硕士论文——基于神经网络在线观测化工系统不可测输入的研究.pdf

厦门大学 硕士学位论文 基于神经网络在线观测化工系统不可测输入的研究 姓名：郑辉 申请学位级别：硕士 专业：化学工程 指导教师：曹志凯 20090801 摘要 对于像催化裂化提升管反应器和循环流化床锅炉燃烧系统这样的非线性、分 布参数、多变量、紧密耦合、大滞后的化工系统，非线性状态观测器的构造一直 没有统一的方法，这类系统刚性强，直接从数学模型中去求解逆系统十分困难。 神经网络等数据辨识方法对非线性系统有良好逼近性能，应用神经网络的数据辨 识方法来构造逆系统，不失为实现这类系统不可测变龟在线观测的有效途径。 本文首先以催化裂化提升管反应器工业装置为研究对象，以本实验室研究建 立的催化裂化反应再生系统动态数学模型为基础，在本实验室开发的x d - - a p c 软 件平台上完善催化裂化反应再生模型的组态，优化了反应再生仿真系统，模拟实 际工业装置的计算机控制过程，从此仿真系统中获得催化裂化不可测输入研究的 仿真数据，建立了基于机理模型的催化裂化提升管反应器不可测输入的在线观测 系统，并利用b p 神经网络对f c c u 过程中不可测输入变量( 催化剂循环量和裂化 反应热) 进行在线观测研究。 同时，本文将此方法推广到循环流化床锅炉装置，以本实验窄研究建立的循 环流化床锅炉动态数学模型为基础，在本实验室开发的基于x d - a p c 软件平台的 仿真系统上模拟实际工业装置的控制过程，且从此仿真系统中获得循环流化床锅 炉不可测输入研究的仿真数据，结合工业数据，利用b p 神经网络和r b f 神经网 络对过程不可测输入变量( 挥发份含量和含碳量) 进行在线观测研究。 研究结果表明，利用神经网络构造逆系统，可以对相关化工过程的不可测输 入变量进行在线观测，观测效果良好。 关键词：不可测输入在线观测神经网络催化裂化循环流化床锅炉 a b s t r a c t t ot h ec h e m i c a ls y s t e m ss u c ha sf c c ua n dc f b bt h a ta r en o n l i n e a r , p a r a m e t e r d i s t r i b u t i n g , v a r i a b l en u m e r o u s ，c o u p l i n gc l o s e ，l a gp r o d i g i o u s ，t h ec o n f o r m a t i o no f n o n l i n e a rp o s t u r a lo b s e r v a t i o ns t a t i o nd on o th a v et h eu n i f o r mm e t h o d s t h e s e s y s t e m s r i g i d i t yi su s u a l l yf o r m i d a b l e ，s oi ti sq u i t ed i f f i c u l tt oe x p l a i nt h ec o n t r a r y s y s t e md i r e c t l yf r o mt h em a t h e m a t i cm o d e l t h em e t h o d so fd a t ad i s t i n g u i s h e ds u c h a st h en e u r a ln e th a v et h ef a v o r a b l ei m m i n e n tc a p a b i li t y , s oi ti sa ne f f e c t i v ea p p r o a c h t oa p p l yt h en e u r a ln e tt oc o n s t r u c tt h ec o n t r a r ys y s t e mt or e a li z et h eo n - l i n e o b s e r v a t i o no ft h e s es y s t e m s t h i sa r t i c l ef i r s t l ym a k e st h ef c c ua st h es t u d yo b j e c lb a s e do nt h es i m p l i f i e d f c c ur e a c t i o n r e g e n e r a t i o nm a t h e m a t i cm o d e l ，t h es i m u la t i o ns y s t e mo ff c c u r e a c t o r - r e g e n e r a t o ri sd e v e l o p e do nx d - a p c a n du s et h i ss i m u l a t i o nt og e tt h e i n d u s t r i a ld a t ao ft h ef c c uu n m e a s u r e di n p u t s ，b a s i n gt h em e c h a n