法律状态公告日
法律状态信息
法律状态
2020-04-14
未缴年费专利权终止 IPC(主分类):G06F19/00 授权公告日:20180420 终止日期:20190427 申请日:20150427
专利权的终止
2018-04-20
授权
授权
2015-09-09
实质审查的生效 IPC(主分类):G06F19/00 申请日:20150427
实质审查的生效
2015-08-12
公开
公开
技术领域
本发明涉及一种基于状态空间模型的乙烯裂解原料特性分析方法。
背景技术
乙烯裂解炉装置是石油化工工业的龙头,而乙烯裂解炉是整个乙烯装置的核心,是乙烯装置经济效益的决定环节。在裂解炉中,裂解原料(气相或者液相)经过汽化后在炉管中被进一步加热至高温从而发生裂解反应——高分子石油烃裂解成低分子烷烃、烯烃等裂解产物。裂解反应产物经过急冷后送入干燥、压缩、分离等后续单元得到高纯度乙烯和丙烯、氢气、丁二烯以及三苯、裂解汽油等高附加值产品。裂解反应进行的程度决定了裂解炉裂解产物收率,它与原料组成、炉管出口温度(COT)、停留时间、炉管出口压力(COP)、汽烃比(SHR)等工艺参数有关。
裂解原料组成是影响乙烯裂解炉裂解产物分布最重要的因素之一,在工业乙烯生产过程中通常需要了解裂解原料的内部组成分布情况。常用的乙烯裂解原料有乙烷、丙烷、LPG、石脑油、柴油(AGO)或者加氢尾油(HVGO)。随着裂解原料中碳原子数量的增加,原料中包含的碳氢化合物组分的种类及其混合情况也愈加复杂。根据分子结构的不同,乙烯裂解原料内部组成可分为四大族,即链烷烃族(P)、烯烃族(O)、环烷烃族(N)和芳烃族(A),其中链烷烃又分为正构烷烃(nP)和异构烷烃(iP)。为测定裂解原料的族组成,目前国内大多数乙烯生产企业主要依靠人工定期对原料进行采样和实验室色谱分析。在线近红外光谱分析是近些年来发展起来的工业现场实时分析技术,它的工作原理是首先收集大量在组成和性质分布上具有代表性的样品,并测量其近红外光谱和采用传统方法测定其组分或性质数据,然后采用偏最小二乘回归等多元校正方法对光谱和物性或组分进行关联,建立物理特性和化学特性之间的函数关系(参考模型)。实际应用表明,近红外分析能够较为准确的测得石脑油等轻质裂解原料的族组成(PIONA值),但无法进一步得到各族组成的详细分布。此外,近红外分析仪对于加氢尾油等重质裂解原料的测量结果也非常不理想,加之近红外分析仪本身价格昂贵,这些因素都极大地限制了近红外分析仪在乙烯裂解生产过程中的应用。
鉴于物理测量裂解原料组成存在诸多技术限制,一种解决办法是运用模式识别和聚类分析等方法对裂解原料进行分类并建立相应的裂解原料特性数据库。华东理工大学采用正构烷烃与异构烷烃二者之和以及二者的比值作为特征变量,提出一种基于自适应优选模糊核聚类的石脑油属性聚类方法(专利号:CN201310168373.5)。该方法通过寻找二维特征变量的聚类中心点将数十种石脑油分为六类,并以聚类中心点对应的石脑油样本属性作为该类石脑油的典型属性。显然这种分类方法人为地忽略了大量的裂解原料组成信息,其结果必然是非常粗略的,在实际应用中会带来非常大的模型误差。
文献检索结果表明,目前还没有一种能够系统且完备地裂解原料特性分析方法及其应用实例。因此,在充分利用裂解原料详细组成信息以保证裂解原料特性模型精度的前提下,开发出一种简单实用、物理意义明确的裂解原料特性分析建模方法,这对于工业乙烯裂解炉装置高效运行具有重要的理论指导意义和巨大的工程应用价值。
发明内容
