石油化工常压塔产品质量软测量技术应用
一 前言
在石油化工加工过程中，常压塔控制的主要目标之一是实现常压塔的质量控制。目前常压塔产品的质量每隔4h化验分析一次，然后依据分析结果调整生产过程，即进行间接质量控制，但由于滞后时间太长，很难保证过程控制的质量。在线质量仪表不仅价格昂贵，而且也存在滞后，不利于控制，所以建立快速、准确的产品质量在线软测量仪表，实施常压塔质量控制，就成为一项迫切的任务。近年来，软测量技术在过程控制领域得到广泛关注，其目的是通过在线可测的过程变量估计在线难以测量的质量指标或控制参数。但在应用统计方法建立复杂化工过程的数学模型时，往往会面临诸如过程变量众多而建模样本少、变量相关、输入变量X和输出变量Y之间具有高度非线性、建模数据受噪声污染等问题。本文将神经元网络方法用于常压塔塔顶产品的质量软测量建模，较好地解决了以上问题，并且在模型训练时引入自学习功能，提高了模型精确度，使其具有较好的推广性能。
二 神经元网络模型建立方法
神经元网络作为新兴现代智能控制领域的一个分支，近年来在工业自动化领域已有不少应用。由于神经元网络能够根据对象输入、输出的数据直接建立模型，不需要对象的先验知识，并且其实现校正的算法可以用网络的在线学习实现，因此，用神经元网络模型实现软测量是非常有效和相对容易的。本文利用径向基函数(RBF)网络来建立对象模型。RBF网络的结构与多层前向网络类似，它是一种3层前向网络。输入层由信号源节点组成；一 前言
在石油化工加工过程中，常压塔控制的主要目标之一是实现常压塔的质量控制。目前常压塔产品的质量每隔4h化验分析一次，然后依据分析结果调整生产过程，即进行间接质量控制，但由于滞后时间太长，很难保证过程控制的质量。在线质量仪表不仅价格昂贵，而且也存在滞后，不利于控制，所以建立快速、准确的产品质量在线软测量仪表，实施常压塔质量控制，就成为一项迫切的任务。近年来，软测量技术在过程控制领域得到广泛关注，其目的是通过在线可测的过程变量估计在线难以测量的质量指标或控制参数。但在应用统计方法建立复杂化工过程的数学模型时，往往会面临诸如过程变量众多而建模样本少、变量相关、输入变量X和输出变量Y之间具有高度非线性、建模数据受噪声污染等问题。本文将神经元网络方法用于常压塔塔顶产品的质量软测量建模，较好地解决了以上问题，并且在模型训练时引入自学习功能，提高了模型精确度，使其具有较好的推广性能。
二 神经元网络模型建立方法
神经元网络作为新兴现代智能控制领域的一个分支，近年来在工业自动化领域已有不少应用。由于神经元网络能够根据对象输入、输出的数据直接建立模型，不需要对象的先验知识，并且其实现校正的算法可以用网络的在线学习实现，因此，用神经元网络模型实现软测量是非常有效和相对容易的。本文利用径向基函数(RBF)网络来建立对象模型。RBF网络的结构与多层前向网络类似，它是一种3层前向网络。输入层由信号源节点组成；第二层为隐含层，单元数视所描述的问题需要决定；第三层为输出层，它对输入模式的作用作出响应。从整体上看，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的，这样网络的权就可由线性方程组直接解出或用RLS方法递推计算，从而大大加快了学习速度，可比通常的BP算法快103~104倍，并避免了局部极小问题。
通过大量的考察和论证，结合呼和浩特炼油厂常压塔各侧线产品与各过程变量之间存在着严重的非线性对应关系的情况，我们考虑利用神经元网络来解决常压塔产品质量在线软测量问题。此方法应用于常顶汽油干点软测量模型的建立，取得了较好的效果。
三 常顶汽油干点软测量模型的建立
首先从工艺机理出发，定性分析与干点有关的因素，同时根据实际装置的情况，筛选出影响较大的变量建立相应的函数关系，然后基于现场采集的数据，建立相应的自适应干点预测数学模型。影响汽油干点的因素很多，包括原料性质、常压炉温度、塔顶压力和温度、装置处理量、塔顶回流量等。经过认真分析现场数据，发现其中影响最直接的工艺因素是：塔顶温度、塔顶压力、原油掺炼比、顶循环量、塔底吹汽量、进料温度、回流比等。这些影响因素在很大程度上反映了其他因素的变化，将其作为输入变量，干点值作为输出变量，用神经元网络建立干点预测数学模型。
将从现场获得的数据分为两组，分别作为学习样本和校验样本，经过多次试算确定网络结构，即输入节点数为3，隐节点数为7，输出节点数为1，利用RBF算法使训练精确度达到0.0001，最终得到干点计算模型。软测量模型在TDC-3000系统中的AM上实现，它不断采集相应的工艺数据，实时计算出干点值。经过一段时间的运行，证明该模型预测干点值具有较高的精确度。通过对150组化验值与预测值的比较，发现平均误差为0.85℃，误差超过1.65℃的有11个数值，占7.3% ，经分析这些误差较大的数据与化验人为误差有一定的关系。
第二层为隐含层，单元数视所描述的问题需要决定；第三层为输出层，它对输入模式的作用作出响应。从整体上看，网络由输入到输出的映射是非线性的，而网络输出对可调参数而言却又是线性的，这样网络的权就可由线性方程组直接解出或用RLS方法递推计算，从而大大加快了学习速度，可比通常的BP算法快103~104倍，并避免了局部极小问题。
通过大量的考察和论证，结合呼和浩特炼油厂常压塔各侧线产品与各过程变量之间存在着严重的非线性对应关系的情况，我们考虑利用神经元网络来解决常压塔产品质量在线软测量问题。此方法应用于常顶汽油干点软测量模型的建立，取得了较好的效果。
三 常顶汽油干点软测量模型的建立
首先从工艺机理出发，定性分析与干点有关的因素，同时根据实际装置的情况，筛选出影响较大的变量建立相应的函数关系，然后基于现场采集的数据，建立相应的自适应干点预测数学模型。影响汽油干点的因素很多，包括原料性质、常压炉温度、塔顶压力和温度、装置处理量、塔顶回流量等。经过认真分析现场数据，发现其中影响最直接的工艺因素是：塔顶温度、塔顶压力、原油掺炼比、顶循环量、塔底吹汽量、进料温度、回流比等。这些影响因素在很大程度上反映了其他因素的变化，将其作为输入变量，干点值作为输出变量，用神经元网络建立干点预测数学模型。
将从现场获得的数据分为两组，分别作为学习样本和校验样本，经过多次试算确定网络结构，即输入节点数为3，隐节点数为7，输出节点数为1，利用RBF算法使训练精确度达到0.0001，最终得到干点计算模型。软测量模型在TDC-3000系统中的AM上实现，它不断采集相应的工艺数据，实时计算出干点值。经过一段时间的运行，证明该模型预测干点值具有较高的精确度。通过对150组化验值与预测值的比较，发现平均误差为0.85℃，误差超过1.65℃的有11个数值，占7.3% ，经分析这些误差较大的数据与化验人为误差有一定的关系。
