，鼓风机入口压力，非净化风干燥后露点温度，反应器接收器与LH差压，反吹气体聚集器补充氢差压，低压热氮气压力，补充氢压缩机出口返回管流量，闭锁料斗液位、氧含量、顶压力、烃含量、充氢线压力控制、氮气过滤器出口气流量、氢气过滤器出口气流量，R-102下部压力、床层吸附剂料位密度、底喷头压差、底排放滑阀后氮气线压力、底滑阀差压、底部锥段温度、#3通风挡板温度、#1通风挡板温度，R-101下部床层压降、上部床层压降、顶反应产物出口管温度、底格栅上下压差、床层中部温度、床层中部压力、床层下部温度、床层下部压力，P-105A/B出口总管流量，P-101B入口过滤器差压，P-101A入口过滤器差压，ME-115、ME-112、ME-109、ME-108、ME-105过滤器压差，ME-104、ME-103出入口压差，ME-101、ME-103反吹气总管压力，K-103出口去K-101出口管流量，K-103B、K-103A、K-102B、K-102A进、排气压力、温度，K-101B、K-101A左、右排气温度、压力，K-101B、K-101A进气温度、压力，HV2533手操器，F-101长明灯线压力、循环氢出口管温度、辐射室底部压力、辐射室出口压力、出口总管压力、出口支管#1、出口支管#2、出口支管#3、出口支管#4温度，EH-103入口流量、加热元件温度、湿度，EH-102加热元件/A束温度，EH-102加热元件/B束温度，EH-102出口空气总管温度，EH-101加热元件温度、湿度，E-203重沸器管程出口凝结水流量，E-203壳程出口管温度，E-205壳程出口管温度，E-205管程入口管温度，E-106管程入口管温度，E-106管程出口管温度，E-105管程出口管温度，E-101壳程入口总管温度，过滤器ME-101出口温度、压差，反吹气压力，预热器出口空气温度，对流室出口温度，D-121、D-201含硫污水排量、液位，E-101ABC管程、壳程出口温度，E-101DEF管程、壳程出口温度，E-101壳程入口、出口总管温度，反应器线速、藏量、质量空速、料位，加热炉效率，加氢裂化轻石脑油进装置流量、累计流量，汽油产品去气分流量，累计流量，8.0MPa氢气至循环氢压缩机入口流量、累计流量，8.0MPa氢气至反吹氢压缩机出口流量、累计流量；
原材料数据包括：原料硫含量，原料辛烷值，饱和烃，烯烃，芳烃，溴值，以及密度；
催化剂数据包括：待生吸附剂焦炭，待生吸附剂硫，再生吸附剂焦炭，以及再生吸附剂硫；
产品数据包括：产品硫含量，产品辛烷值损失；
S1.2、调整操作点位数据、原材料数据、催化剂数据样本与产品数据样本采集频次之间的差异；其方法为：产品数据对应的操作点位数据取前两小时测量值均值，同时对应该特定时刻测得的原材料数据和催化剂数据，构建初始数据样本集；
所述步骤S2包含以下步骤：
S2.1、采用设备可调整范围的最大最小限值，框定操作点位数据，剔除由于测量误差导致不在此范围的异常值；
S2.2、采用拉依达准则剔除含有较大误差值的坏值；
步骤S2.2包含以下步骤：
S2.2-1、算出每一类数据测量值的算术平均值及剩余误差；
S2.2-2、按贝塞尔公式
Figure BDA0002908333710000121
算出标准误差σ；
S2.2-3、若某个测量值xu的剩余误差vu满足|vu|＝|xu-x|＞3σ，则认为xu是含有较大误差值的坏值，予以剔除；
S2.3、对样本数据中存在的空值进行处理；
步骤S2.3包含以下步骤：
S2.3-1、对每列空值进行计数；
S2.3-2、求出其每列空值个数的平均值，将其定义为残缺数据判断的临界点；
S2.3-3、若某一被测变量中存在的空值个数超过此临界值，则认为此列数据中的残缺数据过多，剔除这一被测变量；
所述步骤S3包含以下步骤：
S3.1、采用局部线性嵌入方法对自变量进行降维，得到权重系数矩阵，自变量包括操作点位变量、原材料变量、催化剂变量；
所述步骤S3.1包含以下步骤：
S3.1-1、局部线性范围运用k-近邻原则求解。由于局部线性，则对每个数据点xi可以用其k近邻数据点的线性组合来表示，用k近邻算法得到每个数据点xi的k近邻数据点，即:
Figure BDA0002908333710000131
