二甲苯异构化反应器操作条件优化的方法

摘要

甲苯异构化反应器操作条件优化的方法，以多变量插值的径向基函数RBF网与PLSR相结合，即集成地应用线性回归与神经网络方法，采用神经网络RBFN的结构，又用线性回归方法PLSR求解，将甲苯异构化反应器操作条件优化的方法，多变量插值的径向基函数RBF网与PLSR相结合，将各个样本数据所生成的隐含层输出代入上式可以构成一个与类似多元线性回归模型，使用PLSR方法求解此回归问题，选定反映反应器反应结果的乙苯转化率、异构化率、碳8芳烃收率、PX/∑X为模型因变量，利用工业反应器实际生产数据作为训练样本，对反应器进行优化计算，找出优化的反应器的操作参数，使得模型因变量为最优。

说明书

一、技术领域

本发明涉及对二甲苯异构化反应工艺条件的优化，尤其是二甲苯异构化反应器操作条件优化的方法。

二、背景技术

现有的二甲苯异构化反应器是引进的装置和工艺，该装置以减压柴油、重焦化柴油、轻焦化柴油、直馏石脑油、加氢汽油为原料，生产对二甲苯、邻二甲苯和苯。异构化装置是以含贫邻二甲苯、间二甲苯和乙苯的碳8芳烃混合物原料，在临氢、催化剂作用及一定的反应温度和反应压力下，转化成对二甲苯浓度接近平衡浓度的碳8芳烃混合物，提高对二甲苯的产量。现有异构化装置是采用美国环球油品公司(UOP)的ISOMAR工艺，设计反应压力为0.8～2.2Mpa，温度为380～440℃，重量空速为2.5～3.5hr^-1，改造后采用国产SKI-400催化剂。异构化产物为接近平衡状态浓度的C₈A混合物，经脱庚烷塔除去反应生成的轻馏分，再经白土塔处理，去掉反应生成的不饱和烃，然后送往二甲苯分馏单元，除去C9⁺A，再送往吸附分离装置。

整个反应过程是一个复杂的非线性过程，其中主反应有：

(1)混合二甲苯异构化经五元环向不同方向转化

(2)异苯异构化

副反应有：

(1)二甲苯、乙苯歧化

(2)二甲苯、乙苯加氢脱烷基

(3)乙苯开环裂解

(4)链烷烃加氢裂解

影响反应的因素主要有：

(1)温度温度是反应的重要参数，异构化反应是放热反应，但其热效应很小，故温度对化学平衡总的影响不很大。由于随着催化剂积碳增加，催化剂活性降低，必须提高温度来补偿。但C8环烷和对二甲苯的平衡浓度随着反应温度的提高而降低，所以要同时提高压力(氢风压)来达到预期的效果。

(2)压力压力是异构化反应的重要参数，乙苯的转化率是通过环烷桥来达到的，乙苯的转化也是异构化反应的主要特点。环烷的平衡浓度与氢分压有关，并随压力提高而增加。提高氢分压通常有两种方法，提高总压或提供氢的浓度，故本装置反应的初期和末期的压力和氢纯度的要求有很大的不同。

(3)氢油比保持恰当的氢油比和氢浓度对异构化反应的转化率和收率有一定影响，且氢能抑制催化剂的积碳。

(4)空速(LHSV)空速大是这个装置的一个特点，达3.5～4.0h^-1，在其他条件一定的情况下，空速大转化率低，空速小转化率提高。但空速太大，副反应增加，收率低且催化剂容易失活。

异构化装置反应系统包括同时运行的两个系列：1系列和2系列，异构化的进料是从吸附分离装置的抽余液塔侧线抽出，经预处理并与从循环氢压缩机来的循环氢、500#及300#釜来的补充氢混合在一起进加热炉，达到要求温度后进入一系列反应器DC-701-1和二系列反应器DC-701-2，反应后两个系列的产品汇合到一起进入分馏系统。

异构化反应器为固定床径向流动反应器，反应器内装填催化剂SKI-400，装填量为每系列45000公斤。

二甲苯异构化是生产对二甲苯的主要途径，其生产装置大多有较大的规模。根据国内外的报道和我们的实际经验，大型现代化石油化工装置，由于生产规范化程度很高，效益潜力通常低于小型化工装置。但即使有1％的效益，其绝对增收也是相当可观的，因而引起了国外众多专家、学者和生产厂家的重视，也出现了成功的实例。但是，几乎所有的研制者都对技术关键严格保密，而其要价往往非常昂贵。国内在该领域中的工作也在展开，但相关的成熟的技术报道尚不多见。

