發(fā)布時(shí)間：2018-01-06 01:19

  本文關(guān)鍵詞：催化裂化裝置非線(xiàn)性預(yù)測(cè)控制器的設(shè)計(jì)與應(yīng)用　出處：《重慶科技學(xué)院》2017年碩士論文　論文類(lèi)型：學(xué)位論文

  更多相關(guān)文章： 催化裂化 雙層預(yù)測(cè)控制 粒子群優(yōu)化算法 量子粒子群優(yōu)化算法 多目標(biāo)量子粒子群優(yōu)化算法

【摘要】：石油化工工業(yè)在我國(guó)國(guó)民經(jīng)濟(jì)中占有舉足輕重的地位,承擔(dān)著為我國(guó)提供各種能源的重?fù)?dān),對(duì)整個(gè)農(nóng)業(yè)、工業(yè)、交通運(yùn)輸業(yè)以及國(guó)防科技的發(fā)展有著極其重大的影響。同時(shí),由于資源有限,石化行業(yè)面臨著減少能耗、提高石油資源利用率的挑戰(zhàn)。目前,絕大多數(shù)石化企業(yè)都引入了自動(dòng)化技術(shù)手段,先進(jìn)的過(guò)程控制技術(shù)對(duì)提高石油化工產(chǎn)量、降低能耗、穩(wěn)定生產(chǎn)過(guò)程有著重要的作用,能夠產(chǎn)生明顯的經(jīng)濟(jì)效益。催化裂化是石油化工過(guò)程的重要工藝之一,主要包括原料油催化裂化、催化劑再生、產(chǎn)品分離三個(gè)過(guò)程,目的是在高溫高壓的條件下,使得原油和催化劑發(fā)生反應(yīng),生成一系列輕質(zhì)油產(chǎn)品。常規(guī)的催化裂化裝置由三個(gè)部分組成,包含反應(yīng)再生系統(tǒng)、分餾系統(tǒng)以及吸收穩(wěn)定系統(tǒng)。作為催化裂化的核心部分,反應(yīng)再生系統(tǒng)(Reaction regeneration system,RRS)將原油經(jīng)過(guò)加工,生成各種各樣的輕質(zhì)油產(chǎn)品。因此,采用先進(jìn)的科學(xué)的RRS控制技術(shù),對(duì)于提高催化裂化輕質(zhì)油產(chǎn)品質(zhì)量、提高煉油企業(yè)的經(jīng)濟(jì)效益至關(guān)重要。本文的主要研究?jī)?nèi)容如下:(1)RRS的反應(yīng)流程以及控制技術(shù)。本章首先對(duì)RRS的應(yīng)用現(xiàn)狀、面臨的問(wèn)題進(jìn)行了研究分析,然后介紹了RRS的工藝流程,在分析提高反應(yīng)再生系統(tǒng)經(jīng)濟(jì)方法的基礎(chǔ)上,對(duì)RRS的各種控制技術(shù)進(jìn)行比較和分析。(2)模型預(yù)測(cè)控制(Model predictive control,MPC)以及雙層模型預(yù)測(cè)控制(Doublelayed model predictive control,DMPC)對(duì)RRS的優(yōu)化控制。本章對(duì)傳統(tǒng)經(jīng)典的模型預(yù)測(cè)控制進(jìn)行介紹,并在單層預(yù)測(cè)控制的基礎(chǔ)上,考慮各變量?jī)?yōu)先級(jí)以及約束條件的情況下,引入了多優(yōu)先級(jí)穩(wěn)態(tài)目標(biāo)計(jì)算,形成了DMPC,利用雙層預(yù)測(cè)控制方法實(shí)現(xiàn)了對(duì)RRS進(jìn)行優(yōu)化控制,最后對(duì)其優(yōu)缺點(diǎn)進(jìn)行了分析。(3)基于粒子群算法的雙層預(yù)測(cè)控制(the double-layered model predictive control based on particle swarm optimization,PSO-DMPC)對(duì)RRS的優(yōu)化控制。本章在DMPC的基礎(chǔ)上,為了避免放松操作變量和被控變量約束條件帶來(lái)的不良影響,采用粒子群算法(Particle swarm optimization,PSO)對(duì)DMPC中的經(jīng)濟(jì)優(yōu)化目標(biāo)函數(shù)和動(dòng)態(tài)矩陣控制階段的目標(biāo)函數(shù)進(jìn)行求解,并將該控制方法用于對(duì)反應(yīng)再生系統(tǒng)的優(yōu)化控制,結(jié)果表明,基于本方法的RRS能對(duì)被控變量和操作變量進(jìn)行跟蹤。(4)基于量子粒子群的雙層預(yù)測(cè)控制對(duì)RRS的優(yōu)化控制。本章針對(duì)傳統(tǒng)粒子群算法不能保證全局收斂等缺點(diǎn),提出了基于量子粒子群的雙層預(yù)測(cè)控制(the double-layered model predictive control based on quantum behaved particle swarm optimization,QPSODMPC),量子粒子群算法(Quantum behaved particle swarm optimization,QPSO)在求解目標(biāo)函數(shù)的過(guò)程中能保證全局收斂,且計(jì)算速度較快。將本方法用于RRS的優(yōu)化控制中,并與PSO-DMPC和QGA-DMPC(the double-layered model predictive control based on quantum genetic algorithm,QGA-DMPC)進(jìn)行對(duì)比。結(jié)果表明,QPSO-DMPC的控制跟蹤效果比同類(lèi)方法好。(5)基于多目標(biāo)量子粒子群的雙層預(yù)測(cè)控制對(duì)RRS的優(yōu)化控制。本章在結(jié)合工程實(shí)際的基本問(wèn)題上,將多目標(biāo)考慮在RRS的優(yōu)化控制中,提出了基于多目標(biāo)量子粒子群的雙層預(yù)測(cè)控制方法(the double-layered model predictive control based on multi objective quantum behaved particle swarm optimization,MQPSO-DMPC),在建立RRS的多目標(biāo)函數(shù)的基礎(chǔ)上,采用多目標(biāo)量子粒子群算法(Multi objective quantum behaved particle swarm optimization,MQPSO)對(duì)其進(jìn)行求解,并將求解結(jié)果應(yīng)用到DMPC中,以此完成對(duì)RRS的多目標(biāo)穩(wěn)態(tài)優(yōu)化控制。結(jié)果表明,基于本方法的雙層預(yù)測(cè)控制能對(duì)RRS的操作變量和被控變量進(jìn)行跟蹤。
[Abstract]:The petroleum chemical industry occupies a pivotal position in China's national economy, bear the burden of providing all kinds of energy in our country, the agricultural industry, and it plays an important role in the transportation industry and the development of national defense technology. At the same time, due to limited resources, the petrochemical industry faces to reduce energy consumption and improve the utilization of petroleum resources the challenge. At present, the vast majority of petrochemical enterprises have introduced automation technology, advanced process control technology to reduce energy consumption to improve the petrochemical production, plays an important role in the stable production process, can produce significant economic benefits. Catalytic cracking is one of the important process of petrochemical process, mainly including catalytic cracking, raw materials oil catalyst regeneration, three separate products, aimed at high temperature and high pressure conditions, the