CN114911279B - 存储器、蒸馏装置塔顶pH值调控方法、装置及设备 - Google Patents
存储器、蒸馏装置塔顶pH值调控方法、装置及设备 Download PDFInfo
- Publication number
- CN114911279B CN114911279B CN202110172494.1A CN202110172494A CN114911279B CN 114911279 B CN114911279 B CN 114911279B CN 202110172494 A CN202110172494 A CN 202110172494A CN 114911279 B CN114911279 B CN 114911279B
- Authority
- CN
- China
- Prior art keywords
- value
- tower top
- reflux tank
- regulating
- top reflux
- 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
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004821 distillation Methods 0.000 title claims abstract description 43
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 37
- 230000001276 controlling effect Effects 0.000 title claims abstract description 34
- 238000010992 reflux Methods 0.000 claims abstract description 115
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 74
- 238000002347 injection Methods 0.000 claims abstract description 63
- 239000007924 injection Substances 0.000 claims abstract description 63
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 239000010779 crude oil Substances 0.000 claims abstract description 14
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 claims abstract description 13
- 229910052717 sulfur Inorganic materials 0.000 claims abstract description 13
- 239000011593 sulfur Substances 0.000 claims abstract description 13
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000010865 sewage Substances 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 47
- 238000004364 calculation method Methods 0.000 claims description 23
- 239000002245 particle Substances 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000033228 biological regulation Effects 0.000 claims description 15
- 150000002500 ions Chemical class 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- VEXZGXHMUGYJMC-UHFFFAOYSA-M Chloride anion Chemical compound [Cl-] VEXZGXHMUGYJMC-UHFFFAOYSA-M 0.000 claims description 7
- 239000002253 acid Substances 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 6
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000001419 dependent effect Effects 0.000 claims description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- -1 iron ion Chemical class 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000010926 purge Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000005260 corrosion Methods 0.000 description 28
- 230000007797 corrosion Effects 0.000 description 27
- 239000000243 solution Substances 0.000 description 16
- 239000003795 chemical substances by application Substances 0.000 description 15
- 230000003472 neutralizing effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 239000012071 phase Substances 0.000 description 11
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 10
- 238000005536 corrosion prevention Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000003112 inhibitor Substances 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 229910021529 ammonia Inorganic materials 0.000 description 5
- 239000007789 gas Substances 0.000 description 5
- 150000001412 amines Chemical class 0.000 description 4
- 238000011049 filling Methods 0.000 description 4
- 238000010979 pH adjustment Methods 0.000 description 4