随着计算机技术以及计算、智能和控制方法迅速发展，生产装置优化操作也可以多种方式进行。大致上可以分为在线和离线两种。在线方式目前以先进控制理论为基础，所设计的优化控制系统等可以直接在现场生产装置上进行调试、控制和优化。相应的必须配备控制系统等硬件设备，有的还需要建立相应的模型，因此代价非常高。离线方式首先需要建立与生产装置相对应的模型，建模的方法又可划分为两类，其一为动力学模型方法，首先根据生产过程的化学和物理机理建立相应的数学模型，然后再按照装置的具体情况进一步确定该理论模型的校正系数(又称之为装置因子)等，但这种方法的开发过程相当繁琐，代价也比较高。另外机理模型往往被适当简化，而理论模型对实际过程难免会有所偏离，这些也都会影响优化的效果。

近期发展的神经元网络等技术，采用这些技术，并与统计方法柔性地集成应用，这样可以克服单纯应用统计方法的缺陷与不足，并提高了所建模型的各种性能，包括拟合成与预报能力、自适应性、稳健性等。这些现代的随机方法不会陷入局部极值区域，尤其能适用于网络模型，可为统计和智能方法的集成应用提供有力的支持。这类优化方法的突出优点是：可以根据企业的现实需要，运用先进的现代科学技术，最大限度地分析利用生产操作的数据信息，在不增加任何设备和原材料的条件下，挖掘装置的生产潜力，提高装置的生产效益。在此意义上，这是最值得开发运用的前沿技术和方法。

从1943年心理学家W.S.McCulloch和数学家W.Pitts研究并提出M-P神经元模型起到今天，人类对神经网络的研究走过了半个多世纪的历程。美国加州理工大学的物理学家Hopfield的开拓性工作。其后，Rumelhart和McCelland及其研究小组的PDP(Parallel Distribution Processing)网络思想，则为神经网络研究新高潮的到来起到了推波助澜的作用。尤其是他们提出的误差反传(EBP)学习算法成为至今影响最大的一种网络学习方法。神经网络的应用已渗透到各个工程领域。因为神经网络的训练是一个自学习过程，所以它特别适用于规律，机理尚不清楚的场合。在化工领域中，神经网络已广泛应用于过程建模、模式识别、故障诊断和自动化控制等，并取得了可喜的成绩。

正如我们所知，基于统计方法得出各种回归模型是另一种有效的建模手段。与神经网络的建模过程(一种模仿人脑学习的渐进过程)相比，基于统计方法的建模则是一步到位的。若将网络模型称为“柔性模型”，那么众多的回归模型则可称为“刚性模型”。回归模型的建立虽然快速方便，但模型的效果却依赖于所设定的模型结构。由于事先无法保证应采用怎样的模型结构，这就给回归建模带来很大不便。为此，我们提出将网络和回归统计相结合的方法，以使两者互补。

虽然有一些方法，可使BP网的训练过程陷入局部极小，但一般都需巨大的计算量，且效果不能保证。所以我们采用径向基函数(Radial Basis Function，RBF)网络来拟合样本数据。RBF网络不仅具有良好的推广能力，而且避免了象误差反传算法那样繁琐冗长的计算，使学习可以比通常的EBP算法快10³～10⁴倍。

建模的方法近年来发展很快，从线性回归到人工神经网络，再到两者的结合，各国科学工作者都在研究性能更好，更快的方法。基本说来线性回归是由实际样本数据来建立经验模型的基本方法，回归模型为y＝Xβ+ε，常用最小二乘方法(LSR)估计参数β的值。当样本矩阵X的列向量(即各自变量)间存在复共线关系时，回归的值很不稳定，甚至产生很大的偏差。为此需要消除自变量间的复共线关系，而偏最小二乘回归(PLSR)是目前一种有效消除复共线关系的较好方法。

在复杂的非线性问题中，线性回归方法就难以完满解决问题了。而人工神经网络以其强大的非线性表达能力，为非线性建模提供了一个工具。径基函数网(RBFN)是一种性能优良的人工神经网络，其不仅非线性数据拟合能力强，而且构建的模型有良好的推广能力。