i s mm o d e lt h e e x p e r i m e n t e rb u i l dt h eo n l i n eo b s e r v a t i o nf o rt h eu n m e a s u r e di n p u t so ft h ef c c u s y s t e ma n du s et h eb pn e u r a l - n e tt oo b s e r v et h eu n m e a s u r e di n p u t s m e a n w h i l e ，t h i sa r t i c l ee x t e n d ss u c hm e a n st ot l l ec f b b w i t ht h es i m u l a t i o n s y s t e mo fc f bb o i l e rd e v e l o p e do nt h ex d - a p c ，t h i sa r t i c l ea i m sa tt h ec f bb o i l e r a n di sb a s e do nt h ec f b bm a t h e m a t i cm o d e lf r o mw h i c hw eg e tt h ei n d u s t r i a ld a t ao f t h ec f b bu n m e a s u r e di n p u t s m a k i n gu s eo ft h e s ed a t aa n ds o m eo t h e ri n d u s t r i a ld a t a , w eo b s e r v et h eu n m e a s u r e di n p u t s ( v o l a t i l ec o n c e n t r a t i o na n dc a r b o nc o n c e n t r a t i o n ) w i t ht h eh e l po fb pa n dr b fn e u r a l n e t t h er e s e a r c hr e s u l ti n d i c a t e st h a tu s i n gt h en e u r a ln e tt oc o n s t r u c tt h ec o n t r a r y s y s t e m , t h eo n - l i n eo b s e r v a t i o no ft h eu n m e a s u r e di n p u t so fc o r r e l a t i v ec h e m i c a l p r o c e s si sa v a i l a b l e ，w h i l et h ee f f e c to ft h eo b s e r v a t i o nf a v o r a b l e k e y w o r d s ：u n m e a s u r e di n p u t s ；0 1 1 - l i n eo b s e r v a t i o n ；n e u r a ln e t ；f c c u ；c f b b 厦门大学学位论文原创性声明 本人呈交的学位论文是本人在导师指导下，独立完成的研究成 果。本人在论文写作中参考其他个人或集体已经发表的研究成果，均 在文中以适当方式明确标明，并符合法律规范和厦门大学研究生学 术活动规范( 试行) 。 另外，该学位论文为() 课题( 组) 的研究成果，获得() 课题( 组) 经费或实验室的 资助，在() 实验室完成。( 请在以上括号内填写课 题或课题组负责人或实验室名称，未有此项声明内容的，可以不作特 别声明。) 声明人( 签名) ：乏气戈0 卅年7 州日 厦门大学学位论文著作权使用声明 本人同意厦门大学根据中华人民共和国学位条例暂行实施办 法等规定保留和使用此学位论文，并向主管部门或其指定机构送交 学位论文( 包括纸质版和电子版) ，允许学位论文进入厦门大学图书 馆及其数据库被查阅、借阅。本人同意厦门大学将学位论文加入全国 博士、硕士学位论文共建单位数据库进行检索，将学位论文的标题和 摘要汇编出版，采用影印、缩印或者其它方式合理复制学位论文。 本学位论文属于： () 1 经厦门大学保密委员会审查核定的保密学位论文， 于年月日解密，解密后适用上述授权。 () 2 不保密，适用上述授权。 ( 请在以上相应括号内打“”或填上相应内容。保密学位论文 应是已经厦门大学保密委员会审定过的学位论文，未经厦门大学保密 委员会审定的学位论文均为公开学位论文。此声明栏不填写的，默认 为公开学位论文，均适用上述授权。) 声明人( 签名) ： 1 年p 日 研错 l 第一章前言 1 1 软测量技术 第一章前言 软测量技术最早来源于b r o s i l o w 1 等人提出的推断控制思想，推断控制包 括推断估计器的构造和控制器的设计两部分内容，推断估计器的构造指的是采集 某些容易测量的变量( 也称二次变量或辅助变量) ，并构造一个以这些易测变量为 输入的数学模型米估计难测的主要变量( 也称主导变母) 。 