一種乙烯裝置中控制裂解爐裂解深度的方法

專利名稱：一種乙烯裝置中控制裂解爐裂解深度的方法
技術領域：
本發明涉及一種乙烯裝置中控制裂解爐的方法，特別地，涉及一種乙烯裝置中控 制裂解爐裂解深度的方法。
背景技術：
乙烯裝置是石油化工生產有機原料的基礎，是石油化學工業的龍頭，它的生產規 模、產量和技術標志著一個國家石油化學工業的發展水平。裂解爐是乙烯裝置的核心部分， 裂解爐的操作至關重要，它決定了裝置其它部分進料量和組成，且任何操作波動都可導致 結焦增加，運行周期縮短，即能耗高且維護費用大。二十世紀80、90年代，所有的乙烯工廠 均逐步用集散控制系統(DCQ取代了傳統的電動儀表，顯著提高了自動化水平。但自動化 方面的投資與工廠獲得的實際效益并不是線性正比關系。DCS的投資很高，但其功能并沒 有充分發揮(通常只是PID功能)，只是穩定性及可靠性改善了，但大部份應得到的效益并 未拿到，要想進一步發揮裝置效益，必須倚靠先進控制技術。先進控制(Advanced Process Control，簡稱APC)是對那些不同于常規控制，并具有比常規PID控制更好的控制效果的控 制策略的統稱。先進控制與實時優化是基于機理分析動態數學模型的技術，需要將生產工 藝、系統與控制理論和計算機技術結合起來，促進生產技術的不斷發展。從1960年至今，對 乙烯生產過程的先進控制和優化技術進行了大量的理論和應用研究。從20世紀70年代末 80年代初開始進行先進控制技術的商品化軟件開發及應用，在DCS的基礎上實現先進控制 和過程優化，并針對一些復雜工業過程進行應用研究以模型預測控制為例，從算法第一次 公開發表至今已走過了三代。第一代以Adersa的IDCOM和Siell Oil的DMC為代表，算法 針對無約束多變量過程。第二代以Siell Oil的QDMC為代表，處理約束多變量過程的控制 問題。第三代的產品包括Adersa公司的Hiecon，ASPEN Tech公司的DMC Plus和Honeywell 公司的RMPCT等產品的算法增加了擺脫無可行解的辦法，并具有容錯和多個目標函數等功 能。二十世紀九十年代以來，在模型預估控制的基礎上，適應變結構過程的多變量約 束協調與優化控制技術在石油化工過程中得到越來越多的應用，將控制與部分參數的“卡 邊”優化實時地協調起來，為進一步提高效益開創了一條新路。模型預估控制是近二十年來 先進控制的一個突破點，其中一個原因是基于動態數學模型。但由于采用過程輸入輸出數 據建立數學模型，而非機理分析，使其應用和提高受到一定限制。先進過程控制(APC)技術在乙烯生產過程中用得最成功的是當屬動態矩陣控制 (DMC)法，代表產品是 AspeniTech 公司的 DMCPIus。另外，Honeywell 公司的 Prof it Suite 也是著名的先進控制及優化技術軟件包。嚴格的烴類裂解反應數學模型是使過程控制與過程設計一體化、在過程設計的同 時給出先進控制與閉環實時優化系統設計的基礎，是實現裂解裝置先進控制與優化操作的 基礎，比如AspenTech公司就是以SPYRO軟件作為裂解爐模擬模塊，為先進控制提供操作指 標(如裂解深度等)和約束變量。裂解生產過程機理動態數學模型的開發和應用，著重于，將變量分為輸入(原因)變量、狀態或輸出(后果)變量，采用單向性的信號流 圖和反饋，使裂解過程中重要不可實測變量的在線計算適應動態變化，實時監測系統的運 行狀態并進行優化控制。先進控制技術應用于生產過程中的目的是提高操作平穩性、產品質量合格率、提 高目的產品收率和提高裝置處理能力、優化產品分布、節能降耗、延長開工周期、提高裝置 效益。乙烯裂解裝置先進控制最重要的目標之一就是裂解深度(或稱為裂解選擇性)控制， 因此必須由裂解爐的模型計算得到，模型計算的精度直接影響到控制的水平，嚴格、準確的 數學模型則是先進控制的關鍵所在。另外，在中國專利公開號為CN200510025043. 6的專利文獻中所述，揭示了其軟測 量模型是以工業裝置在線分析儀器的數值作為輸出值建立的，但是工業裝置應用的在線分 析儀器穩定性的保持一直是業內的一個難題。