- 239000008346 aqueous phase Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- VHUUQVKOLVNVRT-UHFFFAOYSA-N Ammonium hydroxide Chemical compound [NH4+].[OH-] VHUUQVKOLVNVRT-UHFFFAOYSA-N 0.000 description 2
- 235000011114 ammonium hydroxide Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 239000000945 filler Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-O Ammonium Chemical compound [NH4+] QGZKDVFQNNGYKY-UHFFFAOYSA-O 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- 150000003863 ammonium salts Chemical class 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012900 molecular simulation Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000001139 pH measurement Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D21/00—Control of chemical or physico-chemical variables, e.g. pH value
- G05D21/02—Control of chemical or physico-chemical variables, e.g. pH value characterised by the use of electric means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明公开了一种蒸馏装置塔顶pH值调控方法及装置，该方法包括如下步骤：通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果；对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值；依据塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对所述塔顶回流罐内的pH值进行实时调控。本发明的装置及方法可通过实时在线监测和模型预测结合的方式实现塔顶回流罐内含硫污水高可靠性的pH值测量，还可对塔顶回流罐之前的pH值进行控制。
Description
技术领域
本发明涉及石油化工防腐技术领域，特别涉及一种蒸馏装置塔顶pH值的自动调控方法及装置。
背景技术
中国炼油企业正在全面迈向“五年一修”的长周期运行目标，原油劣质化、操作优化调整频繁、操作管理经验流失等问题的存在，使炼油装置腐蚀日益成为影响装置安全长周期运行的关键因素，特别是蒸馏装置塔顶低温腐蚀现已成为影响装置安全长周期运行的一个突出、共性问题。对于塔顶系统低温腐蚀的控制，单纯依靠材质升级往往事倍功半，而良好的工艺防腐是解决问题的关键，但实际控制过程中，目前的工艺防腐自动化、智能化水平仍处于较低水平，存在操作主要依赖人工，分析化验频率低、时效性差，不能及时反映腐蚀情况，更难以满足实时控制的要求。现有技术中缺乏可靠的在线监测手段，注剂操作和管理粗放，注水注剂调节不及时、计量不准，工艺防腐数据缺乏统一管理和深度挖掘，腐蚀风险和效果不明确，防腐靠经验，缺乏科学指导等问题。
pH值控制作为塔顶工艺防腐的一项重要措施同样存在以上问题，除人工操作控制外，现有技术中也公开了一些自动控制系统，但由于测量介质(含硫污水)的特殊性，在线测量设备极易损坏，均存在可靠性问题，且控制精度低，缺乏理论模型支撑，从而没有得到推广应用。
中国专利CN202067165U公开了一种常减压装置塔顶腐蚀自动控制系统，为撬装式设备，根据pH值调节注氨量，将pH值保持在规定范围内(例如6.5～7.5)，运用注氨控制器+注氨泵冲程控制器进行控制；采用腐蚀电极测量腐蚀速率，根据腐蚀速率调节注缓蚀剂量，将挥发线腐蚀速率保持在规定范围内(例如≤0.3mm/a)，如果加大缓蚀剂注量后腐蚀速率仍不能小于等于设定的腐蚀速率，同时pH值又在规定范围内，则提示更换缓蚀剂，运用缓蚀剂控制器+缓蚀剂泵冲程控制器进行缓蚀剂的控制。整套系统的可靠性不高，没有考虑在线检测仪损坏的情况，注入量控制缺乏数学模型支撑，加注精度有待提高。
美国专利US2010108566A1公开了一种减少原油单元中腐蚀和腐蚀副产物沉积的方法，该方案使用了基于pH、氯离子或酸浓度的中和剂、注碱和基于铁离子和腐蚀速率的成膜缓烛剂。系统可靠性不高，没有考虑在线检测仪损坏的情况，且不能实现注水自动控制，注入量控制缺乏数学模型支撑，加注精度有待提高。
另外，以上现有技术仅考虑了塔顶罐排水的pH值达到控制指标，没有考虑塔顶罐之前的pH值控制。实际情况下，塔顶罐的pH值并不能代表整个塔顶系统的pH分布，特别是露点附近的pH值，水露点附近的pH值大大低于塔顶罐中的pH值。不利于整个塔顶系统的精准控制。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
本发明的目的在于提供蒸馏装置塔顶pH值的自动调控方法及装置，可通过实时在线监测和模型预测结合的方式实现塔顶回流罐内含硫污水高可靠性的pH值测量。
本发明的另一目的在于提供蒸馏装置塔顶pH值的自动调控方法及装置，可通过模型预测塔顶到塔顶回流罐之间水相的pH值分布，对塔顶回流罐之前的pH值进行控制。
为实现上述目的，根据本发明的第一方面，本发明提供了一种蒸馏装置塔顶pH值调控方法，包括如下步骤：通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果；对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值；依据塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对塔顶回流罐内的pH值进行实时调控。
进一步，上述技术方案中，该方法还可包括如下步骤：通过塔顶到塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡，确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布；依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对塔顶到塔顶回流罐之间的pH值进行实时调控。
进一步，上述技术方案中，塔顶回流罐内以及塔顶到塔顶回流罐之间的pH值实时调控可采用粒子群优化算法调整中和剂的加药量。
进一步，上述技术方案中，在线自动清洗pH计可采用水喷淋或气体吹扫的方式进行自动清洗。
进一步，上述技术方案中，工艺参数包括温度和/或压力；加药数据包括中和剂的类型、浓度、注剂量和/或注水量；水质分析数据包括注水的pH值、含硫污水氯离子含量和/或含硫污水铁离子含量；原油性质数据包括氯离子含量、硫含量和/或酸值。
