（检测技术与自动化装置专业论文）汽驱工业过程优化监控系统设计应用.pdf

摘要 辽河油田以开采稠油为主，汽驱工艺是稠油开采过程的重要环节。本文针对汽驱工 业生产过程关键指标变量不能在线检测、装置操作运行不稳定、工艺难以运行于最优状 态等问题，开发了一套优化监控系统软件。该软件可实现关键指标变量的在线检测，解 决了装置操作不稳定等问题，有效地提高了汽驱采油工艺的工作效率。从功能上讲，该 系统可分为三大部分，第一部分利用数据校正技术实现测量值( 两相流体流量指标) 的精 度优化；第二部分建立汽驱工艺软测量模型，实现关键质量指标的在线估计；第三部分 建立系统优化模型实现对整个工艺过程的优化操作指导。该系统是由操作站、工程师站 组成的小型局域网系统。操作站后台程序用于实现测量值精度优化和软测量估计计算等 功能，并通过人机界面实时显示工艺的各项参数指标；工程师站后台程序则用于实现系 统的优化计算并给出优化操作指导。监控系统各部分之间的通信是基于o p c 接口进行 的，并且该系统还具备模型在线修改和调整的功能。目前，该监控系统已成功运行于辽 淫油田注汽3 站和5 站。 关键词：优化监控系统、蒸汽干度、数据校正、遗传算法 a b s t r a c t “l i a o h e ”o i lf i e l d s m a i n l ye x p l o i tt h eh e a v yd e n s i t y o i li n d u s 订i a l p r o c e s so fs t e a m d r i v e ro i lr e c o v e r yi st h em a i n w a yf o re x p l o i t a t i o no fs u c hh e a v yd e n s i t yk i n do fo i l i nt h i s p a d e r ，a l lo v e r a l lf r a m e w o r ko fs o f t ，s e n s o ra n do p t i m i z ec o n t r o is y s t e mi ss u m m a r i z e df o rt h e i n d u s t r i a 】p r o c e s s o fs t e a md r i v e ro i lr e c o v e r y , w h i c hk e yo u a l i t vi n d i c e sc a r ln o tb e m e a s u r e d d i r e c t l y a n dw h i c ho p e r a t i o nc a nn o tb er u ni n s t a b i l i t y t h es o 丘一s e n s o ra n d o p t i m i z ec o n t r o ls 3 r s t e mr a i s e st h ee f t 5 c i e n c yo fe x p l o i t a t i o ne f f e c t i v e l y a sf a ra st h es y s t e m s f u n c t i o ni sc o n c e r n e d t h e r ea r et h r e e p a r t s t h ef i r s tp a r tf u l f i l ss a r i s f a c t o r ym e a s u r e p r e c i s i o n b ye m p l o y i n gd a t ar e c t i f i c a t i o nt e c h n o l o g y ；血es e c o n dp a r tw o r k so u tt h ec a l c u l a t i o no ft h e q u a l i t yi n d i c e s ；t h el a s tp a r ti sa p p l i e dt og u i d ea n da d v i s ep r a c t i c a lp r o c e s s t h es o f t s e n s o r m a do p t i m i z ec o n t r 0 1 s y s t e mh a sb e e nb u i l t0 nas m a l l 一s c a l el a n w h i c ho p e r a t o rs t a t i o n f u l f i l so p t i m i z a t i o no fm e a s u r ep r e c i s i o nm a dc a l c u l a t i o no fq u a l i t yi n d i c e s w h i c he l i 【西n e e r s t a t i o nf u l f i l st o g u i d e a n dc o n t r o l 也ep r a c t i c a l p r o c e s s d a t