JPH0784606A

JPH0784606A - 多段断熱反応器の最適化制御方法及びその装置

Info

Publication number: JPH0784606A
Application number: JP22481393A
Authority: JP
Inventors: Shigeru Matsumoto; 繁松本; Masatoshi Yoshida; 雅俊吉田; Hideto Itagaki; 秀人板垣; Hiroshi Sugiyama; 洋杉山
Original assignee: Idemitsu Kosan Co Ltd
Current assignee: Idemitsu Kosan Co Ltd
Priority date: 1993-09-09
Filing date: 1993-09-09
Publication date: 1995-03-31

Abstract

(57)【要約】【目的】触媒の劣化を短時間で計算し、オンラインで内
部モデルを簡単に修正できる多段断熱反応器の最適化制
御方法及びその装置を提供する。【構成】第１のニューラルネットワーク１０は現時刻に
おける各反応器での触媒活性と入口温度と入口組成とを
教師データを用いて学習することにより現時刻における
出口組成を推定する。第２のニューラルネットワーク２
０は入口温度と入口組成と第１のニューラルネットワー
ク１０で得た出口組成とを教師データを用いて学習する
ことにより現時刻から所定時間が経過した後の出口組成
を推定する。触媒活性推定モデル部３０は前記触媒活性
と入口組成と第１及び第２のニューラルネットワーク１
０，２０の夫々で得た出口組成とに基づき前記所定時間
が経過した後の触媒活性を推定する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、燃料化学工業におい
て、特に石油の転化を行う触媒充填層を有する多段断熱
反応器の最適化制御方法及びその装置に関する。

【０００２】

【従来の技術】燃料化学工業において、特に石油の転化
を行う場合に断熱型の触媒を充填した反応器（以下、断
熱反応器と称する。）が用いられる。この断熱反応器
は、触媒を用いて例えば水素の存在する中で石油を改質
あるいは分解しガソリンやＰＬＧなどを生成する。

【０００３】この場合、前記断熱反応器を運転する際
に、運転期間全体における目的物の収量や利益等の目的
関数を最大にする操作条件を予め設定して好ましい運転
条件を決定する断熱反応器の最適化制御方法が採用され
ている。

【０００４】この種の断熱反応器の最適化制御方法とし
ては、断熱反応器の触媒の劣化を考慮した特開平０３−
８９９３号公報記載の方法がある。この公報技術は、断
熱反応器の入口原料濃度と入口及び出口温度と内部温度
を物理モデルに与えて断熱反応器の触媒活性と反応混合
物の濃度の現在値を算出し、触媒活性の変化に基いて触
媒活性の未来値を予測する。次に、目標値と前記触媒活
性値の未来値を物理モデルに与えて断熱反応器の入口温
度を算出し、この入口温度に応じた制御信号を断熱反応
器に出力し、断熱反応器の制御を行うものである。すな
わち、この公知技術は一段の断熱反応器の近い未来にお
ける触媒活性を推定し、近い未来における反応器の入口
温度などの制御量を求めるものである。

【０００５】これによれば、物理モデルを用いているの
で、モデルの状態量として反応器内部の状態を把握で
き、容易に未来の状態予測を行えるともに、断熱反応器
の制御を自動的に行える。

【０００６】しかし、これは、一定期間における断熱反
応器の最適化制御を行うものでなかった。また、触媒の
劣化を伴う断熱反応器のモデル予測制御の論文として、
「システム制御情報論文誌33 NO12 P413 1989」があ
る。

【０００７】この論文内容は、触媒反応器について、触
媒の劣化進行によらず反応転化率を一定に保つためのオ
ンライン最適化制御方式について考察したものである。
ここでは、劣化モデルを用いて近い将来の劣化因子の推
定と最適反応器温度の決定を行い、プロセスの動特性を
考慮して操作量を決定するモデル予測制御を用いた。

【０００８】これにより、設定温度への追従性が向上
し、従来のオンライン制御方式に比較して、反応器のパ
フォーマンスが大幅に改善できた。しかし、これも前記
公知技術と同様に近い将来における制御量を求めるにす
ぎず、一定期間における断熱反応器の最適化制御を行う
ものでなかった。

【０００９】一方、一段の断熱反応器とは別に複数の断
熱反応器を縦続接続して石油の転化を行う多段断熱型の
触媒充填層反応器（以下、多段断熱反応器と称する。）
がある。この多段断熱反応器は例えばガソリン分を多く
得ようとする場合に用いられる。

【００１０】この多段断熱反応器は、触媒の劣化がある
場合に、前記一定期間における目的物の収量を最大にす
るような各断熱反応器の入口温度の時間的な変化（以
下、温度軌道と称する。）が存在することがある。この
温度軌道が予め求められるならば、所定の運転期間に最
大の利益が得られ、非常に有用である。このためには触
媒の劣化が簡単な関数で表され、かつ短時間で触媒の劣
化挙動が計算されなれけばならない。

【００１１】

【発明が解決しようとする課題】しかしながら、触媒の
劣化は多くの場合に複雑な関数で表され、触媒層内で分
布を持つ。このため、触媒の劣化を計算するために多く
の時間がかかり、実際にその計算を行うのは困難であっ
た。このように多段断熱反応器の最適化制御問題に対し
て物理モデルや数学モデルである触媒の劣化モデルを用
いた場合には、かなりの時間がかかっていた。

