[发明专利]一种汽油精制设备的操作参数优化方法

说明书

本发明公开了一种汽油精制设备的操作参数优化方法。首先采集若干组原始数据并对原始数据进行处理，利用距离相关系数获得主要特征向量，然后将获得的特征向量利用BP神经网络建立关于最终产品辛烷值和硫含量的预测模型，最后根据建立的预测模型，采用遗传算法获得主要特征向量的最优操作操作参数组合，同时将实际产生的优化结果加入样本库再学习。本发明提供的一种汽油精制设备的操作参数优化方法，可以准确预测产品最终辛烷值和硫含量，并能获得主要操作变量优化设定值，有效降低辛烷值损失，实现汽油精制过程的智能优化过程。

技术领域

本发明涉及工业自动控制技术领域，特别涉及一种基于神经网络及遗传算法的汽油精制设备的操作参数优化方法。

背景技术

目前，我国有超过70％的汽油都是由催化裂化生产得到的，因此在成品汽油中，有95％以上的硫和烯烃来自催化裂化汽油。其中，烯烃是影响汽油辛烷值(衡量汽油抗爆震燃烧能力的指标，数值越高越好)的重要化学成份，而硫会对汽车原件造成不良影响以及污染环境。所以，必须对催化裂化汽油进行精制处理以满足汽油质量要求并且在处理过程中减少辛烷值损失和降低硫含量。催化裂化汽油吸附脱硫S-Zorb装置具有耗氢量少、脱硫率高、辛烷值损失小的特点，可以满足国内日益提高的环保要求。因此，S-Zorb装置为国内主要的催化裂化汽油精制设备之一。

但是，S-Zorb装置设备操作参数有氢油比、反应过滤器压差、还原器压力等超过三百个操作变量。因此，需要调整优化装置的各个操作参数，以获得高质量的汽油。传统的优化方法一般为数据关联方法确定参数和因变量之间的相关性或者化学机理方法根据相关重要化学反应强度或化学参数对部分参数进行调整，然而数据关联模型中要求变量相对较少，化学机理对原料的分析要求较高和对过程优化的响应不及时，因此，两种优化方法效果不是很理想。

本发明通过采集原始数据，并对其进行数据清洗，包括采用最大最小限幅方法和拉依达准则以及均值法对异常值进行处理，然后计算各个变量之间的相关距离系数生成相关距离系数矩阵，进而获得相关性评分并根据评分大小选择主要操作变量，之后通过神经网络模型建立辛烷值和硫含量的预测模型，最后采用遗传算法获取主要操作变量的最佳操作参数组合。

发明内容

本发明目的在于提供一种汽油精制设备的操作参数优化方法，对不同操作变量下的汽油辛烷值和硫含量进行预测；通过优化主要操作变量参数，减少汽油精制过程中的辛烷值损失量并确保脱硫效果。

为了实现以上目的，本发明所采用的技术方案包括以下步骤：

步骤S1.原始数据采集：记录原料、产品和吸附剂性质并从精制设备上采集数据，包括氢油比、反应过滤器压差、还原器压力等在设备上的可调整的操作变量；

步骤S2.数据处理：对步骤S1中获得的数据进行处理得到正常数据；

步骤S3.特征选择：计算所有操作变量的距离相关系数，之后对操作变量的距离相关系数求和获得评分系数，按照评分系数排序获得25个主要操作变量；

步骤S4.神经网络模型训练：将经过处理的数据样本送入预设的神经网络模型进行训练；

步骤S5.操作参数优化：将已知较优的操作参数作为初始化变量，代入遗传算法中并将参数代入预测模型中迭代获得最优操作参数变量；

步骤S6.再学习：将优化后的主要操作参数输入至精制设备中，获得实际产品辛烷值和硫含量。将获得的参数和实际的产品辛烷值和硫含量再次加入样本库中，使得神经网络模型越来越稳定，预测准确率越来越高。

所述步骤S2数据处理包括最大最小值限幅、拉依达准则去除异常值以及均值法替换异常值:

步骤S21:所述最大最小值限幅是指根据操作变量理论取值范围确定实际测量值是否异常，如果异常则剔除；