crude oil and catalyst reaction to generate a series of light oil products. The conventional catalytic cracking unit is composed of three parts, including the reaction regeneration system, fractionation system and absorption stabilization system. As the core part of a catalytic cracking reaction regeneration system (Reaction regeneration, system, RRS) after processing the crude oil, light oil to produce a wide variety of products. Therefore, the use of science and advanced RRS control technology, to improve the catalytic cracking light oil product quality, improve the economic benefits of essential oil refining enterprises. The main contents of this paper are as follows: (1) the reaction process of RRS and control technology. Firstly, the application situation of RRS, analyzed the problems, and then introduces the process of RRS, based on the analysis of economy method of reaction regeneration system on the improvement of RRS control technology are compared and analyzed. (2) the model predictive control (Model predictive control, MPC) and double mode Model predictive control (Doublelayed model predictive control, DMPC RRS) to control the optimization. This chapter of the classic model predictive control are introduced, and the single predictive control based on the consideration of each variable priority and constraint conditions, the introduction of multi priority steady-state target calculation, the formation of DMPC, the use of double predictive control method to realize the optimized control of RRS, finally analyzes its advantages and disadvantages. (3) double forecasting control based on particle swarm algorithm (the double-layered model predictive control based on particle swarm optimization, PSO-DMPC RRS) to control the optimization. This chapter on the basis of DMPC, in order to avoid adverse effects bring a relaxed operation and controlled variables constraints, using particle swarm algorithm (Particle swarm optimization, PSO) on economic optimization objective function and dynamic moment in DMPC The objective function for the array control stage, and this control method is used to control, optimization of reaction regeneration system. The results show that this method can track the RRS controlled variables and operating variables. (4) based on the control of optimal control of RRS double forecasting based on quantum particle swarm. This chapter focuses on the traditional particle swarm algorithm does not guarantee a global convergence, presents a double predictive control based on Quantum Particle Swarm (the double-layered model predictive control based on quantum behaved particle swarm optimization, QPSODMPC), quantum particle swarm algorithm (Quantum behaved particle swarm optimization, QPSO) can guarantee global convergence in the process of solving the objective function, and the calculation speed fast. This method was applied in the optimization of RRS control, and PSO-DMPC and QGA-DMPC (the double-layered model predictive control based on Qu Antum genetic algorithm, QGA-DMPC) were compared. The results show that the tracking control effect of QPSO-DMPC than other methods. (5) double forecasting multi-objective quantum particle swarm optimization control to control based on RRS. In this chapter, the basic problems of the engineering, the multi-objective control considered in the optimization of RRS, put forward the double control method of multi object forecasting based on Quantum Particle Swarm (the double-layered model predictive control based on multi objective quantum behaved particle swarm optimization, MQPSO-DMPC), based on the objective function of the RRS, a multi-objective quantum particle swarm algorithm (Multi objective quantum behaved particle swarm optimization, MQPSO) to solve it is applied to the results of DMPC, in order to achieve multi-objective steady state optimization control of RRS. The results show that the method is based on the double The layer predictive control can track the operating variables and the controlled variables of the RRS.