【００１２】本発明の目的は、触媒の劣化を短時間で計
算し、かつ、オンラインで内部モデルを簡単に修正でき
る多段断熱反応器の最適化制御方法及びその装置を提供
することにある。

【００１３】

【課題を解決するための手段】本発明は、前記課題を解
決するために下記の構成とした。本発明の多段断熱反応
器の最適化制御装置は、原料を含む入口組成物を各加熱
炉で加熱し加熱された入口組成物を各反応器内の触媒に
より反応させ目的生成物の収量を所望量に制御し、各反
応器での触媒活性をモデル化する反応器モデル部８を含
む。もちろん、目的生成物の収量が最大となるように制
御するようにしてもよい。

【００１４】前記反応器モデル部８は、第１のニューラ
ルネットワーク１０、第２のニューラルネットワーク２
０、触媒活性推定モデル部３０とを含む。第１のニュー
ラルネットワーク１０は、現時刻における各反応器での
触媒活性と入口温度と入口組成とを予め定めた教師デー
タを用いて学習することにより現時刻における出口組成
を推定する。

【００１５】第２のニューラルネットワーク２０は、前
記入口温度と入口組成と第１のニューラルネットワーク
１０で得た出口組成とを予め定めた教師データを用いて
学習することにより現時刻から所定時間が経過した後の
出口組成を推定する。

【００１６】触媒活性推定モデル部３０は、前記触媒活
性と入口組成と第１及び第２のニューラルネットワーク
１０，２０の夫々で得た出口組成とに基づき前記所定時
間が経過した後の触媒活性を推定する。

【００１７】前記第１及び第２のニューラルネットワー
ク１０，２０は、少なくとも入力層、中間層、出力層か
らなり、学習を行うことにより各層間の重み付けを変え
て、前記出口組成を推定する。

【００１８】前記反応器モデル部８は、前記触媒の劣化
に応じて各反応器での前記入口温度を決定するようにす
る。前記反応器モデル部８は、一定期間における前記目
的生成物の収量を最大にするように触媒の劣化の時間的
な変化に応じて各反応器での入口温度の時間的な変化を
求めるようにする。また、前記反応器モデル部８は、前
記目的生成物の一定収量での運転期間を最大にするよう
に触媒の劣化の時間的な変化に応じて各反応器での入口
温度の時間的な変化を求めるようにしてもよい。

【００１９】また、本発明の多段断熱反応器の最適化制
御方法は、原料を含む入口組成物を各加熱炉で加熱し加
熱された入口組成物を各反応器内の触媒により反応させ
目的生成物の収量を所望量にするように制御し、各反応
器での触媒活性をモデル化する反応器モデル手順を含
む。もちろん、目的生成物の収量が最大となるように制
御するようにしてもよい。

【００２０】前記反応器モデル手順は、第１のニューラ
ルネットワーク手順、第２のニューラルネットワーク手
順、触媒活性推定モデル手順とを含む。第１のニューラ
ルネットワーク手順は、現時刻における各反応器での触
媒活性と入口温度と入口組成とを予め定めた教師データ
を用いて学習することにより現時刻における出口組成を
推定する。

【００２１】第２のニューラルネットワーク手順は、前
記入口温度と入口組成と第１のニューラルネットワーク
手順で得た出口組成とを予め定めた教師データを用いて
学習ことにより現時刻から所定時間が経過した後の出口
組成を推定する。

【００２２】触媒活性推定モデル手順は、前記触媒活性
と入口組成と第１及び第２のニューラルネットワーク手
順の夫々で得た出口組成とに基づき前記所定時間が経過
した後の触媒活性を推定する。

【００２３】前記反応器モデル手順は、前記触媒の劣化
に応じて前記入口温度を決定するようにする。前記反応
器モデル手順は、一定期間における前記目的生成物の収
量を最大にするように触媒の劣化の時間的な変化に応じ
て各反応器での入口温度の時間的な変化を求めるように
する。また、前記反応器モデル手順は、前記目的生成物
の一定収量での運転期間を最大にするように触媒の劣化
の時間的な変化に応じて各反応器での入口温度の時間的
な変化を求めるようにしてもよい。

【００２４】また、断熱反応器の最適化制御方法は、装
置を運転する際に運転期間全体における収量や利益等の
目的関数を最大にする操作条件を予め設定することによ
り好ましい運転条件を決定する。さらに、前記目的関数
には運転期間なども含まれ、この運転期間を最大にする
ための操作条件を設定してもよい。

【００２５】多段断熱反応器による反応としては、例え
ば、工業的にはナフサ分を接触的に改質して改質ガソリ
ンを得るプロセスなどがある。接触改質法としては、例
えば、レニホーミング法、マグナホーミング法等があ
る。

【００２６】

【作用】本発明によれば、第１のニューラルネットワー
ク手順は、現時刻における各反応器での触媒活性と入口
温度と入口組成とを予め定めた教師データを用いて学習
することにより現時刻における出口組成を推定する。第
２のニューラルネットワーク手順は、前記入口温度と入
口組成と第１のニューラルネットワーク手順で得た出力
組成とを予め定めた教師データを用いて学習することに
より現時刻から所定時間が経過した後の出口組成を推定
する。