进一步，上述技术方案中，特征选择的工具采用Relief算法、Lasso算法以及MI算法中的一种或几种。
进一步，上述技术方案中，Relief算法可通过更新每个所述特征的权重进行特征选择，具体为：
其中，A为特征；W(A)为特征权重；R为随机选择的一个样本；Hj为与R同类的第j个最近邻样本；diff(A,R,Hj)为样本R和Hj在A特征上的归一化距离；m为循环计算次数；k为各样本具有的最近邻样本的个数；p(C)为R样本类别的比例；p(class(R))为与R同类的样本占总样本的比例；Mj(C)为与R不同类的第j个最近邻样本。
进一步，上述技术方案中，Lasso算法在损失函数后加入L1正则化，通过惩罚项系数λ控制特征变量的数目，具体为：
其中，为损失函数；/>为L1正则化；xi为自变量；yi为因变量；n为样本个数；p为参数个数；h(x)为预测模型的关于输入样本x的预测值；θj为各特征参数的惩罚项。
进一步，上述技术方案中，pH软测量预测模型可采用ELM、BP、DNN或MLR神经网络模型。
进一步，上述技术方案中，pH软测量预测模型通过评价指标对经过Lasso算法结合所述Relief算法进行特征选择前后的预测结果进行评估，选取ELM、BP、DNN以及MLR神经网络模型中的最优模型对塔顶回流罐内的pH值进行预测。
进一步，上述技术方案中，评价指标可具体为反映预测模型精度的平均绝对误差MAE以及反映预测模型可信程度的平均百分比相对误差MAPE；
其中，N为主要输入参数的测试数据集样本的总个数，Yi表示第i时刻主要输入参数的测量值，表示第i时刻主要输入参数的模型预测值。
进一步，上述技术方案中，塔顶到塔顶回流罐之间的pH值模拟计算可采用BakerHughes离子模型或基于Pro II工艺仿真软件实现；将建模部位划分为三个区域分别进行计算，所述三个区域具体包括：
第一区域，为塔顶部塔盘至中和剂注入点区域；
第二区域，为所述中和剂注入点至注水点区域；
第三区域，为所述注水点至所述塔顶回流罐区域。
为实现上述目的，根据本发明的第二方面，本发明提供了一种蒸馏装置塔顶pH值调控装置，包括：硬测量值获取模块，用于通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；特征选择模块，用于通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；软测量预测模块，用于通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果；数据处理模块，用于对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值；第一调控模块，用于依据塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对塔顶回流罐内的pH值进行实时调控。
进一步，上述技术方案中，该装置还可包括：模拟计算模块，用于通过塔顶到塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡，确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布；第二调控模块，用于依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对塔顶到塔顶回流罐之间的pH值进行实时调控。
为实现上述目的，根据本发明的第三方面，本发明提供了一种存储器，包括指令集，所述指令集适于处理器执行前述任一所述蒸馏装置塔顶pH值调控方法中的步骤。
为实现上述目的，根据本发明的第四方面，本发明提供了一种蒸馏装置塔顶pH值调控设备，包括总线、输入装置、输出装置、处理器和前述存储器；总线用于连接存储器、输入装置、输出装置和处理器；输入装置和输出装置用于实现与用户的交互；处理器用于执行存储器中的指令集。
与现有技术相比，本发明具有如下有益效果：
1)本发明可用于提高蒸馏塔顶工艺防腐蚀pH值的控制精度和效果；
2)采用硬、软结合测量技术，即实时在线监测与模型算法结合实现塔顶回流罐含硫污水高可靠性的pH值测量，解决了现有技术中测量不可靠的问题；
3)特征选择采用多种算法结合的方式可进一步提高预测精度；
4)pH值预测模型的选择过程中可通过有效的评价指标进行更为精确的评估，以便保证预测模型的精度和可信度；
5)运用离子平衡模型模拟计算出塔顶到塔顶回流罐之间水相的pH值分布，通过控制中和剂的添加种类和添加量，以及注水量将pH值控制在可接受范围，可有效解决塔顶回流罐之前的pH控制；
6)通过本发明的方法既能有效控制塔顶腐蚀又能避免形成铵/胺盐结晶，也避免了因原油性质不断变化，分析频率低、且滞后，人工注剂调节跟不上实际腐蚀环境等原因影响工艺防腐效果。
根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将变得清楚。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明装置塔顶pH值的自动调控方法中塔顶回流罐内的pH值软测量结果获取流程示意图；
图2为本发明实施例1通过Lasso算法进行特征选择的一个具体实例的结果示意图；
图3为本发明实施例1通过Relief算法进行特征选择的一个具体实例的结果示意图；
图4为本发明实施例1中的ELM模型预测结果散点图；
图5为本发明实施例1中的DNN模型预测结果散点图；
图6为本发明实施例1中的MLR模型预测结果散点图；
图7为本发明实施例1中通过Baker Hughes离子模型模拟计算出的塔顶至塔顶回流罐之间的pH值随温度变化的曲线分布示意图；
图8为本发明实施例1中塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值调控过程示意图；
图9为本发明实施例1中应用粒子群PSO算法优化pH值的过程示意图；
图10为本发明实施例2蒸馏装置塔顶pH值调控装置的结构示意图；
图11为本发明实施例4蒸馏装置塔顶pH值调控设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本发明，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件未作详细描述，以便于凸显本发明的主旨。
实施例1
本发明的蒸馏装置塔顶pH值的自动调控方法包括塔顶回流罐内的pH值软硬测量，以及塔顶到塔顶回流罐之间的pH值模拟计算。塔顶回流罐内的pH值软硬测量，一方面通过在线pH计实现pH值的实时在线测量，另一方面根据装置的历史数据进行特征选择，运用基于神经网络的深度学习算法建立pH值预测模型，再根据实时数据对模型进行训练，给出pH值的软测量值；对软硬测量值进行加权处理，最终确定一个pH值。塔顶回流罐内的pH值软测量结果如图1所示。塔顶到回流罐的pH值模拟计算运用电解质模型，通过工艺仿真建模描述可电离物(例如HCl、NH3、RNH2、SOx、CO2等)在水相中的作用，确定pH值随温度的变化曲线。在获取塔顶回流罐内的pH值以及塔顶到塔顶回流罐之间的pH值后，通过注剂罐、注剂泵、注水泵及配套管路等进行pH值的自动调控，采用PLC自动控制，控制逻辑为将塔顶回流罐内的pH值和塔顶到塔顶回流罐之间的pH值作为优化目标，将相关性比较大且可控的中和剂和注水量作为寻优参数，并采用粒子群优化算法调整中和剂的加药量。
本发明的方法实施例1具体包括如下步骤：
