《Powder Technology》：Enhanced oxy-fuel combustion monitoring in FCC regenerators through deep learning and sensor drift compensation
编辑推荐：
本文提出结合约束归一化子带自适应滤波（CNSAF）与上下文集成循环神经网络（CI-RNN）的方法，用于提升催化裂化（FCC）再生器中 oxy-fuel燃烧过程的气体浓度监测精度。通过公开的气体传感器数据集进行预处理，显著减少传感器漂移和噪声干扰，构建的CI-RNN模型在Windows 11环境下验证，其98%的效率优于传统ANN、DNN和RNN模型。
R. Prasanna Venkatesh | D. Siva Sundhara Raja | Karthik Palanivel | K.K. Mohammed Rafat
机械工程系，SACS MAVMM工程学院，马杜赖，泰米尔纳德邦 625301，印度
摘要
由于大气中二氧化碳浓度的增加及其对气候变化的影响，公众的担忧日益加剧。使用流化催化裂化（FCC）工艺的装置会产生大量二氧化碳。氧燃料燃烧已成为一种有前景的碳捕获和储存解决方案，可以减少FCC工艺的排放。本文提出了一种基于上下文整合的循环神经网络（CI-RNN）方法，以改善FCC再生器中的工业规模氧燃料燃烧过程。本研究的主要目标是准确预测燃烧气体浓度，并补偿传感器漂移，从而实现高效和优化的燃烧控制。首先，从公开可用的气体传感器阵列漂移数据集中收集数据，该数据集包含来自多种化学传感器的多变量测量结果，这些传感器用于监测与燃烧过程相关的各种气体。数据收集后，应用受限归一化子带自适应滤波器（CNSAF）进行预处理，以减少噪声并自适应抑制传感器漂移。预处理后的数据随后被输入到用Python开发和实现的CI-RNN模型中。CI-RNN旨在捕捉气体传感器数据中的复杂时间依赖性和上下文信息，从而提高预测准确性。通过准确性和效率等性能指标全面评估了所提出的方法。该模型的效率达到了98%，高于人工神经网络（ANN）、深度神经网络（DNN）和循环神经网络（RNN）等现有方法。
引言
流化催化裂化（FCC）在石油精炼中起着核心作用，它是将原油中的重质组分转化为汽油、轻质循环油、液化石油气等更有价值产品的关键工艺。该工艺在全球范围内的炼油厂中得到广泛应用，每天处理大量的原油以满足能源和燃料需求[1,2]。然而，特别是在催化剂再生阶段，FCC工艺对温室气体（GHG）的排放贡献显著[3,4]。研究表明，仅这一再生步骤就占炼油厂总二氧化碳排放量的约20-35%[5,6]。面对日益严重的气候变化问题以及更严格的环境法规，人们研究了多种碳捕获和储存（CCS）技术，以改造FCC装置[7,8]。其中，燃烧后捕获（PCC）、化学循环燃烧（CLC）和氧燃料燃烧因其在不大幅改变FCC核心基础设施的情况下具有减少二氧化碳排放的潜力而受到广泛关注[9,10]。
尽管氧燃料燃烧在减少排放方面具有潜力，但在FCC再生器中实现精确和高效的燃烧控制仍然是一个主要挑战[18, [19], [20]]。这一困难主要是由于传统传感器系统的局限性，这些系统容易受到长期漂移、环境干扰和老化效应的影响[21,22]。特别是传感器漂移会导致气体浓度读数错误，从而削弱燃烧监控系统的有效性，可能导致燃料使用不足或违反法规[23,24]。此外，传统的机器学习或基本神经网络模型往往无法捕捉工业传感器数据中的时间和上下文复杂性[25]。
- •
本研究的主要贡献如下：
- •
先进的漂移补偿：提出的方法结合了CNSAF来减少噪声并动态补偿气体传感器数据中的漂移。
- •
CI-RNN模型开发：提出了一种新的上下文整合循环神经网络（CI-RNN），用于提高FCC再生器中燃烧气体浓度的预测能力。
- •
时间-上下文学习：利用多变量传感器数据中的上下文和时间依赖性显著提高燃烧监控的准确性。
- •
与标准模型的对比：通过严格的基准测试证明了CI-RNN优于传统模型（RNN、ANN、DNN）的性能。
- •
碳排放控制支持：通过实现更准确和高效的FCC装置中氧燃料燃烧过程控制，为碳减排做出贡献。
本文的结构如下：第2节介绍文献综述，第3节阐述提出的方法论，第4节介绍实验设置，第5节说明结果和讨论。第6节对全文进行总结。
实验设置
文献综述
许多研究已经探讨了各种改进FCC装置中燃烧监控和碳捕获技术的方法。这里回顾了其中的一些研究。
Güle?等人[11]研究了将CLC技术与FCC装置结合的技术经济可行性，旨在减少炼油厂的二氧化碳排放，这些炼油厂对全球排放量有显著贡献。该研究以日处理能力为50,000桶的实例为重点。
实验设置
图1中的实验设置展示了将氧燃料燃烧技术与FCC装置结合的改造方案，旨在最小化二氧化碳排放。该过程从反应器开始，在高温再生催化剂颗粒的存在下裂化重质烃类。这些催化剂因积炭而失去活性后，通过提升管被输送到再生器。在再生器中，引入的是来自空气分离单元（ASU）的高纯度氧气，而不是传统的空气。
提出的方法论
本研究提出了一种方法，通过结合传感器漂移补偿和深度学习来改进FCC再生器中的氧燃料燃烧监控。数据来自公开可用的气体传感器阵列漂移数据集，其中包含与燃烧气体相关的化学传感器的多变量测量结果。使用CNSAF进行预处理，以调整传感器漂移并标准化结果。预处理后的传感器信号随后被输入到CI-RNN模型中。
结果与解释
本文讨论了所提出的CI-RNN的实际结果。评估是在运行Windows 11操作系统、配备Intel (R) Core (TM) I7 CPU（2.40 GHz主频、16GB内存）的PC上进行的，使用Python实现了所提出的策略。
表4明确指出了CFD模拟的作用，即开发基于深度学习的氧燃料FCC再生器燃烧监控系统。CFD组件并非独立使用。
结论
本研究提出了一个框架，将基于CNSAF的漂移补偿与上下文整合的循环神经网络（CI-RNN）相结合，以改善在氧燃料条件下运行的FCC再生器中的燃烧气体监控。CNSAF预处理步骤显著减少了长期传感器漂移和批次间差异，这一点通过漂移指标、分布变化和信号质量指标的对比得到了验证。
CRediT作者贡献声明
R. Prasanna Venkatesh：概念设计。
D. Siva Sundhara Raja：指导。指导。
K.K. Mohammed Rafat：指导。