1 1 1 软测量的定义 软测量方法指采用易直接测得的工艺参数( 二次测晕变量) ，通过数学模型的 计算，得到难以测量或者根本无法测量的关键变量值，它是一门新兴的工业技术。 软测量技术的基本思想就是选择与被估计变量( 主导变量) 有关的一组可测变量 ( 辅助变量) ，构造某种以可测变量为输入，被估计变量为输出的数学模型，用计 算机软件实现重要过程变量的估计；这类数学模型及相应的计算机软件也被称为 “软仪表，它估计值可做为控制系统的被控变量或反映过程特征的工艺参数， 为优化控制与决策提供重要信息。 1 1 2 软测量模型数学描述 软测量的目的就是利用所有可以获得的信息求取主导变量的最佳估计值，对 于如式( 1 1 ) 的系统而言，即构造从可测信息集o n 不可测变量v 的映射。可测信 息集乡包括所有的可测状态变最x ( x 可能部分可测) 以及可测输入甜。 文( 于) = f 【x ( f ) ，扰( f ) ，v ( ，) 】( 1 1 ) y = f ( x ，“)( 1 2 ) ( ) 为估计函数关系，即软测量模型，在实际生产中，工况处于平稳操作 状态时，式( 1 2 ) 所示的软测量模型可以简化为( 1 3 ) 表示的稳态模型 y = k0 ( 1 3 ) 第一章前言 1 1 3 软测量模型的建立【4 5 1 软测量模型是软测量技术的核心；它不同于一般意下的数学模型，它强调的 是通过二次变量来获得对主导变量的估计。建立软测量模型的方法很多，根据人 们对过程的认识程度可以分为机理建模方法、基于数据驱动的建模方法以及机理 和数据驱动相结合的混合建模方法。 1 1 3 1 纯机理建模方法 通过对生产过程物理化学过程的深刻认识直接分析初不可测主导变量与可 测辅助变量之问的定量关系，并用数学形式表达出来，与其他方法建立的模型相 比，机理模型可解释性强、外推性能好，就处理动态、静态、非线性等各种对象， 机理模型的性能最优越：文献0 6 。1 对原油塔馏分的估计就是是应用机理建模方法。 2 0 世纪9 0 年代以来，a p p l i e d a u t o m a t i o ni n c 等几家公司推出了基于动态数 学模型的计算方法，具有代表性的是应用状态观测起理论计算工业装置中的不可 测变量。观测器的基本理论是利用可测变量反馈，通过动态数学模型计算不可测 变量，它充分反映了变量之间的内在规律和联系。对于线性系统，应用k a l m a n 滤波器、l u e n b e r g e r 观测器的利用比较成熟了，有不少应用实例8 。1 0 l 。线性系统 观测器设计方法如下： 考虑n 维线性定常系统 x ( f ) = a x ( t ) + b u ( t ) ，x ( o ) = x 0 , f 0 ( 1 4 ) y o ) - - - c x ( t )( 1 5 ) 其中，a ，b 和c 分别为”聆，”p 和qxn 实常阵，状态变量工不能直接 加以测量，输出y 和输入“是可以利用的。所谓的全维状态观测器，就是以y 和 “为输入，且其输出爻( f ) 满足如下关系式： ! i m 曼( f ) = ! i m x ( t )( 1 6 ) ， ，- - ) , o o 首先，根据已知的系数矩阵a ，b 和c ，按和原系统相同的结构形式，复制 出一个基本系统。然后，取原系统输出y 和复制系统输出夕之差值信号作为修正 2 第r 一章前言 变量，并将其增益矩阵馈送到复制系统中积分器的输入端，构成一个闭环系统， 如图1 1 所示。 图1 1 全维状态观 ! 1 1 9 器 显然，这个重构系统是以原系统的可量测变量y 和“为输入的一个n 维线 性定常系统，其中有待确定的系数矩阵只有，可使这个重构系统称为给定系统 的一个全维观测器。在被估系统臼，b ，c ) 满足一定条件下，通过适当地选取增益 矩阵，可使这个鼋构系统成为给定系统的一个全维状态观测器。 从上图，可以得到此种伞维状态观测器的动态方程为： 戈= ( a l c ) 爻c + l c x + b u ，戈( o ) = 爻o( 1 7 ) 假设，z = x 一曼为真实状态和估计状态间的误差，那么可以导出z 所满足的 方程为： 舅= ( a l c ) 舅，舅( o ) = 式= x o 一舅o ( 1 8 ) 这表明，不管初始误差 o 为多大，只要使矩阵a - l c 的特征值五( 彳一l c ) 都 具有负实部，那么一定可以得到式( 1 6 ) ，即实现状态的渐近重构，进而，如果可 通过选择增益矩阵使乃( 彳一三c ) 任意配置，则舅( ，) 的衰减快慢是可被控制的。 显然若旯, ( a - t c ) 均具有小于一仃的负实部，则可断言舅( f ) 的所有分量将以比 第一章前言 p 吲要快的速率衰减之零，即可使重构状态叠( f ) 很快地趋于真实状态x ( f ) 。如此， 就实现了全维状态观测器的构造。 线性系统的状态观测器还包括降维状态观测器，其基本原理与全维状态观测 器一致，这里不加以详细介绍了。 但对于普遍存在的非线性系统，如何构造非线性观测器，目前尚无一般方法， 现出现了扩展k a l m a n 滤波器、伪线性观测删1 1 1 以及各种非线性观测器方法【1 2 17 】； 文献【1 5 , 1 6 1 用时间多项式来逼近非线性系统的不可测输入，在此基础上提出了一般 非线性系统不可测输入的可观测充分性简化条件，并应用于催化裂化提升管的催 化剂循环量的在线观测。