软仪表建模新方法的探究与分析

辛克鹏，刘鉴徵

（中国石化齐鲁石化公司信息中心，山东 淄博255400）

1 引言

石化行业中，操作人员主要根据化验结果和操作经验调整工艺各参数。由于化验数据的滞后性，会造成质量偏差增大，而操作员的操作经验不同，会造成产品质量不一致，这样操作导致的质量波动大，更重要的是会增加能耗。为解决这一问题，软测量技术应运而生。本文主要以炼油厂连续重整工艺中芳烃含量软仪表建模为例，对原方式建模与新方式建模进行比较、分析。将非线性软仪表模型，通过迭代算法转换成线性模型，最终实现精确的软测量。

2 工艺简介

连续重整工艺为炼厂生产高辛烷值汽油和芳烃的重要装置，主要将低辛烷值石脑油变成富含芳烃的高辛烷值汽油组分。整套工艺包括：原料预处理、重整、抽提、精馏四部分。预处理过程主要从原料中切割60～130℃馏分，除去杂质。原料经催化剂反应后，环烷烃转化为芳烃。通过抽提将来自重整部分的脱戊烷油中的芳烃与非芳烃分离，分离出来的芳烃与非芳烃进一步精馏出苯、甲苯、二甲苯、重芳烃、溶剂油等化工产品[1]。

3 现状分析

以往建立软仪表模型过程，通常是使用数据回归的方法,按照日期，对于影响质量含量的相关参数点进行取数，一般取一小时的平均值。完成取数后，对数据进行初步筛选处理，将有明显错误的数据（如仪表测量问题造成的错误数据、特殊生产状况下的数据等）进行剔除。在做软测量的软件中进行数据回归，一般会有几种固定的软仪表模型进行选择：线性、非线性、线性与非线性并存、神经元网络等。工程师在做建模时通常会选用这几种模型进行分析，然后将软测量的值与历史化验值进行比对，将趋势最一致、偏差最小的那个模型作为选择的软仪表模型。这样的建模方式会有弊端。一开始软仪表的预测值与实际化验值偏差很小，操作人员也喜欢使用，但是随着时间的累积以及工艺工况的改变，预测值与化验值的偏差会越来越大。即使拥有化验数据校正程序，但是校正的仅仅是常数项，对模型其他参数无法修正[2]。

此建模方式的精确性较差，在软仪表建模时没有真正考虑到工艺条件所带来的影响，数学模型的选用是否真正合理是问题的关键所在。

4 改进模型的建立

建立模型前，首先要对工艺进行详细了解，比如化学反应热平衡、能量守恒、物料平衡等关系，综合考虑采样时间与观测数据间的时间差等因素。在种种关系中，确定一个大致的方程式，再推导出参数之间的大致关系，然后进行历史数据的回归，将机理模型与数据回归。

以连续重整工艺为例，此反应为烷烃脱氢环化反应，环烷化合物，如环己烷、甲基环己烷、二甲基环己烷，分别脱氢为苯、甲苯、二甲苯。从反应机理图可以推出：C6H14=C6H6+4H2，即：1摩尔烷烃可生成1摩尔芳烃和4摩尔氢气。

如图1，反应物料进入四个反应器，设第一个反应器的入口温度为T1，第四个反应器的出口温度为T2，T1-T2=T，反应完毕，反应产物进入分离塔，设塔入口流量为F1、塔出口流量为F2，其中T1、T2、F1、F2均为可测参数。通过精馏，产出脱戊烷油，同时产出氢气。脱戊烷油中芳烃含量作为一项重要指标，控制在≥70%，化验室化验频次为一天。

图1 工艺流程

从热力学角度，此反应是吸热反应，高温和低压对此类反应有利。同时，碳原子数越多，平衡中的芳烃产量越高。从动力学角度，此反应速度随温度升高而加快，不受氢分压影响，也随原子数的增多而加快。在选择的操作条件下，反应是非常快的几乎完全反应，它是由催化剂金属功能促进，其反应促进辛烷值增加。

根据反应原理，遵循能量守恒原则，制定反应平衡公式。按照分子摩尔数计量，设：氢油比K（摩尔比），1摩尔烷烃反应生成芳烃吸收的反应热为Q1，参与反应的油品比热为Q2（1摩尔参与反应的油品每升高1℃需要吸收的热量），氢气的摩尔比热为Q3，油品进料的总摩尔数为N，反应生成芳烃的摩尔数为M，反应过程的温降为T=T2-T1。

则：反应热总量为：Q1×M

根据上述化学方程式，一摩尔烷烃反应生成的芳烃产出的氢气量（摩尔数）为：4×M，所以所以反应后氢气总量为：

K×N+4×M

反应前后由温降产生的热量变化可近似为：

根据能量守恒：反应热=反应前后热焓的变化，可得到如下等式：

由于反应前后油品的摩尔数不变，设反应后芳烃占总油品的摩尔比为：Y1=M/N

因此，等式（1）可简化为：

由于分馏塔的作用是去除轻组分，所以，可认为芳烃基本全部保留在塔底，根据物料平衡，可近似认为所有生成的芳烃全部保留在塔底抽出物里，则有：Y1×F1=Y×F2

进而得到：Y1=Y×F2/F1（Y为最终产品中的芳烃含量）

代入等式（3），可得：

其中进料流量F1、塔底出料流量F2、反应总温降T、氢油比K都是可测变量，芳烃含量Y为化验数据，利用收集整理的数据，根据等式（5）进行线性回归，或者根据等式（4）进行非线性回归，都可求得系数A、B、C。再代入等式（4）即可得到最终的关系方程：Y=f（K，T，F1，F2）

5 效果对比

图为2、图3为3个月的数据对比，可以很明显地看出，软仪表的预测精度得到大幅度提高，变化趋势与实际化验值非常吻合，软仪表预测值与化验值差值的标准偏差由2.15降低到0.95，下降约60%。

图2 原软仪表与化验值曲线对比

图3 新软仪表与化验值对比

6 作用与意义

这种方法属于灰箱建模。从原理出发，利用工艺原理及化学反应机理，计算出大致的数学模型，通过数学转换建立软测量与可测值之间的线性关系式，将数据回归与机理建模有机结合，能够较为准确地找到变量之间的实际关系。同时利用回归进行合理地简化，可有效降低模型的复杂程度。与传统意义的软测量建模方式相比，此方法在实际应用中预测更准确，抗扰动性更强。