如果在線分析的數據可以保證準確，可以直 接使用在線分析數據指導控制系統的調整、控制，不需要再開發軟測量技術作為數據指導。 而且，由于工業常規操作情況下，在一定時間周期內原料性質和工藝條件都有大的變化，因 此采用該方法建立的軟預測模型，其適用范圍受到了很大的局限。本發明公開了一種面向石油化工企業乙烯裂解爐的裂解深度在線預測、優化控制 的方法，其中包括針對不同裂解原料建立的裂解深度預測模型、優化模型以及基于該模型 的在線深度實時優化控制技術。采用本技術后，可以根據原料性質、優化目標的變化，實時 調整操作工藝條件，使裝置在優化的工藝條件下運行。

發明內容
本發明的目的在于解決了上述問題。本發明的具體技術方案如下一種乙烯裝置中控制裂解爐裂解深度的方法，包括以下步驟(1)建立裂解產品的在線收率預測模型，利用工業運行數據校正建立針對多種裂 解原料的裂解深度在線預測、優化控制模型，獲得預測結果；(2)將預測結果寫入儀表控制系統，根據裂解產物深度參數對操作工藝條件進行調整。所述的步驟(1)進行模擬裂解裝置試驗，獲得不同原料在不同操作條件下的產品 收率，以工藝機理仿真和試驗數據為基礎，采用統計模型的建模方法建立產物收率預測模 型，采用智能優化算法建立工藝優化模型，然后通過對工業裂解爐進行產品取樣標定，獲得 工業裂解爐產品收率，進一步包括(1. 1)針對不同的原料物性和工藝條件預測出裂解后的主要產物收率分布；(1. 2)根據原料的種類切換到相應的原料預測模型下進行預測。所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于步驟( 利用工業運 行數據對預測模型進行數據校正，獲得裂解深度預測優化控制模型，進一步包括基于客戶 端/服務器(C/S)運行模式，把裂解深度優化結果實時寫入儀表控制系統。所述的步驟(1. 1)進一步包括(1. 1. 1)進行模擬裂解裝置試驗，獲得不同原料在不同操作條件下的產品收率，以 工藝機理仿真和試驗數據為基礎，采用統計模型技術建立產物收率預測模型；(1. 1. 2)采用智能優化算法建立基于1. 1. 1產物收率預測模型的工藝優化模型，
(1. 1. 3)通過對工業裂解爐進行產品取樣標定，獲得工業裂解爐產品收率。所述的 步驟(1. 2)進一步包括(1. 2. 1)利用工業運行數據對預測模型進行數據校正，獲得裂解深度預測優化控 制模型；(1. 2. 2)利用該模型，結合在線數據校正、數據濾波、異常檢測技術，進行裂解深度 在線控制。所述的裂解深度預測優化模型分別針對不同裂解原料設計，裂解原料包括乙烷、 丙烷、LPG、石腦油、柴油、加氫尾油。所述的步驟( 裂解產物深度參數對操作工藝條件進行調整，進一步包括選擇影 響裂解深度波動的工藝操作參數，針對當前原料物性，基于產物收率預測計算出當前控制 條件下的裂解深度，寫入DCS系統，該深度作為控制設定值對裂解爐的裂解深度進行調整 控制。所述的影響裂解深度波動的工藝操作參數為原料進料量、稀釋蒸汽量、輻射段爐 管出口溫度，原料物性包括原料的比重、餾程與族組成。所述的步驟(1)可以預測出裂解爐輻射段最高壁溫，作為控制約束參數。利用裂解爐爐管測溫數據和工藝操作參數，采用統計建模的建模方法，得到爐管 最高壁溫的預測模型；工藝操作參數包括裂解爐運行時間、裂解爐燃燒器燃料用量、裂解溫 度、裂解原料投料量和稀釋蒸汽投料量。所述的統計模型的建模方法包括線性回歸、非線性回歸、神經網絡、支持向量機或 者以上不同模型相結合的建模方法。所述的智能化算法包括遺傳算法、模擬退火、蟻群算法、粒子群算法、免疫算法或 以上優化算法的結合。通過本發明的技術方案采用模擬裂解試驗裝置，可以對工業裝置可能達到的極限 條件進行試驗，而且由于采用模擬裝置，相比工業裝置，原料用量很小，因此可以方便地進 行工藝條件的調整，可以進行大量不同原料的裂解試驗。因此采用本方法獲得的預測模型， 其原料適用范圍和工藝條件可改變幅度大，更能得到廣泛的適用。