【００２７】触媒活性推定モデル手順は、前記触媒活性
と入口組成と第１及び第２のニューラルネットワーク手
順の夫々で得た出口組成とに基づき前記所定時間が経過
した後の触媒活性を推定する。

【００２８】従って、各反応器の触媒の劣化に伴う出口
組成の変化を短時間で求めることができる。また、前記
反応器モデル手順は、一定期間における前記目的物の収
量を最大にするようにあるいは目的生成物の一定収量で
の運転期間を最大にするように触媒の劣化の時間的な変
化に応じて各反応器での入口温度の時間的な変化を求め
るので、多段断熱反応器の最適化制御問題に対して短時
間で最適解を求めることができる。例えば、最適解の計
算時間は従来の計算時間の数％程度で済む。さらに、オ
ンラインで内部モデルを容易に修正できる。

【００２９】

【実施例】以下、本発明の多段断熱反応器の最適化制御
方法及びその装置の実施例を説明する。図２は多段断熱
反応器の最適化制御装置の一例を示す構成図である。図
２に示す多段断熱反応器の最適化制御装置は、軽質ナフ
サの改質反応を行うものであり、直列に接続される６段
（塔）の断熱反応器１ａ〜１ｆを備える。各反応器１ａ
〜１ｆはラジアルフロー型の断熱反応器であり、各反応
器の前に原料の加熱源として加熱炉２ａ〜２ｆ（もしく
は熱交換器）が設けられている。

【００３０】原料３はナフサである。各反応器１ａ〜１
ｆは導入された原料３が反応器内の触媒層４ａ〜４ｆを
円周方向から中心方向に向かって流れる際に反応を行
う。各反応器での出口組成はＣ６ナフサ、ベンゼン、水
素、ガス等である。実施例の反応では、触媒として例え
ば、白金担持のゼオライド触媒を用いる。

【００３１】分離器５は、各反応器によって生成された
Ｃ６ナフサ、ベンゼン、水素、ガス等から生成物６（ベ
ンゼン）を分離する。多段断熱反応器の最適化制御装置
は、図３に示すように前記各反応器１ａ〜１ｆに対応し
て反応器モデル部８ａ〜８ｆを有している。反応器モデ
ル部８ａ〜８ｆは、図示しないコンピュータ内に設けら
れており、ニューラルネットワークを用いて各反応器の
入出力関係及び将来の触媒の劣化の挙動を推定する。

【００３２】すなわち、各反応器モデル部８ａ〜８ｆ
は、入力された現時刻における各反応器の触媒活性、各
反応器での入口温度及び入口組成とに基づき現時刻にお
ける出口組成と現時刻からΔｔ後の触媒の活性とを推定
する。

【００３３】なお、図３において、反応器モデル部８ａ
〜８ｆの入出力関係は反応器モデル部８ａ´〜８ｆ´の
入出力関係から所定時間経過後（Δｔ後）の入出力関係
を示している。

【００３４】図４はニューラルネットワークの結合によ
る反応器モデル部を示す図である。図４に示すように各
反応器モデル部８ａ〜８ｆは、ニューラルネットワーク
１０，２０と触媒活性推定モデル部３０とを有する。ニ
ューラルネットワーク１０，２０は自己組織化機能を持
ち、様々な問題の入出力関係を表すモデルとして用いら
れる。

【００３５】前記ニューラルネットワーク１０は、複数
の層からなる階層ネットワーク部１０ａと、階層ネット
ワーク部１０ａの入出力に接続される学習部１５とを有
する。前記ニューラルネットワーク２０は、複数の層か
らなる階層ネットワーク部２０ａと、階層ネットワーク
部２０ａの入出力に接続される学習部２５とを有してい
る。

【００３６】ニューラルネットワーク１０は、各反応器
１ａ〜１ｆの現時刻の触媒活性値αｉ（ｋ）と入口温度
Ｔｉ（ｋ）と入口組成Ｆｉ，ｊ（ｋ）とを予め定めた教
師データを用いて学習することにより現時刻の出口組成
Ｙｉ，ｊ（ｋ）を推定する。

【００３７】図５は階層ネットワーク部１０ａを示す構
成図である。階層ネットワーク１０ａは、例えば、入力
層１１とこの入力層１１に結合する中間層１２とこの中
間層１２に結合する出力層１３とから構成される。各層
は図中での丸印で示す複数のニューロン（セル）から構
成されている。

【００３８】例えば、入力層１１は、６個のセル１４−
１〜１４−６から構成される。中間層１２は、１０個の
セル１４−７〜１４−１６から構成される。各セル１４
−７〜１４−１６は前記入力層１１内の各セル１４−１
〜１４−６と相互に接続される。

【００３９】出力層１３は、４個のセル１４−１７〜１
４−２０から構成される。各セル１４−１７〜１４−２
０は前記中間層１２内の各セル１４−７〜１４−１６と
相互に接続される。なお、各層内におけるセル間の結合
はない。

【００４０】入力層１１はｉ段目の反応器の１つの入口
温度Ｔｉ（ｋ）と４つの入口組成Ｆｉ，ｊ（ｋ）と１つ
の触媒活性値αｉ（ｋ）とを６つのセル１４−１〜１４
−６に入力する。ここで、ｉは１から６までの値であ
り、反応器１ａ〜１ｆの中のいずれかの反応器に対応す
る。

