[0007] 本发明的一个目的是针对现有的催化重整装置中加热炉温度难以实时自动控制等不足，提出了一种催化重整装置中关于加热炉温度的实时控制方法，具体是一种神经网络学习、DMC预测控制相结合的控制方法。
[0008] 本发明首先根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；然后运用历史数据以及神经网络学习的方法建立起反应器的输入输出模型，并可以预测出反应器的出口温度；接下来，给定一个加热炉出口温度的设定值，通过DMC预测控制，会得到一个控制加热炉出口温度的控制信号Δu1；随后，根据神经网络模型预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，可以得到另外一个控制加热炉入口温度的控制信号Δu2；其次，由于整个反应过程需要一定的时间，若得到控制信号之后，加热炉投放燃料的调节阀直接动作的话，就会造成加热炉温度与所需温度不符的情况，达不到精确控制的要求，因此需要给加热炉投放燃料的调节阀动作加一个时延Δt；最后，在两个控制信号以及时延的作用下，控制加热炉投放燃料的调节阀，使之能够实现加热炉温度的实时控制。整个控制过程中，从第一个反应器入口温度开始，通过DMC预测控制得到第一个反应器的出口温度，加热炉的出口温度即是反应器的入口温度，再通过神经网络学习的方式可以获得第一个反应器的出口温度，通过控制加热炉的燃料阀门使之达到第二个反应器入口温度，依次进行，最终完成四个反应加热炉温度的实时控制。
[0009] 该方法弥补了现有的催化重整装置中加热炉温度难以实时自动控制等不足，便于节省加热炉燃料费用，以及提高反应效率。
[0010] 本发明一种催化重整装置中关于加热炉温度的实时控制方法，该方法主要步骤如下：
[0011] 步骤(1)、根据加热炉加热过程的实时数据挖掘出系统的基本特性，以此来建立加热炉过程模型；
[0012] 步骤(2)、运用历史数据以及神经网络学习的方法建立反应器的输入输出模型，用以预测反应器的出口温度；
[0013] 步骤(3)、给定一个加热炉出口的设定值，通过DMC预测控制，得到控制加热炉出口温度的第一个控制信号Δu1；
[0014] 步骤(4)、根据神经网络预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，得到控制加热炉入口温度的第二个控制信号Δu2；
[0015] 步骤(5)、由于整个反应过程需要一定的时间，若得到控制信号之后，加热炉投放燃料的调节阀直接动作的话，就会造成加热炉温度与所需温度不符的情况，达不到精确控制的要求，因此，需要给加热炉投放燃料的调节阀动作加一个时延Δt；
[0016] 步骤(6)、在两个控制信号以及时延的作用下，结合步骤(1)加热炉过程模型，控制加热炉投放燃料的调节阀，使之能够实时控制加热炉的温度。
[0017] 整个控制过程中，给定第一个反应器的入口温度，通过步骤(2)神经网络模型获得第一个反应器的出口温度，通过控制信号Δu1、Δu2以及时延Δt控制加热炉投放燃料的调节阀使之达到第二个反应器的入口温度，依次进行最终完成加热炉四个反应器温度的实时控制。
[0018] 所述的步骤1具体的实施步骤如下：
[0019] 给加热炉燃料投放量一个阶跃，使得投放量增加，采集燃料投放量发生阶跃后的加热炉出口温度数据，直到加热炉出口温度重新回到稳态状态，记录此过程的数据t'＝[t1,t2,t3,…,tn]，Y＝[y1,y2,y3,…,yn]，其中[t1,t2,t3,…,tn]表示新的采样时间，[y1,y2,y3,…,yn]表示对应的加热炉出口温度，根据加热炉出口温度的变化情况确定加热炉出口温度与加热炉燃料投放量之间的传递函数。
[0020] 所述的步骤2具体的实施步骤如下：
[0021] 基于历史测试数据建立神经网络模型，输入为反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容，输出为当前反应器出口温度的预测值。
[0022] 提取不同影响因素下反应器出口温度的历史数据，建立神经网络的输入样本与输出样本集；输入样本包括反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容，输出样本为反应器输出预测温度；
[0023] 神经网络模型包括输入层、隐含层(中间层)和输出层，隐含层(对输入特征多层次的抽象)和输出层的神经元个数(多个线性划分)范围分别为2～4和2～6。