ac o n l m u n i c a t i o nh a sb e e n o p e r a t e do nt h eb a s i so fo p c w h i c hi st h ec o m m o n l ya c c e p t e di n d u s t r i a ls t a n d a r df o rd a t a c o m m u n i c a t i o n s of a r ，t h es y s t e mh a sb e e na p p l i e dt og u i d ea n dc o n f f o lp r a c t i c a lp r o c e s s k e y 7 0 r d s ：s o f t s e n s o ra n do p t i m i z ec o n t r o ls y s t e m s t e a m q u a l i t y ：d a t a r e c t i f i c a t i o n g e n e t i c a l g o r i t h m s 汽驱t 业过程优化雌控系统l 二凋设计 o 前言 辽河油f | = i 采油作、【e 以开采稠油为主，稠油的分子量高、流动性差，传统的采油方式 不适合稠油丌采。稠油丌采的有效办法就是向地下储油层注入高干度热蒸汽口j 。这些 商干度蒸汽可以稀释地f 的稠油，提高稠油的流动性，使之流动起来以便于开采。汽驱 工艺过程【j 1 就是牛产蒸汽，使之达到要求的干度指标，然后以一定压力将其注入地下油 层的过程。注入油层的热蒸汽干度水平、热蒸汽的质量数量将决定稠油的歼采效果【。 可见，汽驱工艺是稠油开采的重要一环。由于辽河油田注汽井及其配套的汽驱工艺具有 分散、零散的特点，这就很难对它们进行统一监测和管理。另外，蒸汽干度指标无法通 过测量仪表直接得到，传统的方法是通过采样化验的方式获得1 4j ，这种离线获得干度的 方法滞后性火、精度不高，难以用于在线监控。蒸汽干度不易检测、不易控制的特性， 导致了一】：作人员很难操作汽驱工艺使之达到满意的指标。如何有效运作汽驱工艺以及如 何统一监测和管理汽驱工艺是一个迫切待解决的问题。 本文开发的汽驱工艺优化监控系统，在一定程度上解决了汽驱工艺工作效率低下的 问题。这套优化监控系统是将分散在油田各处的汽驱工艺注汽站统一于一个局域网之 内，对分散的汽驱注汽站各项生产指标集中显示、统一管理。针对工艺过程中蒸汽干度 卅i 能在线检测和不易控制的难题，本文引入汽驱工艺机理模型，建立蒸汽干度与其它易 控决策量之i h j 的数学关系，通过软测量计算的方式在线计算获得蒸汽干度值【4 】。为了通 过“易控决策量”去“影响”蒸汽干度，使干度达到要求指标，优化监控系统建立了 以蒸汽干度为目标函数的系统优化模型，利用遗传算法求解优化模型，得出最优的决策 量，以达到优化“汽驱工艺操作”的目的。此外，考虑到检测点测量值的测量精度会影 响蒸汽二f 度软测量的结果，因而在优化监控系统中引入了数据校正技术口1 ，通过汽驱工 艺物料i f 衡关系建立各节点流量关系的约束方程，通过加入约束的方式对过失误差和随 机误差进行处理，从而达到优化测量点检测值的精度的1 7 1 的，提高了蒸汽干度的计算精 度。 本文全面阐述了汽驱监控优化系统的基本理论以及在这些理论基础上建立起来的 具体方法和具体实现。本文重点阐述了数据校正的基本理论及其实现方法，改进的b p 神经网络和遗传算法的基本理论以及在监控系统优化模型中的实现。全文共分6 章。第 l 章介绍了监控系统的工程背景，其中包括汽驱工艺介绍、工艺中出现的问题、工艺问 题的解决方案等等：第2 章介绍优化监控系统的硬件结构、软件结构，以及系统各部分 之间的通讯协议o p c ；第3 章论述数据校正的基本理论与方法实现，从过失误差、随机 跌差两个方面着手处理工艺中的检测数据；第4 - 章给出优化监控系统的软测量模型。分 别介绍汽驱工艺过程机理模型以及p j 3 f 神经网络软测量模型；第5 章介绍系统决策量 优化的解决方案，包括用b p 神经网络对决策量关系进行处理、用遗传算法求解决策量 优化模型等等：第6 章给出结论与展望，并对该监控系统的不足之处，有待解决的问题 等进行了分析平f 】讨论。附录给出浚优化监控系统各功能界面及相应的简介。 汽驰t 业过程优化监控系统漩汁脚用 1 工程背景 1 1 汽5 1 i - r - 艺介绍4 我国有着丰富的石油资源，稠油在其中占有很大比例。稠油不似一般原油那样具有 流动性，这给稠油开采带来了相当大的困难。上世纪8 0 年代初，我国科技人员在引进消 化吸收围外稠油热采技术基础上，研究出适合中国稠油开采的“蒸汽吞吐采油”工艺技 术。】9 8 2 年首次利用这种工艺技术在辽河高升油田试采成功，使流不动的油r 1 “流” 起来。这种向井下注蒸汽的方法已经成为油田开采稠油的有效方法。 当前，向井下注蒸汽的采油方法已经转向蒸汽驱动阶段，即汽驱热采工艺阶段。汽 驱热采工艺如图i 1 所示。该工艺主要设备包括热力除氧器、直流锅炉、高压汽水分离 料和低压汽水分离器。