而本發明首先通過試驗方法建立基本的收率預測模型，這樣通過穩定的試驗環境 和大量的試驗驗證，由此數據處理得到的預測模型規律性、穩定性得以提高。然后再利用工 業實際數據進行調整，即調整實驗室機理模型與工業裝置的系統偏差，獲得的預測模型可 以準確的預測出工業裂解爐實際運行時的產品分布。本發明采用模擬裂解試驗裝置，可以在工業裝置的設計范圍內(包括設計邊界條 件)，一般工業設計范圍裂解溫度、停留時間、水油比等根據不同爐型、不同原料有不同的 設計變化范圍，而負荷變化范圍一般為70% 110%。而采用本申請涉及的實驗室模擬裂 解試驗裝置甚至可以進行超出工業設計范圍的試驗進行試驗，而且由于采用模擬裝置，相 比工業裝置，原料用量很小(試驗裝置每小時原料用量以克或千克計，工業裝置一般每小 時原料以數十噸計)，這樣即使只有少量的原料也可進行裂解試驗，而且可以方便地進行工 藝條件的調整，可進行裂解的不同烴類原料(包括乙烷、輕烴、石腦油、柴油、加氫尾油等不 同裂解原料)均可作為原料進行裂解試驗。因此采用本方法獲得的預測模型，其原料適用 范圍和工藝條件可改變幅度都要優于專利200510025043. 6。
為了能更進一步了解本發明的特征以及技術內容，以下結合本發明的具體實施例 及附圖進行說明。但所舉附圖及實施例并非用來對本發明加以限制。


圖1是本發明裂解爐深度優化控制過程圖。圖2是本發明涉及的GRNN神經網絡結構圖。圖3是本發明的涉及的軟件開發技術路線框圖流程圖。
具體實施例方式下面結合實施例，進一步說明本發明。本發明所述的方法是，針對不同的裂解原料分別建立產品收率預測優化模型，通 過儀表控制系統讀入原料物性和裂解爐的原料進料量、稀釋蒸汽量以及輻射段出口溫度 (COT)計算出當前的裂解深度，與控制設定值比較后，對操作參數進行調整，從而使裂解深 度向設定值靠攏；或者針對原料物性，計算出優化的目標產物分布時操作工藝條件，從而將 操作參數調整到目標值。可以通過儀表控制系統讀入裂解爐的運行時間、工藝操作參數，預 測出輻射段爐管的最高管壁溫度，作為調整控制的約束變量。裂解產物預測優化模型的建立模型是以模擬裂解試驗數據為基礎，綜合分析裂解過程的數學模型、現場在線分 析儀表和經驗操作數據，通過統計模型方法，可以采用多元非線性回歸、神經網絡、支持向 量機等不同數據處理方法，建立預測模型，然后通過對所控制的裂解爐進行實際產品標定， 根據工業實際運行數據對預測模型進行調整，特別是可進行在線調整，充分逼近裂解爐的 實際運行模型，為進一步的裂解過程優化控制提供適用的模型。首先進行不同原料、不同操作條件的模擬裂解試驗，原料按照氣體原料、輕烴原 料、石腦油、柴油、加氫尾油分成幾大類分別進行試驗。原料選取工業實際裂解原料，性質變 化范圍要大一些，可以提高模型的原料適應性；試驗條件的選取主要停留時間、水油比、輻 射段出口溫度、輻射段出口壓力幾個關鍵參數進行變化，其變化范圍以涵蓋不同的常用爐 型的設計操作范圍。根據不同裂解原料的實驗數據分別采用統計建模的方法得到產品收率預測模型， 常用方法有線性回歸、非線性回歸、神經網絡、支持向量機或者以上不同模型相結合的改 進方法等，形成裂解原料產品收率預測模型庫，提高模型的適應性。實際應用時根據不同原 料組成特性，基于模式聚類方法選擇適宜的裂解產品預測模型，以該模型為基礎，利用工業 裂解爐的實際操作數據校正、調整模型的系統偏差，使模型可以準確的指示工業爐裂解深 度變化。然后以該模型為基礎，開發出在線深度控制系統。該系統可以定期采用在線分析 的組分數據對控制模型進行系統校正。裂解深度操作優化控制基于建立的產品預測模型，利用智能優化算法對模型進行操作優化，常用方法包 括遺傳算法、模擬退火、蟻群算法、粒子群算法、免疫算法或多種優化算法的結合，根據要求 的優化目標(如某幾個產品收率和最大化(如乙烯和丙烯收率最大、三烯收率最大化、三烯 三苯收率最大化等)或目標產物產值最大化或者某兩種產品收率比值為某固定值(如乙烯/丙烯、甲烷/丙烯等)等)進行計算，根據優化結果得到優化深度設定值(優化后的深度 控制參數)，作為深度控制器的輸入，進而對裂解爐操作進行調整，得到裂解爐的最佳運行 控制。