步骤S101，通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值。具体地，可在塔顶回流罐水包处引出旁路，安装在线自动清洗pH计，在pH计前可增加过滤设施，根据现场水源或气源情况，pH计可采用水喷淋或气体吹扫的方式进行自动清洗。
步骤S102，通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择。具体地，如图1所示，在本步骤中，首先根据装置近几年历史数据进行pH值相关性分析，历史数据包括但不限于工艺参数(例如温度、压力等)、常顶石脑油馏分及常顶不凝气组成、加药数据(例如中和剂的类型、浓度、注剂量、注水量等)、水质分析数据(例如注水的pH值、含硫污水氯离子含量、铁离子含量)及原油数据(例如氯离子、硫含量、酸值)等。对这些数据先进行机理分析，通过经验剔除不相关的变量，选取相关的变量，减少变量的维数，提高后续特征选择的精度，例如经过机理分析，与pH相关的变量可包括塔顶回流罐温度、压力、至塔和所有侧线汽提塔的总汽提蒸汽、常压炉流速蒸汽、脱盐原油中的水、去塔顶的洗涤水注入速率、原油中的硫含量和酸值、注水量、注中和剂的种类和含量等。但由于反应过程的复杂，仅通过机理分析不能满足模型输入的需要，因此通过特征选择的方式选取对pH值预测模型输出变量相关性较大的输入变量，并对其进行重要性排序，可进一步提高模型的软测量精度。
特征选择可同时采用Relief系列算法、Lasso算法、MI算法中的一种或几种选取准确的特征变量。本实施例优选采用Relief系列算法和Lasso算法结合的方式选取特征变量。具体地，Relief算法通过更新每个特征的权重进行特征选择，用以下公式(1)表示：
其中，A为特征；W(A)为特征权重；R为随机选择的一个样本；Hj为与R同类的第j个最近邻样本；diff(A,R,Hj)为样本R和Hj在A特征上的归一化距离；m为循环计算次数；k为各样本具有的最近邻样本的个数；p(C)为R样本类别的比例；p(class(R))为与R同类的样本占总样本的比例；Mj(C)为与R不同类的第j个最近邻样本。
Lasso算法在损失函数后加入L1正则化，通过惩罚项系数λ控制特征变量的数目，用以下公式(2)表示：
其中，为损失函数；/>为L1正则化；xi为自变量；yi为因变量；n为样本个数；p为参数个数；h(x)为预测模型的关于输入样本x的预测值；θj为各特征参数的惩罚项，即绝对值。
下面以一个具体的实例说明采用Lasso算法和Relief算法结合的方式进行特征选择的过程和结果：
首先，将经过机理分析后的输入变量用标签进行标引如下：
表1-pH值预测模型相关变量表
然后，运用Lasso算法进行特征选择，结果如图2所示。图2中的具体结果数据如下表2所示。
表2-Lasso特征变量重要性排序表
| 变量 | 重要性 | 变量 | 重要性 |
| X6 | 0.36 | X10 | 0.0055 |
| X7 | 0.0395 | X5 | 0.0037 |
| X2 | 0.0226 | X4 | 0.0015 |
| X9 | 0.0156 | X3 | 0.0011 |
| X1 | 0.0127 | X8 | 0.0001 |
| X11 | 0.0102 |
考虑到使用Lasso算法获得的特征变量重要性排序容易漏选一些对pH值预测模型输入影响较大的变量，且可能引入一些无关变量，因此加入Relief算法可进一步提高变量特征选取的精度。运用Relief算法进行特征选择，结果如图3所示。图3中的具体结果数据如下表3所示。
表3-Relief特征变量重要性排序表
| 变量 | 重要性 | 变量 | 重要性 |
| X7 | 0.806 | X3 | 0.081 |
| X6 | 0.319 | X9 | 0.033 |
| X5 | 0.313 | X11 | 0.02 |
| X4 | 0.157 | X8 | 0.011 |
| X2 | 0.122 | X10 | 0.005 |
| X1 | 0.116 |
这里需要说明的是：重要性系数绝对值越高，表示因素之间的线性相关性越强，但是由于因素之间还可能存在非线性关系，因此相关性系数并不能代表相关性的绝对大小关系，只能在一定程度上定性的表示因素影响作用的强弱。根据上述两种算法得出的特征选择结果可以看出，对于塔顶回流罐内的pH值影响比较大的特征变量有中和剂的注入量(X6)、中和剂的类型(X7)、塔顶的注水量(X5)、塔顶注水速率(X4)、回流罐的温度和压力(X1)等。
本实施例还可以通过MI算法选择相关性较高的特征变量。MI算法的两个离散随机变量X和Y的互信息可以定义为下式所示：
在公式(3)中，p(x,y)为X和Y的联合概率分布函数；p(x)为X的边缘概率分布函数；p(y)为Y的边缘概率分布函数。
在连续随机变量的情形下，求和被替换成了二重定积分，如下式所示：
在公式(4)中，p(x,y)为X和Y的联合概率密度函数；p(x)为X的边缘概率密度函数；p(y)为Y的边缘概率密度函数。
互信息量I(xi；yj)为在联合概率空间P(XY)中的统计平均值。平均互信息I(X；Y)克服了互信息量I(xi；yj)的随机性，成为一个确定的量。如果对数以2为基底，互信息的单位是bit。
直观上，互信息度量X和Y共享的信息，即度量知道这两个变量其中一个，对另一个不确定度减少的程度。例如，如果X和Y相互独立，则知道X不对Y提供任何信息，反之亦然，所以它们的互信息为零。在另一个极端，如果X是Y的一个确定性函数，且Y也是X的一个确定性函数，那么传递的所有信息被X和Y共享，即知道X决定Y的值，反之亦然。因此，在此情形下互信息与Y(或X)单独包含的不确定度相同，称作Y(或X)的熵。而且，这个互信息与X的熵和Y的熵相同。互信息是X和Y联合分布相对于假定X和Y独立情况下的联合分布之间的内在依赖性。于是互信息以下面方式度量依赖性：I(X；Y)＝0当且仅当X和Y为独立随机变量。从一个方向很容易看出：当X和Y独立时，p(x,y)＝p(x)p(y)。
步骤S103，通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果。具体地，可分别采用ELM、BP、DNN、MLR等多种深层或浅层神经网络建立pH值软测量预测模型，并与实际值进行比较，选择较为准确的预测模型开展后续训练。上述预测模型本身以及后续训练均为现有技术，在此不再详述。
在分别采用不同的预测模型对塔顶回流罐内的pH值进行预测后，需要对不同预测模型的预测结果进行评估，即选取ELM、BP、DNN以及MLR神经网络模型中的最优模型对塔顶回流罐内的pH值进行预测。而且还要对进行了特征选择和未进行特征选择的预测结果进行比较。例如，本实施例pH软测量预测模型通过对经过前述Lasso算法结合Relief算法进行特征选择前后(即进行了特征选择和未进行特征选择)的预测结果进行评估。评价指标具体可采用反映预测模型精度的平均绝对误差MAE以及反映预测模型可信程度的平均百分比相对误差MAPE。
其中，N为主要输入参数的测试数据集样本的总个数，Yi表示第i时刻主要输入参数的测量值，表示第i时刻主要输入参数的模型预测值。以下表4至表6为采用不同预测模型、对进行了特征选择和未进行特征选择的预测精度和预测可信度的比较评估结果：
表4-pH值ELM特征选择结果
表5-pH值DNN特征选择结果
表6-pH值MLR特征选择结果
