适用于甲醇制烯烃反应器温度压力的监测方法与流程

本发明属于煤化工监测，具体涉及一种适用于甲醇制烯烃反应器温度压力的监测方法。

背景技术：

1、在石油化工行业中，乙烯和丙烯的生产能力一定程度上代表了石化工业水平，其生产路线主要是石脑油蒸汽裂解，现有研究共同研发了新型技术-甲醇制烯烃技术，即dmto，开创了由煤制烯烃的新技术路径，改变了烯烃生产完全依赖于石油的状况，为甲醇合成低碳烯烃开辟了一条新途径。dmto的成功应用对促进煤化工与石油化工协调发展，实现煤炭资源清洁高效利用，保障能源安全，缓解石油资源供应紧张局面，具有重大意义。

2、二甲醚的转化率会随之降低，导致乙烯和丙烯的选择性降低。另一方面，温度的升高会加剧副反应速率，增加催化剂的积碳速率。因此，反应器的温度和压力通常希望被控制在较小范围内来确保过程的长周期稳定运行，同时也可提高烯烃选择性，保证dmto装置的产品质量。在工业生产过程中，反应器的温度、压力等关键变量也是操作人员十分关注的对象。煤化工企业对生产过程的监测主要是通过dcs监测单个变量的变化来实现，其原理是观测单个变量数值是否超过限定值，当变量数值超出限定值范围时dcs系统则会报警。然而，通常情况下温度或压力的异常波动不会触及集散控制系统的报警限，基于单变量的故障识别方法也忽略了变量之间的相关性，反应器温度、压力的异常波动前兆很有可能隐藏在其他变量数据中。因此，操作人员很难通过dcs实时或提前获知反应器温度、压力的异常变化。

3、随着工厂中传感器的广泛应用和数据传输技术的发展，大量的包含过程信息的历史数据被储存下来，使数据驱动过程监测方法取得了快速的发展。相比于针对单个变量数值的过程监测手段，数据驱动的过程监测方法可以从多变量的角度挖掘过程运行的内在本质特征，及时识别出生产过程中的过程偏离，为操作人员提供过程评价和如何应对过程偏离提供参考。目前，基于数据驱动的过程监测算法开发的智能监测系统已在炼油和石化等行业成功应用。但是目前dmto装置的温度压力的监测存在的检测准确度和及时性不足，以至于dmto装置的运行和产品质量有待进一步提升。

技术实现思路

1、本发明的目的是提供一种适用于甲醇制烯烃反应器温度压力的监测方法，解决了目前dmto装置的温度压力的监测存在的检测准确度和及时性不足，以至于dmto装置的运行和产品质量有待进一步提升的问题。

2、本发明所采用的技术方案是：

3、适用于甲醇制烯烃反应器温度压力的监测方法，s1：初步筛选dmto反应器的变量；s2，计算与反应器温度压力相关变量的mic值，并选择辅助变量；s3，基于辅助变量建立svr模型；s4，基于svr模型计算每个变量预测值与真实值之间的残差，并对残差进行标准化处理，得到离线建模数据；s5，利用残差建立pca模型，将残差数据划分为主元空间和残差空间，在主元空间中提取用于数据降维的变量间信息；s6，通过pca模型计算监测统计量及控制限；s7，基于svr模型对采集的实时数据计算模型预测值，计算其与真实值的残差；s8，使用离线建模数据对残差矩阵进行标准化，得到标准化后的矩阵；s9，对dmto反应器进行实时监测。

4、本发明的特点还在于：

5、s9具体为：

6、通过离线建模时得到的载荷矩阵将标准化后的残差映射到离线建模时建立的pca模型的主元空间中，并计算残差在主元空间上的监测统计量，通过与离线建模时的监测控制限进行对比，当连续三个点的监测统计量大于控制限时，则判定系统出现故障，系统发出报警并记录故障数据；反之则系统处于正常状态，继续对下一个时刻的数据进行监测。

7、s1具体为：

8、根据具体工艺流程初步筛选dmto反应器温度压力相关变量作为监测变量。

9、s2具体为：

10、计算与反应器温度压力相关变量的mic值，根据mic值选择合适的辅助变量，然后采集生产过程一个完整周期的正常工况数据组成离线数据集x∈rn×m,n为数据集样本个数，m为监测变量个数，mic计算方法下所示：