RBFN简介

RBF网络是由Powell于1985年提出的，其本质多变量插值的径向基函数方法。问题可阐述为：给定一个n维点集{x_i}和与之对应的m维点集{y_i}，i＝1，2，...，k，插值问题就是要求一个函数f(x)使之满足以下插值条件：f(x_i)＝y_i

RBFN一般采用三层结构，包括输入层、隐含层和输出层，层间为完全连接，如图2.1所示。输入层接受输入数据，并前传给隐含层各结点；隐含层各结点的活化函数为径向基函数，它们大多采用Gaussian函数，其性能与中心参数c和宽度参数σ有关。当第i个输入矢量x_i传至第j个隐含层节点，经其处理后的输出为：

$$ >>>a>j>>=>exp>>(>->|>|>>c>j>>->>x>i>{}^{}$$

其中c_j，σ_l为该结点的中心和宽度参数；在输出层仅将隐含层的输出作线性加权和，并作为RBFN的输出，第r个输出分量为：

$$ >>>y>r>>=>>w>>r>0>>>+>>\Sigma >>j>=>1>>m>>>w>rj>>>a>j>>,>->->->>(>2>)>>>$$

其中w_r1为连接权，w_r0为偏置项，m是隐含层的结点数。

PLSR简介

偏最小二乘回归是一种新型的多元统计数据分析方法，被称为第二代回归分析方法。它在回归建模过程中采用了信息综合与筛选技术，不是直接考虑因变量集会与自变量集合的回归建模，而是在变量系统中提取若干对系统具有最佳解释能力的新综合变量(称为PLS成分，且彼此间相互正交)，然后利用它们回归建模。它与主成分回归不同的是，主成分回归仅单纯地从原有变量的样本数据X中提取综合变量(称为主成分)，并未虑及与因变量y的关系，从与因变量的相关关系来看，所提取的主成分并不一定包含足够多的信息。但PLSR不仅从X中提取PLS成分，还要求所提取的PLS成分与y的协方差达到最大，保留了较多的与因变量的相关性，从而在消去原变量复共线性的同时，使建立的回归模型仍能充分地反映出自变量与因变量之间的相关性。附具体算法如下，更多了解可参考有关文献。

PLSR算法：

PLS从原有的数据矩阵中提取相互正交的成分，它们既保留了较多的方差，也保留了较多的与因变量的相关性，从而在消去原变量复共线性的同时，使建立的回归模型能充分地反映出自变量与因变量之间的相关关系。

为了扩大适用范围，多元线形回归模型取其推广的形式：

Y＝XB+E

其中，X为n×l(n＞l)的自变量数据矩阵，Y则是n×q(n＞q)因变量数据矩阵，B是l×q的参数矩阵，E是n×q的残差矩阵。另外，约定X和Y的各列已被标准化。

PLSR通常采用NIPALS算法，它在分解自变量数据矩阵的同时，也在分解因变量数据矩阵Y，并设法使X中提取的成分尽可能靠近Y中的成分(两者均为n维空间的向量)，亦即是它们的相关性尽量大。常把从X中提取的成分称为PLS成分。其算法步骤说明如下。其中s₀为用于存放中间数据的n维向量，h为整型计数器，δ₁、δ₂是两个由用户给定的任意小正数，以规定精度。