【００４１】出力層１３は４つのセル１４−１７〜１４
−２０の夫々から出口組成Ｙｉ，ｊ（ｋ）を出力するこ
とにより出口組成Ｙｉ，ｊ（ｋ）を推定する。各反応器
から出力される出口組成は、次の段の反応器に入力され
る。

【００４２】ここで、ｋは時間のステップを表してお
り、ニューラルネットワーク１０は入口組成Ｆｉ，ｊ
（ｋ）に対する同時刻の出口組成Ｙｉ，ｊ（ｋ）を推定
する。図４に示すようにニューラルネットワーク２０
は、現時刻の入口温度Ｔｉ（ｋ）と出口組成Ｙｉ，ｊ
（ｋ）と入口組成Ｆｉ，ｊ（ｋ）とを教師データを用い
て学習することにより現時刻からΔｔ経過した後の出口
組成Ｙｉ，ｊ（ｋ＋１）を推定する。図６は階層ネット
ワーク部２０ａの構成を示す図である。

【００４３】階層ネットワーク部２０ａは、例えば、入
力層２１とこの入力層２１に結合する中間層２２とこの
中間層２２に結合する出力層２３とから構成される。入
力層２１は、９個のセル２４−１〜２４−９から構成さ
れる。中間層２２は、８個のセル２４−１０〜２４−１
７から構成される。各セル２４−１０〜２４−１７は前
記入力層２１内の各セル２４−１〜２４−９と相互に接
続される。

【００４４】出力層２３は、４個のセル２４−１８〜２
４−２１から構成される。各セル２４−１８〜２４−２
１は中間層２２内の各セル２４−１０〜２４−１７と相
互に接続される。なお、各層内におけるセル間の結合は
ない。

【００４５】入力層２１はｉ段目の反応器の１つの入口
温度Ｔｉ（ｋ）と４つの入口組成Ｆｉ，ｊ（ｋ）と４つ
の出力組成Ｙｉ，ｊ（ｋ）とを９つのセル２４−１〜２
４−９に入力する。

【００４６】出力層２３は４つのセル２４−１８〜２４
−２１の夫々から出口組成Ｙｉ，ｊ（ｋ＋１）を出力す
ることにより出口組成Ｙｉ，ｊ（ｋ＋１）を推定する。
前記学習部１５，２５は、入力を与えたときの出力と望
ましい出力との差を減らすように階層ネットワーク部１
０ａ，２０ａ内の結合の重みを変える。学習部１５，２
５は、前記差がある設定値以下になるまで処理を繰り返
し行う。

【００４７】この方法としては例えばバックプロパゲー
ション（誤差逆伝播法）がある。判断が入力層１１，２
１から出力層１３，２３への信号伝播とすると、バック
プロパゲーションによる学習は、出力層１３，２３での
誤差を入力層１１，２１へ向かって伝播させることで達
成される。

【００４８】図７は前記階層ネットワーク部１０ａ，２
０ａ内の各セルの入出力構成を示す図である。図７で
は、入力層１１，２１から出力層１３，２３への信号伝
播を第ｎ層のｍ番目のセルに着目することによりセルを
模式的に表現した。

【００４９】ここで、第ｎ層のｍ番目のセルの出力値を
Ｘ(n,m)とし、第ｎ−１層のｊ番目のセルから第ｎ層の
ｍ番目のセルへの結合の重みをＷ(n-1,j,m)とする。図
７に示すように、各セルは、１つ前の層内のセルの出力
値Ｘ(n-1,j)に結合の重み値Ｗ(n-1,j,m)を乗算した値と
セルに固有のオフセット（しきい）値ｈ(n,m)の総和値
Ｓｎ，ｍとを入力する。

【００５０】セルの出力値Ｘ(n,m)は次のようにして求
められる。

【００５１】

【数１】

【００５２】ここでｕ(n,m)は第ｎ層のｍ番目のセルの
内部状態であり、ｈ(n,m)はそのしきい値である。また
ｆは伝達関数であり、次式が用いられる。

【００５３】

【数２】

【００５４】この関数は図８に示すようにＳ字をなして
おり、シグモイド（Ｓｉｇｍｏｉｄ；Ｓ字型）関数と呼
ばれる。μ₀はシグモイド関数の傾きであり、ここで
は、１とした。

【００５５】Ｘ(n,m)の計算は、数式１により前の層ｎ
−１のセルｊからの出力値とそれがたどるであろう結合
路固有の重みの積を、層ｎ−１のすべてのセルに対して
合計する。その値ｕ(n,m)が注目すべきセルの内部状態
となる。これからしきい値ｈ(n,m)を引いた値を、伝達
関数に作用させて出力値Ｘ(n,m)を得る。

【００５６】しきい値ｈ(n,m)は数式１中で考慮する
と、

【００５７】

【数３】

【００５８】となる。さらに数式３から−ｈ(n,m)は、
−ｈ(n,m)×１．０と考えれば、常に１．０を出力する
セルが結合の重み−ｈ(n,m)で結合しているとみなせ
る。このことは、学習の段階でしきい値を変更していく
根拠を与えている。