参考表4至表6，利用MAE和MAPE等评价指标可分析特征选择变量前后对预测模型精度和计算效率的影响。pH值采用lasso结合Relief特征选取前后预测模型建模结果的评价指标对比。从表4中可以得出，经过特征选择后ELM模型的MAE降低了33.3％，MAPE降低了29.8％。从表5中可以得出，经过特征选择后DNN模型的MAE降低了15.6％，MAPE降低了17.8％。提高了建模精度的同时降低了建模所需时间，因此经过特征选择后的预测模型可有效提高模型预测的精度。不同预测模型的预测结果散点图如图4至6所示，运用以上三种模型进行预测，可以看出ELM模型的预测值与理想曲线拟合最优，说明ELM可以更有效地预测塔顶回流罐内的pH值。
步骤S104，对步骤S101获取的硬测量值和步骤S103获取的软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值。
步骤S105，依据步骤S104中获得的塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对塔顶回流罐内的pH值进行实时调控。该实时调控可采用粒子群PSO算法进行模拟计算并自动控制中和剂的加药量和注水量。塔顶回流罐内的pH值调控与后续的塔顶到塔顶回流罐之间的pH值调控方式相同，将在步骤S107中进行说明。
步骤S106，通过塔顶到塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡(即通过工艺仿真建模描述可电离物，例如HCl、NH3、RNH2、SOx、CO2等在水相中的作用)，确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布。
具体地，塔顶到塔顶回流罐之间的pH值模拟计算可采用Baker Hughes离子模型或基于Pro II工艺仿真软件实现。本步骤将建模部位划分为三个区域分别进行计算，三个区域可具体包括：第一区域，为塔顶部塔盘至中和剂注入点区域(中和剂不与洗涤水一同注入)；第二区域，为中和剂注入点至注水点区域(如果不注水，则延至水的自然露点处)；第三区域，为注水点至塔顶回流罐区域。本步骤中的模型所需数据包括但不限于温度、压力、流量等工艺参数，水样化验分析数据，常顶石脑油馏分及常顶不凝气组成等数据，此外还需要多种有机中和胺类、无机铵的基本热力学性质等数据，可通过实验或分子模拟获取。
下面以一个具体的实例说明本步骤中运用Baker Hughes的离子模型对塔顶至塔顶回流罐之间的pH值进行预测，模型的输入参数见下表7：
表7-Baker Hughes的离子模型的输入参数
/>
将以上表7中的输入参数输入Baker Hughes离子模型，通过模拟计算得到的水相pH值分布情况如图7所示，塔顶至塔顶回流罐之间的pH值控制范围一般设置在5.5至7，在图7中的情况下塔顶系统所有有水存在的位置pH值均接近8。取消注水后，露点部位的pH值约为5.5，随后迅速提高到接近8。pH值控制范围高于一般控制范围5.5至7，这是由于系统内氨含量相对于酸含量较高造成的。发生HCl露点腐蚀的风险低，但在pH值7以上操作会增加HS-腐蚀的风险，同时过量的氨增加了结盐的风险，这种情况下应通过降低中和剂的注入量进行pH值调控。
步骤S107，依据步骤S106获得的塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对塔顶到塔顶回流罐之间的pH值进行实时调控。具体地，在确定调控方案后，本实施例可实现自动加注，加注装置包括注剂罐、注剂泵、注水泵及配套管路等。加注点位置可设置在露点部位前，加注控制可采用PLC自动控制，控制逻辑为将塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值作为优化目标，将相关性比较大且可控的中和剂和注水量作为寻优参数，并采用粒子群优化算法调整中和剂的加药量。塔顶酸腐蚀的强度与水相中有效氢原子浓度成正比。腐蚀速率会随着pH值的降低而呈指数增大。为了将腐蚀速率控制在容许的水平，整个塔顶系统内任何位置的水相pH值都需要控制在近中性(无成膜缓蚀剂>5，有成膜缓蚀剂>4)，为防止结盐，最高不超过7。并且保证只要有液态水存在的地方就必须有中和剂来控制pH值。塔顶回流罐水相的pH值加注有机胺时控制在5.5至7.5，加注有机胺+氨水时pH为6.5至8.0，注氨水时7.0至9.0，中和剂优选注有机胺。
本步骤前述将塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值作为优化目标，将相关性比较大且可控的中和剂和注水量作为寻优参数，并采用粒子群优化算法调整中和剂的加药量的调控过程参见图8，通过采集的pH值与预设的pH值上下限进行不断比较，以判断是否增加或者降低中和剂、注水量。增加或降低的量值则采用粒子群优化算法进行寻优迭代计算。
粒子群PSO算法初始化为一群随机的粒子，然后通过多次迭代找到最优解。每一次的迭代过程中，粒子通过本身所找到的最优解(即个体极值)和整个种群目前找到的最优解(即全局极值)来更新自己。也可以使用粒子本身的邻居的极值(即局部极值)来更新自己。
假设在一个N维的目标搜索空间中，有M个粒子组成一个种群，其中第i个粒子表示为一个N维的向量，Pi表示第i个粒子的位置，即：
Pi＝(pi1,pi2,…,piN),i＝1,2…,M
第i个粒子移动速度是一个N维的向量，即：
Vi＝(vi1,vi2,…,viN),i＝1,2,…,M
第i个粒子目前搜索到的最优位置称为个体极值，即：
Ebest＝(pi1,pi2,…,piN),i＝1,2,…,M
整个粒子群搜索到的全局最优位置，即：
Gbest＝(pg1,pg2,…,pgN)
通过个体极值和全局最优值不断更新粒子的速度和位置(即本步骤中的塔顶回流罐内的pH值和塔顶至塔顶回流罐之间的pH值)，通过反复迭代，直到满足终止迭代条件并获得满意的调控后的pH值为止，最后获得最优的中和剂和注水量。应用粒子群PSO算法计算本实施例的pH值的过程参见图9。
实施例2
如图10所示，本实施例的蒸馏装置塔顶pH值调控装置为与实施例1中调控方法对应的装置，即，通过虚拟装置的方式实现实施例1中的方法，构成蒸馏装置塔顶pH值调控装置的各个虚拟模块可以由电子设备执行，例如网络设备、终端设备、或服务器。
本实施例提供的蒸馏装置塔顶pH值调控装置具体包括：硬测量值获取模块201、特征选择模块202、软测量预测模块203、数据处理模块204以及第一调控模块205。其中，硬测量值获取模块201用于通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；特征选择模块202用于通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；软测量预测模块203用于通过pH软测量预测模型的样本训练和测试获取pH值的软测量结果；数据处理模块204用于对硬测量值和软测量结果进行加权处理并获得塔顶回流罐内的确定的pH值；第一调控模块205用于依据塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对塔顶回流罐内的pH值进行实时调控。
进一步地，本实施例的蒸馏装置塔顶pH值调控装置还可包括：模拟计算模块206以及第二调控模块207。其中，模拟计算模块206用于通过塔顶到塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡，确定塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布；第二调控模块207用于依据塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对塔顶到塔顶回流罐之间的pH值进行实时调控。