[0024] 训练过程中将反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容作为输入，以反应器出口温度作为输出，通过神经网络学习获得神经网络模型，神经网络模型中的各参数定义如下：
[0025] 输入层单元输入向量为Pks＝(a1,a2,…,an)，目标向量Tks＝(d1,d2,…,dn)，n表示输入层单元输入向量个数；
[0026] 隐含层单元输入向量Sks＝(s1,s2,…,sp)，输出向量Bks＝(b1,b2,...,bp)，p表示隐含层单元输入向量个数；
[0027] 输出层单元输入向量Lks＝(l1,l2,…,lq)，输出向量Cks＝(c1,c2,…,cq)，ks＝1,2,…,m表示样本数据个数，q表示输出层单元输入向量个数；
[0028] 神经网络模型的学习过程步骤如下：
[0029] a)初始化各层的连接权值和阈值，给输入层到隐含层的连接权wisj、隐含层到输出层的连接权vjt、隐含层各单元输出阈值θj、输出层各单元的输出阈值yt赋予区间(‑1,1)内的随机值；is＝1,2,…,n，j＝1,2,…,p，t＝1,2,…,q；
[0030] b)选取输入样本和输出样本；
[0031] c)用输入样本、连接权、输入阈值和输出阈值计算隐含层和输出层各单元的输出:
[0032]
[0033]
[0034] 其中sj表示隐含层单元的输入值、 为输入层的输出向量、bj表示隐含层单元的输出值、lt表示输出层单元的输入值、ct表示输出层单元的输出值；
[0035] d)计算输出层各单元一般化误差 然后利用隐含层到输出层的连接权vjt、隐含层的输出向量Bk＝(b1,b2,...,bp)、输出层各单元一般化误差 计算隐含层各单元的一般化误差 计算公式如下：
[0036]
[0037]
[0038] e)利用输出层各单元的一般化误差 与隐含层各单元的输出值来修正隐含层到输出层的连接权vjt、输出阈值yt：
[0039]
[0040]
[0041] 同样利用隐含层各单元的一般化误差 与输入层的输入来修正输入层到隐含层的连接权wisj、输出阈值θj：
[0042]
[0043] vjt(N)表示当前迭代的连接权vjt，vjt(N+1)表示下一次迭代的连接权；yt(N)表示当前迭代的输出阈值，yt(N+1)表示下一次迭代的输出阈值；
[0044] wisj(N)表示当前迭代的连接权wisj，wisj(N+1)表示下一次迭代的连接权，θj(N)表示当前迭代的阈值，θj(N+1)表示下一次迭代的阈值，N＝1,2，...，NN，其中NN表示设定的学习迭代次数；
[0045] f)选取下一个输入样本和输出样本，返回到步骤c)，直到m个训练样本训练完毕；
[0046] g)计算所有样本的累计误差E，累计误差计算方式为 其中q表示输出层单元数，m表示样本数量,Et表示样本之间的误差。如果样本累计误差E小于预先设定值ε，或者当前学习迭代次数大于设定的学习迭代次数，那么学习训练结束。否则再次选取样本输入和目标输出，然后返回到步骤c)；
[0047] 通过以上学习过程，获得了描述反应器输入温度、烷烃含量、环烷烃含量、芳烃含量、循环氢含量、热容与反应器输出温度的关系的神经网络模型。
[0048] 所述的步骤3具体实施步骤如下：
[0049] 给定系统一个设定值w(k+i),i＝1,...P，并对步骤(1)所建立的加热炉过程模型进行DMC(动态矩阵)控制，具体是：
[0050] a)首先测定控制对象——加热炉过程模型的单位阶跃响应的采样值ai＝a(iT)(i＝1,2,...,Nc),其中Nc为建模时域，Nc的值可根据模型辨识在控制对象阶跃响应后的某一时刻ai(i＞Nc)系统采样值趋于平稳，同时采样值ai(i＝1,2,…,Nc)具有相同的数量级的量化误差时来取得，即 为在该时刻采样值近似为被控对象阶跃响应的稳态值a∞。在M个连续控制增量Δu(k),…,Δu(k+M‑1)作用下，对未来时刻的输出预测值为：
[0051]
[0052] 其中M为控制时域，即控制增量变化的次数，其值根据实际调节情况选取，M个控制增量能够依次求取：
[0053] Δu(k)＝u(k)‑u(k‑1),…,Δu(k+M‑1)＝u(k+M‑1)‑u(k+M‑2))[0054] 为在第M个控制增量Δu(k+M‑1)下对未来的输出值， 表示为未来Nc个时刻的输出初始预测值，k+i/k表示在k时刻对k+i时刻的预测。
[0055] b)通过上式(8)，导出 与Δu之间的向量形式关系为：
[0056]
[0057] 其中，Ajy为阶跃响应曲线ai组成的P×M矩阵，表示为ΔuM(k)＝
T
[Δu(k),…,Δu(k+M‑1)]。