但这些非线性系统状态观测器求解困难，而且适用条件 是非常苛刻的；在实际的复杂非线性系统的应用是十分繁杂的。 1 1 3 2 基于数据驱动建模方法 对于机理尚不清楚的对象，可以采用基于数据驱动的建模方法建立软测量模 型，该方法从历史的输入输出数据中提取有用信息，构建主导变量和辅助变量之 间的数学关系。该方法无需了解太多的过程知识，是一种通用的软测量建模方法。 该建模方法可分为回归分析方法，人工神经网络方法，模糊建模方法等。 回归分析方法 回归分析方法是一种经典的建模方法，不需要建立复杂的数学模型，只要收 集大量辅助变量的测量数据和主导变量的分析数据的基础上，运用统计方法将这 些数据中隐含的对象信息进行提取，从而建立主导变量和辅助变量之问的数学模 型。根据采用的数学方法不同，可以将回归分析方法分为线性回归和非线性回归。 多线性回归方法( m l r ) 是一种最早在化工过程中得到应用的方法，是基于最 小二乘法参数估计的方法。采用统计同归方法建立软测量估计模型，只要能够将 输入输出归纳成y = x b 线性方程形式( x 为输入数据空问，y 为输出数据空为， b 为回归模型参数向量) ，就可以用最小二乘估计方法得到b = ( x tx ) 1x ty ， 因而可以利用y = x b 来进行软测量估算。 经典的叫归算法是最$ - - 乘法l s ( 1 e a s ts q u a r e s ) 1 1 8 1 ，为了避免矩阵求逆运算 可以采用递推最d , - 乘法r l s ( r e c u r s i v el e a s ts q u a r e s ) ，为了防止数据饱和还可以 采用带遗忘因子的最$ - - 乘法。在最d - 乘法的基础上又提出了许多改进算法， 4 第一章前言 如逐步同归等。近年来比较常见的有多元线性回归法m l r ( m u l t i v a r i a t el i n e a r r e g r e s s i o n ) ，多元逐步同归m s r ，主元分析p c a ( p r i n c i p l ec o m p o n e n ta n a l y s i s ) 和主元回归法p c r t l 9 l ( p r i n c i p l ec o m p o n e n tr e g r e s s i o n ) ，以及部分最小二乘法 p l s l 2 0 l ( p a r t i a ll e a s t s q u a r er e g r e s s i o n ) 等。 吴巍1 2 1 1 应用上述的回归方法的基本原理，对两套蒸馏装置常三线收率建立 软测量模型后，采用2 0 0 组历史现场数据进行模型学习，再选1 0 0 组数据进行模 型检验；并对上述各种回归建模方法进行了比较研究。俞金寿【2 2 1 等详细的介绍 了基于回归原理的软测量方法在催化裂化分馏塔中粗汽油干点的软测量、加氢裂 化分馏塔的航煤干点的软测量、常压塔中柴油凝同点的软测量、延迟焦化装置中 粗汽油的干点软测量以及在乙烯精馏塔塔底乙烯浓度的软测蹙等的应用。 总之，针对线性或弱非线性系统而言，基于上述算法的软测量模型由于其结 构简单得到了广泛的应用；然而，对于强非线性的系统，线性同归的软测量模型 将不再适用。 神经网络方法 人工神经网络( a r t i f i c i a ln e u t r a ln e t w o r k s ，a n n ) 是由大量简单的基本元 件神经元相互连接，通过模拟人的大脑神经处理信息的方式，进行信息并行 处理和非线性转换的复杂网络系统。由于神经网络具有强大的学习功能，可以比 较轻松的实现非线性映射过程，并具有大规模计算的能力。凶此，他在自动化、 计算机和人工智能领域都有着广泛的适用性，实际上也确实得到了大是的应用， 解决了很多利用传统方法难以解决的问题。 在现代工业过程软测量建模中，所应用到的神经网络结构及算法的种类有很 多，比如：多项式网络( p f a n n ，p o l y n o m i a lf e e d f o r w a r da r t i f i c a ln e u r a l n e t w o r k s ) ，回流网络( r n n ，r e c u r r e n tn e u r a ln e t w o r k s ) ，小波神经网络( r n n ， r e c u r r e n tn e u r a ln e t w o r k s ) ，支持向晕机网络等。但比较常用的有以下两种： ( 1 ) 多层前向网络( m f n ，m u l t i l a y e rf e e d f o r w o r d n e t w o r k s ) 。m f n 提供 了能够逼近广泛非线性函数的模型结构，事实上只要允许足够多的神经元，任何 非线性连续函数都可由一个三层前向网以任意精度来逼近。最早用于该种网络的 学习算法是b p ( b a c k p r o p a g a t i o n ) 算法，也是应用最广泛的学习算法，是一种非 线性迭代寻优算法。