專利名稱：二甲苯異構化反應器操作條件優(yōu)化的方法
技術領域：
本發(fā)明涉及對二甲苯異構化反應工藝條件的優(yōu)化，尤其是二甲苯異構化反應器操作條件優(yōu)化的方法。
背景技術：
現(xiàn)有的二甲苯異構化反應器是引進的裝置和工藝，該裝置以減壓柴油、重焦化柴油、輕焦化柴油、直餾石腦油、加氫汽油為原料，生產對二甲苯、鄰二甲苯和苯。異構化裝置是以含貧鄰二甲苯、間二甲苯和乙苯的碳8芳烴混合物原料，在臨氫、催化劑作用及一定的反應溫度和反應壓力下，轉化成對二甲苯濃度接近平衡濃度的碳8芳烴混合物，提高對二甲苯的產量?，F(xiàn)有異構化裝置是采用美國環(huán)球油品公司(UOP)的ISOMAR工藝，設計反應壓力為0.8～2.2Mpa，溫度為380～440℃，重量空速為2.5～3.5hr-1，改造后采用國產SKI-400催化劑。異構化產物為接近平衡狀態(tài)濃度的C8A混合物，經脫庚烷塔除去反應生成的輕餾分，再經白土塔處理，去掉反應生成的不飽和烴，然后送往二甲苯分餾單元，除去C9+A，再送往吸附分離裝置。
整個反應過程是一個復雜的非線性過程，其中主反應有(1)混合二甲苯異構化經五元環(huán)向不同方向轉化(2)異苯異構化副反應有(1)二甲苯、乙苯歧化(2)二甲苯、乙苯加氫脫烷基(3)乙苯開環(huán)裂解(4)鏈烷烴加氫裂解影響反應的因素主要有(1)溫度溫度是反應的重要參數(shù)，異構化反應是放熱反應，但其熱效應很小，故溫度對化學平衡總的影響不很大。由于隨著催化劑積碳增加，催化劑活性降低，必須提高溫度來補償。但C8環(huán)烷和對二甲苯的平衡濃度隨著反應溫度的提高而降低，所以要同時提高壓力(氫風壓)來達到預期的效果。
(2)壓力壓力是異構化反應的重要參數(shù)，乙苯的轉化率是通過環(huán)烷橋來達到的，乙苯的轉化也是異構化反應的主要特點。環(huán)烷的平衡濃度與氫分壓有關，并隨壓力提高而增加。提高氫分壓通常有兩種方法，提高總壓或提供氫的濃度，故本裝置反應的初期和末期的壓力和氫純度的要求有很大的不同。
(3)氫油比保持恰當?shù)臍溆捅群蜌錆舛葘Ξ悩嫽磻霓D化率和收率有一定影響，且氫能抑制催化劑的積碳。
(4)空速(LHSV)空速大是這個裝置的一個特點，達3.5～4.0h-1，在其他條件一定的情況下，空速大轉化率低，空速小轉化率提高。但空速太大，副反應增加，收率低且催化劑容易失活。
異構化裝置反應系統(tǒng)包括同時運行的兩個系列1系列和2系列，異構化的進料是從吸附分離裝置的抽余液塔側線抽出，經預處理并與從循環(huán)氫壓縮機來的循環(huán)氫、500#及300#釜來的補充氫混合在一起進加熱爐，達到要求溫度后進入一系列反應器DC-701-1和二系列反應器DC-701-2，反應后兩個系列的產品匯合到一起進入分餾系統(tǒng)。
異構化反應器為固定床徑向流動反應器，反應器內裝填催化劑SKI-400，裝填量為每系列45000公斤。
二甲苯異構化是生產對二甲苯的主要途徑，其生產裝置大多有較大的規(guī)模。根據(jù)國內外的報道和我們的實際經驗，大型現(xiàn)代化石油化工裝置，由于生產規(guī)范化程度很高，效益潛力通常低于小型化工裝置。但即使有1％的效益，其絕對增收也是相當可觀的，因而引起了國外眾多專家、學者和生產廠家的重視，也出現(xiàn)了成功的實例。但是，幾乎所有的研制者都對技術關鍵嚴格保密，而其要價往往非常昂貴。國內在該領域中的工作也在展開，但相關的成熟的技術報道尚不多見。
