CN110751988A - 一种石脑油裂解制乙烯的在线监测*** - Google Patents
一种石脑油裂解制乙烯的在线监测*** Download PDFInfo
- Publication number
- CN110751988A CN110751988A CN201910986621.4A CN201910986621A CN110751988A CN 110751988 A CN110751988 A CN 110751988A CN 201910986621 A CN201910986621 A CN 201910986621A CN 110751988 A CN110751988 A CN 110751988A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- real
- time
- soft measurement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 103
- 238000005336 cracking Methods 0.000 title claims abstract description 57
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 title claims abstract description 45
- 239000005977 Ethylene Substances 0.000 title claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000010223 real-time analysis Methods 0.000 claims abstract description 4
- 238000003860 storage Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 79
- 238000000034 method Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 24
- 238000000197 pyrolysis Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 6
- 238000003776 cleavage reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000002360 preparation method Methods 0.000 claims description 2
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000007017 scission Effects 0.000 claims description 2
- 238000007726 management method Methods 0.000 abstract description 2
- ATUOYWHBWRKTHZ-UHFFFAOYSA-N Propane Chemical compound CCC ATUOYWHBWRKTHZ-UHFFFAOYSA-N 0.000 description 32
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 32
- OTMSDBZUPAUEDD-UHFFFAOYSA-N Ethane Chemical compound CC OTMSDBZUPAUEDD-UHFFFAOYSA-N 0.000 description 16
- 239000001294 propane Substances 0.000 description 16
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 15
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 15
- 239000012895 dilution Substances 0.000 description 12
- 238000010790 dilution Methods 0.000 description 12
- 239000002994 raw material Substances 0.000 description 12
- 239000002737 fuel gas Substances 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 239000007789 gas Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000002352 steam pyrolysis Methods 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical group [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003546 flue gas Substances 0.000 description 2
- 150000002430 hydrocarbons Chemical class 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000002918 waste heat Substances 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/26—Oils; Viscous liquids; Paints; Inks