鉴于以上问题,本发明的目的是提出了一种基于状态空间模型的乙烯裂解原料特性分析新方法,该方法首次提出将裂解原料内部的每一个组成定义为一个状态,这些状态构成了一个线性状态空间。于是任何一种裂解原料可以用该状态空间内的一个向量描述,并且都可以用这个状态空间内的一个基底(基础油品组)按照一定比例混合得到。而基础油品组可以通过离线收集大量的裂解原料详细组成数据,然后应用非负矩阵分析方法获取。由于该方法在实际应用过程中不涉及裂解原料详细组成的在线测量问题,减少了原料在线分析硬件设备投资。此外,该方法对于LPG、石脑油以及加氢尾油等各类复杂石油烃混合物都适用,因此具有广泛的工业应用前景。
本发明的构思分成裂解原料状态空间描述与建立基准油品组两方面的内容:①裂解原料的状态空间描述:将裂解原料内部的每一个组成定义为一个状态,这些状态构成了一个多维的线性状态空间。裂解原料各组成的含量即为该组成在这个状态空间内的坐标,而任何一种裂解原料都是这个裂解原料状态空间内的一个基底(基础油品组)按照一定比例混合而成的;②基准油品组的建立:基础油品组是裂解原料状态空间内的一组线性无关向量组,它们构成了该线性空间内的一个子空间。离线采集大量裂解原料样本的详细组成数据,然后通过矩阵分解方法找到这些样本中的一个最大线性无关向量组及其系数矩阵,其物理意义就是基础油品组按照系数矩阵内的混合系数混合即可得到裂解原料样本。
具体技术方案如下:
一种基于状态空间模型的乙烯裂解原料特性分析方法,包括如下步骤
(1)建立裂解原料状态空间描述A1和基准油品组A2;
(2)采用非负矩阵分解方法对S=L·R求解,得到矩阵L和R;S表示裂解原料样本详细PIONA值构成的数据矩阵,L表示基准油品组A2的构成,R表示混合系数矩阵;
(3)将所述乙烯裂解原料样本的详细组成数据与所述基准油品组A2按所述混合系数矩阵中对应的系数混合,得到所述乙烯裂解原料样本的详细组成分布数据;
其中,所述裂解原料状态空间描述A1,通过以下步骤建立:
乙烯裂解原料主要由各种碳氢化合物混合而成,不失一般性,以石脑油为例进行说明。石脑油通常由从碳三到碳十二的各类碳氢化合物混合而成。按照族组成分布方式且忽略异构体之间的差异,可将这些组成分别记为:正构烷烃nPi,异构烷烃iPi,烯烃Oi,环烷烃Ni和芳烃Ai,i=3~12;将这些组成定义为不同的状态向量,构成一组标准正交基;所述状态向量张成一个50维的原料状态空间,记为F={nPi,iPi,Oi,Ni,Ai|i=3~12};任意一种石脑油NAPk表示为基底{nPi,iPi,Oi,Ni,Ai|i=3~12}的线性组合,即有
>
公式(1)向量形式如下:
>
上述变量含义如下:
nPi——包含i个碳原子的正构烷烃成分;
iPi——包含i个碳原子的异构烷烃成分;
Oi——包含i个碳原子的烯烃成分;
Ni——包含i个碳原子的环烷烃成分;
Ai——包含i个碳原子的芳烃成分;
NAPk——第k个石脑油原料样本;
F——裂解原料状态空间;
所述基准油品组中含有m种石脑油,所述m种石脑油的坐标向量
若m=50,则子空间M即是原料状态空间F,此时任意一种石脑油都是这m种石脑油的一个线性组合,所述m种石脑油构成基础油品。由于石脑油中组分种类繁多,要找到整个基础油品样本几乎不可能。但在实际应用中可以发现,各乙烯裂解装置所用石脑油的来源相对比较固定,也就是说适合作为乙烯裂解原料的石脑油样本范围是一定的。因此,只需要用一个维数较小的裂解原料子空间内来代替整个原料状态空间;M表示裂解原料状态子空间。
所述基准油品组A2通过以下步骤建立:
从工业现场采集到N个石脑油样品,N>>m,通过化验分析得到的所述N个石脑油样品的详细组成数据构成一个样本集,记为
从式(4)中寻找一个最大线性无关向量组
>
一种自然而然的思路是采用SVD分解或者正交分解对方程(6)求解得到矩阵L和R。然而,SVD分解和正交分解得到的矩阵L和R通常包含负数,即基准油品的比例系数为负,这显然是不符合工程实际的。因此,必须采取以下非负矩阵分解(NMF)方法来求解,即已知