[0058] 对于每一时刻k，确定从该时刻起的M个控制增量Δu(k),…,Δu(k+M‑1)，使得在其作用下被控对象未来P个时刻的输出预测值 尽可能接近给定的期望值w(k+iwl),iwl＝1,...P。在k时刻的优化性能指标：
[0059]
[0060] 式中wp(k)＝[w(k+1),…,w(k+P)]T为期望输出，Q＝diag(q1,…,qP)为误差权矩阵，qP＝1，表示P时刻误差权；R＝diag(r1,…,rM)为控制权矩阵，rM＝0，表示第M个控制增量的控制权；这两个矩阵可根据经验选取，Q一般取单位对角矩阵，R一般取零矩阵，P为优化时域，即所预测输出的个数，通常规定M≤P≤Nc。
[0061] 要使得J(k)取极小的ΔuM(k)，可通过极值必要条件dJ(k)/dΔuM(k)＝0求出：
[0062]
[0063] 通过上式，求出k时刻优化得到的Δu(k),Δu(k+1/k),…,Δu(k+M‑1/k)的最优值，DMC只取Δu(k)构成实际控制量u(k)＝u(k‑1)+Δu(k)作用于被控对象。到下一时刻，它又求解类似的优化问题，得到Δu(k+1)。
[0064] c)在求解上式(11)中的 时，由于实际过程中存在非线性、模型失配、环境干扰等未知因素，基于不变模型的预测输出不可能与系统的实际输出完全吻合，这时需要利用实时信息进行反馈校正，DMC在k+1时刻的实际输出为y(k+1)，DMC模型的预测未来的该时刻的输出为 两者的误差构成了输出误差为：
[0065]
[0066] 采用对e(k+1)加权的方式修正对未来输出的预测：
[0067]
[0068] 式中： 为被控对象在k时刻的输出Nc维初始预测向量； 为校正后的Nc维预测输出向量； 为由权系数组成的Nc维校正向量，其值可以取h1＝1,向量 为模型向量。
[0069] 对上式(13)中的 进行移位处理，得到新的初始预测值 即：
[0070]
[0071] 式中：为移位矩阵，其定义为 为k+1时刻初始预测值，对下一时刻进行优化计算。
[0072] 通过上述步骤，完成了对模型的DMC预测控制并获得了控制加热炉出口温度的控制信号Δu1，Δu1＝Δu(k)。整个DMC预测控制过程就是以这种结合反馈校正的滚动优化方式反复在线进行，实现精稳控制。
[0073] 所述的步骤4具体实施步骤如下：
[0074] 根据神经网络预测出的反应器的输出温度，将其与加热炉入口温度的期望值相比较，可以得到另外一个控制加热炉入口温度的控制信号Δu2。
[0075] Δu2＝TROUT‑TJRL (15)
[0076] 其中TROUT为步骤(2)预测出的反应器的输出温度，TJRL为加热炉入口温度的期望值。
[0077] 所述的步骤5具体实施步骤如下：
[0078] 由于整个反应过程需要一定的时间，若得到控制信号之后，加热炉投放燃料的调节阀直接动作的话，就会造成加热炉温度与所需温度不符的情况，达不到精确控制的要求，因此，需要给加热炉投放燃料的调节阀动作加一个时延Δt，时延可以分为三个部分，第一个部分为重整进料与循环氢混合，并与重整反应产物换热，然后进入加热炉加热的时间为Δt1，第二个部分为反应器中发生反应所用的时间Δt2，第三个部分为在整个运输过程中所需时间Δt3，因此，总的时延为Δt＝Δt1+Δt2+Δt3。
[0079] 所述的步骤6具体实施步骤如下：
[0080] 在两个控制信号Δu1、Δu2以及时延Δt的作用下，控制加热炉投放燃料的调节阀，使之达到理想的加热炉出口温度。
[0081] 整个控制过程中，给定第一个反应器的入口温度，通过步骤(2)神经网络模型获得第一个反应器的出口温度，通过控制信号Δu1、Δu2以及时延Δt控制加热炉投放燃料的调节阀调控加热炉出口温度，进而使之达到第二个反应器的入口温度，依次进行最终完成四个反应加热炉温度的实时控制。
[0082] 本发明的另一个目的是提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器执行所述机器可执行指令以实现上述的方法。
[0083] 本发明的又一个目的是提供一种机器可读存储介质，存储有机器可执行指令，该机器可执行指令在被处理器调用和执行时，机器可执行指令促使处理器实现上述的方法。
[0084] 与现有的技术相比，本发明具有如下优点：
[0085] 为了能保证加热炉加热到反应所需的最佳温度，采用了神经网络学习、DMC预测控制相结合的控制方法以及反应器与加热炉之间的流程关系，获得了对加热炉两个控制信号Δu1、Δu2以整个过程中的时延Δt，以此来完成对加热炉的实时控制。本发明通过对催化重整装置中加热炉出入口温度的控制，有效的实现了加热炉温度的实时控制，这对于在加热炉中实现节省燃料、提高反应速率具有重要的意义。