【００５９】データはこのように伝播されるが、入力層
１１，２１からの出力値のみは、入力層１１，２１に与
えた値がそのまま出力される。つまり入力層１１，２１
のみは、伝達関数、しきい値共に関係しない。

【００６０】次に、学習部１５，２５による階層ネット
ワーク部１０ａ，２０ａの学習は以下のように行なわれ
る。学習段階では、ある入力パターンに対してネットワ
ークを動かして得られる出力パターンをまず計算する。
その出力パターンと望ましい出力パターンとの誤差を計
算し、それを学習データとして入力層１１，２１のほう
へ伝播させながら、結合の重みを改善していく。望まし
い出力パターンを教師データといい、教師データが存在
する学習法を教師付き学習と呼ぶ。

【００６１】学習データの与え方は、出力層１３，２３
のセルが戻す学習データと、それより前段の層のセルが
戻す学習データとでは異なる。出力層１３，２３のセル
ｉから戻される学習データδ(N,m)は、出力層１３，２
３からの出力値と教師データを用いて、

【００６２】

【数４】

【００６３】となる。この出力層１３，２３のセルｉか
ら戻される学習データを図９に示す。次にＮ−１層より
も前の層が戻す学習データを決定する。ｎ層のセルｍか
らｎ−１層のセルへ向かって戻される学習データδ(n,
m)は数式５で求める。

【００６４】

【数５】

【００６５】このＮ−１層よりも前の層が戻す学習デー
タを図１０に示す。つまりｎ層のセルｉからｎ＋１層へ
結合している道を逆に伝ってそのセルに集まってくるｎ
＋１層からの学習データは、結合が固有に持っている重
みをかけられて合計される。それと伝達関数の微分との
積がとられて、学習データとして扱われる。

【００６６】このようにして学習データを計算すると、
次に結合の重みの修正量を次式を用いて決定する。

【００６７】

【数６】

【００６８】△Ｗ(n-1,j,m)（ｔ）はｎ−１層のセルｊ
とｎ層のセルｍの間の結合の重みに対する修正量を示
し、△Ｗ(n-1,j,m)（ｔ−１）は前回の修正量を示す。
つまりここでは、収束計算を繰り返すから今回をｔで表
すと、前回はｔ−１となる。ηは学習定数で収束の速さ
に関係するが、大きな値を与えたからといって、学習が
速く完了するとは限らない。

【００６９】αは安定化定数であり、前回の重みの修正
量を使い、収束時の振動を抑える効果がある。その意味
で、数式６の第２項は慣性項と呼ばれる。η、αは共に
１．０以下の正の実数の範囲で適当な値を与える。

【００７０】修正量が求まると、数式７により結合の重
みを修正する。

【００７１】

【数７】

【００７２】しきい値の修正については、前述したよう
に各セルに対して、常に１．０を出力するセルからしき
い値に相当する結合の重みをもって信号が来ていると考
える。したがって、それに対する学習データは数式４、
数式５で求められたものを使い、修正量は数式６でＸ(n
-1,j)を１と見なして次の式を得る。

【００７３】

【数８】

【００７４】したがって、修正のための式は、

【００７５】

【数９】

【００７６】となる。以上の手順を繰り返すと、出力層
１３，２３からの出力Ｍと教師データとの誤差が小さく
なっていく。つまり、出力層１３，２３の出力値と教師
データとの誤差の自乗和の極小値を与える最急降下法の
手順を示している。

【００７７】図４に示す触媒活性推定モデル部３０は、
前記触媒活性値αｉ（ｋ）と入口組成Ｆｉ，ｊ（ｋ）と
ニューラルネットワーク１０からの出口組成Ｙｉ，ｊ
（ｋ）とニューラルネットワーク２０からの出口組成Ｙ
ｉ，ｊ（ｋ＋１）とに基づき△ｔ後の触媒活性値αｉ
（ｋ＋１）を推定する。

【００７８】図３に示すように、各反応器モデル部は、
時間変化に対して、刻み時間△ｔ後の触媒活性値αｉ
（ｋ＋１）を次の時間ステップの触媒活性値として入力
することにより多段断熱反応器の入出力挙動を順次推定
する。

【００７９】また、前記反応器モデル部８ａ〜８ｆは、
前記触媒の劣化に応じて各反応器１ａ〜１ｆでの前記入
口温度を決定するようにする。前記反応器モデル部８ａ
〜８ｆは、一定期間における前記目的生成物の収量を最
大にするように触媒の劣化の時間的な変化に応じて各反
応器での入口温度の時間的な変化を求めるようにする。
あるいはこれとは逆に目的生成物の収量を定めて必要な
運転期間を最大とするように触媒の劣化の時間的な変化
に応じて各反応器での入口温度の時間的な変化を求める
ようにしてもよい。＜実施例の動作＞次にこのように構成された装置により
実現される多段断熱反応器の最適化制御方法を図面を参
照して説明する。図１１は多段断熱反応器の最適化フロ
ーチャートである。

【００８０】まず、物理モデルを用いたシミュレータに
より計算された入口温度、入口組成、触媒活性と出口組
成の値を学習データ（教師データ）としてニューラルネ
ットワーク１０に対して与える（ステップ１０１）。こ
こでは、学習データとしては、各反応器の入口温度を一
定としてシミュレーションを行った結果のデータを用い
る。