隨著計算機技術以及計算、智能和控制方法迅速發(fā)展，生產裝置優(yōu)化操作也可以多種方式進行。大致上可以分為在線和離線兩種。在線方式目前以先進控制理論為基礎，所設計的優(yōu)化控制系統(tǒng)等可以直接在現(xiàn)場生產裝置上進行調試、控制和優(yōu)化。相應的必須配備控制系統(tǒng)等硬件設備，有的還需要建立相應的模型，因此代價非常高。離線方式首先需要建立與生產裝置相對應的模型，建模的方法又可劃分為兩類，其一為動力學模型方法，首先根據(jù)生產過程的化學和物理機理建立相應的數(shù)學模型，然后再按照裝置的具體情況進一步確定該理論模型的校正系數(shù)(又稱之為裝置因子)等，但這種方法的開發(fā)過程相當繁瑣，代價也比較高。另外機理模型往往被適當簡化，而理論模型對實際過程難免會有所偏離，這些也都會影響優(yōu)化的效果。
近期發(fā)展的神經元網絡等技術，采用這些技術，并與統(tǒng)計方法柔性地集成應用，這樣可以克服單純應用統(tǒng)計方法的缺陷與不足，并提高了所建模型的各種性能，包括擬合成與預報能力、自適應性、穩(wěn)健性等。這些現(xiàn)代的隨機方法不會陷入局部極值區(qū)域，尤其能適用于網絡模型，可為統(tǒng)計和智能方法的集成應用提供有力的支持。這類優(yōu)化方法的突出優(yōu)點是可以根據(jù)企業(yè)的現(xiàn)實需要，運用先進的現(xiàn)代科學技術，最大限度地分析利用生產操作的數(shù)據(jù)信息，在不增加任何設備和原材料的條件下，挖掘裝置的生產潛力，提高裝置的生產效益。在此意義上，這是最值得開發(fā)運用的前沿技術和方法。
從1943年心理學家W.S.McCulloch和數(shù)學家W.Pitts研究并提出M-P神經元模型起到今天，人類對神經網絡的研究走過了半個多世紀的歷程。美國加州理工大學的物理學家Hopfield的開拓性工作。其后，Rumelhart和McCelland及其研究小組的PDP(Parallel Distribution Processing)網絡思想，則為神經網絡研究新高潮的到來起到了推波助瀾的作用。尤其是他們提出的誤差反傳(EBP)學習算法成為至今影響最大的一種網絡學習方法。神經網絡的應用已滲透到各個工程領域。因為神經網絡的訓練是一個自學習過程，所以它特別適用于規(guī)律，機理尚不清楚的場合。在化工領域中，神經網絡已廣泛應用于過程建模、模式識別、故障診斷和自動化控制等，并取得了可喜的成績。
正如我們所知，基于統(tǒng)計方法得出各種回歸模型是另一種有效的建模手段。與神經網絡的建模過程(一種模仿人腦學習的漸進過程)相比，基于統(tǒng)計方法的建模則是一步到位的。若將網絡模型稱為“柔性模型”，那么眾多的回歸模型則可稱為“剛性模型”。回歸模型的建立雖然快速方便，但模型的效果卻依賴于所設定的模型結構。由于事先無法保證應采用怎樣的模型結構，這就給回歸建模帶來很大不便。為此，我們提出將網絡和回歸統(tǒng)計相結合的方法，以使兩者互補。
雖然有一些方法，可使BP網的訓練過程陷入局部極小，但一般都需巨大的計算量，且效果不能保證。所以我們采用徑向基函數(shù)(Radial Basis Function，RBF)網絡來擬合樣本數(shù)據(jù)。RBF網絡不僅具有良好的推廣能力，而且避免了象誤差反傳算法那樣繁瑣冗長的計算，使學習可以比通常的EBP算法快103～104倍。
