论文部分内容阅读
本文主要对与裂解炉运行相关的软测量和故障诊断技术进行了深入研究。研究过程中，主要采用了神经网络方法、模糊推理方法、PCA和PLS技术、小波技术以及决策融合技术；同时，考虑到裂解炉应用的实际情况，研究中注重将裂解炉的反应机理、操作工的经验与具体的方法相结合。主要研究成果如下：
1.根据现场裂解炉的实际运行情况，研究了混合知识方法在裂解深度模型和炉出口产品成分软测量中的应用。针对裂解过程的反应机理，研究了动态递归神经网络，提出了一种基于PCA＆动态神经网络的建模方法。首先，根据裂解炉先控策略的需要，利用PCA＆Elman网络的方法建立了裂解深度的实时模型，取得了良好的应用效果。在上述方法的基础上，基于原料物性对收率的影响效应，提出了以带偏置的动态神经网络BRGSN替代Elman网络的方法，开发了炉出口的“双烯”收率软测量模型。这种方法通过BRGSN输出层的偏置值引入原料的族组成(PONA值)，并根据裂解反应的机理，提出了一种限制重要参数调整方向的训练算法，从内在机理上确保了网络参数训练不会受到现场采集数据中所夹带的误差和噪声的影响。通过对实际应用效果的考察和网络输入参数贡献效果的有效性分析，表明了所提出的PEA结合BRGSN的混合方法及其相应的训练算法具有较高的建模精度、很好的稳定性和抗干扰性，能在较大的范围内适应原料变化对产品收率的影响。同时，开发了简单实用的模型在线校正算法，将离线软测量模型推广到在线应用。模型的各项性能在实际运行中得到了验证。
2.针对裂解炉在实际运行过程中存在两个操作工况及工况切换动态的特点，提出了基于非线性PLS模型和模糊逻辑、模糊推理方法的传感器故障诊断混合方法。在过程处于稳态运行的情况下，利用非线性PLS技术所建立的对应于两个操作工况的两个模型能快速有效地诊断出一个或多个测量变量传感器发生的故障。提出的MPE判别方法解决了传统的SPE方法无法分离故障源的难题，并在小故障检测性能方面优于SPE。针对裂解炉工况切换动态和闭环受控变量传感器故障动态所造成的故障误诊断问题，利用模糊逻辑对工况切换动态进行判别，并利用Sugeno型模糊推理技术对受控变量传感器故障情况下的反馈动态建模，有效地解决动态过程引起的误判问题和闭环受控变量传感器故障的诊断问题。实例应用结果表明，基于这种故障集成诊断方法所建立的诊断系统具有良好的小故障信息获取能力、多故障诊断能力和闭环故障诊断能力，能有效的避免裂解炉工况切换动态引发的误诊断，保证了诊断系统的实用性和鲁棒性。
3.提出了一种基于多小波网络故障检测和专家系统决策融合的集成故障诊断方法，并将它成功应用于裂解炉的过程故障诊断上。这种方法首先将过程故障按照一定的标准划分为几种类型，并依此建立相应的小波子网络。各子网络相互独立，并行运行，其输出送决策融合专家系统进行故障判断，最后得到诊断结果。所建立的小波网络采用小波函数作为网络隐层的基函数，因而具有良好的局部逼近性能；并且，可依据小波的多分辨理论来选择网络的初始结构和权值。决策融合专家系统在进行故障判决时，结合了工艺知识和操作经验，并考虑了对“未知故障”的检测。研究中以裂解炉过程故障为对象，对这种方法和传统的BP算法进行了深入的分析和比较。研究结果表明，应用该方法的故障诊断准确率高，实时性和泛化性能好，且具有其它标准算法所不具备的“未知故障”检测能力，其结构和算法的设计使得增加新的故障诊断类型非常便利。这种方法可以推广到其它复杂工业过程的故障诊断应用中。