经除氧器处理过的软化水送入直流锅炉进行加热，并达到汽化阶 段，在锅炉出口形成具有一定干度的湿饱和蒸汽。根据工艺要求，锅炉出口蒸汽的干度 应严格控制在7 4 7 9 之间。将这种状态下的湿蒸汽引入高压分离器进行汽水分离。经 分离后，湿蒸汽干度达到9 0 以上，并从高压分离器顶部抽出，经分配器平衡后送入汽 驱井。 吒蛰 i ( d 一 _ k ) = d ( k 为临界值) 。现在已知z 的分布， 已知a ，我们能求出临界值k 的具体数。每一个采样时刻来的一组测量数据都可以得到 。，。f 如果h k ：则表明这组测量数据有过失误差 l 如果l z l 足：则表明改组测量数据无过失误差 针对一组采样来的含有过失误差的测量数据x 。，x ：，b ，- ，k ，识别过失 误差就是判断该组数据中，哪一个或哪一些测量值含有过失误差。基本思想是顺序剔除 法a 该思想的依据是含有过失误差的测量数据是造成统计量z 大于k 的主要因素。从 一组含有过失误差的数据中依次剔除每个测量数据，然后计算剩余数据的检验统计量z ， 如果发现剔除某个测量数据后，检验统计量显著下降并使得z 小于那个算出的临界值k ， 汽驱工业过程优化临拄系统设计应用 则可以断定该测量数据含有过失误差。 约束方程法 整体榆验法利用系统的全部约束方程的参差构造榆验统计量，而约束方程法则是针 对每一个约束方程参差构造个检验统计量，然后利用该统计量的统计特性判断该约束 疗程中所涉及到的测量数据是否含有过失误差。 对于系统的约束方程a x = r ，令e k 为单位向量( 即在第k 个位置的元素为1 ，其余 元素均为o ) ，i i l 0e k lr 就是第k 个约束方程的残差。 在原假设i i o 成立条件下，第k 个约束方程的参差具有以下统计特性： 均值：e ( e k t r ) = 0 方差：v a r ( e k r ) = ( a q a l ) k k 构造检验统计量：z k = e k r r v a r ( e k l r ) o 3 z 。服从标准正态分布，如果测量数据的检验统计量大于某一显著性水平下对应的正 态分布的临界值z 。，则表明第k 个约束方程中所涉及到的测量数据含有过失误差。但 具体是哪个数据含有过失误差，还需要根据工艺过程物料之间的具体关系进行识别。本 文将结合监控系统物料间的具体关系阐述。 整体检验法、约束方程法都曾用来在优化监控系统中处理过失误差的侦破与识别。 刑比两种方法可以看出，整体检验法只能处理采样数据中只有一个数据有过失误差的情 况，而约束方程法可以处理采样数据中多于一个数据有过失误差的情况。另外，实际工 艺情况不能保征采样数据只有一个数据含有过失误差可能性的限制。因此，本豁控优化 系统最终采用约束方程法处理采样数据的过失误差。 3 2 随机误差 3 2 1 随机误差基本概念 随机误差是个随机变量，它受随机因素的影响，它服从正态分布，且它的希望值为 零。测量误差中的随机误差是不能被消除的，但可以通过数据校正的一些方法减小随机 误差。核心思想是建立优化模型： + 照= 上 仃。( 3 - 2 ) 其中贾代表一个采样时刻采集的测量数据组成的测量值向量。a 牙= 6 根据工艺过程各 个测量点测量值的关系而建立，如果约束方程是非线性的，可以通过数据校正中的一些 办法把它化成线性方程。盯，表示第i 个测量点对应测量值的方差。另外，如果工艺工 砌广 二 眈一 丛：一卸旺。从n t嘶 。 垒矍三些塾堡垡些堕丝墨竺壁生壁旦 程的各个测量仪表不是各自独立的，优化模型目标函数中还要有 6 i 这样 的项，其中6 ”表示测量点之间的协方差 胖麓i 扎鼢1 盯2 2 2 j 二边的优化问题也可以写成矩阵形式： ( 3 3 ) q 为对称阵，其中 f 测量点x i 对应的误差的方差 函。测量点r 的误差。的误差的协方差 l 盯。测量觑。对应的误差的方差 求解优化问题( 3 3 ) 最简单得方法是l a g r a n g e 乘子法，它得解为： 贾= ，一幽1 ( 爿刨7 ) 。a x ( 3 - 4 ) 通过求解得到的测量数据校正值在整体上随机误差明显减小，这一点可以通过对比 每组校正数据的误差方差之和与该组测量数据的误差方差之和而得到证明。 3 22 校正值方差与测量值方差的比较 如何说明一组采样数据校正值的精度高于采样数据本身的精度呢? 本文通过对比方 差的办法对这一问题进行证明。 设童为一组采样数据碧的校正值，夏为该组采样数据元的真值。它们都满足( 3 - 3 ) 式中的约束条件即： f ( 2 ) = a 2 = 0 f ( 2 、= a 牙= 0 b 中值定理得： 贾卜0( 3 - 5 ) 汽驱工业过程优化监控系统墩 ； 应用 鼯中雅克比矩阵取露：一霉 导，膏 ；以( 3 5 ) 作为约束条件，求解优化问题( 3 - 3 ) 问题。 利用l a g r a n g e 乘子法求解该优化问题，参照( 3 4 ) 可以得到 豆一夏：( 一r ) ( 霄一舅)( 3 6 ) 其札r = q 丝o x l l j 1 面o f j + q 磊o f j + r 兀嘉 ，。因此校正值意的方差一协方差阵吸可求得 如下： 吼叫( 撕衍前煳一q 斛。阻( ! ( 3 - 7 其屯。