该网络模型是最为广泛应用于软测量计算的，但b p 算法存 第一章前言 在有训练时间较长、可能陷入局部极小、训练需要全局信息等问题，所以在近几 年的研究中，许多学者提出了改进的算法，主要有启发式学习算法( 动量的梯度 下降法、自适应的梯度下降法、动量和自适应的梯度下降法、能复位的b p 训练 法) 和标准的数值优化技术( 共轭梯度法，高斯牛顿法，l e v e n g e r g - m a r q u a r d t 法) 。 ( 2 ) r b f ( r a d i c a lb a s i sf u n c t i o n s ) 径向基神经网络是一个两层的前向网 络，输入数目等于所研究问题的独立变量数，中问层选取基函数作为转移函数， 输出层为一个线性组合器。理论上r b f 网络具有广泛的非线性适应能力。r b f 网络卞要有输入层，与b p 算法相比，r b f 网络的学习算法不存在学习的局部最 优问题，且由于参数调整是线性的，可望获得较快的收敛速度。相比m f n ，其 神经歹亡函数是局部性函数，有更高的逼近精度和学习速度，但对同样规模的问题 需要更多的神经元。 神经网络( n e u r a ln e t w o r k s ) 是利用计算机模拟人类中枢神经系统的简化模型， 是当前：l ：业领域倍受关注的研究热点之一。关于神经网络可f i - - 女n 下定义：由许多 简单的高度互联的处理单元( 又称为神经元) 构成的运算处理系统，它以对外部输 入做出动态响应的形式处理信息。神经网络最基本的特点是并行分布的处理模 式，与传统的串行运算处理模式相比，这一特点可以使信息处理的效率得到惊人 地提高。 现代工业工程内在机理复杂，而且存在严重的非线性和小确定性问题；传统 方法建立的软测是难以真实地描述过程的动态特性。由于神经网络模型可以不需 要了解过程稳态和动态的先验知识的情况下很方便地建立，而且随着工业过程内 部特性的变化，软测量模型可以通过学习及时地得到修正，这使得神经网络成为 软测量和推断控制的主要工具。 因此对于那些机理尚不清楚，且非线性严鼋的系统来说，通常用神经网络来 建立软测量模型：将过程中易测的辅助变跫作为神经网络的输入，将主导变量作 为神经网络的输出，通过网络学习来解决主导变量的软测量问题。m j w i l l i s i 2 3 i 将神经网络用于软测量，并且在一个工业脱甲烷塔上获得了成功的应用。俞金寿 【1 9 】等也介绍了基于神经网络的软测量方法在工业过程中的应用。 目前应用最为广泛的学习算法是误差反传( b p ，b a c kp r o p a g a t i o n ) 算法，它 6 第一章前言 的多入多出的特性使其易用于多变量的非线性函数逼近。通常网络的隐层中的神 经元采用非线性函数，输出层的神经元采用纯线性函数；使一组样本的输输 出问题变为一个非线性优化问题。目前应用b p 算法构造软测景模型的研究比较 多1 2 睨7 1 。文献f 2 6 i 提出用b p 神经网络拟合燃烧函数求解最佳风煤比，而且仿真计 算的结果表明所用的方法能很好地适应克服燃烧函数的非线性，所得的风煤比可 以取得较高的燃烧效率。 虽然b p 网络具有很强的生物背景，该算法充分利用多层前向网络的结构优 势，在正反向传播过程中的每一层的计算都是并行的；但b p 算法存在有训练时 间较长、可能陷入局部极小、训练需要全局信息等问趔2 8 1 。鉴于b p 以上的缺点， 目前提出了很多的改进算法，研究者提出种种的改进算法1 2 9 - 3 2 1 主要有两方面：一 方面是采用启发式学习算法，比如，有动量的梯度下降法、自适应的梯度下降法、 动量和自适应的梯度下降法、能复位的b p 训练法等；另外一种就是采用标准的 数值优化技术，比如，共轭梯度法、高斯一牛顿法以及l e v e n g e r g m a r q u a r d t 法。 l e v e n g e r g - m a r q u a r d t 法是梯度下降法与高斯一牛顿法的结合，它既有高斯一牛顿 法的局部收敛性，又具有梯度下降法的全局特性。有文献1 3 0 1 在传统的b p 神经网 络中引入学习速率自适应调整算法，分别使用挠度、挠度曲率、应变和应变曲率 作为输入参数对桁架桥梁荷载进行识别。也有文献【3 】采用l m 算法的b p 人工 神经网络做为软测量方法，较好实现了油水两相流含水率的预测。 径向基神经网络( r b f ) 是一个三层的前向网络，输入数目等于所研究问题的 独立变量数，中间层选取径向基函数作为转移函数，从输入层到以隐层的变换是 非线性的，而隐层到输出层是线性的。r b f 网络训练方法快速，不存在学习的 局部最优问题，而且由于参数调整是线性的，可望获得较快的收敛速度，同时具 有全局逼近的性质和最佳逼近性能。在软测量研究中的应用也很多【3 3 瑚】。 尽管相对于b p 网络，r b f 网络没有这些缺陷，而且还具有快的收敛速度和 较好的精确度；但是r b f 网络在实际应用中仍存在许多问题要解决：需要确定 中心和宽度，才能确定权参数；如何确定合适的径向基函数；如何提高网络的综 合能力等。而且一些文献【3 9 】比较了r b f 网络和b p 网络的函数逼近能力的差异， 对于样本数目多的情况下，r b f 网络的隐层节点数目会急剧增多，会使得网络 结构过于庞大；而b p 网络的隐层节点数随样本数目的变化不大。 