(1)程序开始，将自变量和因变量数据分别送入X和Y，计数器h置为1；

(2)任选矩阵Y的一列向量y_i送入s₀内，作为其初值：y_is₀；

以下步骤是对矩阵X进行处理：

(3)将矩阵X投影于列向量s₀上：$$ >{}^{}$$

(4)将向量u_h归一化：u_h/‖u_h‖u_h；

(5)将矩阵X投影于行向量u_h^T上：$$ >>>Xu>h>>/sup>>u>h>Tsup>>>u>h>>\Rightarrow >>t>h>>;>>$$

以下步骤是对矩阵Y进行处理：

(6)将矩阵Y投影于列向量t_h上：$$ >{}^{}$$

(7)将v_h归一化：v_h/‖v_h‖v_h；

(8)将矩阵Y投影于行向量v_h上：$$ >>>Yv>h>>/sup>>v>h>Tsup>>>v>h>>\Rightarrow >>s>h>>;>>$$

(9)检验列向量s₀是否收敛：‖s₀-s_h‖＜δ₁；

若否，则s_hs₀，程序转回至(3)继续执行；

若是，则至此已求出矩阵X的第h个PLS成分，存于t_h中，然后程序往下执行(10)；

以下步骤是对矩阵X，Y进行分解：

(10)计算矩阵X的载荷向量c_h：$$ >{}^{}$$

(11)将成分s_h对t_h进行回归：$$ >sup>>t>h>Tsup>>>s>h>>/>>t>h>>>t>h>>\Rightarrow >>b>h>>;>>$$

(12)从数据矩阵X中除去第h个PLS成分：$$ >>X>->>t>h>sup>>c>h>Tsup>>\Rightarrow >X>;>>$$

(13)从数据矩阵Y中除去回归项：$$ >>Y>->>b>h>>>t>h>sup>>v>h>Tsup>>\Rightarrow >Y>;>>$$

(14)检验数据矩阵X中有意义的信息是否已全部被提取：‖X‖＜δ₂？；

若是，程序往下执行(15)；

若否，则计数器h加1，在检验h＜l；

若是，程序转至(2)继续执行；否则，程序往下执行(15)；(15)程序结束。

三、发明内容

本发明目的是提供一种RBF(径向基函数)网与PLSR(偏最小二乘回归是一种新型的多元统计数据分析方法)的结合的方法，即集成地应用线性回归与神经网络方法，采用神经网络RBFN的结构，又用线性回归方法PLSR求解，避开了设计和训练RBFN的困难，用于提供并控制二甲苯异构化反应器操作条件优化。

二甲苯异构化装置建模

自变量及因变量选取

异构化装置反应系统包括同时运行的两个系列，根据前面讨论影响因素，考虑选取模型自变量为：

(1)催化剂剂龄

(2)两个系列的进料乙苯含量％

(3)两个系列的进料间二甲苯含量％

(4)两个系列的进料邻二甲苯含量％

(5)两个系列的反应温度

(6)两个系列的反应压力

(7)两个系列的液时空速(LHSV)

(8)两个系列的氢油比

考虑到自变量中许多量是由更原始的数据计算而来，在实际建模中可将这些更原始的量当作自变量以替代手算，方便了计算。这些原始的就是上述自变量。

选取模型因变量为：

(1)乙苯转化率％

(2)对二甲苯异构化率％

(3)C8A回收率％

(4)出料中PX/∑X

建模是整个优化系统的基础，只有建立了准确可靠的模型，下一步的优化工作才有意义。在二甲苯异构化优化系统中，我们采用了神经元网络建模的方法。这是一种经验建模方法，在建模时不需要考虑装置的机理，只要用装置过去运行时得到的数据，对网络进行训练，就可以得到装置的神经元网络模型。实践和理论均表明，神经元网络具有较高的建模精度，同时又有很好的预报能力。在二甲苯异构化优化系统采用的是RBF-PLS建模方法，该方法中的提取成分数需要根据实际的对象和数据来确定，所以在建模模块中同时还提供了一个交叉验证算法，用来根据样本数据确定最合适提取成分数。

操作条件的优化

优化的目的是决定合适的操作条件，使某些产品的产率达到最大，同时又使生产的成本降到最低，从而提高企业的经济效益。优化是在神经元网络的模型下，采用随机/遗传算法，对操作条件的自变量空间进行搜索，寻找最优或较优的的操作条件。

本发明采用RBF-PLSR方法将PLSR集成于RBFN隐含层的输出端。将RBFN的隐结点数取为训练样本的个数，即m＝n，使每个隐结点与一个训练样本相对应，第i个结点的中心参数c_i就取为第i个样本向量x_i。这样设计相当于将每个样本点均视作一个聚类中心，还可按此思路求解宽度参数σ_l。由此解决了RBFN结构设计与主要参数选取上的难点。

隐含层与输出层间的连接权仍可由(2)式确定。将各个样本数据所生成的隐含层输出代入(2)式可以构成一个与类似多元线性回归模型。使用PLSR方法求解此回归问题刚好可以解决样本数太小所易造成的自变量复共线性。