= ( 篆 - q 筹i - 1 = - 剑7 r 。整理t ，忉得： w = q q 7 4 7 ( a q a 寸1 a q ( 3 - 8 ) 接下来的工作只要证明q 阵对角线元素大于w 。相应对角线元素，就能由此得出校 i f 倩方晕小于测量信方著的结诊，也就证明了校丁f 倌精度大于测量佰精度的论断。 3 3 汽驱优化监控系统的数据校正 软测量后台运算程序包括两大部分数据校f 环节和软测量环节。本节着重阐述 数据校正环节在优化监控系统中的应用。软测量环节放在后边阐述。 3 3 1 汽驱优化监控系统采用数据校正的原因 系统的软测量技术是利用测量仪表实时采集测量点的测量数据，然后利用这些采集 数据计算和估计难于直接测量的关键质量指标。显然，为了提高关键质量指标的准确度 丽要求这些测量数据准确性要高些是很自然的事；热驱工艺现场仪器仪表排列相对紧 密，工艺现场长期处于电场磁场干扰之中，检测仪表的测量值偏离真实值的情况普遍； 工艺现场除个别测量仪表外大部分仪表的测量精度较低，达不到软测量需要的精度要 求；汽驱工艺的测量值大都采自两相流体，而两相流体操作不稳定，对应的流量信号始 终处于波动之中 2 0 1 。这给准确测量带来相当大的难度。基于以。l 的原因，考虑在软测量 后台运算中引入数据校正环节。 汽驱t 业过程优化雌控系统设汁应用 3 3 2 过失误差校正 前边曾提出约束方程法对过失误差的侦破与识别有两个前提：首先，系统必须处于 稳态；其次，测量值约束必须是线性的。汽驱工艺过程满足这两个前提。汽驱下艺的直 流锅炉长期运行于稳态之下，只有在启炉、停炉相对短暂时间内不稳定，而启炉、停炉 时刻也无需关心诸如干度、流量等指标。本峪控系统针对各节点流量指标进行校币，直 流锅炉的流量关系恰好是线性的。因此，用约束方程法解决汽驱工艺过程中流量指标的 过失误差是合理的。 热驱过程的物料平衡方程如下： 其。h g l ：锅炉入口给水流量( 单位：i l q w ；j , 时) g o i ：分配器l 出v 1 蒸汽流量( 单位：吨，j 、时) 9 0 2 ：分配器2 出口蒸汽流量( 单位：吨川、时) g n 3 ：分配器3 出口蒸汽流量( 单位：吨j 、时1 9 0 4 ：分配器4 出口蒸汽流量( 单位：n 屯d 时) 9 4 ：高压塔出口饱和水排放量( 单位：吨小时) 该方程组的前三个方程表示汽驱二 艺过程分配器4 - 个出口蒸汽流量的特性。第四个 方程表示进入汽驱过程物料平衡关系特性。需要说明的是约束方程组( 3 9 ) 描述的并非是 严格的相等关系，而是在显著性水平o 0 5 条件下的“相等”关系。这其实很好理解，就 拿分配器出口4 个蒸汽流量来说，工艺的实际情况应该是4 个出口的蒸汽流量应凌是既 相等又不相等。相等是因为4 - 个出口对应的4 口注汽井分布在同一片采油区之内，各自 对应的井下环境相同；不相等是指4 口井的地下环境不可能严格意义上的一致，因此， 4 个分配器出口的流量虽不相等，但都非常接近，接近到显著性水平允许的范围之内， 此时可以认为4 个出口的流量是正确的，即4 个出口流量不含过失误差。 如果采集数据能够满足方程组( 3 9 ) ，就有理由认为采集数据没有过失误差。所谓测 量数据满足方程组( 3 9 ) 就是指浚方程组代入测量值后，每个约束方程的残差所构成的检 验统计量小于规定显著性水平所对应的i 临界值。该监控系统采用的显著性水平= o 0 5 ， 对应的临界值8 = 1 9 6 ，这两个量是根据经验制定的。约束方程法的实质就是：如果一组 测量数据满足( 3 9 ) ，则该组测量数据不包含过失误差：如果一组测量数据不能满足f 3 9 ) ， 则陔组测量数据包含过失误差，通过逻辑关系表( 表3 - 1 ) 识别出该组测量数据中哪个或哪 几个测量数据含有过失误差，然后根据物料平衡方程对含有过失误差的测量数据进行修 改。逻辑关系表如表3 1 所示。 令i 代表方程组( 3 。9 ) 的第i 个方程没有被满足，令j 千表方程组( 3 9 ) 的第j 个方程得 到满足。逻辑关系表如下： 一一一一 汽驱工业过程优化雌摔系统醴汁应用 表3 1汽驱过程过火瀑差逻辑芙系表 t a b3 1 l o g i cr e l a t i o n s h i p 该逻辑表没有覆盖所有的情况，原因有二。第一点原因，逻辑表中有关给水流量包含 过失误差的情况没有出现。该监控系统始终假设锅炉入口给水流量不含过失误差。该假 设主要是考虑了水是单相流体，操作稳定。另外还考虑了该测量点远离干扰，没有使其 产生过失误差的环境。因而做出该点假设是合理的。第二点原因，逻辑表没有考虑那些 极特殊以至基本不可能发生的情况。例如，分配器出口1 、出口2 碰巧同时出现过失误 差，更加巧合的是这两个过失误差正好抵消。在过失误差发生抵消的情况下，约束方稃 法很难完成过失误差的识别工作。好在这种情况发生的概率太小，可以把它忽略不计。 3 3 3 随机误差校正 本文采用的优化模型为： m i n 厂( g g 。，昭。g g 。g g 。船。g g 。) ：堡掣 0 4+ 掣 d ， s 1 g 童4 七g 垒“+ g 墓。1 + g 叁。l + g 毫一g l = 0 + ( 3 一l o ) 其中，g g 。