建模的方法近年來發(fā)展很快，從線性回歸到人工神經網絡，再到兩者的結合，各國科學工作者都在研究性能更好，更快的方法?；菊f來線性回歸是由實際樣本數(shù)據(jù)來建立經驗模型的基本方法，回歸模型為y＝Xβ+ε，常用最小二乘方法(LSR)估計參數(shù)β的值。當樣本矩陣X的列向量(即各自變量)間存在復共線關系時，回歸的 值很不穩(wěn)定，甚至產生很大的偏差。為此需要消除自變量間的復共線關系，而偏最小二乘回歸(PLSR)是目前一種有效消除復共線關系的較好方法。
在復雜的非線性問題中，線性回歸方法就難以完滿解決問題了。而人工神經網絡以其強大的非線性表達能力，為非線性建模提供了一個工具。徑基函數(shù)網(RBFN)是一種性能優(yōu)良的人工神經網絡，其不僅非線性數(shù)據(jù)擬合能力強，而且構建的模型有良好的推廣能力。
RBFN簡介RBF網絡是由Powell于1985年提出的，其本質多變量插值的徑向基函數(shù)方法。問題可闡述為給定一個n維點集{xi}和與之對應的m維點集{yi}，i＝1，2，...，k，插值問題就是要求一個函數(shù)f(x)使之滿足以下插值條件f(xi)＝y(tǒng)i
RBFN一般采用三層結構，包括輸入層、隱含層和輸出層，層間為完全連接，如圖2.1所示。輸入層接受輸入數(shù)據(jù)，并前傳給隱含層各結點；隱含層各結點的活化函數(shù)為徑向基函數(shù)，它們大多采用Gaussian函數(shù)，其性能與中心參數(shù)c和寬度參數(shù)σ有關。當?shù)趇個輸入矢量xi傳至第j個隱含層節(jié)點，經其處理后的輸出為aj=exp(-||cj-xi||2/σl2),---(1)]]>其中cj，σl為該結點的中心和寬度參數(shù)；在輸出層僅將隱含層的輸出作線性加權和，并作為RBFN的輸出，第r個輸出分量為yr=wr0+Σj=1mwrjaj,---(2)]]>其中wr1為連接權，wr0為偏置項，m是隱含層的結點數(shù)。
PLSR簡介偏最小二乘回歸是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法，被稱為第二代回歸分析方法。它在回歸建模過程中采用了信息綜合與篩選技術，不是直接考慮因變量集會與自變量集合的回歸建模，而是在變量系統(tǒng)中提取若干對系統(tǒng)具有最佳解釋能力的新綜合變量(稱為PLS成分，且彼此間相互正交)，然后利用它們回歸建模。它與主成分回歸不同的是，主成分回歸僅單純地從原有變量的樣本數(shù)據(jù)X中提取綜合變量(稱為主成分)，并未慮及與因變量y的關系，從與因變量的相關關系來看，所提取的主成分并不一定包含足夠多的信息。但PLSR不僅從X中提取PLS成分，還要求所提取的PLS成分與y的協(xié)方差達到最大，保留了較多的與因變量的相關性，從而在消去原變量復共線性的同時，使建立的回歸模型仍能充分地反映出自變量與因變量之間的相關性。附具體算法如下，更多了解可參考有關文獻。
PLSR算法PLS從原有的數(shù)據(jù)矩陣中提取相互正交的成分，它們既保留了較多的方差，也保留了較多的與因變量的相關性，從而在消去原變量復共線性的同時，使建立的回歸模型能充分地反映出自變量與因變量之間的相關關系。
為了擴大適用范圍，多元線形回歸模型取其推廣的形式Y＝XB+E其中，X為n×l(n＞l)的自變量數(shù)據(jù)矩陣，Y則是n×q(n＞q)因變量數(shù)據(jù)矩陣，B是l×q的參數(shù)矩陣，E是n×q的殘差矩陣。另外，約定X和Y的各列已被標準化。