如果所待建模的输入输出数据分别是{x_i}和{y_i}(即自变量和因变量)，i＝1，2，...，k为样本数。那么RBF和PLSR的结合方法如下。

(1)将x_i，i＝1，2，...，k归一化至[0，1](以消除量纲的影响)；

(2)将所有样本x_i作为RBF网的径基，而后根据下式求出样本x_i相对于径基x_j的活化值，并构成PLS的输入矩阵A(k×k)；

(3)运用上述PLSR方法建立矩阵A和Y间的映射关系。

本发明集成地应用线性回归与人工神经网络方法，分别撷取它们的长处，补充各自的不足，RBF-PLSR采用人工神经网络RBFN的结构，又用线性回归方法PLSR求解，避开了设计和训练RBFN的困难，所建的模型有简明的解析形式，不失为一种优良的非线性建模方法。在本章中将简介二甲苯异构化装置建模所用的RBF-PLSR方法。

四、附图说明

图1二甲苯异构化优化系统的总体结构

图2二甲苯异构化优化系统的工作流程

图3为RBFN网络结构示意图

五、具体实施方式

二甲苯异构化优化系统主要是根据工厂异构化装置已经得到的数据建立神经元网络模型，然后在此模型的基础上，通过优化技术确定使产率达到最优的操作条件。整个系统可分为建模，优化和系统维护三个部分，如图1所示：

二甲苯异构化优化系统的总体结构工作流程，如图2所示：

影响异构化反应的主要工艺参数

1 反应温度

反应温度是异构化反应的重要参数。异构化反应是放热反应，但其热效应很小，故温度对化学平衡总的影响不很大。由于随着催化剂积碳增加，催化剂活性降低，必须提高温度来补偿。但碳8环烷和对二甲苯的平衡浓度随着反应温度的提高而降低，所以要同时提高压力(氢分压)来达到预期的效果。

2 反应压力

反应压力也是异构化反应的重要参数。乙苯的转化率是是通过环烷桥达到的，乙苯的转化也是异构化反应的主要特点，环烷的浓度与氢分压有关，并随压力提高而增大。提高氢分压通常有两种方法，一是提高总压，二是提高氢的浓度，故本装置反应的初期和末期的压力和氢纯度的要求有很大的不同。

3 氢油比

保持恰当的氢油比和氢浓度对异构化反应的转化率和收率均有一定的影响，且氢能抑制催化剂的积碳。

4 空速

液时空速(LHSV)是由生产装置和催化剂装填量决定的。在其它条件一定的情况下，空速大转化率低；空速小转化率高。但空速太大，付反应增加，收率低且催化剂容易失活。

优化方法

根据二甲苯异构化反应的特点和工业生产装置的实际生产情况，我们选定反应器的进料组成(即进料中乙苯、邻二甲苯、间二甲苯、对二甲苯的含量)、催化剂剂龄、反应器处理量、反应器进料组成、反应温度、反应压力、氢油比、空速为模型自变量，选定反映反应器反应结果的乙苯转化率、异构化率、碳8芳烃收率、PX/∑X为模型因变量，利用符合一定条件的工业反应器实际生产数据作为训练样本，对反应器进行优化计算，找出优化的反应器的操作参数，使得模型因变量为最优，进而提高反应器的生产能力和整个装置的综合经济效益。

优化计算

根据优化方法我们编制出二甲苯异构化装置优化软件包，利用优化计算软件进行二甲苯异构化反应器操作条件优化计算。

1 参数设置

1.1 设置计量表参数

校正因子及量程如表1。

                      表1 校正因子及量程

  流号  校正因子  量程  流号 校正因子  量程  F7810  0.74116  9999999  F7912 0.00046  9999999  F7811  0.74116  9999999  F7816 0.00021  9999999  F7910  0.74116  9999999  F7817 0.00017  9999999  F7911  0.74116  9999999  F7916 0.00021  9999999  F6666  0.85501  999999  F7917 0.00017  9999999  F8001  0.71707  9999999  F7032 0.64483  999999  F6039  0.7337  9999999  F7815 0.00025  9999999  F6218  0.73739  9999999  F7915 0.00027  9999999  F7812  0.00044  9999999  F7031 0.00138  9999999