船。g g 。g g m g g 。g g ，分别对应不含过失误差的高压塔出口饱和水排放量、 分配器出口1 蒸汽流量、分配器出口2 蒸汽流量、分配器出口3 蒸汽流量、分配器4 出 j 蒸汽流量、锅炉入口给水流量。9 9 4 ，g g m ，g g “，g g w g g ”，9 9 1 分别对应 昭。，昭。，g g 。g g 。昭。嚣l 减小随机误差后的校正结果。瓯，瓯，瓯：，j ”，皖，一分别 对应各自测量点的误差方差。 汽驱t 业过程优化监控系统设汁应用 3 34 优化监控系统数据校正仿真 数据校正示意图 数据校正示意图反映了数据校i e r ；节对测量数据的加工过程，数据校正环节对每个 采样周期送来的测量数掘先进行过失误差的消除工作，然后在进行减小随机误差的j 作。如图3 1 所示。 机理模型 ， f ，、i 、 m 。g g i 槽g g g g g “g g 9 9 13 据 随机误差处理环节 镕 1 ) c 、 骠 i ( g g , , g g o 。, ：感。；，强) 一l 、 节 过失溟差处理环肯 ( 岛g o i 毋2 ，毋3 ，毋g ) 热驱1 岂过程 图3 - 1数据校正示意图 f i g 3 - 1p r o c e s so fd a t ar e c t i f i c a t i o n 建立m a t ia b 仿真模型。” 基于数据校j f 示意图建立的m a t l a b 仿真模型如图3 2 所示。 图3 - 2m a t l a b 仿真模型 f i g 3 - 2s i m u l i n km o d e l 汽驱t 业过程优化临挖系统设汁胧用 m a t ia b 仿真模型曲线 通过对汽驱二 ：艺过程的观察。得到一组测量数据真值。现假设高压塔出口饱和水压 差表受干扰，其误差方差骤然增大，检验“数据校正环节”能否识别出该测量点的过失 误差并减小该点的随机误差。仿真结果见图3 3 所示。 绿色直线表示饱和水流量真值，黄色曲线表示没经过数据校正环节的测量值，粉色曲 线表示经过数掘校正的测量值。从仿真曲线可以清晰看出数据校限把那些偏离真值很远 晌测量值拉回到真值附近。这就验证了数据校正处理过失误差的有效性。需要说明的是， 该图也体现了在整体上减小测量数据随机误差的效果，只不过这种体现并不直观。要直 观地检验数据校难对随机误差的处理效果应该通过( 3 8 ) 式进行测量值与校f 值方差的 比较而得到。 图3 - 3 数据校正效果图 f i g3 3e f f e c to f d a t ar e c t i f i c a t i o n 汽驱工业过程优化临拎系统殴计心用 4 软测量技术在监控系统中的应用 4 1 软测量机理模型 本文根据汽驱工艺过程的机理关系建立了一套描述工艺过程中各变量关系的数学 模型。 4 1 1 机理模型具体形式川 湿蒸汽干度软测量方法是通过汽驱工艺机理分析建立的湿蒸汽的软测量模型。在直 流锅炉入口和出口各安装一套节流装置，分别用于检测锅炉入e 1 给水流量和锅炉出口的 湿蒸汽流最。给水流量计算的数学模型为：g = ：( p 。，鼻) 。具体形式如下： 式巾，g l 旺i ： d 1 ： p l ： p f ： g 、= o 1 2 5 2 a 、d ，2 扫鬲 给水质量流量( 单位：吨川、时) 给水节流装置流量系数 给水节流元件孔径( 单位：毫米) 给水密度( 单位：于克立方米) 给水节流装置两端的压差( 单位：千帕) 湿蒸汽流量计算的模型为：g ：= l ( p ：，峨) 。具体形式如下 ( 4 1 ) g ，= 0 1 2 5 2 c t ，d 2 2 s p ，a 尸) ( 4 - 2 ) 式中，g 2 ：湿蒸汽质量流量( 单位：吨，j 、时) 旺：湿蒸汽节流装置流量系数 d 2 ：湿蒸汽节流元件孔径( 单位：毫米) ：线性膨胀系数 p 2 ：湿蒸汽密度( 单位：千克立方米) p ：湿蒸汽节流装置两端的压差( 单位：千帕) 根据质量守恒原理锅炉入口的给水流量应与锅炉出口的湿蒸汽流量相等，即 g 。= g 2 ( 4 - 3 ) 因为湿蒸汽是饱和水与饱和蒸汽的混合物，所以，当锅炉出口处的绝对压力已知 时，可以通过千度计算出湿蒸汽密度，即 段= a ( y ，成) 汽驱工业过程优化脯控系统设计应用 p ：= j ，+ ( 1 一y ) p i( 4 4 ) 式中，y ：漏蒸汽干度( 单位：) p 2 ：压力为p 时饱和水密度( 单位：千克立方米) p 2 ”：压力为p 时饱和蒸汽密度( 单位：千克立方米) 在某一压力下的饱和水、饱和蒸汽的密度可以从对应的热力性质表中奄得。但由于 它们都是压力的单值函数，在实际应用中可以采用曲线拟合的方法回归出相应的数学模 犁： p 六( i n p ) f 4 5 1 p ；2 无( i n p )( 4 - 6 ) 式中，i n p ：锅炉出口湿蒸汽压力( 单位：兆帕) p 2 ：锅炉出口饱和水密度( 单位：千克立方米) p 2 ”：锅炉出口饱和蒸汽密度( 单位：千克立方米) 联立求解方程( 4 1 ) ( 4 - 2 ) ( 4 3 ) ( 4 4 ) ，便可得到湿蒸汽干度的数学模型为 y = 妒l ( 口2 ，d 2 ，s ，冀，厦，店) 具体形式如下： y = 卜型坚罢氅尝掣1 ( 4 - 7 ) 。