一种催化裂化粗汽油干点软测量仪表

摘要

一种催化裂化粗汽油干点软测量仪表及方法，包括：高速工业处理器、现场数据采集和预处理模块、基于茎环操作RNA遗传算法(SRNA-GA)优化模块、数据存储和更新模块、RBF神经网络软测量模块，上述各个模块通过工业总线相连，本发明软测量仪表，采用基于数据驱动的RBF神经网络软测量模型，避免了对催化裂化过程复杂的机理分析过程，对观测数据的拟和精度高，泛化能力好，求解方便，响应速度快。在测量过程中，通过运用SRNA-GA算法对RBF网络的相关参数进行优化，实现仪表的校正功能。该仪表在催化裂化粗汽油干点的软测量中取得了良好的效果，具有较强的通用性。

主权项

1.一种催化裂化粗汽油干点的软测量仪表，包括与现场工业对象连接的现场智能仪表、数据采集和预处理模块、SRNA-GA算法优化模块、数据存储和更新模块、RBF神经网络软测量模块，高速工业处理器，所述的高速工业处理器主要功能有：1)接收来自现场智能仪表和数据库的数据，实现数据的存储和转发功能；2)接收来自RBF神经网络的请求信号，并对信号进行处理，对数据库发出相应的指令；3)运行SRNA-GA优化算法，并把结果发送给神经网络模块，实现RBF神经网络的参数训练；i.现场数据采集和预处理模块：采集催化裂化粗汽油干点软测量中相应的辅助变量，随后对数据进行归一化，标准化处理，使得处理后各变量的均值为0，方差为1，得到输入矩阵X，采用以下过程来完成，其计算公式如下(1)-(3)：计算均值：$\overline{\mathrm{TX}}=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{\mathrm{TX}}_i---\left(1\right)$计算方差：${\sigma }_x^2=\frac{1}{N}\underset{i=1}{\overset{N}{\Sigma }}{({\mathrm{TX}}_i-\overline{\mathrm{TX}})}^2---\left(2\right)$归一化：$X=\frac{\mathrm{TX}-\overline{\mathrm{TX}}}{{\sigma }_x}---\left(3\right)$其中，TX为采集的辅助变量样本，N为采集辅助变量样本数，为采集的辅助变量样本均值；决定粗汽油干点的因素很多，通过简单的机理分析，去除次要因素，得到粗汽油干点与辅助变量的关系为：y(k)＝f[x₁(k)，x₂(k)，x₃(k)，x₄(k)]    (4)$x_2=P_{x_G}---\left(5\right)$$x_G=\frac{\frac{R_2}{M_g}}{\frac{R_2}{M_g}+\frac{R_3}{M_{\mathrm{gas}}}+\frac{R_W}{18}}---\left(6\right)$$x_3=\frac{R_1}{R_2}---\left(7\right)$R₁＝(R₄+R₅)[1+c_p(T₁-T₂)/λ]    (8)式中各变量代表的含义为：y(k)——粗汽油干点，℃；x₁(k)——分馏塔塔顶温度，℃；x₂(k)——分馏塔塔顶粗汽油分压，kPa；P——分馏塔塔顶压力，kPa；x_G——分馏塔塔顶粗汽油的摩尔分量；R₂——粗汽油流量，t/h；R₃——富气流量，t/h；R_w——酸性水流量，t/h；M_g——粗汽油平均分子量；x₃(k)——内回流比；R₁——内回流量，t/h；R₄——粗汽油冷回流流量，t/h；R₅——塔顶回流流量，t/h；c_p——粗汽油液相比热容，kcal/(kg·℃)；T₂——顶回流返塔温度；λ——粗汽油潜热，kcal/kg；x₄(k)——油气分离器液位，m；f(·)——待估函数；ii.RBF神经网络软测量模块：建立RBF神经网络软测量模型，用归一化后的数据对神经网络进行训练，确定相关的神经网络参数，神经网络的非线性映射为：$f_r\left(x\right)=\underset{i=1}{\overset{n_r}{\Sigma }}{w}_i\phi \left(\right||x-c_i|\left|\right)---\left(9\right)$其中，x是输入矢量，φ(·)为Rⁿ→R的非线性函数，w_i为权值，w＝［w₁，w₂，…w_n]，c_i为基函数中心点，n_r为隐层节点数，对于单输入单输出(SISO)系统，RBF神经网络实际上实现了一种非线性自回归模型，如下式所示：y(k)＝f(k)                                                        (10)采用RBF网络软测量模型的相关参数及求解方法如下：(1)x＝[y(k-1)，…y(k-m)，u(k-1)，...u(k-n)]确定了RBF网络的输入层单元，参数m和n表示过去m个输入和n个输出通过网络实现对系统将来输出的映射，根据先验知识确定；(2)RBF网络的激活函数选用样条函数φ(v)＝v²1n(v)，由于该函数形式简单，减少了神经网络的参数数量和计算量；(3)RBF网络的隐层节点数和网络的中心点c通过SRNA-GA优化算法求解；(4)线性输出层权值w通过递推最小二乘法求解；iii.SRNA-GA算法优化模块：神经网络的优化设计包括参数学习和结构设计，根据输入变量的数量固定RBF神经网络的输入层接点数n_r，然后利用SRNA-GA算法，确定网络隐层节点数和基函数的中心点c；iv.数据存储和更新模块，通过智能仪表采集的数据，被直接存储在数据库中，再通过现场总线，提供给RBF神经网络进行粗汽油干点的软测量，当误差达到一定限度时，RBF网络通过处理器向数据库发出更新数据请求信息，数据库接收到该信号，把最近某一段时间内接收到的数据重新发送给RBF网络，用于网络的参数校正。