流号说明如表2

               表2 流号说明

流号 说明流号 说明F7810 抽余油F7912 循环氢气F7811 抽余油F7816 300#来的氢气F7910 抽余油F7817 500#来的氢气F7911 抽余油F7916 300#来的氢气F6666 外供C8A补料F7917 500#来的氢气F8001 DA702塔底液F7032 DA702塔顶液F6039 DA603A抽余油F7815 FA701-1排放氢气F6218 DA603B抽余油F7915 FA701-2排放氢气F7812 循环氢气F7031 FA702气体去FG

1.2 约束条件

计算数据约束条件表3。

表3 计算数据约束条件

平衡率范围正负3％C8A收率≤99％乙苯转化率＞15％

1.3 催化剂剂龄

催化剂剂龄起始时间按实际所取工业数据的时间计算，即从2000年1月4日至2001年4月底。

2 数据生成

将工业反应器相关数据经处理后转化成一定格式的用于优化计算的数据。

3 建模

3.1 交叉验证

对2生成的数据进行交叉验证，选择乙苯转化率验证误差最低的提取成份数。

验证结果如表4。

            表4 交叉验证结果

 训练样本数 验证样本数 误差最小提取成分数    50    1    6    60    1    7    70    1    7    72    1    7    74    1    6    76    1    8    80    1    8    90    1    7    100    1    11    150    1    19

3.2 建模

利用交叉验证的训练样本数和提取样本数进行建模。

4 优化计算

4.1 自变量优化参数输入

输入进料F6039、F6218的组成，如表5。

        表5 进料组成

    F6039    F6218  EB％    13.80    13.80  MX％    57.24    56.35  OX％    18.75    17.66  PX％    1.39    1.25

4.2 优化参数选择

选择自变量优化参数：温度、压力、氢油比、空速，并设定优化上下限。设定结果如表6。

             表6 自变量优化参数上下限

    1系列上下限    2系列上下限  温度℃    380    420    380    420  压力Mpa    1.2    1.4    1.2    1.4  氢油比    4.0    9.0    4.0    9.0  空速    2.00    3.86    2.00    3.86

选择因变量优化参数：乙苯转化率、异构化率、碳8芳烃收率、PX/∑X。

4.3 优化计算

4.3.1 随机搜索算法优化计算结果

随机搜索算法参数设定为：搜索最小步长为0.001；每次随机撒点数为20。不同训练样本数的优化计算结果如表7。

                                表7 随机搜索算法优化计算结果

 训练样本数60 70 74 80 90 100 提取成分数7 7 6 8 7 11 1系列反应温度(℃)400.6 401.0 400.5 401.0 400.0 401.6 2系列反应温度(℃)399.1 399.5 399.0 399.9 398.7 400.7 1系列反应压力(Mpa)1.27 1.29 1.28 1.30 1.27 1.32 2系列反应压力(Mpa)1.27 1.29 1.27 1.30 1.27 1.31 1系列氢油比8.60 8.24 8.20 7.68 8.03 7.47 2系列氢油比7.11 6.79 6.81 6.32 6.68 6.17 1系列LHSV2.54 2.66 2.65 2.80 2.69 2.85 2系列LHSV2.52 2.64 2.62 2.76 2.65 2.79 乙苯转化率(％)27.47 27.06 27.84 27.68 27.00 26.36 异构化率(％)16.68 16.86 16.93 17.05 16.89 17.30 C8A收率(％)94.78 95.13 95.48 95.76 95.21 95.97 PX/∑X(％)21.56 21.69 21.95 21.89 21.90 21.75

4.3.2 差分进化算法优化计算结果

差分进化算法参数设定为：群体个数为100；CR为0.8；F为0.8；最大代数为100；算法策略为1。差分进化算法优化计算结果如表8。

     表8 差分进化算法优化计算结果

训练样本数60 70 74 80 90 100提取成分数7 7 6 8 7 11 1系列反应温度(℃)400.6 401.0 400.5 401.0 400.2 401.6 2系列反应温度(℃)399.1 399.5 399.0 400.0 398.7 400.7 1系列反应压力(Mpa)1.27 1.29 1.28 1.30 1.27 1.32 2系列反应压力(Mpa)1.27 1.29 1.27 1.30 1.27 1.31 1系列氢油比8.60 8.24 8.20 7.68 8.03 7.47 2系列氢油比7.11 6.79 6.81 6.32 6.68 6.17 1系列LHSV2.54 2.66 2.65 2.80 2.69 2.85 2系列LHSV2.52 2.64 2.62 2.76 2.65 2.79 乙苯转化率(％)27.47 27.06 27.83 27.68 27.00 26.36 异构化率(％)16.68 16.86 16.93 17.05 16.89 17.30 C8A收率(％)94.78 95.13 95.48 95.76 95.21 95.97 PX/∑X(％)21.56 21.69 21.95 21.89 21.90 21.75