PLSR通常采用NIPALS算法，它在分解自變量數(shù)據(jù)矩陣的同時，也在分解因變量數(shù)據(jù)矩陣Y，并設法使X中提取的成分盡可能靠近Y中的成分(兩者均為n維空間的向量)，亦即是它們的相關性盡量大。常把從X中提取的成分稱為PLS成分。其算法步驟說明如下。其中s0為用于存放中間數(shù)據(jù)的n維向量，h為整型計數(shù)器，δ1、δ2是兩個由用戶給定的任意小正數(shù)，以規(guī)定精度。
(1)程序開始，將自變量和因變量數(shù)據(jù)分別送入X和Y，計數(shù)器h置為1；(2)任選矩陣Y的一列向量yi送入s0內，作為其初值yis0；以下步驟是對矩陣X進行處理(3)將矩陣X投影于列向量s0上XTs0/(s0Ts0)⇒uh;]]>(4)將向量uh歸一化uh/‖uh‖uh；(5)將矩陣X投影于行向量uhT上Xuh/uhTuh⇒th;]]>以下步驟是對矩陣Y進行處理(6)將矩陣Y投影于列向量th上YTth/thTth⇒vh;]]>(7)將vh歸一化vh/‖vh‖vh；(8)將矩陣Y投影于行向量vh上Yvh/vhTvh⇒sh;]]>(9)檢驗列向量s0是否收斂‖s0-sh‖＜δ1；若否，則shs0，程序轉回至(3)繼續(xù)執(zhí)行；若是，則至此已求出矩陣X的第h個PLS成分，存于th中，然后程序往下執(zhí)行(10)；以下步驟是對矩陣X，Y進行分解(10)計算矩陣X的載荷向量chXTth/thTth⇒ch;]]>(11)將成分sh對th進行回歸thTsh/thth⇒bh;]]>(12)從數(shù)據(jù)矩陣X中除去第h個PLS成分X-thchT⇒X;]]>(13)從數(shù)據(jù)矩陣Y中除去回歸項Y-bhthvhT⇒Y;]]>
(14)檢驗數(shù)據(jù)矩陣X中有意義的信息是否已全部被提取‖X‖＜δ2？；若是，程序往下執(zhí)行(15)；若否，則計數(shù)器h加1，在檢驗h＜l；若是，程序轉至(2)繼續(xù)執(zhí)行；否則，程序往下執(zhí)行(15)；(15)程序結束。

發(fā)明內容
本發(fā)明目的是提供一種RBF(徑向基函數(shù))網與PLSR(偏最小二乘回歸是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法)的結合的方法，即集成地應用線性回歸與神經網絡方法，采用神經網絡RBFN的結構，又用線性回歸方法PLSR求解，避開了設計和訓練RBFN的困難，用于提供并控制二甲苯異構化反應器操作條件優(yōu)化。
二甲苯異構化裝置建模自變量及因變量選取異構化裝置反應系統(tǒng)包括同時運行的兩個系列，根據(jù)前面討論影響因素，考慮選取模型自變量為(1)催化劑劑齡(2)兩個系列的進料乙苯含量％(3)兩個系列的進料間二甲苯含量％(4)兩個系列的進料鄰二甲苯含量％(5)兩個系列的反應溫度(6)兩個系列的反應壓力(7)兩個系列的液時空速(LHSV)(8)兩個系列的氫油比考慮到自變量中許多量是由更原始的數(shù)據(jù)計算而來，在實際建模中可將這些更原始的量當作自變量以替代手算，方便了計算。這些原始的就是上述自變量。