实施例3
本实施例提供了一种存储器，该存储器可以是非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的蒸馏装置塔顶pH值调控方法的各个步骤，并实现相同的技术效果。
实施例4
本实施例提供了一种蒸馏装置塔顶pH值调控设备，该设备所包括的存储器中，包括有相应的计算机程序产品，计算机程序产品所包括程序指令被计算机执行时，可使计算机执行以上各个方面所述的蒸馏装置塔顶pH值调控方法，并实现相同的技术效果。
图11是本实施例作为电子设备的硬件结构示意图，如图11所示，该设备包括一个或多个处理器610以及存储器620。以一个处理器610为例。该设备还可以包括：输入装置630和输出装置640。
处理器610、存储器620、输入装置630和输出装置640可以通过总线或者其他方式连接，图3中以通过总线连接为例。
存储器620作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器610通过运行存储在存储器620中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器620可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器620可选包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置630可接收输入的数字或字符信息，以及产生信号输入。输出装置640可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器620中，当被所述一个或者多个处理器610执行时，执行：本发明蒸馏装置塔顶pH值调控方法。上述产品可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种蒸馏装置塔顶pH值调控方法，其特征在于，包括如下步骤：
通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；
通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与所述塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；
通过所述pH软测量预测模型的样本训练和测试获取pH值的软测量结果；
对所述硬测量值和软测量结果进行加权处理并获得所述塔顶回流罐内的确定的pH值；
依据所述塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对所述塔顶回流罐内的pH值进行实时调控；
通过塔顶到所述塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡，确定塔顶到所述塔顶回流罐之间的pH值随温度变化的曲线分布；依据所述塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对所述塔顶到塔顶回流罐之间的pH值进行实时调控；所述模拟计算将建模部位划分为三个区域分别进行计算，所述三个区域具体包括：第一区域，为塔顶部塔盘至中和剂注入点区域；第二区域，为所述中和剂注入点至注水点区域；第三区域，为所述注水点至所述塔顶回流罐区域。
2.根据权利要求1所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述塔顶回流罐内以及塔顶到塔顶回流罐之间的pH值实时调控采用粒子群优化算法调整所述中和剂的加药量。
3.根据权利要求1所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述在线自动清洗pH计采用水喷淋或气体吹扫的方式进行自动清洗。
4.根据权利要求1所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述工艺参数包括温度和/或压力；所述加药数据包括中和剂的类型、浓度、注剂量和/或注水量；所述水质分析数据包括注水的pH值、含硫污水氯离子含量和/或含硫污水铁离子含量；所述原油性质数据包括氯离子含量、硫含量和/或酸值。
5.根据权利要求1所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述特征选择的工具采用Relief算法、Lasso算法以及MI算法中的一种或几种。
6.根据权利要求5所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述Relief算法通过更新每个所述特征的权重进行特征选择，具体为：
其中，A为特征；W(A)为特征权重；R为随机选择的一个样本；Hj为与R同类的第j个最近邻样本；diff(A,R,Hj)为样本R和Hj在A特征上的归一化距离；m为循环计算次数；k为各样本具有的最近邻样本的个数；p(C)为R样本类别的比例；p(class(R))为与R同类的样本占总样本的比例；Mj(C)为与R不同类的第j个最近邻样本。
7.根据权利要求5所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述Lasso算法在损失函数后加入L1正则化，通过惩罚项系数λ控制特征变量的数目，具体为：
其中，为损失函数；/>为L1正则化；xi为自变量；yi为因变量；n为样本个数；p为参数个数；hθ(x)为预测模型的关于输入样本x的预测值；θj为各特征参数的惩罚项。
8.根据权利要求5所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述pH软测量预测模型采用ELM、BP、DNN或MLR神经网络模型。
9.根据权利要求8所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述pH软测量预测模型通过评价指标对经过所述Lasso算法结合所述Relief算法进行特征选择前后的预测结果进行评估，选取所述ELM、BP、DNN以及MLR神经网络模型中的最优模型对所述塔顶回流罐内的pH值进行预测。
10.根据权利要求9所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述评价指标具体为反映预测模型精度的平均绝对误差MAE以及反映预测模型可信程度的平均百分比相对误差MAPE；
其中，N为主要输入参数的测试数据集样本的总个数，Yi表示第i时刻主要输入参数的测量值，表示第i时刻主要输入参数的模型预测值。
11.根据权利要求1所述的蒸馏装置塔顶pH值调控方法，其特征在于，所述塔顶到塔顶回流罐之间的pH值模拟计算采用Baker Hughes离子模型或基于Pro II工艺仿真软件实现。
12.一种蒸馏装置塔顶pH值调控装置，其特征在于，包括：
硬测量值获取模块，用于通过在塔顶回流罐水包处的在线自动清洗pH计获取硬测量值；
特征选择模块，用于通过采集工艺参数、加药数据、水质分析数据以及原油性质数据，对与所述塔顶回流罐pH软测量预测模型的输出结果相关的输入变量进行特征选择；
软测量预测模块，用于通过所述pH软测量预测模型的样本训练和测试获取pH值的软测量结果；
数据处理模块，用于对所述硬测量值和软测量结果进行加权处理并获得所述塔顶回流罐内的确定的pH值；