Ni＝knn(xi,k),Ni＝[x1i,…,xki]其中wi为k×1的列向量，wji是wi的第j行，xji是xi的第j个近邻点(1 j k)，即wi＝[w1i,w2i,…,wki]T,xi＝[x1i,x2i,…,xDi]T，其中D为xi的维度；
S3.1-2、求解权重系数矩阵，即求解如下有约束优化问题：
Figure BDA0002908333710000132
Figure BDA0002908333710000133
由此可推导出权重系数矩阵的表达式：
Figure BDA0002908333710000134
S3.1-3、将Si看做局部协方差矩阵，Si＝(Xi-Ni)T(Xi-Ni)，即为：
Figure BDA0002908333710000141
S3.1-4、再由拉格朗日乘子法得：
L(wi)＝wi TSiwi+l(wi T1k-1)
式中，1k为k×1的元素全为1的列向量；
S3.1-5、对上式求导可得：
Figure BDA0002908333710000142
wi＝(Si -11k)/(1k TSi -11k)
S3.1-6、低维表示应具有同样的局部几何性质，所以利用同样的线性表示表达式，最终形成二次型。故将其映射到低维空间，即求解以下有约束优化问题：
Figure BDA0002908333710000143
输出结果，即低维空间向量组成的d×N阶矩阵Y＝[y1,y2,…,yN]，用一个稀疏矩阵W来表示w，即：
Figure BDA0002908333710000144
Figure BDA0002908333710000145
式中，Wi是方阵W(N×N)的第i列，Ii是单位矩阵I(N×N)的第i列，yi是对应矩阵Y的第i列，可得：
Figure BDA0002908333710000146
S3.1-7、令M＝(I-W)(I-W)T，再次使用拉格朗日乘子法：
L(Y)＝YMYT+l(YYT-NI)
S3.1-8、对上式求导可得：
Figure BDA0002908333710000151
2MYT＝l′YT
S3.1-9、可见Y其实是M的特征向量构成的矩阵，为了将数据降到D维，只需取M的最小d个非零特征值对应的特征向量，而一般第一个最小的特征值接近0，我们将其舍弃，最终按从小到大，取前[2,d+1]个特征值对应的特征向量，从而得到权重矩阵；
S3.2、根据自变量总数，提取权重系数矩阵中权重最高的10％个自变量作为保留后的自变量；
所述步骤S4包含以下步骤：
S4.1、计算提取得到的自变量之间的相关系数；
S4.2、在相关系数绝对值大于0.8的情况下，认为自变量之间相关系数过高，剔除其中与其他自变量相关系数均较高的自变量，从而得到具有代表性且相互独立的主要自变量；
S4.3、将原油辛烷值含量作为较为重要的影响因素加入其中，同样作为主要自变量；
所述步骤S5包含以下步骤：
S5.1、确定神经网络的输入层为S4中的主要自变量，输出层为预测辛烷值损失值以及预测产品硫含量，隐含层节点数的公式为
Figure BDA0002908333710000152
确定样本集中85％的样本为训练集，15％的样本为测试集；
S5.2、运用基于遗传算法优化的BP神经网络模型进行训练拟合，得到预测模型、返回的预测值与产品数据之间的误差与误差百分比以及拟合优度；
所述步骤S5.2包含以下步骤：
S5.2-1、对遗传算法中的个体进行初始化实数编码，每一个体由输入层与隐含层连接权值Wa、隐含层阈值θa、隐含层与输出层连接权值Wb以及输出层阈值θb共四部分组成，构成一个确定的神经网络；
S5.2-2、计算适应度，对于每一个体使用训练集数据运行神经网络后得到预测系统输出，将个体适应度Fi定义为预测输出与实际输出之间的误差Ei，公式如下：
Figure BDA0002908333710000161
式中，n为输出节点数；pi为第i个节点的预测输出，zi为第i个节点的实际输出；k为系数，为0.5；
S5.2-3、选择轮盘赌算法进行选择操作；
首先计算个体被选择概率，公式如下：
Figure BDA0002908333710000162
式中，fi＝k/Fi为适应度倒数，与适应性正相关；k为系数，为1；N为个体总数；将[0,1]区间划分为N个区间，区间长度与个体被选择概率相同，通过生成随机数判断随机数所在区间，从而选择对应个体构成新种群；
