本文關鍵詞：催化裂化裝置非線性預測控制器的設計與應用　出處：《重慶科技學院》2017年碩士論文　論文類型：學位論文

  更多相關文章： 催化裂化 雙層預測控制 粒子群優(yōu)化算法 量子粒子群優(yōu)化算法 多目標量子粒子群優(yōu)化算法

【摘要】：石油化工工業(yè)在我國國民經(jīng)濟中占有舉足輕重的地位,承擔著為我國提供各種能源的重擔,對整個農(nóng)業(yè)、工業(yè)、交通運輸業(yè)以及國防科技的發(fā)展有著極其重大的影響。同時,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)都引入了自動化技術手段,先進的過程控制技術對提高石油化工產(chǎn)量、降低能耗、穩(wěn)定生產(chǎn)過程有著重要的作用,能夠產(chǎn)生明顯的經(jīng)濟效益。催化裂化是石油化工過程的重要工藝之一,主要包括原料油催化裂化、催化劑再生、產(chǎn)品分離三個過程,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,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部分組成,包含反應再生系統(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,反應再生系統(tǒng)(Reaction regeneration system,RRS)將原油經(jīng)過加工,生成各種各樣的輕質(zhì)油產(chǎn)品。因此,采用先進的科學的RRS控制技術,對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)濟效益至關重要。本文的主要研究內(nèi)容如下:(1)RRS的反應流程以及控制技術。本章首先對RRS的應用現(xiàn)狀、面臨的問題進行了研究分析,然后介紹了RRS的工藝流程,在分析提高反應再生系統(tǒng)經(jīng)濟方法的基礎上,對RRS的各種控制技術進行比較和分析。(2)模型預測控制(Model predictive control,MPC)以及雙層模型預測控制(Doublelayed model predictive control,DMPC)對RRS的優(yōu)化控制。本章對傳統(tǒng)經(jīng)典的模型預測控制進行介紹,并在單層預測控制的基礎上,考慮各變量優(yōu)先級以及約束條件的情況下,引入了多優(yōu)先級穩(wěn)態(tài)目標計算,形成了DMPC,利用雙層預測控制方法實現(xiàn)了對RRS進行優(yōu)化控制,最后對其優(yōu)缺點進行了分析。(3)基于粒子群算法的雙層預測控制(the double-layered model predictive control based on particle swarm optimization,PSO-DMPC)對RRS的優(yōu)化控制。本章在DMPC的基礎上,為了避免放松操作變量和被控變量約束條件帶來的不良影響,采用粒子群算法(Particle swarm optimization,PSO)對DMPC中的經(jīng)濟優(yōu)化目標函數(shù)和動態(tài)矩陣控制階段的目標函數(shù)進行求解,并將該控制方法用于對反應再生系統(tǒng)的優(yōu)化控制,結果表明,基于本方法的RRS能對被控變量和操作變量進行跟蹤。(4)基于量子粒子群的雙層預測控制對RRS的優(yōu)化控制。本章針對傳統(tǒng)粒子群算法不能保證全局收斂等缺點,提出了基于量子粒子群的雙層預測控制(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)在求解目標函數(shù)的過程中能保證全局收斂,且計算速度較快。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)進行對比。結果表明,QPSO-DMPC的控制跟蹤效果比同類方法好。(5)基于多目標量子粒子群的雙層預測控制對RRS的優(yōu)化控制。本章在結合工程實際的基本問題上,將多目標考慮在RRS的優(yōu)化控制中,提出了基于多目標量子粒子群的雙層預測控制方法(the double-layered model predictive control based on multi objective quantum behaved particle swarm optimization,MQPSO-DMPC),在建立RRS的多目標函數(shù)的基礎上,采用多目標量子粒子群算法(Multi objective quantum behaved particle swarm optimization,MQPSO)對其進行求解,并將求解結果應用到DMPC中,以此完成對RRS的多目標穩(wěn)態(tài)優(yōu)化控制。結果表明,基于本方法的雙層預測控制能對RRS的操作變量和被控變量進行跟蹤。
[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.