7 第一章前言 目前应用于软测量的神经网络结构还有有：多项式网络( p f a n n ，p o l y n o m i a l f e e d f o r w a r da r t i f i c a ln e u r a ln e t w o r k s ) 4 0 1 ，回流网络( r n n ，r e c u r r e n tn e u r a l n e t w o r k s ) 1 4 1 1 ，小波神经网络( r n n ，r e c u r r e n tn e u r a ln e t w o r k s ) 4 2 1 ，支持向量机 网络【4 3 】等。 模糊建模方法 模糊技术是模仿人脑的逻辑思维，用于处理模型未知或不精确的控制问题。 模糊建模是人们处理复杂系统建模的另一种有效工具，在软测量中也得到了应用 m 】，以及将模糊技术和神经网络结合，建立了模糊神经网络模型【4 5 4 8 1 。目前主 要体现在三方面：基于神经元网络的模糊控制，让a n n 学习已有的经验规则， 也可以采用学习或聚类的方法从输入输出数据中得到控制规则，然后用控制性能 指标作指导，对控制规则进行细化和调整；模糊神经网络既可以处理模糊信息， 王城模糊推理功能，又具有并行处理特性；用模糊逻辑增强的神经元网络，可以 提高a n n 的学习速度或设计特殊结构的a n n 。有文献 4 , 4 8 1 提出一种改进模糊神 经网络的熔融指数的软测量，软测量模型精度绝大部分位于0 0 5 到+ o 0 5 之间。 有文献f 4 9 i 提出一种利用减法聚类产生初始的t - s 模糊模型，并应用该法建立的 过程质量指标酯化率的软测量模型。 总之，在基于数据驱动的软测量建模中，无论是基于线性同归的方法，还是 基于神经网络，实质上都是从数据中寻找输入到输出的映射关系的方法；凶此都 会受到训练样本的分布、质鼍以及数量的影响。 1 1 3 3 机理和数据驱动相结合的混合建模方法 纯机理模型和基于数据驱动的模型都有优缺点：前者能够从本质上反映过程 的规律，具有先验性和普遍性，可靠性强，外推性好，具有可解释性；然而对于 复杂系统，研究机理则需要投入相当长的时间，并且建模过程比较繁琐，在许多 情况下，必须提出简化假设和限制条件以使建模问题比较易于处理，从而影响了 模型的精度和适用范围。后者直接根据过程的输入输出数据直接建模，几乎无需 过程对象的先验知识，但是缺点也是明显的，以神经网络为例，虽然无须深入了 解过程机理的情况下，能够以任意精度逼近建模的过程采样数据( 训练样本) ，然 而做为一种黑箱的建模方法，过于依赖过程的输入输出数据，学习速率慢，推广 8 第一章前言 性能差，并且模型不具有可解释性，难以确定合适的网络结构和学习终止指标， 容易造成过拟合现象，甚至可能将噪声也拟合进来。此外神经网络模型对未参与 建模过程数据的逼近效果往往不能确知，因此用未参与建模数据测试神经网络模 型以及必要时对模型的修正，这于这种建模方法来说是必须的。 以上纯机理建模和基于数据驱动建模这两种方法的局限性引发了混合建模 思想，对于存在简化机理模型的过程，可以将简化机理模型和基于数据驱动的模 型结合起来，互为补充。简化机理模型提供先验知识，可以为基于数据驱动的模 型节省训练样本；同时基于数据驱动的模型又能补偿简化机理模型的未建模性。 文献1 5 0 l 应用神经网络辨识出难以确定的变量一网相颗粒群摩擦系数厶，即 用b p 神经网络对凡建模，然后将石代入机理模型中，从而实现对气力输送系 统中粉料质量流量的在线测量，试验证明相对于纯机理模型和基于神经网络来 说，该方法的精度和适用性更好。相关研究【5 1 。”】相继地证明了这一点。 1 1 4 小结 综上所述，实现软测量的方法一般有三种：构造状态观测器、黑箱数据 辨识模型以及混合模型。 对于像催化裂化提升管反应器和循环流化床锅炉燃烧系统这样的非线性、分 布参数、多变量、紧密耦合的系统；非线性状态观测器的构造一直没有统一的方 法；因此存在有很大困难。然而上述两系统又是大滞后系统，系统的输出并非是 输入的即时响应输出；而且对油质煤质等这类不可在线测量的变量，辨识数据的 获取和可靠性均是问题，由于工况的复杂和操作因素的影响，更使数据荦复性差， 因此不论是纯粹基于数据辨识建立不可测变量的软测量模型还是基于机理模型 和数据辨识模型的软测量混合模型，观测精度都难以保证。因此通过机理模型构 造在线观测器，仍是我们的首选。 然而对于像催化裂化提升管反应器和循环流化床锅炉燃烧系统这样刚性强， 并带有滞后的复杂系统，直接从数学模型中去求解逆系统是十分困难；由于神经 网络等数据辨识方法对非线性系统有良好逼近性能，因此应用神经网络等的数据 辨识方法来构造逆系统，不失为实现燃烧系统不可测变量在线观测的有效途径。 因此，本文必须得到催化裂化提升管和循环流化床的输入即时响应输出，从 9 第一章前言 而应用数据辨识方法建立不可测变量的软测量模型【5 6 删。 1 2 催化裂化 1 2 1 催化裂化发展现状及特点 世界上第一套催化裂化工业装置诞生于19 4 2 年，至今已有六十多年的历史， 我同第一套催化裂化工业装置于1 9 6 5 年投产，至今也已经有四十多年了。