S5.2-4、采用实数交叉法进行交叉操作；
对群体中的个体以设定的交叉概率判断是否实行交叉操作，第m个个体与第n个个体在j交叉位置的交叉操作公式如下：
amj＝amj(1-b)+anjb
anj＝anj(1-b)+amjb
式中，b为[0,1]之间的随机数；
S5.2-5、采用实值法变异进行变异操作；
对群体中的个体以设定的变异概率判断是否实行变异操作，随后选取第i个个体的j变异位置进行变异操作，公式如下：
Figure BDA0002908333710000163
式中，amax为aij的上界，amin为aij的下界，r为[0,1]之间的随机数，f(g)为变异公式f(g)＝r2(1-g/Gmax)2，r2为[0,1]之间的随机数，g为当前迭代次数，Gmax为最大迭代次数；
S5.2-6、当达到以下终止条件之一时，停止迭代，算法终止，得到最优权值阈值；
1)最优个体适应度及种群适应度停止上升；
2)达到设定最大迭代次数Gmax；
S5.2-7、将通过遗传算法得到的最优初始权值Wa，Wb，阈值θa，θb赋予神经网络进行预测；
(1)前向传播
输入层为x1,x2,…,xn，输入层与隐含层连接权值矩阵为Wa，选择线性加权求和方法，得隐含层第i个神经元净输入为
Figure BDA0002908333710000171
将净输入Netini与
Figure BDA0002908333710000172
比较后通过激活函数处理得到神经元输出；选取Sigmod函数f(x)＝1/[1+exp(-x)]作为激活函数实现信号变换；
故第i个隐含层神经元输出为：
Figure BDA0002908333710000173
其次，隐含层与输出层连接权值矩阵为Wb，同样选择线性加权求和方法得第i个输出层神经元净输入为
Figure BDA0002908333710000174
将OutNetini与
Figure BDA0002908333710000175
比较后同样通过激活函数Sigmod反函数处理得到第i个输出层神经元输出为：
Figure BDA0002908333710000176
实际值为z1,z2,…,zm，当次预测结果最小二乘误差为：
Figure BDA0002908333710000177
(2)反向传播
使用梯度下降法更新参数减小Ek，参数调整公式如下：
Figure BDA0002908333710000178
式中，η为学习速率，P为待调整参数；
通过对前述参数的调整后，再次不断循环迭代及调整，神经网络达到最优化；
S5.2-8、当达到以下终止条件之一时，停止迭代，算法终止，得到最优神经网络；
1)达到设定最小误差阈值Emin；
2)达到设定最大迭代次数Gmax；
S5.3、根据返回的预测值与产品数据之间的误差与误差百分比、拟合优度等数据，调整遗传算法参数：设定最大迭代次数Gmax，种群规模M，交叉概率Pc，变异概率Pm；神经网络参数：学习速率η，设定最小误差阈值Emin，设定最大迭代次数Gmax；
S5.4、当返回的预测值与产品数据之间的误差<0.1、拟合优度>80％，保存训练完成的基于遗传算法优化的神经网络模型，即得到最优辛烷值损耗的预测模型；
所述步骤S6包含以下步骤：
S6.1、在保持原油辛烷值含量以及除主要自变量以外的其他自变量不变的情况下，根据设备可调整范围以及最小操作幅度，在设备可调整范围内生成主要自变量的随机操作条件来模拟调整过程，得到随机生成样本；
S6.2、使用最优辛烷值损耗预测模型仿真随机生成样本的辛烷值损失值以及精制后汽油的硫含量；
S6.3、根据硫含量<10ppm对精制后汽油硫含量进行筛选，得到符合的样本；此处根据《国六车用汽油标准技术要求》(GB17930-2016)中硫含量的标准进行筛选；
S6.4、将以上筛选后的样本对应的操作条件，以相对于原操作条件下的辛烷值损耗降幅作为权重系数加权平均后，得到主要操作变量的最优操作条件。
采用数据分析降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法，有利于具体分析S-zorb装置辛烷值损耗的影响因素，获得最优的主要操作变量条件，降低装置的辛烷值损耗。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。

