催化裂化装置汽提蒸汽用量预测方法、装置及设备

技术领域

本发明涉及催化裂化反应控制技术领域，具体地涉及一种催化裂化装置汽提蒸汽用量预测方法、一种催化裂化装置汽提蒸汽用量预测装置及一种终端设备。

背景技术

催化裂化装置的生产运行中，在反应器的沉降器汽提段有部分油气存在于催化剂颗粒间隙或吸附在催化剂表面，而进入汽提器的油气总量相当于进料量的2-4％，其中，约70-80％夹杂在催化剂颗粒间隙，20-30％吸附在催化剂内部。目前工艺上采用水蒸汽汽提的方法将这部分油气分离出来，而这部分所用的蒸汽在催化裂化工艺过程中被称为汽提蒸汽。汽提蒸汽的用量关系着含硫污水的产生量及蒸汽资源的利用，汽提蒸汽通过蒸汽吹扫可回收利用部分可用油汽，实现降低再生器的烧焦负荷的同时提高了产品收率。汽提蒸汽量过小会导致油气随待生剂进入再生器烧掉造成物料损失，蒸汽量的过量注入会造成能源浪费的同时产生更多的含硫污水等污染物。

目前对于催化裂化装置的减污降碳的研究多集中于沉降器结构和汽提蒸汽的股数调节方面，往往采用经验计算值对蒸汽用量进行确定，而不能根据装置的实际运行状态及时、合理的对汽提蒸汽用量进行调节，且目前催化裂化装置操作人员对汽提蒸汽的调节主要依靠设计值及人员经验，存在蒸汽用量的调整波动范围较大的问题，而调整不合理可能会导致严重的装置运行的问题。

发明内容

本发明实施方式的目的是提供一种催化裂化装置汽提蒸汽用量预测方法、一种催化裂化装置汽提蒸汽用量预测装置及一种终端设备，以解决现有技术中无法实时调节汽提蒸汽用量的问题。

为了实现上述目的，在本发明的第一方面，提供一种催化裂化装置汽提蒸汽用量预测方法，包括：

获取所述催化裂化装置的特征参数；

以所述特征参数为输入，经汽提蒸汽预测模型预测所述催化裂化装置的汽提蒸汽用量；

依据得到的汽提蒸汽用量调节所述催化裂化装置的汽提蒸汽用量；

所述汽提蒸汽预测模型通过所述催化裂化装置在不同工况下的特征参数及对应的汽提蒸汽用量对预设神经网络模型训练后得到。

优选地，所述催化裂化装置的特征参数通过以下方法确定：

获取所述催化裂化装置的工艺参数，以所述催化裂化装置的工艺参数为所述催化裂化装置的特征参数；

所述催化裂化装置的工艺参数包括所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，所述汽提蒸汽预测模型的训练过程包括：

确定预设神经网络模型初始的网络参数；

以不同工况下所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量为输入，经预设神经网络模型预测当前工况对应的汽提蒸汽用量；

获取当前工况对应的实测汽提蒸汽用量，在得到的汽提蒸汽用量与实测汽提蒸汽用量的差值大于汽提蒸汽用量阈值的情况下，更新所述预设神经网络模型的网络参数，直至得到的汽提蒸汽用量与实测汽提蒸汽用量的差值不大于所述汽提蒸汽用量阈值，以更新网络参数后的预设神经网络模型作为汽提蒸汽预测模型。

优选地，所述催化裂化装置的特征参数通过以下方法确定：

获取所述催化裂化装置的工艺参数，依据所述催化裂化装置的工艺参数确定所述催化裂化装置的子特征参数；

确定所述催化裂化装置的工艺参数及所述催化裂化装置的子特征参数为所述催化裂化装置的特征参数；

所述催化裂化装置的工艺参数包括所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，所述催化裂化装置的子特征参数，包括：

所述催化裂化装置的总进料量与所述沉降器汽提段藏量的比值。

优选地，所述汽提蒸汽预测模型的训练过程包括：

确定预设神经网络模型初始的网络参数；

以不同工况下所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量、沉降器汽提段藏量及所述催化裂化装置的总进料量与所述沉降器汽提段藏量的比值为输入，经预设神经网络模型预测当前工况对应的汽提蒸汽用量；

获取当前工况对应的实测汽提蒸汽用量，在得到的汽提蒸汽用量与实测汽提蒸汽用量的差值大于汽提蒸汽用量阈值的情况下，更新所述预设神经网络模型的网络参数，直至得到的汽提蒸汽用量与实测汽提蒸汽用量的差值不大于所述汽提蒸汽用量阈值，以更新网络参数后的预设神经网络模型作为汽提蒸汽预测模型。