選取模型因變量為(1)乙苯轉化率％(2)對二甲苯異構化率％(3)C8A回收率％(4)出料中PX/∑X建模是整個優(yōu)化系統(tǒng)的基礎，只有建立了準確可靠的模型，下一步的優(yōu)化工作才有意義。在二甲苯異構化優(yōu)化系統(tǒng)中，我們采用了神經元網絡建模的方法。這是一種經驗建模方法，在建模時不需要考慮裝置的機理，只要用裝置過去運行時得到的數(shù)據(jù)，對網絡進行訓練，就可以得到裝置的神經元網絡模型。實踐和理論均表明，神經元網絡具有較高的建模精度，同時又有很好的預報能力。在二甲苯異構化優(yōu)化系統(tǒng)采用的是RBF-PLS建模方法，該方法中的提取成分數(shù)需要根據(jù)實際的對象和數(shù)據(jù)來確定，所以在建模模塊中同時還提供了一個交叉驗證算法，用來根據(jù)樣本數(shù)據(jù)確定最合適提取成分數(shù)。
操作條件的優(yōu)化優(yōu)化的目的是決定合適的操作條件，使某些產品的產率達到最大，同時又使生產的成本降到最低，從而提高企業(yè)的經濟效益。優(yōu)化是在神經元網絡的模型下，采用隨機/遺傳算法，對操作條件的自變量空間進行搜索，尋找最優(yōu)或較優(yōu)的的操作條件。
本發(fā)明采用RBF-PLSR方法將PLSR集成于RBFN隱含層的輸出端。將RBFN的隱結點數(shù)取為訓練樣本的個數(shù)，即m＝n，使每個隱結點與一個訓練樣本相對應，第i個結點的中心參數(shù)ci就取為第i個樣本向量xi。這樣設計相當于將每個樣本點均視作一個聚類中心，還可按此思路求解寬度參數(shù)σl。由此解決了RBFN結構設計與主要參數(shù)選取上的難點。
隱含層與輸出層間的連接權仍可由(2)式確定。將各個樣本數(shù)據(jù)所生成的隱含層輸出代入(2)式可以構成一個與類似多元線性回歸模型。使用PLSR方法求解此回歸問題剛好可以解決樣本數(shù)太小所易造成的自變量復共線性。
如果所待建模的輸入輸出數(shù)據(jù)分別是{xi}和{yi}(即自變量和因變量)，i＝1，2，...，k為樣本數(shù)。那么RBF和PLSR的結合方法如下。
(1)將xi，i＝1，2，...，k歸一化至
(以消除量綱的影響)；(2)將所有樣本xi作為RBF網的徑基，而后根據(jù)下式求出樣本xi相對于徑基xj的活化值，并構成PLS的輸入矩陣A(k×k)； (3)運用上述PLSR方法建立矩陣A和Y間的映射關系。
本發(fā)明集成地應用線性回歸與人工神經網絡方法，分別擷取它們的長處，補充各自的不足，RBF-PLSR采用人工神經網絡RBFN的結構，又用線性回歸方法PLSR求解，避開了設計和訓練RBFN的困難，所建的模型有簡明的解析形式，不失為一種優(yōu)良的非線性建模方法。在本章中將簡介二甲苯異構化裝置建模所用的RBF-PLSR方法。
四

圖1二甲苯異構化優(yōu)化系統(tǒng)的總體結構圖2二甲苯異構化優(yōu)化系統(tǒng)的工作流程圖3為RBFN網絡結構示意圖五具體實施方式
二甲苯異構化優(yōu)化系統(tǒng)主要是根據(jù)工廠異構化裝置已經得到的數(shù)據(jù)建立神經元網絡模型，然后在此模型的基礎上，通過優(yōu)化技術確定使產率達到最優(yōu)的操作條件。整個系統(tǒng)可分為建模，優(yōu)化和系統(tǒng)維護三個部分，如圖1所示二甲苯異構化優(yōu)化系統(tǒng)的總體結構工作流程，如圖2所示影響異構化反應的主要工藝參數(shù)1 反應溫度反應溫度是異構化反應的重要參數(shù)。異構化反應是放熱反應，但其熱效應很小，故溫度對化學平衡總的影響不很大。由于隨著催化劑積碳增加，催化劑活性降低，必須提高溫度來補償。但碳8環(huán)烷和對二甲苯的平衡濃度隨著反應溫度的提高而降低，所以要同時提高壓力(氫分壓)來達到預期的效果。