【學(xué)位授予單位】：重慶科技學(xué)院
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TE96

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 許超,陳治綱,邵惠鶴;預(yù)測(cè)控制技術(shù)及應(yīng)用發(fā)展綜述[J];化工自動(dòng)化及儀表;2002年03期

2 黃湘云,朱學(xué)峰;預(yù)測(cè)控制的研究現(xiàn)狀與展望[J];石油化工自動(dòng)化;2005年02期

3 李平，王樹(shù)青，王驥程;預(yù)測(cè)控制研究的概況[J];化工自動(dòng)化及儀表;1995年06期

4 夏伯鍇,袁璞;變結(jié)構(gòu)過(guò)程的協(xié)調(diào)預(yù)測(cè)控制及其應(yīng)用[J];化工自動(dòng)化及儀表;2002年06期

5 匡卓賢,李平;過(guò)阻尼過(guò)程的預(yù)測(cè)控制[J];撫順石油學(xué)院學(xué)報(bào);1996年02期

6 王蕾,李平,蔣麗英;一類(lèi)非自衡系統(tǒng)的簡(jiǎn)化模型魯棒預(yù)測(cè)控制[J];撫順石油學(xué)院學(xué)報(bào);2002年01期

7 劉雨波;羅雄麟;許鋒;;分布式預(yù)測(cè)控制全局協(xié)調(diào)及穩(wěn)定性分析[J];化工學(xué)報(bào);2013年04期

8 肖海力,田學(xué)民;魯棒線(xiàn)性規(guī)劃在預(yù)測(cè)控制中的應(yīng)用[J];石油大學(xué)學(xué)報(bào)(自然科學(xué)版);2003年06期

9 那思佳;預(yù)測(cè)控制在分子篩裝置中的應(yīng)用[J];遼寧科技學(xué)院學(xué)報(bào);2005年03期

10 徐燁;;預(yù)測(cè)控制在機(jī)加工設(shè)備上的實(shí)施探討[J];內(nèi)燃機(jī);2006年01期

相關(guān)會(huì)議論文 前10條

1 張峻;席裕庚;;輸入受限時(shí)預(yù)測(cè)控制的一種簡(jiǎn)易算法[A];1996中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1996年

2 魏善碧;柴毅;丁寶蒼;;獨(dú)立動(dòng)態(tài)系統(tǒng)分布式預(yù)測(cè)控制研究[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

3 任作新;;一種預(yù)測(cè)控制新算法[A];1995中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1995年

4 陳虹;;預(yù)測(cè)控制魯棒性研究的若干問(wèn)題[A];第二十二屆中國(guó)控制會(huì)議論文集（下）[C];2003年

5 劉兵;徐立鴻;馮純伯;;連續(xù)系統(tǒng)預(yù)測(cè)控制[A];1994中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1994年

6 崔小第;盧準(zhǔn)煒;徐榮良;;一類(lèi)非線(xiàn)性模型的預(yù)測(cè)控制[A];1994年中國(guó)控制會(huì)議論文集[C];1994年