- G01N33/28—Oils, i.e. hydrocarbon liquids
- G01N33/2835—Specific substances contained in the oils or fuels
- G01N33/2841—Gas in oils, e.g. hydrogen in insulating oils
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Food Science & Technology (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种石脑油裂解制乙烯的在线监测***，通过数据接口模块分别连接实时数据库、核心算法模块及在线监测数据库；在线监测数据库存储的信息包含从PI实时数据库采集的各个核心算法模块用到的监测变量实时数据和经过核心算法模块输出的分析结果；根据设定的监测频率，在线监测***从DCS***采集生产实时数据，并存储到PI实时数据库***；从PI实时数据库提取各个核心算法模块所需变量的实时数据，存储到在线监测数据库同时，并发送给核心算法模块进行实时的分析运算；核心算法模块输出分析结果发送给在线监测数据库用于存储及用户界面。针对石脑油裂解制乙烯生产工艺，建立了一套基于WEB的在线监测***，将数据采集、核心算法、功能模块、用户管理以及人机界面集成为一体，实现了生产过程实时监测的目标。
Description
技术领域
本发明属于石油化工技术领域，特别是指一种石脑油裂解制乙烯的裂解炉运行监测技术，尤其是指一种石脑油裂解制乙烯的在线监测***。
背景技术
石脑油为原料裂解制取乙烯的工艺技术中蒸汽高温裂解法的裂解工艺至少包括原料供给预热***、高温裂解***、油气联合燃烧***及废热***。
对于实际的石脑油为原料裂解制取乙烯的工艺技术中蒸汽高温裂解法的裂解炉生产过程中根据裂解炉型号的不同选择采集的变量包含但不限于：对流段：1、原料部分：裂解原料石脑油进料流量、裂解原料石脑油进料温度和压力、裂解原料石脑油进料量的设定值；2、稀释蒸汽部分：稀释蒸汽进料流量、稀释蒸汽进料温度、稀释蒸汽进料量的设定值；3、横跨段温度和压力部分：炉管横跨段温度、炉管横跨段压力；辐射段：4、炉出口温度部分：辐射段炉管出口温度；5、炉出口压力部分：炉管出口压力；6、裂解气部分：甲烷、乙烷、乙烯、丙烷和丙烯的含量；7、炉膛部分：裂解气的组成、炉膛温度、烟气组成、和燃料气流量及其平均分子质量等变量数据信息。
因为大量的变量数据信息，并且这些变量信息在实际生产过程中，还各自具有一定的关联性，即若某一个变化数据发生改变，就可能会影响到其它一个或一个以上的变量数据发生变化，导致何变量数据的变化是导致故障的主因的判断更加困难。对于这种情况可以基于有经验的操作人员的知识，与过程监测的结果相结合来判断确认故障的主因。
裂解产品中各组分的含量直接关系到企业的最终利润总额。石脑油高温裂解产物包含多种烃类化合物，具有较大沸程范围，想要在线实现对所有裂解产物组分的分析是不现实的。在工业应用中，乙烯工厂通常利用一台在线组分分析仪来测量几个关键组分的相对含量作为参考对生产工况进行调节。在线分析仪在等时间间隔内，从裂解炉管出口处取样分析，并不能实现实时对关键组分进行相对含量分析，而且在线分析仪在取样过程中存在着一定的随机性。对该特定的裂解炉装置，利用在线组分分析仪来测量甲烷、乙烯、乙烷、丙烯和丙烷五个关键组分的相对含量作为参考对生产工况进行调节。
发明内容
本发明的目的是提供一种石脑油裂解制乙烯的在线监测***，以解决现石脑油裂解制乙烯的在线监测判断何变量数据的变化是导致故障的主因及不能即时确定裂解产物的组分，以便于即时调整工艺参数的问题。
本发明是通过以下技术方案实现的：
一种石脑油裂解制乙烯的在线监测***，包括以下步骤：
1)数据采集
生产过程中，在线监测***从DCS***采集所有变量的生产实时数据，并存储到PI实时数据库***；
2)通过数据接口模块分别连接实时数据库、核心算法模块及在线监测数据库；
3)所述核心算法模块至少包括在线监测模块和裂解产物组分软测量模块；
所述在线监测模块内存储监测模型，在所述裂解产物组分软测量模块内存储裂解产物组分软测量模型；
在线监测数据库存储的信息包含从PI实时数据库采集的是各个核心算法模块用到的监测变量实时数据和经过核心算法模块输出的分析结果；
4)根据设定的监测频率，在线监测***从DCS***采集生产实时数据，并存储到PI实时数据库***；从PI实时数据库提取各个核心算法模块所需变量的实时数据，存储到在线监测数据库同时，并发送到核心算法模块进行实时的分析运算；
5)所述核心算法模块输出分析结果发送到在线监测数据库用于存储及用户界面。
在生产过程中，人为主动对生产工况的调整，由人工通过用户界面手工输入，并直接传送到核心算法模块。
在实时数据库部分还包括对实时采集的实时数据的预处理。
所述数据预处理选用补充当前值法或估计法。
所述监测模型的建模方法，包括以下步骤：
1)设定生产过程中的监测变量；
2)获取多个生产过程中一个完整历史运行周期的离线数据；
3)从任选步骤2)中的一个完整历史运行周期的离线数据中提取设定时间长度的运行相对平稳的监测变量对应的离线数据值；
统计监测变量的正常工况的控制线，并建立监测模型；
4)将所述监测模型对应的数据值与步骤3)中一个完整历史运行周期的离线数据进行比对，若所述监测模型的监测准确率及误报率均在第一设定阈值内，则保留该监测模型；
5)将保留的监测模型与步骤3)中的其它完整历史运行周期的离线数据进行比对，若依然在所述第一设定阈值内，则保留该监测模型；
