本發明涉及一種常一線油干點的在線軟測量方法：選取和構造影響常一線油干點的關鍵變量，即常二線汽提蒸汽量、常一線餾出溫度、常三線采出溫度、常二中取熱量、常一線采出與進料比、常頂油、常二線+常三線采出總量作為神經網絡模型的輸入變量，常一線油干點作為對應的輸出，建立基于人工神經網絡模型的常一線油干點的軟儀表，通過人工分析值對模型輸出進行校正，實現對常壓塔常一線產品質量的實時監測和控制；該方法不僅可以指導操作人員對操作過程進行及時調整，而且軟儀表給出的干點估計值可以為過程控制提供依據，進而實現操作過程的優化，提高常減壓裝置的原油拔出率。

技術領域

本發明屬于石油煉制與智能控制交叉領域，涉及石油煉制過程中常減壓裝置中常壓塔產品—常一線油干點的一種在線軟測量方法。

背景技術

常壓塔作為常減壓裝置的主要設備，大量處理來自初餾塔的原油，并消耗大量的能量。因此，保證常壓塔高效、穩定運行，成為常減壓裝置節能降耗、提高原油拔出率的關鍵。

常一線油干點是常一線產品的主要質量控制指標，其主要反映采出油品的輕重，所以其控制的好壞不僅關系到常壓塔原油的拔出率，同時影響后面的加工過程。當前，對于干點，還沒有合適的儀表能夠實時給出測量值，多數煉廠還是依賴于實驗室的人工分析值。人工分析的周期一般為每4個小時或者8個小時一次，每次分析需要近兩個小時，然后根據人工分析的結果對操作工況進行調整，所以滯后較大，往往容易造成采出的產品太重不合格或者為了保證產品的質量而最終影響到原油的拔出率。

為了解決上述問題，在過程控制中，開發了許多軟測量的方法，利用各種不同的數學模型來估計干點值。通過選取與常一線油干點值密切相關的變量作為模型的輔助變量，然后根據模型輸入實時估計出干點值。軟測量中使用的模型眾多，大體可以分為三類，即機理模型、統計模型和智能建模方法。機理模型法和統計模型法是傳統的建模方法，它們的共同缺點是不能準確描述常減壓裝置這種高度非線性的系統，所以模型精度都不夠高。近年來發展起來的智能建模技術，為非線性系統建模提供了一種新的思路。智能建模方法有人工神經網絡、支持向量機等，它們共同的特點是具有自學習、自組織能力，對于非線性系統可以給出較為準確的描述，所以在過程建模中得到了廣泛的應用。

目前，針對常壓塔的軟測量方法中，不管是傳統的建模方法還是智能建模，都存在如下一些問題：

(1)由于原油性質及操作工況經常發生變化，造成所建模型的計算精度隨時間逐漸降低，所以軟測量模型發揮的效果有限。

(2)常減壓裝置是高度非線性系統，變量耦合嚴重，軟測量建模中所選變量往往較多，而且相互關聯，冗余變量較多，反而造成模型的輸出穩定性下降。

常壓塔的操作變量較多，為了合理選取軟測量模型的輔助變量，避免模型過于精簡，不能完全描述干點的變化規律，同時，為了減少冗余變量的產生，本發明首先采用AspenPlus對常壓塔進行流程模擬，模擬出常壓塔的實際操作工況，然后進行常壓塔關鍵操作變量關于常一線油干點的靈敏度分析，根據靈敏度分析的結果，選取對常一線油干點影響較大的變量作為軟測量模型輔助變量的候選集合，然后基于石油精餾原理，對候選的輔助變量進行相關性分析，去除冗余的變量，最終確定模型的輸入變量。依據確定的輔助變量，采集現場的歷史生產數據，去除異常數據，形成訓練樣本集。然后利用BP算法訓練3層前饋神經網絡，在誤差滿足一定要求后，輸出模型參數。

發明內容