7 劉兵;徐立鴻;馮純伯;施建華;;具有飽和輸入的預(yù)測(cè)控制[A];1995年中國(guó)控制會(huì)議論文集（上）[C];1995年

8 羅國(guó)娟;吳剛;;預(yù)測(cè)控制中柔化因子與控制增量權(quán)重的關(guān)系[A];第二十四屆中國(guó)控制會(huì)議論文集（上冊(cè)）[C];2005年

9 劉燕卿;劉飛;;約束預(yù)測(cè)控制軟件實(shí)現(xiàn)及仿真研究[A];2007中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];2007年

10 柴毅;魏善碧;郭茂耘;凌睿;;帶通信完全失效的多飛行器編隊(duì)分布式預(yù)測(cè)控制研究[A];2009中國(guó)控制與決策會(huì)議論文集（3）[C];2009年

相關(guān)重要報(bào)紙文章 前1條

1 陳倩;南屯礦運(yùn)搬工區(qū)巧打安全“預(yù)防針”[N];經(jīng)理日?qǐng)?bào);2008年

相關(guān)博士學(xué)位論文 前10條

1 張隆閣;基于多胞的魯棒預(yù)測(cè)控制研究[D];華北電力大學(xué);2015年

2 羅奇;自適應(yīng)光學(xué)優(yōu)化控制技術(shù)研究[D];中國(guó)科學(xué)院研究生院(光電技術(shù)研究所);2016年

3 王龍生;基于多質(zhì)點(diǎn)模型的高速列車(chē)自動(dòng)駕駛預(yù)測(cè)控制[D];北京交通大學(xué);2016年

4 龐強(qiáng);流程工業(yè)的預(yù)測(cè)控制及操作優(yōu)化方法研究[D];東北大學(xué);2015年

5 崔曉波;超臨界機(jī)組典型非線(xiàn)性過(guò)程的建模與控制研究[D];東南大學(xué);2015年

6 李德偉;預(yù)測(cè)控制在線(xiàn)優(yōu)化策略的研究[D];上海交通大學(xué);2009年

7 林永君;基于復(fù)雜機(jī)理模型的過(guò)程預(yù)測(cè)控制研究[D];華北電力大學(xué);2002年

8 徐湘元;預(yù)測(cè)控制的線(xiàn)性方法、非線(xiàn)性方法和神經(jīng)網(wǎng)絡(luò)方法[D];華南理工大學(xué);2000年

9 盛云龍;離散時(shí)間約束不確定線(xiàn)性系統(tǒng)的魯棒預(yù)測(cè)控制[D];浙江大學(xué);2003年

10 徐祖華;模型預(yù)測(cè)控制理論及應(yīng)用研究[D];浙江大學(xué);2004年

相關(guān)碩士學(xué)位論文 前10條

1 馮凱;基于最小二乘支持向量機(jī)的參數(shù)變化模型辨識(shí)及其預(yù)測(cè)控制[D];浙江大學(xué);2015年

2 徐進(jìn);基于預(yù)測(cè)控制的電梯永磁曳引機(jī)無(wú)稱(chēng)重傳感器起動(dòng)策略研究[D];哈爾濱工業(yè)大學(xué);2015年

3 王會(huì)卿;大型直流鍋爐機(jī)組預(yù)測(cè)控制方法應(yīng)用研究[D];山東大學(xué);2015年

4 劉博;基于擾動(dòng)觀測(cè)的永磁同步電機(jī)電流預(yù)測(cè)控制研究[D];哈爾濱工業(yè)大學(xué);2015年

5 胡婧;隨機(jī)模型預(yù)測(cè)控制在風(fēng)力發(fā)電系統(tǒng)的應(yīng)用[D];華北電力大學(xué);2015年

6 倪虹;基于智能計(jì)算的預(yù)測(cè)控制及應(yīng)用[D];寧波大學(xué);2015年

7 孫志民;基于改進(jìn)粒子群優(yōu)化的磨礦過(guò)程預(yù)測(cè)控制[D];大連理工大學(xué);2015年

8 武曉英;預(yù)測(cè)控制在同步發(fā)電機(jī)勵(lì)磁非線(xiàn)性控制中的應(yīng)用[D];河北工業(yè)大學(xué);2015年

9 田恒鋒;多變量約束預(yù)測(cè)控制在超超臨界機(jī)組協(xié)調(diào)控制中的應(yīng)用研究[D];上海交通大學(xué);2013年

10 岳海東;基于BLS-SVM的海洋生物酶發(fā)酵過(guò)程軟測(cè)量與預(yù)測(cè)控制[D];江蘇大學(xué);2016年

，

本文編號(hào)：1385689