论文部分内容阅读
乙烯装置一般采用多种进料在多台裂解炉中并行处理的生产方式，并在高温条件下将长链分子裂解成各种短链的烃类混合物。原料组成、裂解温度、蒸汽量及停留时间等因素的共同影响使得裂解反应十分复杂，焦层的增厚导致裂解炉需要周期性地停炉清焦。因此，裂解炉操作是半连续的动态过程，实现对此复杂过程的先进控制和操作优化能够为企业带来实际效益。而对裂解炉运行特性和裂解产率的精确预测是实现上述操作的前提，所以建立裂解过程反应模型显得尤为重要。 由于实际生产过程中不同批次的产品需要经常调整生产设备和原料，而对新工况重新建立新模型不仅耗时耗力，而且影响预测模型的时效性和经济性。因此本文从裂解炉裂解机理出发，分析发现当乙烯装置采用不同裂解炉、不同裂解原料时，炉管出口温度、停留时间及蒸汽量对产物产率的影响具有共性。考虑到不同裂解过程之间的相似性，提出了基于实例的数据集重构迁移学习算法，可在少量目标样本下利用不同原料、不同炉型的历史数据，实现乙烯产率在不同操作条件下的预测。当裂解炉操作条件保持不变时，结焦使得炉管传热性能下降，进而导致乙烯产率随时间衰减。再加上裂解炉具有周期运行的特点，这都为解决目标任务提供了大量非常相近的源数据，为此针对上述相似性提出了融合时序关系的多源迁移学习算法，可在不同裂解运行初期快速预测乙烯产率的时序变化特性。仿真实验验证结果表明，所提两种算法均能有效基于源数据集快速准确地建立乙烯产率预测模型。