2 反應壓力反應壓力也是異構化反應的重要參數(shù)。乙苯的轉化率是是通過環(huán)烷橋達到的，乙苯的轉化也是異構化反應的主要特點，環(huán)烷的濃度與氫分壓有關，并隨壓力提高而增大。提高氫分壓通常有兩種方法，一是提高總壓，二是提高氫的濃度，故本裝置反應的初期和末期的壓力和氫純度的要求有很大的不同。
3 氫油比保持恰當?shù)臍溆捅群蜌錆舛葘Ξ悩嫽磻霓D化率和收率均有一定的影響，且氫能抑制催化劑的積碳。
4 空速液時空速(LHSV)是由生產裝置和催化劑裝填量決定的。在其它條件一定的情況下，空速大轉化率低；空速小轉化率高。但空速太大，付反應增加，收率低且催化劑容易失活。
優(yōu)化方法根據(jù)二甲苯異構化反應的特點和工業(yè)生產裝置的實際生產情況，我們選定反應器的進料組成(即進料中乙苯、鄰二甲苯、間二甲苯、對二甲苯的含量)、催化劑劑齡、反應器處理量、反應器進料組成、反應溫度、反應壓力、氫油比、空速為模型自變量，選定反映反應器反應結果的乙苯轉化率、異構化率、碳8芳烴收率、PX/∑X為模型因變量，利用符合一定條件的工業(yè)反應器實際生產數(shù)據(jù)作為訓練樣本，對反應器進行優(yōu)化計算，找出優(yōu)化的反應器的操作參數(shù)，使得模型因變量為最優(yōu)，進而提高反應器的生產能力和整個裝置的綜合經濟效益。
優(yōu)化計算根據(jù)優(yōu)化方法我們編制出二甲苯異構化裝置優(yōu)化軟件包，利用優(yōu)化計算軟件進行二甲苯異構化反應器操作條件優(yōu)化計算。
1 參數(shù)設置1.1 設置計量表參數(shù)校正因子及量程如表1。
表1 校正因子及量程

流號說明如表2表2 流號說明

1.2 約束條件計算數(shù)據(jù)約束條件表3。
表3 計算數(shù)據(jù)約束條件

1.3 催化劑劑齡催化劑劑齡起始時間按實際所取工業(yè)數(shù)據(jù)的時間計算，即從2000年1月4日至2001年4月底。
2 數(shù)據(jù)生成將工業(yè)反應器相關數(shù)據(jù)經處理后轉化成一定格式的用于優(yōu)化計算的數(shù)據(jù)。
3 建模3.1 交叉驗證對2生成的數(shù)據(jù)進行交叉驗證，選擇乙苯轉化率驗證誤差最低的提取成份數(shù)。
驗證結果如表4。
表4 交叉驗證結果

3.2 建模利用交叉驗證的訓練樣本數(shù)和提取樣本數(shù)進行建模。
4 優(yōu)化計算4.1 自變量優(yōu)化參數(shù)輸入輸入進料F6039、F6218的組成，如表5。
表5 進料組成

4.2 優(yōu)化參數(shù)選擇選擇自變量優(yōu)化參數(shù)溫度、壓力、氫油比、空速，并設定優(yōu)化上下限。設定結果如表6。
表6 自變量優(yōu)化參數(shù)上下限

選擇因變量優(yōu)化參數(shù)乙苯轉化率、異構化率、碳8芳烴收率、PX/∑X。
4.3 優(yōu)化計算4.3.1 隨機搜索算法優(yōu)化計算結果隨機搜索算法參數(shù)設定為搜索最小步長為0.001；每次隨機撒點數(shù)為20。不同訓練樣本數(shù)的優(yōu)化計算結果如表7。
表7 隨機搜索算法優(yōu)化計算結果