在本发明的第二方面，提供一种催化裂化装置汽提蒸汽用量预测装置，包括：

数据获取模块，被配置为获取所述催化裂化装置的特征参数；

预测模块，被配置为以所述特征参数为输入，经汽提蒸汽预测模型预测所述催化裂化装置的汽提蒸汽用量；

控制模块，被配置为依据得到的汽提蒸汽用量调节所述催化裂化装置的汽提蒸汽用量；

所述汽提蒸汽预测模型通过所述催化裂化装置在不同工况下的特征参数及对应的汽提蒸汽用量对预设神经网络模型训练后得到。

优选地，所述装置还包括特征参数确定模块；所述特征参数确定模块被配置为：

获取所述催化裂化装置的工艺参数，以所述催化裂化装置的工艺参数为所述催化裂化装置的特征参数；

所述催化裂化装置的工艺参数包括所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，所述装置还包括特征参数确定模块；所述特征参数确定模块被配置为：

获取所述催化裂化装置的工艺参数，依据所述催化裂化装置的工艺参数确定所述催化裂化装置的子特征参数；

确定所述催化裂化装置的工艺参数及所述催化裂化装置的子特征参数为所述催化裂化装置的特征参数；

所述催化裂化装置的工艺参数包括所述催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，所述催化裂化装置的子特征参数，包括：

所述催化裂化装置的总进料量与所述沉降器汽提段藏量的比值。

在本发明的第三方面，提供一种计算机可读介质，所述计算机可读介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的催化裂化装置汽提蒸汽用量预测方法。

在本发明的第四方面，提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的催化裂化装置汽提蒸汽用量预测方法。

本发明上述技术方案通过确定催化裂化装置的特征参数并建立表征催化裂化装置的特征参数与催化裂化装置的汽提蒸汽用量之间关系的汽提蒸汽预测模型来实时预测催化裂化装置的汽提蒸汽用量，并根据得到的汽提蒸汽用量实时调节催化裂化装置的汽提蒸汽用量，从而能够动态调节催化裂化装置的汽提蒸汽用量，有利于实现催化裂化装置的减污降碳。

本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：

图1是本发明优选实施方式提供的一种催化裂化装置汽提蒸汽用量预测方法的方法流程图；

图2是本发明优选实施方式提供的一种催化裂化装置汽提蒸汽用量预测装置的示意框图；

图3是本发明优选实施方式提供的一种终端设备的示意框图。

附图标记说明

10-终端设备，100-处理器，101-存储器，102-计算机程序。

具体实施方式

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

如图1所示，本实施方式第一方面提供一种催化裂化装置汽提蒸汽用量预测方法，包括：

获取催化裂化装置的特征参数；

以特征参数为输入，经汽提蒸汽预测模型预测催化裂化装置的汽提蒸汽用量；

依据得到的汽提蒸汽用量调节催化裂化装置的汽提蒸汽用量；

汽提蒸汽预测模型通过催化裂化装置在不同工况下的特征参数及对应的汽提蒸汽用量对预设神经网络模型训练后得到。

如此，本实施方式通过确定催化裂化装置的特征参数并建立表征催化裂化装置的特征参数与催化裂化装置的汽提蒸汽用量之间关系的汽提蒸汽预测模型来实时预测催化裂化装置的汽提蒸汽用量，并根据得到的汽提蒸汽用量实时调节催化裂化装置的汽提蒸汽用量，从而能够动态调节催化裂化装置的汽提蒸汽用量，有利于实现催化裂化装置的减污降碳。

在本实施方式的一个具体实例中，所述催化裂化装置的特征参数通过以下方法确定：

获取催化裂化装置的工艺参数，以催化裂化装置的工艺参数为催化裂化装置的特征参数；催化裂化装置的工艺参数包括催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

具体的，催化裂化装置的特征参数的确定方法为：

自动从催化裂化装置的DCS系统中读取设定时间段内，催化裂化装置的历史工艺参数数据，即不同工况下催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量等历史数据，并通过以下步骤完成对原始数据进行加工处理：

对采集到的历史数据进行预处理，删除停工期间的数据，保留正常工况时段的数据；

对上一步骤清洗后的工艺参数进行阈值计算，例如对得到的各工艺参数进行三倍标准差计算，从而得到各参数对应的值域，并结合各工艺参数的性质及各自实际额定工况对各工艺参数进行值域调整，确定各工艺参数的值域范围；