在这 几十年的历史中，催化裂化技术不断发展，对世界石油工业的发展起着决定性的 作用。 催化裂化在其几十年的发展过程中已逐渐淘汰了固定床和移动床反应技术， 而主要应用流化技术，其主要代表就是提升管反应器。截李2 0 0 5 年底，世界催 化裂化装置的加工能力己超过7 2 亿吨年，其中渣油催化裂化的能力已超过催 化裂化总能力的1 5 ，如果加上掺炼的渣油，则渣油催化裂化的能力已占到催 化裂化总能力的2 5 以上。近几年来i 催化裂化的装置设备和操作方法( 如进料 喷i 嘴、控制稀相裂化、汽提段、再生器、催化剂冷却器、减少s o x 和n o x 排放) 都有了很大的改进和提高。在催化裂化过程控制方面也出现了许多先进的技术， 如多变量预估控制、自适应控制、线性和非线性优化、模糊逻辑、性能数学模型 以及神经网络性质预测。 我国催化裂化技术发展至今已有四十多年的历史，加工能力已占世界总能力 的1 4 5 6 ，可以说是世界上催化裂化能力增长最迅速的国家。至今，全国有15 0 多套催化裂化装置，总加工能力已达1o o m t a 以上，加工能力仅次于美同，居世 界第二位。工程没计、催化剂和关键设备的制造已完全立足于国内，实现了技术 的伞部国产化，近年来已投产的装置规模也在不断加大，其发展势头十分迅猛。 催化裂化已经成为我国炼油工业的核心技术和石油化一【企业经济效益的主要支 柱。但是，随着环保要求的日益严格和加入w t o 后我国石油化工企业面临的激 烈竞争形势，催化裂化技术的进一步发展也成为我们亟待解决的一个重要课题 6 1 - 6 3 1 0 第一章前言 1 2 2 催化裂化工艺流程 催化裂化提升管反应器工艺流程如图1 2 所示。催化裂化原料油经加热或换 热后，进入提升管反应器，与来自再生器的高温再生催化剂接触，立即汽化反应。 油气在提升管内的停留时间很短，一般只有几秒钟。在提升管出口设有旋风分离 器，使催化剂和油气快速分离，减少二次反应。含有极少量催化剂的油气经沉降 器内的集气室去分馏塔进行产品分离。积有焦碳的催化剂( 待生催化剂) ，由沉降 器落入下面的汽提段，经蒸汽汽提脱除吸附油气后由待生斜管进入再生器。再生 器的作用是使用空气烧去催化剂上的积炭，使催化剂的活性得以恢复。再生后的 催化剂经再生斜管去提升管反应器。再生烟气经旋风分离器分离出夹带的催化剂 后，去废热炉回收能量，然后经烟囱排至大气。反应油气进入分馏塔，分割出几 个中间产品，塔顶为汽油及富气，侧线产品有轻柴油、回炼油等，塔底产品是油 浆。分馏塔顶油气经压缩机升压，冷却分离出凝缩油后，压缩富气进入吸收塔， 吸收了c 3 、c 4 的富吸收油送至解吸塔，将其中的c 2 解吸出来，解吸后的吸收 油和凝缩油一起进入稳定塔，稳定塔塔底产品是蒸汽压合格的稳定汽油，塔顶产 品是液化气阳2 删。 图1 2 催化裂化工艺流程图 液化气 稳定汽油 轻娄铀 外甩油装 新鲜旅誊毒 第一章前言 1 2 3 催化裂化存在的问题1 6 6 6 7 l 随着世界原油开采量的不断加大，原油重质化问题越发突出。在原油质量变 重、变差的同时，人们对轻质油产品的需求却同益增多，我国正处于经济发展的 加速时期，上述问题更加严重。作为炼油厂的核，g , n t _ 装置，催化裂化也面临着 越来越多的挑战。不断严格的环保要求，主要是汽油规格的升级对烯烃和硫含量 的要求以及烟气排放量的限制；其次是产品需求比例的变化，如市场对柴油需求 比例和数量的增加，即所谓的柴油化趋势。这些都对现有的催化裂化装置与催化 裂化的进一步发展形成很大的冲击。 在几十年的发展中，我国的催化裂化工艺已接近世界先进水平，但仍存在许 多问题。主要表现在以下几个方面： ( 1 ) 我国催化裂化装置运转水平不高，自动化水平较低，目前大多数催化 裂化装置都采用单参数闭环系统( p i d 控制) ，少数有串级控制，由于催化裂化瞬 时变化和滞后性，传统的p i d 控制方法往往达不到令人满意的效果。 ( 2 ) 我国炼油企业催化裂化比例过大，装置开工周期和装置负荷率低，2 0 0 1 年，全国催化裂化装置平均负荷率接近8 0 ，还有2 0 的能力没有发挥作用。 这其中有不少装置运转不正常，生产周期短，非计划停工多。 ( 3 ) 催化裂化产品质量难以满足日益严格的国家标准要求，能耗偏高，产 品结构不适合成品油市场的要求。 ( 4 ) 加工量大，轻质油收率低。近十几年来，国内催化裂化掺炼渣油量在 不断上升，已居世界领先地位，而轻质油收率却在6 0 左右。而国外炼油厂轻 质油收率一般在7 8 以上，美国高达到8 0 。 ( 5 ) 研究开发能力不足，工程能力不强。计算机在线、离线调优、先进控 制及专家系统等的差距更大。 1 2 4 催化裂化装置提高效益的方法 为了提高催化裂化的经济效益，许多炼油企业都加大了对催化裂化装置的技 术改造与革新。其中最主要的就是对催化裂化工艺和先进控制的研究。 1 2 第一章前言 1 2 4 1 改进工艺技术提高催化裂化效益陋删 一些企业以满足市场需求为目标，在催化裂化装置上进行了工艺新技术的改 造。如采用适合于渣油的催化裂化新技术，多产柴油新技术，催化裂化提高汽油 辛烷值技术等。为了满足环保法规的要求，采用汽油降烯烃技术、汽油脱硫技术 和生产清洁燃料的催化裂化技术。