久久久91-久久久91精品国产一区二区-久久久91精品国产一区二区三区-久久久999国产精品-久久久999久久久精品

孫自強   陳詩淮

1  引言

    連續催化是石油加工過程中重要的二次加工方法，能生產高辛烷值汽油、芳烴和氫氣，在煉油廠占有重要的地位。在催化劑再生過程中，再生器燃燒區入口氧含量是一個重要的被控變量。較高的氧含量會導致較高的燃燒溫度，造成催化劑損失；較低的氧含量會造成焦碳燃燒較慢，使催化劑不能在燃燒區完全燃燒。現有的再生器氧含量測量辦法是利用一種特殊的進口氧氣分析儀，它基于氧化鋯測量原理工作。但是由于測量環境和采樣點條件惡劣，設備工作不很穩定，設備本身也極易腐蝕損壞；同時，由于該分析儀是進口產品，除了儀表價格高外，采購周期也過長，這樣就很難確保催化劑再生過程長周期地平穩生產。一旦停止對再生器氧含量的測量，就會直接影響再生器燃燒區溫度的控制，從而影響整個生產過程[1]。本文提出一種重整再生器氧含量軟測量系統，實現對再生器氧含量的軟測量。

2  基于遺傳算法的T-S模糊神經網絡建立再生器氧含量模型

    首先運用遺傳算法優化T-S網絡參數，分為以下幾個步驟[2]：① 染色體編碼；② 指定適應度函數；③ 遺傳算子的制定；④ 染色體的初始化；⑤ 參數設定，設定諸如染色體數量、染色體長度、交叉概率、突變概率、終止條件等參數；⑥ 由遺傳算法按復制、交叉、變異三種操作尋找最佳串；⑦ 根據最佳串Smp給出實際問題的最優解。

    通過對工藝進行分析處理，確定出建立氧含量軟測量模型所需的15個輔助變量，從現場生產記錄中，選取了200組用于建模訓練，另外選取100組用于驗證模型。先對建模數據通過PLS進行分析，根據總的方差貢獻率的大小，選擇5個主元變量作為模型的輸入。另外再選擇輸出變量滯后一拍反饋回輸入層作為一個輸入變量，因此模型共有6個輸入變量和一個輸出變量。

    每一個輸入變量被分成2個模糊集合，隸屬函數采用廣義鐘形隸屬函數，其形式如下：

    它有三個參數a、b、c，其中參數b為正值，參數c用于確定曲線的中心。

    T-S模型有6個輸入變量，所以共有26=64條模糊規則，模糊規則具有如下的形式：IF ^x₁(k-1)  IS M₁ⁱ  AND ^x₂(k-1)  IS M₂^i... AND^x₅(k-1) IS M₅ⁱ AND _yⁱ(k-1) IS M₆ⁱ THEN _yⁱ(k)=p₀ⁱ+p₁ⁱx₁(k-1)+...+p₅ⁱx₅(k-1)+p₆ⁱyⁱ(k-1)(i=1,2,...,64)

    其中M_jⁱ    為模糊集合， n為模糊集合的個數， l為模糊規則數。 yi(k)為第i條模糊規則的輸出。

    每一條規則有七個后件參數，總共有7?4=448個參數。

    采用基于遺傳算法的T-S模糊神經網絡（GA_T-S）方法建立模型[3]。每個輸入變量的模糊分檔數T1取2。訓練及檢驗結果見圖1與圖2，擬合誤差（RMSE）為0.00097，檢驗誤差（RMSE）為0.0021，可見模型訓練精度和檢驗精度都很高。

圖1  氧含量模型訓練結果（GA_ T-S）

圖2  氧含量模型檢驗結果（GA_ T-S）

3  DCS的組建

3.1系統硬件

    連續重整裝置采用的DCS是美國Honeywell公司的TPS（Total Plant Solution，全廠一體化）系統。由于連續重整裝置是與汽柴油加氫精制裝置一起并為聯合裝置的，所以該DCS其實是整個聯合裝置的計算機控制系統，如圖3所示。其中HPM完成對現場工藝過程信號的輸入/輸出以及部分控制功能；UCN作為最低層的控制網絡；NIM對現場工藝過程的控制以及完成對最低層網絡模塊的管理；LCN作為上層管理和監視網絡；HM作為整個DCS的“硬盤”。

    LCN網是TPS系統的主干網，在LCN網上掛有不同功能的LCN網絡模件。位于中央控制室的5臺GUS作為連續重整裝置操作站。位于遠程控制室的2臺GUS作為工程師站，其中一臺工程師站用于先控數據采集與傳輸。遠程控制室與中央控制室之間的LCN和以太網靠光纜連接，LCN與UCN均為冗余配置。其中LCN通信協議符合IEEE制定的IEEE802.4開放系統互連模型標準總線拓撲結構，廣播式通信方式，令牌存取通信控制，串行傳輸信號速率為5Mbps。

圖3  連續重整-加氫精制聯合裝置DCS系統結構圖

    DCS數據采集是在工程師站（GUS）上實現的。DCS系統程序采用Display Builder（一種類似于VB的語言）編寫的，主要分為三個部分：
   (1)GUS與LCN之間的數據雙向傳送
    LCN上的數據每隔1分鐘被采集到GUS上一次，并集中通過以太網傳送到上位機上，同時，上位機的數據也通過以太網傳送到GUS上，通過GUS送到LCN。