第一调控模块，用于依据所述塔顶回流罐内的确定的pH值，将中和剂和注水量作为寻优参数，对所述塔顶回流罐内的pH值进行实时调控；
模拟计算模块，用于通过塔顶到所述塔顶回流罐之间的pH值模拟计算，在热平衡和物料平衡的基础上计算水相离子平衡，确定塔顶到所述塔顶回流罐之间的pH值随温度变化的曲线分布；
第二调控模块，用于依据所述塔顶到塔顶回流罐之间的pH值随温度变化的曲线分布，将中和剂和注水量作为寻优参数，对所述塔顶到塔顶回流罐之间的pH值进行实时调控。
13.一种存储器，其特征在于，包括指令集，所述指令集适于处理器执行如权利要求1至11中任一所述蒸馏装置塔顶pH值调控方法中的步骤。
14.一种蒸馏装置塔顶pH值调控设备，其特征在于，包括总线、输入装置、输出装置、处理器和如权利要求13中所述的存储器；
所述总线用于连接所述存储器、输入装置、输出装置和处理器；
所述输入装置和输出装置用于实现与用户的交互；
所述处理器用于执行所述存储器中的指令集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172494.1A CN114911279B (zh) | 2021-02-08 | 2021-02-08 | 存储器、蒸馏装置塔顶pH值调控方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110172494.1A CN114911279B (zh) | 2021-02-08 | 2021-02-08 | 存储器、蒸馏装置塔顶pH值调控方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114911279A CN114911279A (zh) | 2022-08-16 |
| CN114911279B true CN114911279B (zh) | 2024-05-28 |
Family
ID=82761781
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110172494.1A Active CN114911279B (zh) | 2021-02-08 | 2021-02-08 | 存储器、蒸馏装置塔顶pH值调控方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114911279B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62204829A (ja) * | 1986-03-04 | 1987-09-09 | Babcock Hitachi Kk | 湿式排ガス脱硫方法 |
| CN1762525A (zh) * | 2005-10-14 | 2006-04-26 | 清华大学 | 精馏塔的一种自动控制和优化方法 |
| CN101695647A (zh) * | 2009-10-29 | 2010-04-21 | 天津大学 | 带酸度控制的间歇酯化反应精馏的装置和方法 |
| CN102203219A (zh) * | 2008-11-03 | 2011-09-28 | 纳尔科公司 | 用来减少原油蒸馏装置中的腐蚀的方法 |
| CN202067165U (zh) * | 2010-12-16 | 2011-12-07 | 中国石油化工股份有限公司 | 常减压装置塔顶腐蚀自动控制系统 |
| CN104862003A (zh) * | 2015-05-26 | 2015-08-26 | 邓万军 | 原油常减压蒸馏装置长周期运行管理系统 |
| CN105700579A (zh) * | 2016-01-26 | 2016-06-22 | 国网山东省电力公司青岛供电公司 | 一种脱硫系统中的脱硫溶液的ph值预测方法及装置 |
| EP3246380A1 (en) * | 2016-05-18 | 2017-11-22 | Bharat Petroleum Corporation Ltd. | Crude unit overhead corrosion control using multi amine blends |
| CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
| CN109813782A (zh) * | 2019-02-01 | 2019-05-28 | 杭州原创软件有限公司 | 一种自诊断ph在线监测系统及方法 |
| CN109988595A (zh) * | 2018-01-02 | 2019-07-09 | 中国石油天然气股份有限公司 | 一种原油蒸馏中分馏塔顶用复合中和剂的筛选方法 |
| CN110569883A (zh) * | 2019-08-16 | 2019-12-13 | 淮阴工学院 | 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 |
| CN110564442A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种蒸馏塔顶工艺防腐自动调控系统 |
-
2021
- 2021-02-08 CN CN202110172494.1A patent/CN114911279B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62204829A (ja) * | 1986-03-04 | 1987-09-09 | Babcock Hitachi Kk | 湿式排ガス脱硫方法 |
| CN1762525A (zh) * | 2005-10-14 | 2006-04-26 | 清华大学 | 精馏塔的一种自动控制和优化方法 |
| CN102203219A (zh) * | 2008-11-03 | 2011-09-28 | 纳尔科公司 | 用来减少原油蒸馏装置中的腐蚀的方法 |
| CN101695647A (zh) * | 2009-10-29 | 2010-04-21 | 天津大学 | 带酸度控制的间歇酯化反应精馏的装置和方法 |
| CN202067165U (zh) * | 2010-12-16 | 2011-12-07 | 中国石油化工股份有限公司 | 常减压装置塔顶腐蚀自动控制系统 |
| CN104862003A (zh) * | 2015-05-26 | 2015-08-26 | 邓万军 | 原油常减压蒸馏装置长周期运行管理系统 |
| CN105700579A (zh) * | 2016-01-26 | 2016-06-22 | 国网山东省电力公司青岛供电公司 | 一种脱硫系统中的脱硫溶液的ph值预测方法及装置 |
| EP3246380A1 (en) * | 2016-05-18 | 2017-11-22 | Bharat Petroleum Corporation Ltd. | Crude unit overhead corrosion control using multi amine blends |
| CN109669017A (zh) * | 2017-10-17 | 2019-04-23 | 中国石油化工股份有限公司 | 基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法 |