Claims (1)

1.降低S-zorb装置催化裂化汽油过程中辛烷值损耗的方法，其特征在于，包括以下步骤：
S1、等精度测量、收集并调整设备数据之间差异，构建初始数据样本集；
S2、采用数据处理方法对S1中的数据进行整理，得到处理后的数据样本集；
S3、采用局部线性嵌入方法对数据样本集中的自变量数据降维，提取主要自变量；
S4、对保留后的自变量进行相关性检验，去除相关系数较高的自变量；
S5、使用因变量与降维后的自变量，构建基于遗传算法优化的BP神经网络模型，调整参数后得到最优辛烷值损耗预测模型；
S6、使用最优辛烷值损耗预测模型得到主要自变量的最优操作条件；
所述步骤S1包含以下步骤：
S1.1、等精度测量、收集并输入设备的操作点位数据a11,a12,…,a1m,a21,a22,…,a2m,…,aj1,aj2,…,ajm、原材料数据b11,b12,…,b1n,b21,b22,…,b2n,…,bk1,bk2,…,bkn、催化剂数据c11,c12,…,c1n,c21,c22,…,c2n,…,cl1,cl2,…,cln、产品辛烷值损耗数据x1,x2,…,xn与产品硫含量数据y1,y2,…,yn，m为操作点位数据样本数且为正整数，n为产品数据、原材料数据、催化剂数据样本数且为正整数，j,k,l分别为操作点位变量数、原材料变量数、催化剂变量数且均为正整数；
操作点位数据包括：氢油比，反应过滤器压差，还原器压力，还原器流化氢气流量，反应器温度、压力、压差，D-105温度、压力、流化氢气流量，反吹氢气压力，稳定塔顶压力、塔顶进口温度、塔顶出口温度、液位、温度，塔顶回流罐D-201液位，干气出装置温度，精制汽油出装置温度、出装置流量，蒸汽进装置压力、流量、去进料缓冲罐流量，新氢、轻烃、干气进装置流量，污油出装置流量，燃料气进装置温度、压力、流量，氮气进装置流量、压力，1.0MPa蒸汽进装置温度，循环水进出装置流量，0.3MPa凝结水出装置流量，除氧水进装置流量，非净化风进装置流量、压力，D-107转剂线压差、提升氮气流量，催化汽油进装置总流量；
原材料数据包括：原料硫含量，原料辛烷值，饱和烃，烯烃，芳烃，溴值，以及密度；
催化剂数据包括：待生吸附剂焦炭，待生吸附剂硫，再生吸附剂焦炭，以及再生吸附剂硫；
产品数据包括：产品硫含量，产品辛烷值损失；
S1.2、调整操作点位数据、原材料数据、催化剂数据样本与产品数据样本采集频次之间的差异；其方法为：产品数据对应的操作点位数据取前两小时测量值均值，同时对应该特定时刻测得的原材料数据和催化剂数据，构建初始数据样本集；
所述步骤S2包含以下步骤：
S2.1、采用设备可调整范围的最大最小限值，框定操作点位数据，剔除由于测量误差导致不在此范围的异常值；
S2.2、采用拉依达准则剔除含有较大误差值的坏值；
步骤S2.2包含以下步骤：
S2.2-1、算出每一类数据测量值的算术平均值及剩余误差；
S2.2-2、按贝塞尔公式
Figure FDA0002908333700000021
算出标准误差σ；
S2.2-3、若某个测量值xu的剩余误差vu满足|vu|＝|xu-x|＞3σ，则认为xu是含有较大误差值的坏值，予以剔除；
S2.3、对样本数据中存在的空值进行处理；
步骤S2.3包含以下步骤：
S2.3-1、对每列空值进行计数；
S2.3-2、求出其每列空值个数的平均值，将其定义为残缺数据判断的临界点；
S2.3-3、若某一被测变量中存在的空值个数超过此临界值，则认为此列数据中的残缺数据过多，剔除这一被测变量；