具體控制過程如圖1。爐管最高壁溫預測模型的建立輻射段爐管壁溫是裂解爐操作中的一個重要參考指標，不允許高于設計溫度上 限。最高壁溫預測系統采用工藝操作數據、實測數據、歷史運行數據進行神經網絡建模，自 變量包括裂解爐運行時間、裂解爐燃燒器燃料用量、裂解溫度、裂解原料投料量和稀釋蒸汽 投料量。利用對輻射段爐管壁溫的測量數據，爐管最高壁溫預測模型采用統計模型方法建 模。下邊以廣義回歸神經網絡(GRNN神經網絡)為例加以介紹。GRNN神經網絡由四層構成輸入層、模式層、加和層和輸出層，其網絡結構如圖2 所示。壁溫預測的實現本實施例采用的GRNN網絡結構為(5:n: 2 1)，設置滑動因子為0. 05，其中，5為輸 入層節點數，表示計算管壁溫度的輸入參數個數即影響爐管壁溫的幾個關鍵因素，分別為 進料量、稀釋蒸汽量、COT、底部燃料量和側壁燃料量；η為模式層節點數，表示訓練樣本的 個數(利用工廠歷史測溫數據及DCS數據座位訓練樣本)；2為加和層節點數(GRNN中此數 值恒為2)，1為輸出層節點數，表示輸出溫度值。經過訓練，得到的模型可以較為準確地預測爐管最高壁溫，為控制模型提供必要 的約束變量。具體地說，在一套裂解裝置上實施本系統從而實現先進控制。該裝置已經實施了 高級控制。通過本方法，開發在線深度控制系統，實現先進控制。在線深度控制軟件系統的 總體技術路線如圖3所示。在線深度控制系統主要包括以下功能模塊(1)數據采集子系統基于OPC技術實現DCS控制系統的數據實時采集接口，利用VC++應用程序環境開 發OPC數據采集客戶端應用程序，采集所需過程變量存儲在數據庫SQLServer2005，實現現 場數據的及時更新與定時備份，為模型計算提供實時數據；客戶端應用程序與數據庫安裝 在上位機。(2)數據預處理子系統基于數據移動窗技術，利用在線數據濾波、去噪、異常檢測、數據融合等方法研究 實現生產數據的預處理系統，保證采集數據的準確性。(3)過程建模子系統通過模擬裂解試驗以及工業數據收集，通過大量的樣品數據回歸，建立裂解爐的 產物收率預測、優化模型及爐管最高管壁溫度預測模型，這是整個系統的核心模塊。(4)計算結果的處理與反饋入DCS控制根據模型計算結果，利用OPC技術把控制參數寫入DCS控制系統進行裂解深度實 時控制。綜上所述，對于本領域的普通技術人員來說，可以根據本發明的技術方案和技術 構思做出其他各種相應的改變和變形，而所有這些改變和變形都應屬于本發明所述的權利要求的保護范圍。
權利要求
1.一種乙烯裝置中控制裂解爐裂解深度的方法，其特征在于包括以下步驟(1)建立裂解產品的在線收率預測模型，利用工業運行數據校正建立針對多種裂解原 料的裂解深度在線預測、優化控制模型，獲得預測結果；(2)將預測結果寫入儀表控制系統，根據裂解產物深度參數對操作工藝條件進行調整。
2.根據權利要求1所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 步驟(1)進行模擬裂解裝置試驗，獲得不同原料在不同操作條件下的產品收率，以工藝機 理仿真和試驗數據為基礎，采用統計模型的建模方法建立產物收率預測模型，采用智能優 化算法建立工藝優化模型，通過對工業裂解爐進行產品取樣標定，獲得工業裂解爐產品收 率，進一步包括(1. 1)針對不同的原料物性和工藝條件預測出裂解后的主要產物收率分布；(1. 2)根據原料的種類切換到相應的原料預測模型下進行預測。
3.根據權利要求1所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 乙烯裝置中控制裂解爐裂解深度的方法，其特征在于步驟( 利用工業運行數據對預測模 型進行數據校正，獲得裂解深度預測優化控制模型，進一步包括基于客戶端/服務器(C/S) 運行模式，把裂解深度優化結果實時寫入儀表控制系統。