6)重复步骤3)至步骤5)，从多个监测模型中获得最终的较优监测模型。
所述裂解产物组分软测量模型的建模方法，包括以下步骤：
1)确定预测变量；
2)选择裂解产物出口组分有影响的观测变量；
3)获取多个石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据，并确定在线组分分析仪采样时间间隔；
4)从步聚3)中的离线数据中，选择至少一个设定时长的数据段为训练数据，及选择至少一个设定时长的数据段为验证数据；
确定多段训练数据中的预测变量数据值集合，并建立多个软测量模型的集合；
5)将软测量模型集合中的任一软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差；
去除验证误差超过设定值的软测量模型；
6)将保留的软测量模型均与步骤3)的每一石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据进行比对计算，得到相应的相对预测误差；
7)获得相对预测误差最小的软测量模型为石脑油裂解产物组分较优软测量模型。
确定预测变量的预测误差阈值，统计在预测误差阈值范围内的软测量模型数据的最高值、最低值及平均值；
在运行平稳状态下，获取任一在线组分分析仪采样时间的裂解产物组分数据分别与软测量模型数据的最高值、最低值及平均值进行比对，选取偏差最小的软测量模型为石脑油裂解产物组分较优软测量模型。
本发明的有益效果是：
本技术方案针对石脑油裂解制乙烯生产工艺，建立了一套基于WEB的在线监测***，将数据采集、核心算法、功能模块、用户管理以及人机界面集成为一体，实现了生产过程实时监测的目标。
附图说明
图1为本发明工作原理示意图。
具体实施方式
以下通过实施例来详细说明本发明的技术方案，以下的实施例仅是示例性的，仅能用来解释和说明本发明的技术方案，而不能解释为是对本发明技术方案的限制。
本申请提供一种石脑油裂解制乙烯的在线监测***，如图1所示，包括以下步骤：
1)数据采集
生产过程中，在线监测***从DCS***采集所有变量的生产实时数据，并存储到PI实时数据库***。
对于实际的石脑油为原料裂解制取乙烯的工艺技术中蒸汽高温裂解法的裂解炉生产过程中根据裂解炉型号的不同选择采集的变量包含但不限于：对流段：1、原料部分：裂解原料石脑油进料流量、裂解原料石脑油进料温度和压力、裂解原料石脑油进料量的设定值；2、稀释蒸汽部分：稀释蒸汽进料流量、稀释蒸汽进料温度、稀释蒸汽进料量的设定值；3、横跨段温度和压力部分：炉管横跨段温度、炉管横跨段压力；辐射段：4、炉出口温度部分：辐射段炉管出口温度；5、炉出口压力部分：炉管出口压力；6、裂解气部分：甲烷、乙烷、乙烯、丙烷和丙烯的含量；7、炉膛部分：裂解气的组成、炉膛温度、烟气组成、和燃料气流量及其平均分子质量等变量数据信息。
在实时数据库部分还包括对采集的实时数据的预处理。
所述数据预处理选用补充当前值法或估计法。在本申请的技术方案中，补充当前值法或估计法均为现有数据预处理的方法，因此，申请人不对数据预处理的上述两方法不进行详细的说明。
2)通过数据接口模块分别连接实时数据库、核心算法模块及在线监测数据库；数据接口模块为常规的数据连接或通信接口模块，其通讯方式采用现技术的常规通讯方式。
3)所述核心算法模块至少包括在线监测模块和裂解产物组分软测量模块；还可以包括其它用于进行在线监测的模块，具体根据需要进行确定。
所述在线监测模块内存储监测模型，在所述裂解产物组分软测量模块内存储裂解产物组分软测量模型。
在线监测数据库存储的信息包含从PI实时数据库采集的是各个核心算法模块用到的监测变量实时数据和经过核心算法模块输出的分析结果；
4)根据设定的监测频率，在线监测***从DCS***采集生产实时数据，并存储到PI实时数据库***；从PI实时数据库提取各个核心算法模块所需变量的实时数据，存储到在线监测数据库同时，并发送到核心算法模块进行实时的分析运算；
5)所述核心算法模块输出分析结果发送到在线监测数据库用于存储及用户界面。
在生产过程中，人为主动对生产工况的调整，由人工通过用户界面手工输入，并直接传送到核心算法模块。
所述监测模型的建模方法，包括以下步骤：
1)设定生产过程中的监测变量；要考虑原料的进料和设备的安全，故选择的监测变量包括但不限于裂解原料石脑油进料流量、裂解原料石脑油进料温度和压力、稀释蒸汽进料流量、稀释蒸汽进料温度、炉管横跨段温度、炉管横跨段压力、辐射段炉管出口温度、炉管出口压力、炉膛温度和燃料气流量及其平均分子质量等变量数据信息。实际建模过程中将燃料气流量及其平均分子质量整合为燃料气供热量。在本申请的其它实施例中，可以根据实际的需要，调整监测变量的数量。
2)获取五个生产过程中一个完整历史运行周期的离线数据；在本申请的其它实施例中，可以根据需要确定需要获得的完整历史运行周期的离线数据的数量。
3)从任选步骤2)中的一个完整历史运行周期的离线数据中提取设定时间长度的运行相对平稳的监测变量对应的离线数据值；设定时间长度通常是指根据需要，至少要包括选择的监测变量均有数据信息的长度，可以根据需要选择5分钟、10分钟，15分钟，30分钟，1小时，2小时，4小时，8小时，24小时，3天、七天，送修月或其间的其它时间长度，这主要依据石脑油裂解制乙烯的裂解炉的一个完整生产周期的长度来确定。
统计监测变量的正常工况的控制线，并建立监测模型；具体为，针对选择的监测变量，确定提取的离线数据包括N(自然数)点值，具体与采样间隔相关，在这些正常点值中，统计得到正常工况的控制线，同时建立监测模型。
重复该步骤3)，获得M个监测模型。
4)将M个监测模型对应的数据值分别与步骤3)中一个完整历史运行周期的离线数据进行比对，若所述监测模型的监测准确率及误报率均在第一设定阈值内，则保留该监测模型；否则弃用。