所述步骤S3包含以下步骤：
S3.1、采用局部线性嵌入方法对自变量进行降维，得到权重系数矩阵，自变量包括操作点位变量、原材料变量、催化剂变量；
S3.2、根据自变量总数，提取权重系数矩阵中权重最高的10％个自变量作为保留后的自变量；
所述步骤S4包含以下步骤：
S4.1、计算提取得到的自变量之间的相关系数；
S4.2、在相关系数绝对值大于0.8的情况下，认为自变量之间相关系数过高，剔除其中与其他自变量相关系数均较高的自变量，从而得到具有代表性且相互独立的主要自变量；
S4.3、将原油辛烷值含量作为较为重要的影响因素加入其中，同样作为主要自变量；
所述步骤S5包含以下步骤：
S5.1、确定神经网络的输入层为S4中的主要自变量，输出层为预测辛烷值损失值以及预测产品硫含量，隐含层节点数的公式为
Figure FDA0002908333700000031
确定样本集中85％的样本为训练集，15％的样本为测试集；
S5.2、运用基于遗传算法优化的BP神经网络模型进行训练拟合，得到预测模型、返回的预测值与产品数据之间的误差与误差百分比以及拟合优度；
所述步骤S5.2包含以下步骤：
S5.2-1、对遗传算法中的个体进行初始化实数编码，每一个体由输入层与隐含层连接权值Wa、隐含层阈值θa、隐含层与输出层连接权值Wb以及输出层阈值θb共四部分组成，构成一个确定的神经网络；
S5.2-2、计算适应度，对于每一个体使用训练集数据运行神经网络后得到预测系统输出，将个体适应度Fi定义为预测输出与实际输出之间的误差Ei，公式如下：
Figure FDA0002908333700000032
式中，n为输出节点数；pi为第i个节点的预测输出，zi为第i个节点的实际输出；k为系数，为0.5；
S5.2-3、选择轮盘赌算法进行选择操作；
首先计算个体被选择概率，公式如下：
Figure FDA0002908333700000033
式中，fi＝k/Fi为适应度倒数，与适应性正相关；k为系数，为1；N为个体总数；将[0,1]区间划分为N个区间，区间长度与个体被选择概率相同，通过生成随机数判断随机数所在区间，从而选择对应个体构成新种群；
S5.2-4、采用实数交叉法进行交叉操作；
对群体中的个体以设定的交叉概率判断是否实行交叉操作，第m个个体与第n个个体在j交叉位置的交叉操作公式如下：
amj＝amj(1-b)+anjb
anj＝anj(1-b)+amjb
式中，b为[0,1]之间的随机数；
S5.2-5、采用实值法变异进行变异操作；
对群体中的个体以设定的变异概率判断是否实行变异操作，随后选取第i个个体的j变异位置进行变异操作，公式如下：
Figure FDA0002908333700000041
式中，amax为aij的上界，amin为aij的下界，r为[0,1]之间的随机数，f(g)为变异公式f(g)＝r2(1-g/Gmax)2，r2为[0,1]之间的随机数，g为当前迭代次数，Gmax为最大迭代次数；
S5.2-6、当达到以下终止条件之一时，停止迭代，算法终止，得到最优权值阈值；
1)最优个体适应度及种群适应度停止上升；
2)达到设定最大迭代次数Gmax；
S5.2-7、将通过遗传算法得到的最优初始权值Wa，Wb，阈值θa，θb赋予神经网络进行预测；
(1)前向传播
输入层为x1,x2,…,xn，输入层与隐含层连接权值矩阵为Wa，选择线性加权求和方法，得隐含层第i个神经元净输入为