【００８１】そして、ニューラルネットワーク１０は学
習データすなわち（教師データ）と各反応器の実際の入
出力データとしての入口温度、入口組成、出口組成とを
比較し、出力層１３，２３からの出力と教師データとの
誤差が小さくなるように繰り返し学習を行なう（ステッ
プ１０２）。

【００８２】なお、実施例では、物理モデルを用いたシ
ミュレーションを教師データ（学習データ）として使用
している。実際のプラントに適用する際には、過去に蓄
積した実プラントでの入出力データを教師データとして
用いることができ、これを用いてネットワークを構築す
る。

【００８３】ここで、入口温度としては、４５０℃から
５３０℃までの温度の内の５点の温度を用いる。３００
０時間までの間に５０時間ごとに入口温度を用いる。そ
して、この学習により各層間の重みＷが変えられ、学習
の結果としてニューラルネットワーク１０が自動的に再
構成されていく（ステップ１０３）。

【００８４】このように学習させたニューラルネットワ
ーク１０を用いて学習させていない温度での出口組成を
推定させた。すなわち、オンラインでのデータの整合性
をチェックする（ステップ１０４）。その結果、ニュー
ラルネットワーク１０は、良好に学習されていることが
確認された。

【００８５】次に、ニューラルネットワーク２０に対し
て上記と同様に学習を行った。学習に用いたデータは同
様に、入口温度４５０℃から５３０℃までの５点でのシ
ミュレーション結果から５０時間ごとに３０００時間ま
でのデータを用いる。

【００８６】このように学習させたニューラルネットワ
ーク２０を用いて学習させていない温度でのΔｔ後の出
口組成を推定させた。その結果、ニューラルネットワー
ク２０は、良好に学習されていることが確認された。

【００８７】次に、２つのニューラルネットワーク１
０，２０を図４に示すように結合させる。この場合、Δ
ｔ経過した後の出口組成を推定する際に操作条件だけを
用い、ニューラルネットワーク１０の出口組成に基づき
ニューラルネットワーク２０に必要な出口組成を求める
（ステップ１０５）。

【００８８】さらに、触媒活性推定モデル部３０は、Δ
ｔ経過した後の触媒活性値を計算し、次の時間ステップ
での入力として用いる（ステップ１０６）。このように
構成されたニューラルネットワーク１０，２０は、入力
された触媒活性の初期値、各時刻での各段の入口温度、
各時間での１段目の入口組成に基づき、順次その時の出
口組成、Δｔ後の触媒活性を出力し、多段反応器の触媒
劣化に伴う組成変化を表すことができる。

【００８９】なお、ニューラルネットワーク１０，２０
による触媒活性値の算出にあっては、時間とともに触媒
活性値の誤差が大きくなる。このため、各反応モデル部
８ａ〜８ｆは、前述した５００時間毎にプラントの入出
力データを測定して、反応モデル、触媒劣化モデルを修
正する（ステップ１０７）。

【００９０】次に、このようなニューラルネットワーク
１０，２０を用いて、目的組成物の出口組成を一定とす
るような各反応器の入口温度の経時変化を求める（ステ
ップ１０８）。

【００９１】この場合、操作変数として６段の反応器の
各入口温度を用いる。ここでは、簡単のために隣り合う
反応時間の温度差はどの段間でも一定とし、１段目の反
応器の入口温度と反応器間の温度差の２変数とした。ま
た、各時刻における最適化は、各反応器の入口温度のう
ち最高のものが最低となるような条件を選定することに
よって決定した。

【００９２】このようにしてニューラルネットワークに
より求められた各反応器の入口温度軌道と、物理モデル
を用いたシミュレータを用いて最適化を行った結果を比
較すると、良好な一致が見られた。

【００９３】例えば、図１２に物理モデルでの６段目出
口のベンゼン重量分率４０％を示す。図１３にニューラ
ルネットワークによる６段目出口のベンゼンの重量分率
４０％を示す。

【００９４】図１４に６段目出口のベンゼンの重量分率
が４０％一定となるように、入口温度を変化させた場合
のシミュレーション結果を示す。図１５にベンゼンの重
量分率が４０％一定となるように、ニューラルネットワ
ークによる入口温度軌道の結果を示す。

【００９５】これらの図からもわかるように、触媒活性
値を５００時間毎に修正することによりシミュレーショ
ン結果とニューラルネットワークによる探索結果とをほ
ぼ一致させることができた。

【００９６】また、図１６に物理モデルとニューラルネ
ットワークとに要した計算時間を示す。これにより、学
習後ににおけるニューラルネットワークによる計算時間
は物理モデルによる計算時間に対して数％（約１／４
０）程度に短縮された。

【００９７】さらに、制御変数のセットポイントの変化
率等をチェックする（ステップ１０９）。ここで、制御
変数とは、制御対象となるプロセスに対して操作を加え
る際の入力となる変数であり、実施例では各塔の入口温
度である。また、セットポイントとは、設定値であり、
実施例では加熱炉によって制御される各塔の入口温度の
設定値である。