上述变量的含义如下:
S——裂解原料样本详细PIONA数据构成的数据矩阵;
L——基础油品详细PIONA值构成的矩阵;
R——裂解原料样本关于基础油品的混合矩阵;
||·||F——矩阵的Frobenius范数。
所述裂解原料状态空间描述只与原料的详细组成个数有关,与原料类型无关;因此,上述方法中的石脑油可替换为LPG或加氢尾油的特性描述,只是随着原料组成复杂度的增加,求解基础油品的计算量和难度会大幅增加。
与现有乙烯裂解原料属性聚类分析方法相比,本发明的有益效果如下:
1、首次将裂解原料内部的每一个组成定义为一个状态,于是整个裂解原料被刻画为一个多维的线性状态空间,裂解原料各组成的含量即为该组成在这个状态空间内的坐标;
2、任何一种裂解原料都是这个裂解原料状态空间内的一个基底(基础油品组)按照一定比例混合而成;
3、利用NMF方法得到基础油品组构成的矩阵L和混合系数矩阵R。
附图说明
图1是不同时期离线采集的54种石脑油样本的详细组成分布情况图;
图2是21个基础油品的详细组成分布图;
图3是第26个石脑油样本的详细组成数据与基础油品组按比例系数混合后的详细组成数据对比;
图4是第37个石脑油样本的详细组成数据与基础油品组按比例系数混合后的详细组成数据对比;
图5是基础油品组按照混合系数矩阵混合后的详细组成分布情况。
具体实施方式
下面通过实施例对本发明进行具体描述。有必要在此指出的是以下实施例只用于对本发明作进一步说明,不能理解为对本发明保护范围的限制,该领域的专业技术人员根据本发明的内容作出的一些非本质的改进和调整,仍属于本发明的保护范围。
实施例1
为验证本发明提出的乙烯裂解原料特性分析方法的有效性,通过以下步骤实施本发明:
步骤1:在不同时期离线采集了54种石脑油样本,通过实验室离线分析得到了这些石脑油样本的详细PIONA值(见表1),其三维分布情况如附图1所示;
步骤2:分别按照不同碳原子数的正构烷烃、异构烷烃、环烷烃、芳烃、烯烃的顺序对详细组成进行编号(本实例中共有35种成分),构建矩阵S。;
步骤:3:设定基础油品个数,对基础油品矩阵L和混合系数矩阵R进行初始化(L和R中的元素随机选取);
步骤4:根据以下乘性迭代规则计算L和R
步骤5:计算||S-L·R||F。若小于某个很小的数或者迭代次数大于某个值,则结束迭代。
在本实例中,通过以上步骤得到21个基础油品(其详细PIONA见表2,其三维分布情况如附图2所示)以及它们的混合系数矩阵(见表3)。
图3~图4给出了对于两种石脑油样本的详细组成数据与基础油品组按比例系数混合后的详细组成数据对比,图5为基础油品组按照混合系数矩阵混合后的详细组成分布情况。从图中曲线可以看到,本发明能够使用较少的基础油品组准确地刻画出所有裂解原料样本的特性。
以上所述仅为举例性,而非为限制性者。任何未脱离本发明之精神与范畴,而对其进行的等效修改或变更,均应包含于后附之权利要求中。
机译: 用于基于化学反应性和/或非反应性原料的制剂的计算机辅助测定染发种子的至少一种性质的方法和装置,用于计算机辅助的测定毛发种子的制剂的方法和装置基于化学反应性和/或非反应性原料的染发种子,以及用于计算机辅助训练预定模型的设备和方法,该预定模型用于基于化学制剂确定计算机辅助确定染发种子的至少一种特性反应性和/或不反应性原料
机译: 调节磷酸果糖激酶(PFK)催化活性的结合位点和调节剂的结晶学模型,一种设计,选择和生产PFK调节剂的方法,一种基于计算机的方法和相互作用之间的相互作用分析的计算机方法基于计算机的分析方法
机译: 调节磷酸果糖激酶(PFK)催化活性的结合位点和调节剂的结晶学模型,一种设计,选择和生产PFK调节剂的方法,一种基于计算机的相互作用分析方法