4.3.2 差分進化算法優(yōu)化計算結果差分進化算法參數(shù)設定為群體個數(shù)為100；CR為0.8；F為0.8；最大代數(shù)為100；算法策略為1。差分進化算法優(yōu)化計算結果如表8。
表8 差分進化算法優(yōu)化計算結果


4.3.3 增強差分進化算法優(yōu)化計算結果增強差分進化算法參數(shù)設定為群體個數(shù)為100；CR為0.8；F為0.8；最大代數(shù)為100；算法策略為1。增強差分進化算法優(yōu)化計算結果如表9。
表9 增強差分進化算法優(yōu)化計算結果

4.4 優(yōu)化計算分析由優(yōu)化計算過程及表6、表7、表8的優(yōu)化計算結果可以看出，隨機搜索、差分進化、增強差分進化三種優(yōu)化算法的優(yōu)化計算結果差別不大，說明三種優(yōu)化算法均可進行優(yōu)化計算。
實際的優(yōu)化結果與訓練樣本數(shù)有很大的關系，即與參加計算的實際工業(yè)數(shù)據(jù)有很大的關系，工業(yè)實際生產狀況好，其優(yōu)化計算結果亦好，反之優(yōu)化計算結果就不太理想。
實際優(yōu)化時可根據(jù)市場情況、產品供求情況、生產裝置的情況選擇不同的自變量優(yōu)化參數(shù)和因變量優(yōu)化參數(shù)進行優(yōu)化，必要時還可以對進料F6039和F6218的組成進行優(yōu)化。
5 結論根據(jù)優(yōu)化計算，在訓練樣本數(shù)為74、提取成分數(shù)為6時，自變量及因變量結果最優(yōu)，即1系列反應溫度為400.5℃，2系列反應溫度為399.0℃，1系列反應壓力為1.28Mpa，2系列反應壓力為1.27Mpa，1系列氫油比為8.20，2系列氫油比為6.81，1系列LHSV為2.65，2系列LHSV為2.62時，乙苯轉化率為27.84％，異構化率為16.93％，C8A收率為95.48％，PX/∑X為21.95％，其中優(yōu)化的乙苯轉化率比四月份工業(yè)實際平均乙苯轉化率25.14％高兩點七個百分點。
(1)氫油比、液時空速、平衡率具體公式如下I系列 H2/HC(mol/mol)＝16.430139*F7812*H2％S0705/(F7810+F7811)II系列 H2/HC(mol/mol)＝13.922276*F7912*H2％S0709/(F7910+F7911)I系列 LHSV＝0.0007778166*(F7810+F7811)II系列 LHSV＝0.0007778166*(F7910+F7911)平衡率＝(F7810+F7811+F7910+F7911+F6666+F7816+F7817+F7916+F7917)/(F8001+F7032+F7815+F7915+F7031)其中F7810、F7811、F7910、F7911為日累計流量。
(2)因變量計算公式如下催化劑劑齡計算公式如下C8A％xxxx＝(EB+MX+OX+PX)％xxxxv1＝F7810+F7910+F7811+F7911 Li＝A0+A (1)A＝Fsum/B (2)Fsum＝∑Fday(3)Fday＝(F2-F1)*f (4)L＝A0+∑((F2-F1)*f)/B