5)将保留的监测模型再分别与步骤3)中的其它四个完整历史运行周期的离线数据进行比对，若依然在所述第一设定阈值内，则保留该监测模型；否则弃用。
从M个监测模型中获得最终的较优监测模型。
裂解产物组分软测量模型的预测变量为甲烷、乙烯、乙烷、丙烯和丙烷间的相对含量。
石脑油裂解产物组成受多种因素制约，如原料品质、停留时间、炉体结构、烃分压、反应温度。经过综合考虑，选择了裂解产物出口组分有影响的观测变量。观测变量包含但不限于裂解原料石脑油进料流量、裂解原料石脑油进料温度和压力、稀释蒸汽进料流量、稀释蒸汽进料温度、炉管横跨段温度、炉管横跨段压力、辐射段炉管出口温度、废热锅炉出口温度、炉管出口压力、炉膛温度和燃料气流量及其平均分子质量等观测变量。
在本实施例中，获取了五个石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据，在本申请的其它实施例中，可以根据需要获取更多的石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据，离线数据越多，软测量模型的精度越高。
在这五个离线数据中，选择任意一个离线数据，并在该离线数据中，选择第一设定数量的设定时长的数据段为训练数据，选择第二设定数量的设定时长的数据段为验证数据。
在本申请的各实施例中，第一设定数量与第二设定数量可以相同也可以不相同。
在本实施例中，在线组分分析仪采样时间间隔为16分钟，在组分含量分析期间，在线组分分析仪输出数据维持前一个样本点的数据。
确定训练数据中的甲烷组分数据值集合、乙烯组分数据值集合、乙烷组分数据值集合、丙烯组分数据值集合及丙烷组分数据值集合。
通过每个甲烷组分数据值确定对应采样时间的观测变量，建立相应的甲烷组分软测量模型，并建立与甲烷组分数据值集合对应的甲烷组分软测量模型集合。
将甲烷组分软测量模型集合中任一甲烷组分软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差，去除验证误差超过设定值的甲烷组分软测量模型。
通过每个乙烯组分数据值确定对应采样时间的观测变量，建立相应的乙烯组分软测量模型，并建立与乙烯组分数据值集合对应的乙烯组分软测量模型集合。
将乙烯组分软测量模型集合中任一乙烯组分软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差，去除验证误差超过设定值的乙烯组分软测量模型。
通过每个乙烷组分数据值确定对应采样时间的观测变量，建立相应的乙烷组分软测量模型，并建立与乙烷组分数据值集合对应的乙烷组分软测量模型集合。
将乙烷组分软测量模型集合中任一乙烷组分软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差，去除验证误差超过设定值的乙烷组分软测量模型。
通过每个丙烷组分数据值确定对应采样时间的观测变量，建立相应的丙烷组分软测量模型，并建立与丙烷组分数据值集合对应的丙烷组分软测量模型集合。
将丙烷组分软测量模型集合中任一丙烷组分软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差，去除验证误差超过设定值的丙烷组分软测量模型。
通过每个丙烯组分数据值确定对应采样时间的观测变量，建立相应的丙烯组分软测量模型，并建立与丙烯组分数据值集合对应的丙烯组分软测量模型集合。
将丙烯组分软测量模型集合中任一丙烯组分软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差，去除验证误差超过设定值的乙烯组分软测量模型。
将保留的甲烷组分软测量模型、乙烯组分软测量模型、乙烷组分软测量模型、丙烯组分软测量模型及丙烷组分软测量模型均与获取的每一石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据进行比对计算，得到相应的相对预测误差。
获得相对预测误差最小的甲烷组分软测量模型、乙烯组分软测量模型、乙烷组分软测量模型、丙烯组分软测量模型及丙烷组分软测量模型，即为石脑油裂解产物组分较优软测量模型。
在本申请的其它实施例中，还可以采用确定甲烷组分预测变量的预测误差阈值，乙烯组分预测变量的预测误差阈值，乙烷组分预测变量的预测误差阈值，丙烯组分预测变量的预测误差阈值及丙烷组分预测变量的预测误差阈值。
统计在上述各组分预测误差阈值范围内的甲烷组分软测量模型数据的最高值、最低值及平均值；乙烯组分软测量模型数据的最高值、最低值及平均值；乙烷组分软测量模型数据的最高值、最低值及平均值；丙烯组分软测量模型数据的最高值、最低值及平均值；及丙烷组分软测量模型数据的最高值、最低值及平均值。
在运行平稳状态下，获取任一在线组分分析仪采样时间的裂解产物组分数据分别与软测量模型数据的最高值、最低值及平均值进行比对，选取偏差最小的软测量模型为石脑油裂解产物组分较优软测量模型。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求极其等同限定。
Claims (7)
1.一种石脑油裂解制乙烯的在线监测***，其特征在于，包括以下步骤：
1)数据采集
生产过程中，在线监测***从DCS***采集所有变量的生产实时数据，并存储到PI实时数据库***；
2)通过数据接口模块分别连接实时数据库、核心算法模块及在线监测数据库；
3)所述核心算法模块至少包括在线监测模块和裂解产物组分软测量模块；
所述在线监测模块内存储监测模型，在所述裂解产物组分软测量模块内存储裂解产物组分软测量模型；
在线监测数据库存储的信息包含从PI实时数据库采集的是各个核心算法模块用到的监测变量实时数据和经过核心算法模块输出的分析结果；
4)根据设定的监测频率，在线监测***从DCS***采集生产实时数据，并存储到PI实时数据库***；从PI实时数据库提取各个核心算法模块所需变量的实时数据，存储到在线监测数据库同时，并发送到核心算法模块进行实时的分析运算；
