石油加工中常压塔控制系统分析

 引 言 
  常压塔在石油加工中具有重要的地位,其操作状况好坏直接影响轻油产品收率,从而影响整个的经济效益。为了使柴油从油汽中充分分离出来,并保证柴油质量,需要对常压塔侧线凝点进行质量控制。
  以往对常二线凝点的质量是由操作人员以化验值作为参考进行离线控制。化验采样分析时间间隔很长(1次/4h),其间一旦生产条件发生较大变化,就会出现调节不及时而造成产品质量不合格。为了保证产品质量,操作人员通常采用过分保险的办法,结果使柴油不能充分从油汽中分离出来使收率减少。如要保证收率,往往会影响产品质量。若要达到既保证质量又提高收率的目的,就要实现对凝点进行闭环控制。为了实现质量闭环控制,必须有反馈信号。而在线倾点表有测量滞后时间长、运行不够稳定、维护困难和价格昂贵等缺点,难以达到对反馈信号的要求。
  本项目采用建立凝点软测量预估数学模型的方法得到实时的凝点,作为闭环控制的反馈信号。然后,基于这个反馈信号以常二线抽出量作为调节手段,实现常二线凝点的闭环控制,进而实现质量的卡边控制。
1 建立数学模型的方法
  建模有两大类方法,一类是通过对过程内在机理的分析,利用基本的物理、化学定律(如质量、能量或动量守恒定律等)以及系统的结构数据,推导出物理、化学关系式的机理数学模型,所得到的模型称为机理模型。另一类是对现有工业过程进行试验,利用试验数据或过程的正常运行数据构造数学模型,这种建模的方法称为辨识,所得到的模型严格说来是一个与实际过程近似的经验模型,因此这类模型的建立只依赖于过程的输入输出关系,而“不关心”过程的内情。
  机理建模虽然有时可以获得精度较高的模型,但必须建立在人们对过程有相当了解之上。对于某些较复杂的过程,人们对其结构和支配其运行的机理只有某种程度的了解,甚至还很不了解,在进行机理分析时总是基于许多简化和假设,这就使得机理模型与实际过程之间会有相当的误差。于是,利用观测数据构造数学模型的理论和方法——系统辨识就自然地受到人们的重视。
  因为辨识是通过对过程输入、输出信号的测量得出该过程输入、输出状态的模型,所以辨识的方法可以对任意结构的过程建模,即使对其内部机理不甚了解,也可得出模型。由于这种模型只反映过程输入、输出的特性,不能反映系统的内在信息,而机理模型则可以弥补辨识所得模型在反映内在机理方面的不足。所以就建模来说,*有效的方法是将两者合理地结合起来,即尽量利用人们对物理过程的认识由机理分析提出模型结构,而后用观测数据估计出模型参数,即所谓“灰箱”建模方法。这种做法已被实践证明是非常有效的。
2 建立模型的过程
  基于以上认识,本项目建立软件测量模型的方法是:从工艺机理出发,定性分析与凝点有关的因素,确定模型的基本结构,再根据实际装置的情况,筛选出*直接的工艺因素,它们是常二线温度、塔顶压力、侧线抽出量和塔底蒸汽量。把以上这些影响因素作为输入变量,把凝点值作为输出变量,用系统辨识的方法确定同一瞬间系统输入与输出响应之间的关系。
  模型的形式为
  y′(k)=f ′[x1(k),x2(k),x3(k),n(k)]
式中:y′(k)为柴油凝点,℃;x1(k)为常二线抽出温度,℃;x2(k)为塔顶压力,MPa;x3(k)为塔底蒸汽量,t/h;n(k)为上一侧线的影响。
  在正常的生产工况内,可对上式进行线性化:
  y(k)=a1[x1(k)-x10]+a2[x2(k)-x20]+a3[x3(k)-x30]+e(k)
式中:x10,x20,x30分别为平衡工况下的侧线温度、塔顶压力和塔底蒸汽量;y(k)为预估的柴油凝点值,℃;e(k)为预估误差项,℃。
  上式为化为
  y(k)=a1x1(k)+a2x2(k)+a3x3(k)+e(k)
或y(k)=ab+e(k)
式中:a为数据向量,a=[x1(k),x2(k),x3(k)];b为模型参数向量,b=[a1,a2,a3]。
  系统辨识是建立在现场数据基础之上的,由于数据有各种原因的误差,且数列又需要覆盖一定时间的工况,则必须有大量的数据构成方程组。
  写成矩阵形式为
  Y=AB+E
式中:Y′=[y(1),y(2),…,Y(n)];
   A′=[a(1),a(2),…,a(n)];
   E′=[e(1),e(2),…,e(n)]。
采用*小二乘法求出模型参数。
  为解决上一侧线对本测线凝点的影响,先确定在某一工况时的影响为零,当常一线抽出量偏离该工况时,对模型加入相应的校正值。
  根据一批现场测得的数据,对凝点软测量预估模型进行拟合,便得到该系统的辨识模型。
  由于原料性质以及生产方案等因素都会随时间变化,当其变化较大时,前面得到的辨识模型可能会不够**,因而需要不定期地对模型进行修正,以适应工况的变化。为此,在模型中加入模型在线自学习,以弥补这一变化功能。在线自学习过程由短期学习算法和长期学习算法两部分组成。短期学习算法是以某时刻柴油凝点的采样化验值与预估模型预估值之差为变量,采用线性递推算法更新预估模型的常数项,由于算法简单、学习速度快、学习效率因而便于实时应用。长期学习算法是,在预估模型在线运行一段时间以后,逐步积累了足够的新样本数据,系统根据这些样本重新建立预估模型,即重新估计模型系数a1,a2和a3。
3 控制系统的实现
  软测量模型是我厂TDC-3000系统的AM中实现,它不断采集相应数据,实时计算出凝点值。经过一段时间的运行证明,预估值与化验值拟合效果良好。经过对240组化验值与预估值(二个月的时间)的比较发现:平均误差为1.12℃,其中误差2.5℃者占2.8%。在本系统投入闭环运行前,软测量模型的预估值已经成为操作人员在线调整操作的重要参考,可以达到对反馈信号的要求。
  自1997年10月18日起,利用凝点软测量模型的预估值作为反馈信号,以常二线抽出量作为调节参数的控制系统在常减压装置投入闭环运行至今,效果良好,控制误差在0~3℃.
4 结论
  常二线凝点闭环控制系统的投用使常压塔操作的平稳性明显提高,柴油凝点波动范围显著减少。通过适当提高控制指标,使质量接近卡边,从而提高柴油产率,产生明显的经济效益。此外,本系统具有可以取代现场倾点表的功能,可以为工厂节约投资和维护费用。 

上海夏锐自动化设备有限公司
电话:021-64856742,64856719,64853519   传真:021-64856745
地址:上海市漕河泾开发区桂平路471号5号楼2层西区  邮编:200233