4.3.3 增强差分进化算法优化计算结果

增强差分进化算法参数设定为：群体个数为100；CR为0.8；F为0.8；最大代数为100；算法策略为1。增强差分进化算法优化计算结果如表9。

                       表9 增强差分进化算法优化计算结果

 训练样本数60 70 74 80 90 100 提取成分数7 7 6 8 7 11 1系列反应温度(℃)400.6 401.0 400.5 401.0 400.2 401.6 2系列反应温度(℃)399.1 399.5 399.0 400.0 398.7 400.7 1系列反应压力(Mpa)1.27 1.29 1.28 1.30 1.27 1.32 2系列反应压力(Mpa)1.27 1.29 1.27 1.30 1.26 1.31 1系列氢油比8.60 8.23 8.20 7.68 8.04 7.48 2系列氢油比7.11 6.79 6.81 6.32 6.68 6.18 1系列LHSV2.54 2.67 2.65 2.80 2.69 2.85 2系列LHSV2.52 2.64 2.62 2.76 2.65 2.80 乙苯转化率(％)27.47 27.06 27.83 27.68 27.01 26.36 异构化率(％)16.68 16.86 16.93 17.05 16.89 17.30 C8A收率(％)94.78 95.13 95.48 95.76 95.20 95.97 PX/∑X(％)21.56 21.69 21.95 21.89 21.90 21.75

4.4 优化计算分析

由优化计算过程及表6、表7、表8的优化计算结果可以看出，随机搜索、差分进化、增强差分进化三种优化算法的优化计算结果差别不大，说明三种优化算法均可进行优化计算。

实际的优化结果与训练样本数有很大的关系，即与参加计算的实际工业数据有很大的关系，工业实际生产状况好，其优化计算结果亦好，反之优化计算结果就不太理想。

实际优化时可根据市场情况、产品供求情况、生产装置的情况选择不同的自变量优化参数和因变量优化参数进行优化，必要时还可以对进料F6039和F6218的组成进行优化。

5 结论

根据优化计算，在训练样本数为74、提取成分数为6时，自变量及因变量结果最优，即1系列反应温度为400.5℃，2系列反应温度为399.0℃，1系列反应压力为1.28Mpa，2系列反应压力为1.27Mpa，1系列氢油比为8.20，2系列氢油比为6.81，1系列LHSV为2.65，2系列LHSV为2.62时，乙苯转化率为27.84％，异构化率为16.93％，C8A收率为95.48％，PX/∑X为21.95％，其中优化的乙苯转化率比四月份工业实际平均乙苯转化率25.14％高两点七个百分点。

(1)氢油比、液时空速、平衡率具体公式如下：

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为日累计流量。

(2)因变量计算公式如下：

催化剂剂龄计算公式如下：

C₈A％_xxxx＝(EB+MX+OX+PX)％_xxxx

v1＝F7810+F7910+F7811+F7911

L_i＝A₀+A                  (1)

A＝F_sum/B                 (2)

F_sum＝∑F_day              (3)

F_day＝(F₂-F₁)*f           (4)

L＝A₀+∑((F₂-F₁)*f)/B

其中

L_i  期末催化剂剂龄                              (t原料/kg催化剂)

A₀  催化剂期初剂龄(2000年1月3日)                (t原料/kg催化剂)

A    催化剂剂龄增值(自2000年1月4日到期末)        (t原料/kg催化剂)

F_sum催化剂处理原料量累计增值(自2000年1月4日到期末)    (吨)

B    催化剂装填量(45000kg/系列)                        (kg)

F_day催化剂每日处理原料量                              (吨)

F₂  累计流量表近日8:00数值                            (吨)

F₁  累计流量表前日8:00数值                            (吨)

f    流量校正系数(F7810，F7811，F7910，F7911)

一系列A₀＝59.1556 t原料/kg催化剂

二系列A₀＝59.1544 t原料/kg催化剂