5)所述核心算法模块输出分析结果发送到在线监测数据库用于存储及用户界面。
2.根据权利要求1所述的石脑油裂解制乙烯的在线监测***，其特征在于，在生产过程中，人为主动对生产工况的调整，由人工通过用户界面手工输入，并直接传送到核心算法模块。
3.根据权利要求1所述的石脑油裂解制乙烯的在线监测***，其特征在于，在实时数据库部分还包括对实时采集的实时数据的预处理。
4.根据权利要求3所述的石脑油裂解制乙烯的在线监测***，其特征在于，所述数据预处理选用补充当前值法或估计法。
5.根据权利要求1所述的石脑油裂解制乙烯的在线监测***，其特征在于，所述监测模型的建模方法，包括以下步骤：
1)设定生产过程中的监测变量；
2)获取多个生产过程中一个完整历史运行周期的离线数据；
3)从任选步骤2)中的一个完整历史运行周期的离线数据中提取设定时间长度的运行相对平稳的监测变量对应的离线数据值；
统计监测变量的正常工况的控制线，并建立监测模型；
4)将所述监测模型对应的数据值与步骤3)中一个完整历史运行周期的离线数据进行比对，若所述监测模型的监测准确率及误报率均在第一设定阈值内，则保留该监测模型；
5)将保留的监测模型与步骤3)中的其它完整历史运行周期的离线数据进行比对，若依然在所述第一设定阈值内，则保留该监测模型；
6)重复步骤3)至步骤5)，从多个监测模型中获得最终的较优监测模型。
6.根据权利要求1所述的石脑油裂解制乙烯的在线监测***，其特征在于，所述裂解产物组分软测量模型的建模方法，包括以下步骤：
1)确定预测变量；
2)选择裂解产物出口组分有影响的观测变量；
3)获取多个石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据，并确定在线组分分析仪采样时间间隔；
4)从步聚3)中的离线数据中，选择至少一个设定时长的数据段为训练数据，及选择至少一个设定时长的数据段为验证数据；
确定多段训练数据中的预测变量数据值集合，并建立多个软测量模型的集合；
5)将软测量模型集合中的任一软测量模型均与验证数据中的相应数据进行比对计算，得到相对验证误差；
去除验证误差超过设定值的软测量模型；
6)将保留的软测量模型均与步骤3)的每一石脑油裂解制乙烯生产过程中完整历史运行周期的离线数据进行比对计算，得到相应的相对预测误差；
7)获得相对预测误差最小的软测量模型为石脑油裂解产物组分较优软测量模型。
7.根据权利要求6所述的石脑油裂解制乙烯的在线监测***，其特征在于，确定预测变量的预测误差阈值，统计在预测误差阈值范围内的软测量模型数据的最高值、最低值及平均值；
在运行平稳状态下，获取任一在线组分分析仪采样时间的裂解产物组分数据分别与软测量模型数据的最高值、最低值及平均值进行比对，选取偏差最小的软测量模型为石脑油裂解产物组分较优软测量模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986621.4A CN110751988A (zh) | 2019-10-17 | 2019-10-17 | 一种石脑油裂解制乙烯的在线监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910986621.4A CN110751988A (zh) | 2019-10-17 | 2019-10-17 | 一种石脑油裂解制乙烯的在线监测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110751988A true CN110751988A (zh) | 2020-02-04 |
Family
ID=69278689
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910986621.4A Pending CN110751988A (zh) | 2019-10-17 | 2019-10-17 | 一种石脑油裂解制乙烯的在线监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110751988A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709214A (zh) * | 2017-02-20 | 2017-05-24 | 北京工业大学 | 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
-
2019
- 2019-10-17 CN CN201910986621.4A patent/CN110751988A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106709214A (zh) * | 2017-02-20 | 2017-05-24 | 北京工业大学 | 一种基于mlle‑ocsvm的青霉素发酵过程故障监测方法 |
| CN109389314A (zh) * | 2018-10-09 | 2019-02-26 | 宁波大学 | 一种基于最优近邻成分分析的质量软测量与监测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱哲熹 等: "基于支持向量回归方法的石脑油裂解产物关键组分相对含量预测" * |
| 田胜伟: "针对石脑油裂解制乙烯过程的监测与故障诊断" * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2686820C2 (ru) | Система и способ настройки моделей процессов | |