4.根據權利要求2所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 步驟(1. 1)進一步包括(1. 1. 1)進行模擬裂解裝置試驗，獲得不同原料在不同操作條件下的產品收率，以工藝 機理仿真和試驗數據為基礎，建立產物收率預測模型；(1. 1. 2)基于步驟1. 1. 1建立的收率預測模型，建立工藝優化模型；(1. 1. 3)通過對工業裂解爐進行產品取樣標定，獲得工業裂解爐產品收率。
5.根據權利要求2所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 步驟(1. 2)進一步包括(1.2. 1)利用工業運行數據對預測模型進行數據校正，獲得裂解深度預測優化控制模型；(1. 2. 2)利用該模型，結合在線數據校正、數據濾波、異常檢測技術，進行裂解深度在線 控制。
6.根據權利要求5所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述 的裂解深度預測優化模型分別針對不同裂解原料設計，裂解原料包括乙烷、丙烷、LPG、石腦 油、柴油、加氫尾油。
7.根據權利要求1所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 步驟( 裂解產物深度參數對操作工藝條件進行調整，進一步包括選擇影響裂解深度波動 的工藝操作參數，針對當前原料物性，基于產物收率預測計算出當前控制條件下的裂解深 度，寫入DCS系統，該深度作為控制設定值對裂解爐的裂解深度進行調整控制。
8.根據權利要求7所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 影響裂解深度波動的工藝操作參數為原料進料量、稀釋蒸汽量、輻射段爐管出口溫度，原料 物性包括原料的比重、餾程與族組成。
9.根據權利要求1所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述的 步驟(1)可以預測出裂解爐輻射段最高壁溫，作為控制約束參數。
10.根據權利要求9所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于，利用 裂解爐爐管測溫數據和工藝操作參數，采用統計建模的建模方法，得到爐管最高壁溫的預 測模型；工藝操作參數包括裂解爐運行時間、裂解爐燃燒器燃料用量、裂解溫度、裂解原料 投料量和稀釋蒸汽投料量。
11.根據權利要求2或10所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于 所述的統計模型的建模方法包括線性回歸、非線性回歸、神經網絡、支持向量機或者以上不 同模型相結合的建模方法。
12.根據權利要求2所述的乙烯裝置中控制裂解爐裂解深度的方法，其特征在于所述 的智能化算法包括遺傳算法、模擬退火、蟻群算法、粒子群算法、免疫算法或以上優化算法 的結合。
全文摘要
本發明涉及一種乙烯裝置中控制裂解爐裂解深度的方法。本發明公開了一種面向石油化工企業乙烯裂解爐的裂解深度在線預測、優化控制的方法，采用本技術后，可以根據原料性質、優化目標的變化，實時調整操作工藝條件，使裝置在優化的工藝條件下運行，其包括以下步驟(1)建立裂解產品的在線收率預測模型，利用工業運行數據校正建立針對多種裂解原料的裂解深度在線預測、優化控制模型，獲得預測結果；(2)將預測結果寫入儀表控制系統，根據裂解產物深度參數對操作工藝條件進行調整。
文檔編號G05B19/418GK102053595SQ20091023592
公開日2011年5月11日 申請日期2009年10月30日 優先權日2009年10月30日
發明者周叢, 巴海鵬, 張兆斌, 張利軍, 張永剛, 李蔚, 杜志國, 王國清, 陳碩 申請人:中國石油化工股份有限公司, 中國石油化工股份有限公司北京化工研究院