l( p ；一p ! ) g 2j 式巾，y ；锅炉出口湿蒸汽干度( 单位：) k ：锅炉出口标准节流装置综合计算系数k = 2 c t 2 ( 兀d 2 2 e 4 ) 2 gz ：给水质量流量f 单位：吨, h 时) g d t a p ：锅炉出口节流装置两端的压差( 单位：干帕) p 27 ：压力为p 时饱和水密度( 单位：千克立方米) p 2 ”：压力为p 时饱和蒸汽密度r 单位：克立方米1 c ：指数，它与给水流量相关 把( 4 5 ) ( 4 6 ) 代入( 4 7 ) 就得至4 了锅炉出口蒸汽干度函数的最终形式： y = p 2 ( 口2 ，d 2 ，最，p ，g 【)( 4 - 8 ) 从( 4 - 8 ) 可以看出，锅炉出口湿蒸汽干度由给水流量、锅炉出口压力、锅炉出口压差 决定。根据工艺机理关系，锅炉入口给水流量、锅炉出口蒸汽干度，饱和水排放量决定 入井蒸汽二f 度函数，其表达形式为：z = 仍( g ，l i q u g ，y ) 。具体形式如下： ：= g 。 g l l i q u g 7 式中，g ，：给水质量流量( 单位：吨，j 、时) ( 4 9 ) 汽驱l 业过程优化j | 【控系统世汁应用 y ：锅炉出口湿蒸汽干度( 单位：) l i q u g ：饱和水排放量( 单位：吨小时) 其中：l i q u g = o1 2 5 2 a ，d 3 2 万酉 叻：饱和水节流装置流量系数 d 3 ：饱和水节流元件孔径( 单位：毫米) p 27 ：压力为p 时饱和水密度( 单位：千克立方米) a p 3 ：饱和水节流装置两端的压差( 单位：千帕) 4 1 ，2 机理模型存在的问题和相应的解决办法 f 4 1 0 1 机理模型( 4 8 ) 给出了锅炉出口湿蒸汽干度关系式。锅炉入口给水流量、锅炉出口湿 蒸汽压差、锅炉出口湿蒸汽压力都与锅炉出口湿蒸汽干度相关。在现场试行中发现，即 使给水流量、湿蒸汽压差、湿蒸汽压力数值相同，在不同的“锅炉工作期”内刘应的“湿 蒸汽千度实际值”也会不同。这样势必造成软测量的结果不准确。对于这个现象，经过 对机理模型的分析得知，锅炉出口处节流装置的参数在一个锅炉工作期内是稳定不变 的，但在不同的锅炉工作期该参数会发生微小偏移。锅炉出口湿蒸汽干度对这个偏移非 常敏感。这种节流装置参数的可变性并没有反映在软测量模型中，这就造成了在不同锅 炉周期内模型计算值不能反映实际干度值的情况。针对这个问题，本文在监控系统中引 入了机理模型“模型校正”环节有效的解决了这个问题。 锅炉出口节流装置的参数包括流量系数，线性膨胀系数，节流装置孔径等。整理( 4 7 ) 式如下： ! ! ! ! ! 丝旦旦塑! ：旦! ：旦! 二鱼：旦! ( 厦一鹾) g ，2 ( 4 1 i ) 式中y ：锅炉出口湿蒸汽干度( 单位：) k ：锅炉出口标准节流装置综合计算系数k = 2 a z ( t t d 2 2 e 4 ) 2 c c 广1 0 3 0 4 9 5节流装置流量系数 d 2 = o 0 4 13 节流装置孔径( 单位：米) = o 9 9 7 5 2节流装置膨胀系数 k = 0 0 0 0 0 0 3 6 8 g ：给水质量流量( 单位：吨j 、时) a p 2 ：锅炉出口节流装置两端的压差( 单位：千帕) p 27 ：压力为p 时，饱和水密度( 单位：千克立方米) p ! ”：雎力为p 时，饱和蒸汽密度( 单位：千克立方米) c ：指数，它的大小与给水流量相关联 因为系数1 2 9 6 0 的存在，所以k 的微小变化都会导致干度计算结果的很大不同。因此， 在锅炉的每个运行期内都必须对k 进行校正。校正的方法是把测量得到的g j 、a p 2 、p 以及“化验”得到的锅炉出口蒸汽干度值代入式( 4 1 1 ) ，求出综合系数k ，这个k 可以一 直保持到锅炉的下一个工作期之前。 汽驱t 业过程优化精挣系统殴计应用 需要说明的是，锅炉出口节流装置参数发生偏移，不仅会影响下度的计算，也会影 响该装置测量压差的结果。但这种对压差的影响只在“帕级”上，对公式( 4 1 i ) 而言， 千帕级的g d t a p 只具有小数点后2 位，因此，g d t a p 的微小偏差对( 4 1 1 ) 的计算根本不会 产生影响。由此，可以大胆认为节流装置参数的偏移不会导致g d t a p 的偏移。通过以上 的分析，得出如下结沦： 结论：锅炉出口节流装置参数发生微小偏移，这不会导致其测量压差产生恶劣影响。 但是，山于锅炉出口干度机理模型( 4 1 1 ) 的特殊结构，节流装罱的微小偏差会导致干度 计算结果的极大不同，对于度计算造成恶劣影响。 该结论是优化监控系统加入“模型校正”环节的依据，也是本文后边介绍用神经恻 络描述g d t a p = f 7 ( g ，p ，l i q u g ) 关系的基础。在那里，这条结论为节流装置参数调整不影 响关系f 7 提供依据。 4 。2r b f 神经网络模型 利用汽驱工艺的大量历史数据，该系统建立t r b f 和0 经网络软测量模型，同汽驱工 艺机理模型切换使用。 