【學位授予單位】：重慶科技學院
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TE96

【相似文獻】

相關期刊論文 前10條

1 許超,陳治綱,邵惠鶴;預測控制技術及應用發(fā)展綜述[J];化工自動化及儀表;2002年03期

2 黃湘云,朱學峰;預測控制的研究現(xiàn)狀與展望[J];石油化工自動化;2005年02期

3 李平，王樹青，王驥程;預測控制研究的概況[J];化工自動化及儀表;1995年06期

4 夏伯鍇,袁璞;變結構過程的協(xié)調(diào)預測控制及其應用[J];化工自動化及儀表;2002年06期

5 匡卓賢,李平;過阻尼過程的預測控制[J];撫順石油學院學報;1996年02期

6 王蕾,李平,蔣麗英;一類非自衡系統(tǒng)的簡化模型魯棒預測控制[J];撫順石油學院學報;2002年01期

7 劉雨波;羅雄麟;許鋒;;分布式預測控制全局協(xié)調(diào)及穩(wěn)定性分析[J];化工學報;2013年04期

8 肖海力,田學民;魯棒線性規(guī)劃在預測控制中的應用[J];石油大學學報(自然科學版);2003年06期

9 那思佳;預測控制在分子篩裝置中的應用[J];遼寧科技學院學報;2005年03期

10 徐燁;;預測控制在機加工設備上的實施探討[J];內(nèi)燃機;2006年01期

相關會議論文 前10條

1 張峻;席裕庚;;輸入受限時預測控制的一種簡易算法[A];1996中國控制與決策學術年會論文集[C];1996年

2 魏善碧;柴毅;丁寶蒼;;獨立動態(tài)系統(tǒng)分布式預測控制研究[A];第二十七屆中國控制會議論文集[C];2008年

3 任作新;;一種預測控制新算法[A];1995中國控制與決策學術年會論文集[C];1995年

4 陳虹;;預測控制魯棒性研究的若干問題[A];第二十二屆中國控制會議論文集（下）[C];2003年

5 劉兵;徐立鴻;馮純伯;;連續(xù)系統(tǒng)預測控制[A];1994中國控制與決策學術年會論文集[C];1994年

6 崔小第;盧準煒;徐榮良;;一類非線性模型的預測控制[A];1994年中國控制會議論文集[C];1994年

7 劉兵;徐立鴻;馮純伯;施建華;;具有飽和輸入的預測控制[A];1995年中國控制會議論文集（上）[C];1995年

8 羅國娟;吳剛;;預測控制中柔化因子與控制增量權重的關系[A];第二十四屆中國控制會議論文集（上冊）[C];2005年

9 劉燕卿;劉飛;;約束預測控制軟件實現(xiàn)及仿真研究[A];2007中國控制與決策學術年會論文集[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分布式預測控制研究[A];2009中國控制與決策會議論文集（3）[C];2009年

相關重要報紙文章 前1條

1 陳倩;南屯礦運搬工區(qū)巧打安全“預防針”[N];經(jīng)理日報;2008年

相關博士學位論文 前10條

1 張隆閣;基于多胞的魯棒預測控制研究[D];華北電力大學;2015年

2 羅奇;自適應光學優(yōu)化控制技術研究[D];中國科學院研究生院(光電技術研究所);2016年

3 王龍生;基于多質(zhì)點模型的高速列車自動駕駛預測控制[D];北京交通大學;2016年

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

5 崔曉波;超臨界機組典型非線性過程的建模與控制研究[D];東南大學;2015年

6 李德偉;預測控制在線優(yōu)化策略的研究[D];上海交通大學;2009年

7 林永君;基于復雜機理模型的過程預測控制研究[D];華北電力大學;2002年

8 徐湘元;預測控制的線性方法、非線性方法和神經(jīng)網(wǎng)絡方法[D];華南理工大學;2000年

9 盛云龍;離散時間約束不確定線性系統(tǒng)的魯棒預測控制[D];浙江大學;2003年

10 徐祖華;模型預測控制理論及應用研究[D];浙江大學;2004年

相關碩士學位論文 前10條

1 馮凱;基于最小二乘支持向量機的參數(shù)變化模型辨識及其預測控制[D];浙江大學;2015年

2 徐進;基于預測控制的電梯永磁曳引機無稱重傳感器起動策略研究[D];哈爾濱工業(yè)大學;2015年

3 王會卿;大型直流鍋爐機組預測控制方法應用研究[D];山東大學;2015年

4 劉博;基于擾動觀測的永磁同步電機電流預測控制研究[D];哈爾濱工業(yè)大學;2015年

5 胡婧;隨機模型預測控制在風力發(fā)電系統(tǒng)的應用[D];華北電力大學;2015年

6 倪虹;基于智能計算的預測控制及應用[D];寧波大學;2015年

7 孫志民;基于改進粒子群優(yōu)化的磨礦過程預測控制[D];大連理工大學;2015年

8 武曉英;預測控制在同步發(fā)電機勵磁非線性控制中的應用[D];河北工業(yè)大學;2015年

9 田恒鋒;多變量約束預測控制在超超臨界機組協(xié)調(diào)控制中的應用研究[D];上海交通大學;2013年

10 岳海東;基于BLS-SVM的海洋生物酶發(fā)酵過程軟測量與預測控制[D];江蘇大學;2016年

，

本文編號：1385689