一些企业采用改进操作条件如进行催化裂化装 置回收系统的改进，优化吸收稳定系统的操作，实行高温短接触催化裂化，进行 提升管反应器的优化等。还有一些企业采用新型催化剂，如渣油催化裂化催化剂， 多产柴油催化裂化催化剂，多产低碳烯烃催化裂化催化剂，降低汽油中的硫含量 的催化剂。 1 2 4 2 使用先进控制技术提高催化裂化效益n 删 除进行工艺改造外，大部分企业还使用先进控制或对原有控制系统进行改造 以提高装置效益。从文献资料看，直接使用于催化裂化装置的先进控制技术主要 有以下几大类：多变量预估控制、自适应控制、线性和非线性优化、模糊逻辑、 性能数学模型、神经网络性质预测以及专家操作系统等。目前，催化裂化装置基 本上都普及了d c s ，使得我国的催化裂化装置的控制水平得到显著的提高。但 是由于催化裂化的非线性、时变和强耦合等特性，造成催化裂化d c s 的自控率、 装置的平稳率等相对于其它装置较低。对d c s 控制回路进行优化，提高装置的 自控率、平稳率是提高催化裂化装置效益一个有效的方法。对d c s 控制回路( p i d ) 的优化方法每年都有大量的文献发表，而应用于催化裂化装置p i d 回路参数优 化的报道并不是很多。从所发表的文献内容看，所使用的p i d 参数整定方法主 要有三大类，一类为基于模型辨识的方法，另外两种是基于规则和神经网络的方 法，而这些应用现代控制理论和先进控制技术的p i d 参数优化方法同样适用于 催化裂化装置的p i d 回路的优化。 第一章前言 1 3 循环流化床锅炉 1 3 1 循环流化床锅炉发展现状及特点 我国是世界上最主要的产煤和用煤大国，目前一次能源消耗中煤炭占7 0 9 6 以 上，主要用于直接燃烧。据有关资料统计，我国每年排入大气中的s 0 2 和c o x 分别有8 7 9 6 和6 7 9 6 来自煤的直接燃烧，因此采用洁煤发电技术，是可持续发展战 略对电力工业的必然要求。 循环流化床锅炉( 英文称为c i r c u l a t i n gf l u i d i z e db e db o i l e r ，简称c f b b ) 是2 0 世纪8 0 年代来发展起来的一项新型高效、低污染、燃烧适应性广的清洁煤 燃烧设备。国外主要研发循环流化床锅炉的生产厂家有，德国鲁奇公司、芬兰奥 斯龙公司、美国巴特尔研究中心、美国福斯特惠勒公司( f o s t e rw h e e l e r ) ，德国巴 布科克( b a b c o c k ) 、斯坦缪勒公司和瑞典斯图斯特公司等。 早在上世纪6 0 年代，我国就开始研究发展鼓泡流化床技术，但是对于循环 流化床锅炉的研究和开发起步较晚，开始于上世纪8 0 年代。1 9 8 1 年，我国计委 下达了“煤的流化床燃烧技术研究”课题，标志着我国循环流化床锅炉的研究和 产品开发技术正式启动。近几年，国家对开发和研究循环流化床锅炉技术方面投 入大量人力物力，在这方面取得可喜的成绩。1 9 9 1 年，锦西热电厂的7 5 t h 1 的 循环流化床锅炉投入运行。1 9 9 2 年，哈尔滨锅炉厂和美国的p p c 公司合作设计 和生产了国内首台2 2 0t h d 循环流化床锅炉，目前国产c f b 燃煤锅炉已形成规模 产业，近1 0 年来已有近千台c f b 锅炉投入商业运行。随着传统煤粉炉的逐步淘 汰和4 6 0 吨、1 0 0 0 吨大型c f b 锅炉的国产化，可以预计会有更多的c f b 锅炉投 入商业运行。中国成为全球最大的c f b 燃煤锅炉用户已是不争的事实。目前，国 内从事循环流化床锅炉的研究和开发单位很多，如中国科学院、清华大学、浙江 大学、西安热工研究所、西安交通大学、哈尔滨工业大学、华中科技大学、重庆 大学、东南大学、厦门大学等。 循环流化燃烧是处于煤的层燃燃烧和煤粉燃烧之间的一种燃烧方式，兼有这 两种燃烧方式的优点，其优点主要有：燃烧效率高、燃烧适应性广、s 0 2 和n o x 排放量低、负荷调节能力好，运行操作灵活方便、灰渣综合利用效率高、投资和 运行费用适中、以及易于实现大型化等。 1 4 第一章前言 由于循环流化床锅炉具有以上众多的优点，使得在当今日益严峻的能源紧缺 和环境保护意识增加的情况下，循环流化床锅炉在国内外得到了迅速的发展，现 已经成为公认的洁净煤利用技术领域的研究重点和热点。目前，循环流化床锅炉 在电站锅炉、工业锅炉、废弃物处理利用、石油、化工、冶金、能源和环保等工 业领域得到广泛地应用【8 0 棚】。 1 3 2 循环流化床锅炉的工艺流程 液态化技术首次在大规模的工业应用始于1 9 2 6 年，2 0 世纪6 0 年代初被应 用于煤的燃烧。循环流化床锅炉是从鼓泡床沸腾锅炉发展出来的一种新型洁净燃 煤锅炉技术。该系统包括燃烧系统和汽水系统两个部分，如图1 3 所示，燃烧系 统的工作原理：粒度为0 “ - - 1 0 m m 的燃煤和粒度为0 “ - - , 5 m m 的石灰石由给煤机不 断送入高温炉膛，由燃烧室底部配一次风，使燃料与上升气流混合并加热，呈“流 态化”燃烧。在燃烧室上部引入二次风，从而提高锅炉的燃烧效率，防止气体和 固体物质倒流以及避免局部高温所致n o x 产生。石灰石分解与燃煤燃烧产生的 s 0 2 反应生成不再污染空气的硫酸钙，达到脱硫的目