[发明专利]一种催化裂化装置的反馈控制方法

权利要求书

1.一种催化裂化装置的反馈控制方法，其特征在于，包括以下步骤：

S1、在催化裂化装置中预设分离器中的反应温度的设定值T_c，所述的催化裂化装置包括用于控制分离器温度、旋风分离器温度的主控制器；

S2、基于催化裂化装置中测量到的过程变量，构造被控变量C，并预设其设定值C_s；所述的过程变量包括再生器温度T_rg、提升管温度T_ri；所述的被控变量C＝aT_rg+bT_ri，所述的a、b为常数；

S3、在催化裂化装置中增加一个反馈控制器，利用反馈控制器控制调节所述的反应温度的设定值T_c，在反应温度的设定值T_c变化的过程中将通过主控制器改变第一控制开关的工作状态，实现对所述的再生器温度T_rg和提升管温度T_ri的调节，进而调节被控变量C，反馈控制器通过闭环调节将最终降低所述的被控变量C与其设定值C_s之间的误差D，使所述的误差D不大于0.1，所述的误差

上述技术方案中的被控变量C及其设定值的计算方法如下：

第一步，收集催化裂化过程的历史数据绘制历史数据曲线图，包含6个变量：空气质量流量F_a、再生催化剂流量F_sc、再生器温度T_rg和提升管温度T_ri，旋风分离器温度T_cy，产品汽油含量y_g1；

第二步，观察历史数据曲线图，在数据集中去除过程处于动态波动时的数据段，保留系统处于稳定时所采集的数据，共得到N组数据，记为数据集G1，维度为N*6；

第三步，将N组数据归一化，使每个变量的均值为0，方差为1，再使用主成分分析算法，主成分个数设为M个，M取为4-5，得到N组M个主成分变量的数据集，记为G2，维度为N*M；

第四步，在G1中，选择空气质量流量F_a和再生催化剂流量F_sc这两个变量所对应的数据，和G2中的M个主成分变量进行线性相关分析，根据得到的线性相关系数对G2的列进行重排列，将G2中分别和F_a和Fsc相关系数最高的2个主成分变量置于第1—2列的位置，剩余的M-2列分别置于第3—M列，重新排列后的主成分变量分别记为t₁，t₂，…t_M，数据集记为G3，维度为N*M；

第五步，基于非线性神经网络进行回归分析，其中输入变量为M个主成分，即t₁，t₂，…t_M，输出变量为N个数据对应的经济指标J，定义为

J＝-(p_glF_gl+p_gsF_gs+p_ugoF_ugo-p_oilF_oil)

在上式中，各项分别表示产物收益及原料成本，其中p_gl、p_gs、p_ugo和p_oil分别为汽油价格、轻气价格、未转化原料的价值和汽-油原料价格，F_gl、F_gs、F_ugo和F_oil分别为汽油产量、轻气产量、未转化原料的量和初始原料流量，得到的神经网络模型记为Z(输入为t₁，t₂，…t_M，输出为J)，实施过程中选取的类型为径向基神经网络；

第六步，基于神经网络模型Z，对N组情形分别优化经济指标J，采用的数值优化算法为序列二次规划法，其中仅优化t₁和t₂这两个变量，t₃—t_M保持不变，即G3中第3-M列中的数据保持不变，得到N组t₁和t₂的最优解，用它们替换G3中的第1-2列，得到的新数据集记为G4，维度为N*M；

第七步，将G4包含的N组主成分变量数据，逆变换到原始的6变量空间，得到的数据集记为G5，维度为N*6；逆变换算法所需的变换矩阵在第三步中的主成分分析算法中得到；

第八步，选择G5中再生器温度T_rg和提升管温度T_ri对应的两列数据，并加上N*1的列向量常数1，组成数据集G6，维度为N*3；

第九步，对G6的转置(G6^T)及自身的乘积G6^T*G6进行特征值分解，得到3个特征值和各自对应的特征向量；

第十步，对3个特征值从小到大进行排序，取最小特征值对应的特征向量，记为v₁＝[a b-c_s]^T，前两个系数a和b分别为被控变量C中T_rg和T_ri对应的系数，最后一个系数为设定值c_s的负数；

通过上述步骤，便可以依次确定出常数a、b的数值、被控变量的设定值c_s。