| CN109988595A (zh) * | 2018-01-02 | 2019-07-09 | 中国石油天然气股份有限公司 | 一种原油蒸馏中分馏塔顶用复合中和剂的筛选方法 |
| CN110564442A (zh) * | 2018-06-06 | 2019-12-13 | 中国石油化工股份有限公司 | 一种蒸馏塔顶工艺防腐自动调控系统 |
| CN109813782A (zh) * | 2019-02-01 | 2019-05-28 | 杭州原创软件有限公司 | 一种自诊断ph在线监测系统及方法 |
| CN110569883A (zh) * | 2019-08-16 | 2019-12-13 | 淮阴工学院 | 基于Kohonen网络聚类和ReliefF特征选择的空气质量指数预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 常减压装置塔顶低温系统露点腐蚀及铵盐沉积研究;程光旭等;石油化工设备;20140131(第01期);第8-15页 * |
| 常压塔塔顶腐蚀关键参量相关性分析与预测;牛鲁娜等;安全、健康和环境;第20卷(第03期);第21-26页 * |
| 蒸馏塔防腐注剂量建模与优化的研究;张洁露;中国优秀硕士学位论文全文数据库，工程科技Ⅰ辑(第03期);第1-51页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114911279A (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
| CN105205224B (zh) | 基于模糊曲线分析的时间差高斯过程回归软测量建模方法 | |
| Castelli et al. | Prediction of energy performance of residential buildings: A genetic programming approach | |
| Ge et al. | A comparative study of just-in-time-learning based methods for online soft sensor modeling | |
| Salehnia et al. | Forecasting natural gas spot prices with nonlinear modeling using Gamma test analysis | |
| CN107153874A (zh) | 水质预测方法及系统 | |
| Tang et al. | A new active learning strategy for soft sensor modeling based on feature reconstruction and uncertainty evaluation | |
| CN107545101A (zh) | 一种设计目标与设计变量均为区间的优化设计方法 | |
| CN115906626A (zh) | 一种基于人工智能的地下水有机污染互馈反演溯源方法 | |
| CN114944203A (zh) | 基于自动寻优算法与深度学习的废水处理监控方法及系统 | |
| Parfenova et al. | Fuzzy modelling for tasks of management of the agricultural-industrial complex | |
| Abbasi Ganji et al. | Fuzzy process capability indices for simple linear profile | |
| CN117710008B (zh) | 一种适用于喀斯特地区生态产品销售信息管理系统 | |
| CN111142494B (zh) | 一种胺液再生装置的智能控制方法及系统 | |
| Park et al. | A framework for energy optimization of distillation process using machine learning‐based predictive model | |
| CN115618720A (zh) | 一种基于海拔高度的土壤盐渍化预测方法及系统 | |
| Duarte et al. | Combined mechanistic and empirical modelling | |
| CN114911279B (zh) | 存储器、蒸馏装置塔顶pH值调控方法、装置及设备 | |
| US11474508B2 (en) | Projection methods to impose equality constraints on algebraic models | |
| de Canete et al. | Indirect adaptive structure for multivariable neural identification and control of a pilot distillation plant | |
| CN115329823A (zh) | 延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置 | |
| Bonilla-Petriciolet et al. | Assessment of capabilities and limitations of stochastic global optimization methods for modeling mean activity coefficients of ionic liquids | |
| CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
| Rodriguez et al. | Linear hybrid models of distillation towers | |
| Varziri et al. | Parameter and state estimation in nonlinear stochastic continuous‐time dynamic models with unknown disturbance intensity |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240425 Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant after: CHINA PETROLEUM & CHEMICAL Corp. Country or region after: China Applicant after: Sinopec Safety Engineering Research Institute Co.,Ltd. Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen Applicant before: CHINA PETROLEUM & CHEMICAL Corp. Country or region before: China Applicant before: SINOPEC Research Institute OF SAFETY ENGINEERING |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |