论文部分内容阅读
乙烯裂解炉是乙烯生产的核心装置,其能否平稳地操作不仅直接影响到乙烯生产的产量和质量,而且还会对下游化工产品的生产过程产生重大影响。因此,乙烯裂解炉的操作优化研究至关重要。随着计算机技术的发展,基于数据的智能模型研究也逐渐成为乙烯裂解炉建模优化的重要方法,使得乙烯裂解炉的运行更加安全,操作更加平稳,裂解产物的收率得到提高。本文首先对OPC技术进行研究,实现与乙烯裂解炉现场的DCS系统的双向通信,实现数据的读取与写入操作,然后使用数据预处理技术,包括数据融合、数据缺失值填充、数据异常检测、数据滤波以及数据规范化等算法对数据进行初步处理,以供建模优化使用。基于RBF神经网络、PSO算法以及K-Means聚类算法提出了DMPSO-RBF神经网络的训练方法,建立了乙烯裂解炉裂解产物收率的在线软测量模型,并采用PSO算法进行模型优化,具体的应用实例表明,操作优化后,乙烯收率和丙烯收率都得到不同程度的提高,验证了DMPSO-RBF算法的有效性。在对概念格研究的基础上,针对乙烯裂解炉操作优化的具体应用需求,本文对概念格的基本构造算法进行改进,同时,将目标属性的概念用于操作规则挖掘算法,具体的应用实例表明,本文的构造算法大大降低了概念格的构造复杂度,基于目标属性的操作规则挖掘算法使得挖掘过程更加有针对性,大大提高了操作规则的挖掘效率。基于.Net Framework、COM以及设计模式相关技术,开发出乙烯裂解炉在线操作优化系统。系统具有用户界面友好、系统功能丰富以及可移植、可维护、可扩展等多种特性。实际的应用表明,系统可以满足现场操作优化的要求,在乙烯生产的实际过程中取得了良好的效果。