【００９８】セットポイントのデジタル制御システム
（ＤＣＳ）への出力を更新する（ステップ１１０）。次
に、ＤＣＳでの安定化制御を行う（ステップ１１１）。
このように本実施例によれば、多段断熱反応器の最適化
制御問題に対して、短時間で最適解を求めることができ
る。設計段階での最適化、運転中の短時間周期の最適化
が可能となった。

【００９９】

【発明の効果】本発明によれば、第１のニューラルネッ
トワークを用いて現時刻における出口組成を推定し、第
２のニューラルネットワークを用いて現時刻から所定時
間が経過した後の出口組成を推定し、触媒活性推定モデ
ル部が所定時間が経過した後の触媒活性を推定する。

【０１００】従って、各反応器の触媒の劣化に伴う出口
組成の変化を短時間で求められ、多段断熱反応器の最適
化制御が行える。また、前記反応器モデル手順は、一定
期間における前記目的物の収量を最大にするように触媒
の劣化の時間的な変化に応じて各反応器での入口温度の
時間的な変化を求めることができ、あるいは目的生成物
の一定収量での運転期間を最大にするように触媒の劣化
の時間的な変化に応じて各反応器での入口温度の時間的
な変化を求めることができるので、多段断熱反応器の最
適化制御問題に対して短時間で最適解を求めることがで
きる。また、オンラインで内部モデルを容易に修正でき
る。

【図面の簡単な説明】

【図１】本発明の原理図である。

【図２】多段断熱反応器の最適化制御装置の一例を示す
構成図である。

【図３】ニューラルネットワークによる各反応器のダイ
ナミックモデルの構造を示す図である。

【図４】ニューラルネットワークの結合による反応器モ
デル部を示す図である。

【図５】階層ネットワーク部１０ａの構成を示す図であ
る。

【図６】階層ネットワーク２０ａの構成を示す図であ
る。

【図７】セルの入出力構成を示す図である。

【図８】シグモイド関数を示す図である。

【図９】出力層のセルｍから戻される学習データを示す
図である。

【図１０】ｎ−１層よりも前の層が戻す学習データを示
す図である。

【図１１】多段断熱反応器の最適化フローチャートであ
る。

【図１２】物理モデルでの６段目出口のベンゼン重量分
率を示す図である。

【図１３】ニューラルネットワークによる６段目出口の
ベンゼン重量分率を示す図である。

【図１４】物理モデルでの１段目及び６段目出口の入力
温度軌道を示す図である。

【図１５】ニューラルネットワークによる１段目及び６
段目出口の入力温度軌道を示す図である。

【図１６】最適化計算の一例を示す図である。

【符号の説明】

１ａ〜１ｆ・・反応器２ａ〜２ｆ・・加熱炉３・・ナフサ４ａ〜４ｆ・・触媒層５・・分離器６・・生成物８ａ〜８ｆ・・反応器モデル部１０，２０・・ニューラルネットワーク１０ａ，２０ａ・・階層ネットワーク部１１，２１・・入力層１２，２２・・中間層１３，２３・・出力層１４−１〜１４−２１・・セル１５，２５・・学習部３０・・触媒活性推定モデル部

─────────────────────────────────────────────────────

【手続補正書】

【提出日】平成６年９月２日

【手続補正１】

【補正対象書類名】明細書

【補正対象項目名】０００２

【補正方法】変更

【補正内容】

【０００２】

【従来の技術】燃料化学工業において、特に石油の転化
を行う場合に断熱型の触媒を充填した反応器（以下、断
熱反応器と称する。）が用いられる。この断熱反応器
は、触媒を用いて例えば水素の存在する中で石油を改質
あるいは分解しガソリンやＬＰＧなどを生成する。

【手続補正２】

【補正対象書類名】明細書

【補正対象項目名】００２１

【補正方法】変更

【補正内容】

【００２１】第２のニューラルネットワーク手順は、
前記入口温度と入口組成と第１のニューラルネットワー
ク手順で得た出口組成とを予め定めた教師データを用い
て学習することにより現時刻から所定時間が経過した後
の出口組成を推定する。

【手続補正３】

【補正対象書類名】明細書

【補正対象項目名】００３０

【補正方法】変更

【補正内容】

【００３０】原料３はナフサである。各反応器１ａ〜
１ｆは導入された原料３が反応器内の触媒層４ａ〜４ｆ
を円周方向から中心方向に向かって流れる際に反応を行
う。各反応器での出口組成はＣ６ナフサ、ベンゼン、水
素、ガス等である。実施例の反応では、触媒として例え
ば、白金担持のゼオライト触媒を用いる。

【手続補正４】

【補正対象書類名】明細書

【補正対象項目名】００４９

【補正方法】変更

【補正内容】

【００４９】ここで、第ｎ層のｍ番目のセルの出力値
をＸ(n,m)とし、第ｎ−１層のｊ番目のセルから第ｎ層
のｍ番目のセルへの結合の重みをＷ(n-1,j,m)とする。
図７に示すように、各セルは、１つ前の層内のセルの出
力値Ｘ(n-1,j)に結合の重み値Ｗ(n-1,j,m)を乗算した値
とセルに固有のオフセット（しきい）値ｈ(n,m)の総和
値とを入力する。