42 1 前向规则化学习算法r f s 这单引入了规则前向选择中心的方法( r f s ) ，该方法用零阶规则( 神经网络中的权 值衰减因予) 来惩罚一交化权值，被称为规则正交最小二乘法( r o l s ) 。同时将泛化交叉 验证法( g c v ) 引入r o l s ，来代替固定的门限作为结束隐单元选择的标准“。对于系统 f l j , jm xp 阶矩阵，其中搿为输入向量个数，p 为隐单元数。 先把所有的输入样本均作为隐单元，这时对应的隐含层输入阵为一个m 维方阵，用 f 表示。对于溢出问题，通常有两种决方法，第一种是规则化，通过在能量函数加入惩 罚因子来减少网络模型中包含的参数数目】。这时性能指标为，= e t 8 + 2 w 7 w 。而权值 为w 2 【，+ 州j1 y ，其中，”为m m 阶单位阵，五为规则化参数，可由已知 数据计算得到。第二种是通过确定一个可能的隐单元的子集来限定网络的复杂度，该方 法的另一个优点是可以产生个精简的网络结构。而隐单元子集是那些最能说明相关变 量变化的样本集合。若使用前向选择，则每次从一个大集合( 能够覆盖整个样本空问 或所有的训练样本) 选择一组数据作为隐单元并将它加入一个初始状态为空的矩阵中， 直重复直到满足一定标准。 对于r f s 法，可实现如下：在第p 步，从矩阵f 中选取使 汽驱t 业过程优化监控系统啦计应用 的列向量：，加入矩阵月。，来构成隐层输出阵胜 h ，= h 川 z 1 为了便于计算，先对，进行j e 交化处理，具体实现如下 h ，= 【片川 ， 其中疗是h 的j 下交基矩阵，而z 为 m 一霎静 ：是矩阵，中的列向量，对应正交变换阵为 咿陉 ( 月- 叫t 川) 1 初始状态，u = 1 。则( 4 1 3 ) 式变为 _ 母篇 而五可由下式计算得到 扛者器器 口c p ( 只) w ：( 爿：爿。+ 州。) 1 w 。 初值z = 0 。 热弹扩峭即1 1 弘一磊 翌竺堡! 一 ! ! ! ! a 五 一鲁( 五+ 石? i f 4 1 4 、 ( 4 - 1 5 ) ( 4 - 1 6 ) r 4 1 7 1 ( 4 1 8 、 r 4 1 9 1 ( 4 2 0 ) 汽驱d 世过程优化脓控系统设计应用 7 。于；y = 7 y 一言! 三兰筹 c 耻m 一善蔫 ( 4 - z ， ，；【 十月，门 茹，( 厅；疗，+ ，) 一1 谛，= 善i j ； i 斋 ( 谛。) ，：要，1 p ( 4 2 2 ) ( 谛f ) ，。萧，k p 4 _ 选择使( 4 1 6 ) 值为最大的z ，将其送入( 4 1 4 ) ，重复选取，直到满足结束条件。这 的幺苫耵象杜宰田污仙夺v 蛉；币准i i | | i ( g c v ) 县体笪式回r 4 2 2 ) 官可以讳摊得覃i i 。 g c = 击蒜 一jg c v 达到最小值时，停i t 选择，得到了对应的隐单元数。输出权值为 h 一2 3 ) w = u “茹( 4 - 2 4 ) 总的来观，r f s 法和o l s 法相似，只是迭代过程中用g c v 代替了固定门限作为循环结束条 件。f 面将其学习过程归纳如f ： 1 参数初始化，令五= 0 ，基函数宽度取为样本间最大距离的一半，计算矩阵f 。 2 对于剩下的f 列向量，用式( 4 1 5 ) 计算其对应正交基- ，：。 3 选择使式( 4 1 7 ) 达到最大的正交基向量z ，作为h 阵列向量送入式( 4 1 4 ) 。 4 由式( 4 2 3 ) 计算g c v ，判断是否达到最小值，若达到最小值，转( 6 ) ，否则转( 5 ) 。 5 分别f f i 王( 4 1 6 ) 、( 4 1 9 ) 、( 4 2 1 ) 、( 4 2 2 ) 计算矩阵p 、u 、茹和参数五，转( 2 ) 。 6 由式( 4 2 4 ) 计算权值。 42 2r b f 网络模型的建立m 1 分析机理确定辅助变量 建立蒸汽干度模型首先需确定与蒸汽干度有关的参数，由4 1 1 可得湿蒸汽干度的 在线自动测量主要依赖于给水流量、蒸汽差压以及锅炉出口压力这三个参数。只要现场 能提供这些参数的测量信号，利用数据采集技术和微处理器的强大计算功能，便可实现 湿蒸汽干度的在线自动测量。 通过划l 述因素进行分析和比较，最终确定蒸汽干度的辅助变量为湿蒸汽差压、湿 2 4 汽驱工业过程优化监控系统设计廊用 蒸汽压力和锅炉给水流量。1 1 。 数据采集和预处理 根据采样化验时间确定数据采集时间。这罩从辽河注汽五站取出3 7 6 组数据作为样 水，山于在运行过程中受某些客观条件的限制与影响，因此异常情况很多( 尤其起炉期 间) ，故需对这些数据进行分析处理“。 已知湿蒸汽干度和给水流量、蒸汽差压以及锅炉出口压力有关。但在实际应用中， 这些信号都会受到现场各种因素的影响而产生波动。例如给水流量由节流装置进行测 量，除差压信号外，其它参数通常都是根据额定工况设计的。但在锅炉实际操作中，给 水温度受水处理装置的影响变化很大，锅炉出口温度和压力也受燃料和负荷的影响而上 卜波动。当生产偏离额定工况后若仍采用原来设计的各项参数值去计算流量就会产生测 量误差。