[发明专利]一种催化裂化粗汽油干点软测量仪表

权利要求书

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：TX‾=1NΣi=1NTXi---(1)]]>

计算方差：σx2=1NΣi=1N(TXi-TX‾)2---(2)]]>

归一化：X=TX-TX‾σx---(3)]]>

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)

x2=PxG---(5)]]>

xG=R2MgR2Mg+R3Mgas+RW18---(6)]]>

x3=R1R2---(7)]]>

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：

fr(x)=Σi=1nrwiφ(||x-ci||)---(9)]]>

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。