【手続補正５】

【補正対象書類名】明細書

【補正対象項目名】００６１

【補正方法】変更

【補正内容】

【００６１】学習データの与え方は、出力層１３，２
３のセルが戻す学習データと、それより前段の層のセル
が戻す学習データとでは異なる。出力層１３，２３のセ
ルｍから戻される学習データδ(N,m)は、出力層１３，
２３からの出力値と教師データを用いて、

【手続補正６】

【補正対象書類名】明細書

【補正対象項目名】００６２

【補正方法】変更

【補正内容】

【００６２】

【数４】

【手続補正７】

【補正対象書類名】明細書

【補正対象項目名】００６７

【補正方法】変更

【補正内容】

【００６７】

【数６】

【手続補正８】

【補正対象書類名】明細書

【補正対象項目名】００７５

【補正方法】変更

【補正内容】

【００７５】

【数９】

【手続補正９】

【補正対象書類名】明細書

【補正対象項目名】図１０

【補正方法】変更

【補正内容】

【図１０】Ｎ−１層よりも前の層が戻す学習データを
示す図である。

【手続補正１０】

【補正対象書類名】図面

【補正対象項目名】図７

【補正方法】変更

【補正内容】

【図７】

【手続補正１１】

【補正対象書類名】図面

【補正対象項目名】図１０

【補正方法】変更

【補正内容】

【図１０】

───────────────────────────────────────────────────── フロントページの続き (72)発明者杉山洋千葉県袖ケ浦市上泉1280番地出光興産株式会社内

Claims

【特許請求の範囲】

【請求項１】原料を含む入口組成物を各加熱炉で加熱
し加熱された入口組成物を各反応器内の触媒により反応
させ目的生成物の収量を所望量に制御する多段断熱反応
器の最適化制御方法であって、各反応器での触媒活性をモデル化する反応器モデル手順
を含み、前記反応器モデル手順は、現時刻における各反応器での
触媒活性と入口温度と入口組成とを予め定めた教師デー
タを用いて学習することにより現時刻における出口組成
を推定する第１のニューラルネットワーク手順と、前記入口温度と入口組成と第１のニューラルネットワー
ク手順で得た出口組成とを予め定めた教師データを用い
て学習することにより現時刻から所定時間が経過した後
の出口組成を推定する第２のニューラルネットワーク手
順と、前記触媒活性と入口組成と第１及び第２のニューラルネ
ットワーク手順の夫々で得た出口組成とに基づき前記所
定時間が経過した後の触媒活性を推定する触媒活性推定
モデル手順とを含む多段断熱反応器の最適化制御方法。
【請求項２】前記反応器モデル手順は、前記触媒の劣
化に応じて前記各反応器での入口温度を決定する請求項
１記載の多段断熱反応器の最適化制御方法。
【請求項３】前記反応器モデル手順は、一定期間にお
ける前記目的生成物の収量を最大にするように触媒の劣
化の時間的な変化に応じて各反応器での入口温度の時間
的な変化を求める請求項１記載の多段断熱反応器の最適
化制御方法。
【請求項４】前記反応器モデル手順は、前記目的生成
物の一定収量での運転期間を最大にするように触媒の劣
化の時間的な変化に応じて各反応器での入口温度の時間
的な変化を求める請求項１記載の多段断熱反応器の最適
化制御方法。
【請求項５】原料を含む入口組成物を各加熱炉で加熱
し加熱された入口組成物を各反応器内の触媒により反応
させ目的生成物の収量を所望量に制御する多段断熱反応
器の最適化制御装置であって、各反応器での触媒活性をモデル化する反応器モデル部
（８）を含み、前記反応器モデル部（８）は、現時刻における各反応器
での触媒活性と入口温度と入口組成とを予め定めた教師
データを用いて学習することにより現時刻における出口
組成を推定する第１のニューラルネットワーク（１０）
と、前記入口温度と入口組成と第１のニューラルネットワー
ク（１０）で得た出口組成とを予め定めた教師データを
用いて学習することにより現時刻から所定時間が経過し
た後の出口組成を推定する第２のニューラルネットワー
ク（２０）と、前記触媒活性と入口組成と第１及び第２のニューラルネ
ットワーク（１０，２０）の夫々で得た出口組成とに基
づき前記所定時間が経過した後の触媒活性を推定する触
媒活性推定モデル部（３０）とを含む多段断熱反応器の
最適化制御装置。
【請求項６】前記第１及び第２のニューラルネットワ
ーク（１０，２０）は、少なくとも入力層、中間層、出
力層からなり、学習を行うことにより各層間の重み付け
を変えて、前記出口組成を推定する請求項５記載の多段
断熱反応器の最適化制御装置。
【請求項７】前記反応器モデル部（８）は、前記触媒の
劣化に応じて前記各反応器での入口温度を決定する請求
項５記載の多段断熱反応器の最適化制御装置。
【請求項８】前記反応器モデル部（８）は、一定期間
における前記目的生成物の収量を最大にするように触媒
の時間的な劣化に応じて各反応器での入口温度の時間的
な変化を求める請求項５記載の多段断熱反応器の最適化
制御装置。
【請求項９】前記反応器モデル部（８）は、前記目的
生成物の一定収量での運転期間を最大にするように触媒
の劣化の時間的な変化に応じて各反応器での入口温度の
時間的な変化を求める請求項５記載の多段断熱反応器の
最適化制御装置。