而流量控制系统的喘振和给水往复泵的特性，则会引起锅炉入口和出f 1 差压信 号的跳变，亦会使干度的测量结果产生较大的流动。 为了能得到高精度的干度值，实现过程中应考虑干扰的影响以及对参数的补偿。节 流装置参数的补偿见文献”，这里不再赘述。对于干扰的影响，利用对从现场采集的数 据进行数据校i f 来克服。 同时由于各个输入参数具有不同的物理意义，变化范围各不相同，为了提高r b f 网 络的泛化能力，亦需对它们作归一化处理，实现如下， i = 吉耋x ? 咖击萎p 吲2 ( 4 _ 2 5 ) 掣：丝二互 盯 将经过上述处理的数据一部分作为训练样本，用以建立神经网络模型，另一部分作 为校验数据来检验模型。根据这些原则这里从3 3 0 组数据选择2 0 0 组作为训练样本，1 0 0 组作为校i f 样本。 建立神经网络模型 这罩以蒸汽差压、蒸汽压力和给水流量作为网络输入，蒸汽于度作为网络输出，利 片jr b f 神经网络结构，通过r f s 算法对样本进行学习，来建立湿蒸汽干度的测量模型。 经过学习，网络训l 练样本r s g e 为0 0 2 3 2 6 3 ，校验样本的r s m e 为0 0 0 9 3 5 9 5 。拟合结果 和预测结果如图4 1 所示。 汽驱丁业过程优化临捧系统殴计应用 图4 1r b f 网络测量模型的拟台平预测 f i g4 - 1f i ta n dp r e d i c t i o no f r b f n nm o d e 由上图可以看出，神经网络软测量模型对数据有较好的识别能力，可以有效的实现 对湿蒸汽干度的在线估训。 设计在线校一模块 由于实际生产过程千变万化，影响湿蒸汽干度的因素很多，干扰很大，单纯基于某 批操作数据训练的神经网络不可能在所有的情况下都取得较好的估计效果。因此，必 须划该刚络进行在线校正，判断神经网络是否需要重新训练，再通过实际输入、输出变 量对来修正网络的隐层神经元权值。当某一时刻的分析值与模型输出值之差超过规定 值，则需要对神经网络进行重新训练，以适应新的工作情况。 测量在线校_ ：f 模块如图4 2 所示，由长期校正和短期校正两部分组成，可以克服装 置操作条件或原料性质、及气候变化对模型精度的影响，使之能在较宽的范围内工作。 对于短期校f ，这里采用r l s 方法来实现对权植的在线校正。 有无校正环节的预测效果比较见图4 3 。由图可以看出，在没有加入在线校正环：市 之前，对于较大的干扰信号，模型会有较大偏差：加入校正环节后，误差会大大减小， 测量模型对于干扰信号有较好的克服能力，可以大大减少测量偏差。 由于现场工况总是在不停的变化，经过一段时间后，需要对神经网络模型进行模型 重构，重新采集数据样本进行学习训练，这样可以保证测量模型能够时刻跟踪工况的变 化。 测量模型综合评价 经过这五个阶段，实现了智能检测方法对湿蒸汽干度的软测量。该模型在稳态工况 下，误差小于1 ，波动工况下误差不超过5 ，而且对于数据有较好的识别能力，能够 及时跟踪蒸汽干度的变化，从而较为理想的完成对湿蒸汽干度的在线估计。 汽驱工业过程优化哺摊系统i 5 2 汁应用 铍 测 数 据 图4 2 湿蒸汽干度测量模型的在线校正模块 f i g42o n l i n ec o r r e c t i o no fs t r e a mq u a l i t ym e a s u r e m e n tm o d e l 图4 - 3 湿蒸汽干度测量模型有无校正环节的预测效果 f i g4 3c o m p a r i s o nb e t w e e nm o d e l w i t hc o r r e c t i o na n dm o d e lw i t h o u tc o r r e c t i o n 2 7 汽驱工业过程优化监控系统设计应用 5 系统优化模型的建立及实现 对建立在机理模型基础之上的优化模型进行优化计算，是工程师站后台优化计算程 序的主要任务。通过优化计算得到的优化操作指导可供管理者更有效地操作“汽驱工艺 过程”。优化计算是指以“注井蒸汽干度”为目标，以一f 艺要求、工程要求为约束条件 的优化计算。 5 1 建立优化模型。6 本文以入井蒸汽干度为目标，以给水质量流量、锅炉出口湿蒸汽压力，锅炉出口湿 蒸汽压筹、饱和水排放量质量流量为决策量，建立目标函数。决策量约束条件分别是给 水质量流量在1 8 吨小时2 2 吨川、时、锅炉出口湿蒸汽压力在1 1 m p a 1 6 m p a 、饱和水排 放质量流量1 吨，j 、时3 吨，j 、时、炉出口湿蒸汽干度在7 4 7 9 之间、注井蒸汽流量 应大丁1 6 吨川、时。优化模型标准形式： m a x o u t h u m d i t y= 厂( g ，l i q u g ，g d t a p ，i n p ) j t g 1 8 g 2 2 r 门| d 1 1 f 珂尸1 6 晒“g1 ( 5 1 ) l i q u g 3 i n h u m i d i t y = 厶( g d t a p ，i n p ，g ) 0 7 9 i n h u m i d i t y = ，2 ( g d t a p ，i n p ，g ) 0