Figure FDA0002908333700000042
将净输入Netini与
Figure FDA0002908333700000043
比较后通过激活函数处理得到神经元输出；选取Sigmod函数f(x)＝1/[1+exp(-x)]作为激活函数实现信号变换；
故第i个隐含层神经元输出为：
Figure FDA0002908333700000044
其次，隐含层与输出层连接权值矩阵为Wb，同样选择线性加权求和方法得第i个输出层神经元净输入为
Figure FDA0002908333700000045
将OutNetini与
Figure FDA0002908333700000046
比较后同样通过激活函数Sigmod反函数处理得到第i个输出层神经元输出为：
Figure FDA0002908333700000047
实际值为z1,z2,…,zm，当次预测结果最小二乘误差为：
Figure FDA0002908333700000048
(2)反向传播
使用梯度下降法更新参数减小Ek，参数调整公式如下：
Figure FDA0002908333700000049
式中，η为学习速率，P为待调整参数；
通过对前述参数的调整后，再次不断循环迭代及调整，神经网络达到最优化；
S5.2-8、当达到以下终止条件之一时，停止迭代，算法终止，得到最优神经网络；
1)达到设定最小误差阈值Emin；
2)达到设定最大迭代次数Gmax；
S5.3、根据返回的预测值与产品数据之间的误差与误差百分比、拟合优度等数据，调整遗传算法参数：设定最大迭代次数Gmax，种群规模M，交叉概率Pc，变异概率Pm；神经网络参数：学习速率η，设定最小误差阈值Emin，设定最大迭代次数Gmax；
S5.4、当返回的预测值与产品数据之间的误差<0.1、拟合优度>80％，保存训练完成的基于遗传算法优化的神经网络模型，即得到最优辛烷值损耗的预测模型；
所述步骤S6包含以下步骤：
S6.1、在保持原油辛烷值含量以及除主要自变量以外的其他自变量不变的情况下，根据设备可调整范围以及最小操作幅度，在设备可调整范围内生成主要自变量的随机操作条件来模拟调整过程，得到随机生成样本；
S6.2、使用最优辛烷值损耗预测模型仿真随机生成样本的辛烷值损失值以及精制后汽油的硫含量；
S6.3、根据硫含量<10ppm对精制后汽油硫含量进行筛选，得到符合的样本；
S6.4、将以上筛选后的样本对应的操作条件，以相对于原操作条件下的辛烷值损耗降幅作为权重系数加权平均后，得到主要操作变量的最优操作条件。
CN202110078304.XA 2021-01-21 2021-01-21 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法 Withdrawn CN112908424A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110078304.XA CN112908424A (zh) 2021-01-21 2021-01-21 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法
US17/489,418 US11820947B2 (en) 2021-01-21 2021-09-29 Method of reducing octane loss in catalytic cracking of gasoline in S-zorb plant