其中Li期末催化劑劑齡 (t原料/kg催化劑)A0催化劑期初劑齡(2000年1月3日)(t原料/kg催化劑)A催化劑劑齡增值(自2000年1月4日到期末)(t原料/kg催化劑)Fsum催化劑處理原料量累計增值(自2000年1月4日到期末)(噸)B催化劑裝填量(45000kg/系列)(kg)Fday催化劑每日處理原料量 (噸)F2累計流量表近日8:00數(shù)值(噸)F1累計流量表前日8:00數(shù)值(噸)f流量校正系數(shù)(F7810，F(xiàn)7811，F(xiàn)7910，F(xiàn)7911)一系列A0＝59.1556 t原料/kg催化劑二系列A0＝59.1544 t原料/kg催化劑
權利要求
1.甲苯異構化反應器操作條件優(yōu)化的方法，其特征是多變量插值的徑向基函數(shù)RBF網與PLSR相結合，即集成地應用線性回歸與神經網絡方法，采用神經網絡RBFN的結構，又用線性回歸方法PLSR求解，將PLSR集成于RBF網隱含層的輸出端，將RBFN的隱結點數(shù)取為訓練樣本的個數(shù)，即m＝n，使每個隱結點與一個訓練樣本相對應，第i個結點的中心參數(shù)ci就取為第i個樣本向量xi；將所有樣本xi作為RBF網的徑基，而后根據(jù)下式求出樣本xi相對于徑基xj的活化值，并構成PLS的輸入矩陣A(k×k)；
將各個樣本數(shù)據(jù)所生成的隱含層輸出代入上式可以構成一個與類似多元線性回歸模型，使用PLSR方法求解此回歸問題，選定反映反應器反應結果的乙苯轉化率、異構化率、碳8芳烴收率、PX/∑X為模型因變量，利用工業(yè)反應器實際生產數(shù)據(jù)作為訓練樣本，對反應器進行優(yōu)化計算，找出優(yōu)化的反應器的操作參數(shù)，使得模型因變量為最優(yōu)，自變量為(1)催化劑劑齡(2)兩個系列的進料乙苯含量％(3)兩個系列的進料間二甲苯含量％(4)兩個系列的進料鄰二甲苯含量％(5)兩個系列的反應溫度(6)兩個系列的反應壓力(7)兩個系列的液時空速(LHSV)(8)兩個系列的氫油比。
2.由權利要求1所述的二甲苯異構化反應器操作條件優(yōu)化的方法，其特征是RBFN采用三層結構，包括輸入層、隱含層和輸出層，層間為完全連接，輸入層接受輸入數(shù)據(jù)，并前傳給隱含層各結點；隱含層各結點的活化函數(shù)為徑向基函數(shù)。
3.由權利要求1所述的二甲苯異構化反應器操作條件優(yōu)化的方法，其特征是優(yōu)化參數(shù)選擇自變量優(yōu)化參數(shù)溫度、壓力、氫油比、空速，并設定優(yōu)化上下限
全文摘要
甲苯異構化反應器操作條件優(yōu)化的方法，以多變量插值的徑向基函數(shù)RBF網與PLSR相結合，即集成地應用線性回歸與神經網絡方法，采用神經網絡RBFN的結構，又用線性回歸方法PLSR求解，將甲苯異構化反應器操作條件優(yōu)化的方法，多變量插值的徑向基函數(shù)RBF網與PLSR相結合，將各個樣本數(shù)據(jù)所生成的隱含層輸出代入上式可以構成一個與類似多元線性回歸模型，使用PLSR方法求解此回歸問題，選定反映反應器反應結果的乙苯轉化率、異構化率、碳8芳烴收率、PX/∑X為模型因變量，利用工業(yè)反應器實際生產數(shù)據(jù)作為訓練樣本，對反應器進行優(yōu)化計算，找出優(yōu)化的反應器的操作參數(shù)，使得模型因變量為最優(yōu)。
文檔編號C07C15/08GK1510018SQ0215720
公開日2004年7月7日 申請日期2002年12月23日 優(yōu)先權日2002年12月23日
發(fā)明者陳德釗, 陳新華, 張賽軍, 陳沖偉, 徐利斌, 李志華, 王凈依, 顏學峰 申請人:揚子石油化工股份有限公司, 浙江大學