11、首先计算两个变量间的互信息：

12、

13、其中，i(x；y)为变量x、y的互信息，p(x)和p(y)是各自变量的边际概率密度函数，p(x,y)为变量x与变量y之间的联合概率密度函数，记录其中最大的互信息值为i(d,x,y)；为了比较不同维度之间的值，需要对互信息值进行归一化处理，归一化后的值区间在0-1之间，归一化及最大互信息值的计算公式如下：

14、

15、

16、其中，a和b是在x轴和y轴上划分格子的个数，b(n)为网格划分的上限个数，一般取值b(n)＝n0.6，n为数据规模。

17、s3具体为：

18、svr支持向量回归的原理如下：

19、m＝{(x1,y1),(x2,y2),......,(xm,ym)}  (4)；

20、对于给定训练集样本m，希望得到一个回归模型使得f(x)与y尽可能接近，w,b是待确定的回归参数，如果能够忍受f(x)与y之间最大偏差为ε，支持向量回归的求解问题就可以变为如式(5)所示形式：

21、

22、其中c是正则化参数，le是不敏感损失函数如式(6)所示：

23、

24、引入松弛变量ξi和后，式(5)可重写如式(7)所示：

25、

26、通过拉格朗日乘子μi的引入，可以将原问题转变为对应的对偶问题来求解：

27、

28、令l对w,b,ξi,的偏导数为0，即可对w,b进行确定，得到最终的支持向量回归解形式如式(9)所示：

29、

30、引入核函数，从而能够完美解决数据的非线性问题，又避免了计算的复杂度过高；核函数的表达式如公式(10)所示。

31、k(xi,xj)＝φ(xi)tφ(xj)  (10)；

32、其中φ()表示非线性变换，用于将输入空间映射到高维特征空间中。

33、s5中，pca具体计算步骤如下所示：

34、记标准化后得到的数据集为x，利用协方差矩阵计算各维度之间的相关性系数矩阵cov(x)，协方差的公式为：

35、

36、然后对相关性系数矩阵cov(yx)进行奇异值分解，可以得到其特征值和特征向量，将特征向量排成一个矩阵，就得到了载荷矩阵，它是一种线性变换，可以将原始数据映射到主元空间中：

37、

38、p＝[p1 p2 … pn]   (13)；

39、其中，p为载荷矩阵，λ为特征值，然后定义得分向量ti为x在各载荷向量上的投影：

40、ti＝xtpi,(i＝1,2,…,n)   (14)；

41、原矩阵x可以分解为载荷矩阵和得分矩阵的乘积加上残差矩阵e的形式，如下式所示:

42、

43、

44、其中，k表示pca模型中的主元个数且k≤n,t＝[t1 t2…tn]为得分矩阵，模型的主元个数d利用累计方差贡献率确定。

45、s6具体为：

46、通过pca模型计算监测统计量及控制限，t2统计量是常用的多元统计量，用于监测过程异常：

47、t2统计量可以用来检测主元空间中的变化，定义如下：

48、

49、t2统计量求取的是当前过程数据在主成分方向上的投影到模型中心点的马氏距离，代表着数据偏离模型中心的程度，t2统计量的控制限服从f分布，因此，置信水平100(1-α)％的t2控制限可由如下式(18)求得：

50、

51、其中，为模型的控制限，k为pca的主元个数，n为建模样本个数，fk,n-k,α为f分布参数。

52、本发明的有益效果是，本发明适用于甲醇制烯烃反应器温度压力的监测方法，针对dmto过程中的核心设备反应器，提出一种适用于dmto反应器温度压力的监测方法，该方法采用支持向量回归(support vector regression，svr)方法来建立对应的回归模型以代替传统的过程机理模型。然后，通过对实际测量值与回归模型预测值之间的残差进行分析，建立过程监测模型，可以及时预警dmto反应器温度及压力的异常变化。

53、本发明方法实现对反应器温度、压力异常变化的早期识别，并给出其异常变化的原因，以辅助操作人员更好的保障装置长周期平稳运行，保证装置的产品质量。