催化裂化汽油在精制改质过程中通常存在一定幅度的辛烷值损失。以国内某石化企业1.2 Mt a S Zorb装置多年数据为基础,使用灰色关联分析和SPSS方法从包括原料油性质、吸附剂性质、产品性质和操作变量在内的368个变量中筛选出22个建模变量。在通过模糊C均值聚类算法将原料油分为3类的基础上,分别建立了结构为21-20-1,21-18-1,21-17-1的预测产品研究法辛烷值(RON)的BP神经网络模型。结果表明,所建立的3种模型预测效果良好。将所建立的RON预测模型与遗传算法相结合,在保证汽油脱硫效果的前提下,可以明显降低产品汽油RON损失,对实际工业生产具有参考作用。
传统的石油化工过程建模中仅使用静态数据,而未能充分考虑连续生产过程中时序信息对建模指标的影响。本文提出了一种静态与时序数据组合网络(CNSS)模型,使用前馈神经网络提取静态数据的信息,使用Bi-LSTM(Bidirectional-Long Short Term Memory)和自注意力机制提取操作变量时序数据中的信息,其中Bi-LSTM提取操作变量在时序逻辑上的信息,自注意力机制提取操作变量之间的交叉信息,通过静态和时序数据信息的组合以获得更好的模型预测性能;并使用CNSS模型分别对S Zorb装置精制汽油辛烷值(RON)、催化裂化烟气脱硝系统氮氧化物(NO_(x))的出口质量浓度进行预测,结果表明:CNSS模型的预测精度明显高于仅使用静态数据的机器学习模型,其对精制汽油RON预测的平均绝对误差和平均绝对百分比误差分别为0.1091、0.12%,对NO_(x)出口质量浓度预测的平均绝对误差和平均绝对百分比误差分别为2.4430 mg/m3、5.60%。对于因工艺参数波动较大而需要考虑时序信息的石油化工过程,CNSS模型可以为其建立机器学习模型提供重要参考。