   (2)數據的處理
    為了提高數據傳送的效率和方便系統管理，數據按照不同的需要分成若干個分組，分別進行采集處理和傳送。過程參數的狀態首先被采集，數據處理模塊進行檢測，發現狀態錯誤，就不采集相應過程點的參數；同時，狀態信息通過數據傳送模塊送到數據文件，軟測量程序就會采取相應的措施。此外，時間參數經過轉換后也送到上位機，軟測量程序會根據時間是否更新，判斷數據傳送是否正常，從而采取相應對策。

   (3)界面顯示
    本文研制的軟測量和優化系統單獨安排在一臺專用計算機上，作為DCS的上位機掛接在網絡上。各模塊運行的狀態等信息通過界面顯示出來，便于觀察程序的運行狀態。

3.2系統軟件

   (1)氧含量軟測量程序框架
    軟測量程序用Visual Basic 6.0編寫；人機操作界面用組態王Kingview6.0編寫[4]；現場采樣工藝數據由DCS采集后通過企業內部網絡送到本系統所在的上位機；軟測量程序每2分鐘定時讀取一次采樣數據；軟測量程序與操作界面程序通過DDE連接。

    軟測量過程是連續進行的。為此選用了一個定時器控件Timer，設定時間為2分鐘，與DCS傳送過來采樣數據時間間隔一致。在這2分種時間里，要完成讀數據和軟測量計算等所有工作。當設定時間到時，進入新的定時階段，重復前面的工作，這樣一直循環下去。

   (2)人機操作界面
    ①工藝流程顯示
    如圖4所示是軟測量操作運行界面圖，上面有再生工藝過程簡圖，實時顯示與氧含量軟測量相關的工藝變量的位號與數值以及棒狀圖、閥門開關狀態、閥門開度及故障信息等，并且將氧含量的軟測量值與在線氧分析儀的輸出信號放在一起顯示。

圖4  軟測量操作運行界面

    ②實時趨勢
    實時趨勢畫面上將當前采樣信息以實時記錄曲線方式顯示出來，共有3幅實時趨勢畫面，分別記錄再生反應器9個溫度測量值以及在線氧分析儀輸出值、氧含量軟測量值。

    ③歷史趨勢
    歷史趨勢畫面也有3幅，分別記錄再生反應器9個溫度測量值、在線氧分析儀輸出值以及氧含量軟測量值在以前某一段時間內的數值，幫助操作者了解查詢被測變量的變化趨勢。

    ④報表
    報表畫面有兩幅，有實時數據報表和歷史數據報表。

    ⑤報警記錄
    報警記錄畫面可以實時顯示9個溫度量，3個流量，氧含量及結焦量的報警情況。

    ⑥DDE通信
    本人機界面是通過DDE和Visual Basic之間的動態數據交換，從而實現同現場數據的通信和交互。當獲取采樣信息并在操作界面顯示時，組態王作為顧客程序向VB得到數據。當操作者通過操作界面向VB發送數據或命令，如向軟測量程序手動輸入結焦含量時，組態王作為服務程序向VB提供數據。

    具體實現時，如果組態王向VB提供數據，則在VB窗口放上文本框或標簽等，并且設置LinkTopic、LinkItem、LinkMode三個屬性。

    Control. LinkTopic=服務器程序名|主題名 

    Control. LinkItem=項目名

    Control. LinkMode=1

    其中Control是文本框或標簽名字，Control. LinkMode選“1”表示熱連接。

    如果組態王從VB得到數據，則需要在組態王定義變量時說明服務器程序的三個標識名，即：應用程序名設為VB可執行程序的名字；話題名設為VB中窗體的LinkTopic屬性；項目名設為VB控件的名字。

4  實施效果

    現場原先使用的氧化鋯氧氣分析儀是美國AMETEK公司專為UOP公司Cyclemax催化劑再生部分量身定制的氧氣分析儀，因此具有無可替代性，價值約為40多萬人民幣。同時這臺儀表的測量元件是一種特制的（防氯腐蝕、抗高溫）、高精度元件，正常使用壽命為二年，備件價格約為3萬多人民幣，維護成本也不低。

    進行再生器氧含量軟測量模型開發的目的是為了提高測量精度和減輕設備備件采購壓力，特別是在設備方面。自軟測量模型投用以來，軟測量值基本上與分析儀表測量值趨勢走向是一致的。另外，根據操作人員實際反應，對操作過程有指導意義；而且有時氧分析儀故障的時候，此軟測量系統即可起到參考作用，指導實際工藝操作，從而提升再生系統安全運行的可靠性。如果不對氧含量分析將造成操作失控，直接導致燒焦區氧含量損壞，損失人民幣140多萬元。同時軟測量模型的投用對廠設備系統而言，無論是現場維護、還是計劃采購，都減輕了壓力。因此本系統投運后達到了預期效果。重整再生器氧含量軟測量系統經現場應用已經一年多，運行結果表明能夠完成再生器氧含量實時測量任務。本項目已經通過上級部門組織的科技成果鑒定。

參考文獻：
[1]  CCR platformingTM process technology - general operating manual, UOP, 1996, 5.
[2]  文紹純, 羅飛. 基于遺傳算法的人工神經網絡的應用綜述[J]. 自動化與儀器儀表, 2001, (6): 1-4.
[3]  羅榮富, 邵惠鶴. 軟測量方法及其工業應用[M]. 工業過程模型化與控制[M]. 上海交通大學出版社, 1994: 253-260.
[4]  組態王6.0使用手冊[Z]. 北京亞控科技發展有限公司, 2001.