| AU2007311652B2 (en) | Abnormal event detection using principal component analysis | |
| AlGhazzawi et al. | Monitoring a complex refining process using multivariate statistics | |
| CA2679128C (en) | Method and system of using inferential measurements for abnormal event detection in continuous industrial processes | |
| US11720072B2 (en) | Plant state operating analysis and control | |
| CN110187635B (zh) | 用于连续重整装置的实时优化方法和设备 | |
| CN101601023A (zh) | 热交换器积垢检测 | |
| CN109827004B (zh) | 对调节阀特性分析的方法及装置 | |
| US11668536B2 (en) | Systems and methods for predicting tube fouling in a fired apparatus, and for utilizing tube fouling predictions | |
| CN113420500B (zh) | 智能常减压*** | |
| CN110376987A (zh) | 基于案例库和稳态检测的炼油过程在线优化方法及装置 | |
| CN110751988A (zh) | 一种石脑油裂解制乙烯的在线监测*** | |
| CN107450314B (zh) | 一种用于乙烯裂解炉全运行周期裂解深度控制***及其方法 | |
| US20200179892A1 (en) | Delta temperature control of catalytic dehydrogenation process reactors | |
| WO2020176060A2 (en) | A production optimisation method for the ethylene furnaces | |
| CN110717279B (zh) | 石脑油裂解制乙烯的裂解产物组分软测量模型的建立方法 | |
| Al-Jlibawi et al. | The efficiency of soft sensors modelling in advanced control systems in oil refinery through the application of hybrid intelligent data mining techniques | |
| CN114096927A (zh) | 用于控制工业厂房中批处理的性能的方法和*** | |
| CN110751987A (zh) | 一种石脑油裂解制乙烯监测变量的软测量模型的建立方法 | |
| EP4148105A1 (en) | Method for steam cracking and corresponding systems | |
| Aungsutarn et al. | Effect of Cracking Furnace Parameters through Transfer Line Exchanger Outlet Temperature | |
| WO2019005541A1 (en) | ERROR ASSESSMENT OF A PETROCHEMICAL PLANT TO DETERMINE EQUIPMENT CHANGES FOR OPTIMIZED OPERATIONS | |
| CN118132963B (zh) | 一种工业气体生产质量在线分析方法和*** | |
| Hong-qiao et al. | The research and application of oil and gas production safety early-warning based on large data analysis technology | |
| Heins et al. | Fouling monitoring and cleaning optimisation in a heat exchanger network of a crude distillation unit |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wang Jingde Inventor after: Li Yingzhuang Inventor after: Zhang Xinyu Inventor after: Wu Yutong Inventor after: Sun Wei Inventor after: Han Chengyu Inventor after: Ma Fangyuan Inventor after: Han Xianyao Inventor before: Wang Jingde Inventor before: Li Yingzhuang Inventor before: Zhang Xinyu Inventor before: Wu Yutong Inventor before: Sun Wei Inventor before: Han Chengyu Inventor before: Ma Fangyuan Inventor before: Han Xianyao |