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110078304.XA CN112908424A (zh) 2021-01-21 2021-01-21 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法

Publications (1)

Publication Number Publication Date
CN112908424A true CN112908424A (zh) 2021-06-04

Family

ID=76117341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110078304.XA Withdrawn CN112908424A (zh) 2021-01-21 2021-01-21 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法

Country Status (2)

Country Link
US (1) US11820947B2 (zh)
CN (1) CN112908424A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705020A (zh) * 2021-09-14 2021-11-26 西南石油大学 一种催化裂化汽油过程中的辛烷值损失的计算方法
CN113705021A (zh) * 2021-09-15 2021-11-26 西南石油大学 一种汽油辛烷值的预测方法
CN116721727A (zh) * 2023-08-10 2023-09-08 西北工业大学太仓长三角研究院 材料氢含量测定条件下的充氢量约束方法、装置及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935985B (zh) * 2023-07-17 2024-03-15 中国地质调查局油气资源调查中心 一种煤气化过程中实验参数变化的敏感性分析方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI804511B (zh) * 2017-09-26 2023-06-11 大陸商中國石油化工科技開發有限公司 一種增產低烯烴和高辛烷值汽油的催化裂解方法
CN109082297B (zh) * 2018-09-11 2019-10-01 福州大学 一种催化裂化汽油改质方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705020A (zh) * 2021-09-14 2021-11-26 西南石油大学 一种催化裂化汽油过程中的辛烷值损失的计算方法
CN113705021A (zh) * 2021-09-15 2021-11-26 西南石油大学 一种汽油辛烷值的预测方法
CN116721727A (zh) * 2023-08-10 2023-09-08 西北工业大学太仓长三角研究院 材料氢含量测定条件下的充氢量约束方法、装置及设备
CN116721727B (zh) * 2023-08-10 2023-10-03 西北工业大学太仓长三角研究院 材料氢含量测定条件下的充氢量约束方法、装置及设备

Also Published As

Publication number Publication date
US11820947B2 (en) 2023-11-21
US20220235279A1 (en) 2022-07-28

Similar Documents

Publication Publication Date Title
CN112908424A (zh) 降低S-zorb装置催化裂化汽油过程中辛烷值损耗方法
CN108108572A (zh) 一种用于蜡油加氢裂化过程建模和优化方法
Jarullah et al. Optimal design and operation of an industrial fluidized catalytic cracking reactor
CN104789256B (zh) 一种催化裂化装置的收率实时预测方法
CN112489733B (zh) 基于粒子群算法和神经网络的辛烷值损失预测方法
US11578274B2 (en) Multi-stage fluidized catalytic reaction process of petroleum hydrocarbons and an apparatus thereof
CN112686296B (zh) 一种基于粒子群优化随机森林参数的辛烷损失值预测方法
JP2014515055A (ja) 固体バイオマス材料を転化させる方法
CN104765347B (zh) 一种渣油延迟焦化过程中收率实时预测方法
US9222031B2 (en) Suspension of solid biomass particles in a hydrocarbon-containing liquid
US9115314B2 (en) Process for converting a solid biomass material
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
US20120291340A1 (en) Conversion of a solid biomass material
CN115938502A (zh) 一种基于分子级反应机理的化工产物特性预测方法及系统
Zahedi Abghari et al. Determination of suitable operating conditions of fluid catalytic cracking process by application of artificial neural network and firefly algorithm
Nnabalu et al. The role of fluid catalytic cracking in process optimisation for petroleum refineries
Guo et al. Optimization Modeling and Empirical Research on Gasoline Octane Loss Based on Data Analysis
Moghadassi et al. Prediction of research octane number in catalytic naphtha reforming unit of Shazand Oil Refinery
Donaldson et al. Metals poisoning of cracking catalysts
CN114653312B (zh) 一种气固流化反应催化剂耦合利用的催化剂分配方法及分配装置
Sun et al. Application of an improved partial least squares algorithm for predicting octane losses in gasoline refining process
US2546634A (en) Method and apparatus for contacting gases with particle form solid material
CN103849423B (zh) 改进的催化裂化工艺装置及催化裂化工艺方法
CN117625240A (zh) 一种催化裂化流化床催化剂管理方法
Zahedi Abghari Sensitivity Analysis and Development of a Set of Rules to Operate FCC Process by Application of a Hybrid Model of ANFIS and Firefly Algorithm

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210604

WW01 Invention patent application withdrawn after publication