得到各工艺参数的值域范围后，进一步对所有数据进行异常数据挖掘，对于得到的各工艺参数，剔除在各工艺参数的值域范围之外的异常数据；

对处理后的工艺参数进行关键参数分析，以所挖掘出的关键参数构建训练集及测试集。例如，通过上述分析确定催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量7个工艺参数与催化裂化装置的汽提蒸汽用量具有较高的相关性，因此，确定上述工艺参数为催化裂化反应的特征参数。

本实施方式中，预设神经网络模型可以为卷积神经网络模型、BP神经网络模型等，在本实施方式的一个具体实例中，预设神经网络模型采用BP神经网络模型，汽提蒸汽预测模型的训练过程包括：

确定预设神经网络模型初始的网络参数；

以不同工况下催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量为输入，经预设神经网络模型预测当前工况对应的汽提蒸汽用量；

获取当前工况对应的实测汽提蒸汽用量，在得到的汽提蒸汽用量与实测汽提蒸汽用量的差值大于汽提蒸汽用量阈值的情况下，更新预设神经网络模型的网络参数，直至得到的汽提蒸汽用量与实测汽提蒸汽用量的差值不大于汽提蒸汽用量阈值，以更新网络参数后的预设神经网络模型作为汽提蒸汽预测模型。

具体的，自动读取预设时间段内催化裂化装置的DCS历史数据，得到不同工况下催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量等数据，并依据得到数据构建训练集及验证集，基于构建的训练集及验证集，通过以下步骤对BP神经网络模型进行训练：

步骤S1：设置BP神经网络模型的初始权重值k，b。

步骤S2：通过以下公式对BP神经网络的输入层节点进行加权求和，计算隐藏层数值：Ff,j＝∑

其中，j为隐藏层的数值序号，n为各种工况下的工艺参数，即催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

步骤S3：执行sigmoid激活公式：

步骤S4：通过以下公式计算催化裂化反应原料的硫含量的预测值：

步骤S5：计算预测值与真实值的误差，当误差接近零时收敛；。

步骤S6：若误差值不符合收敛标准，则通过以下公式反向计算更新BP神经网络模型的权重值k，b：

其中，X为设定的学习率。

步骤S7：利用更新后的权重值重复步骤S1至步骤S6的计算直至收敛，得到训练好的汽提蒸汽预测模型。

在本实施方式的另一个具体实例中，催化裂化装置的特征参数通过以下方法确定：

获取催化裂化装置的工艺参数，依据催化裂化装置的工艺参数确定催化裂化装置的子特征参数；确定催化裂化装置的工艺参数及催化裂化装置的子特征参数为催化裂化装置的特征参数；催化裂化装置的工艺参数包括催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

为了进一步提高预测精度，本实施方式中，催化裂化装置的子特征参数，包括：催化裂化装置的总进料量与沉降器汽提段藏量的比值。本实施方式通过对催化裂化反应工艺流程进行分析，确定催化裂化装置的总进料量与沉降器汽提段藏量的比值为催化裂化装置的子特征参数，且催化裂化装置的总进料量与沉降器汽提段藏量的比值能够有效表征单位催化剂的物料量，即汽提蒸汽的单位负荷能力，因此，以催化裂化装置的总进料量与沉降器汽提段藏量的比值作为子特征参数能够有效提高汽提蒸汽用量的准确率。

其中，催化裂化装置的子特征参数，还可以通过以下步骤确定：

以催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量中任意二者的比值作为初始子特征参数，计算初始子特征参数与催化裂化装置的汽提蒸汽用量之间的皮尔逊相关系数；将与催化裂化装置的汽提蒸汽用量之间的皮尔逊相关系数大于皮尔逊相关系数阈值的初始子特征参数为催化裂化装置的子特征参数，或者将得到的皮尔逊相关系数中由大到小排列的前n个皮尔逊相关系数对应的初始子特征参数确定为催化裂化装置的子特征参数。

例如，若催化裂化装置的总进料量与再生器小分布环主风流量的比值大于预设的皮尔逊相关系数阈值，则确定催化裂化装置的总进料量与再生器小分布环主风流量的比值为催化裂化装置的子特征参数，又例如，若催化裂化装置的总进料量与沉降器汽提段藏量的比值大于预设的皮尔逊相关系数阈值，则确定催化裂化装置的总进料量与沉降器汽提段藏量的比值为催化裂化装置的子特征参数，以此类推。具体的，通过对相关参数的皮尔逊相关性计算可得：催化裂化装置的汽提蒸汽用量与催化裂化装置的总进料量的皮尔逊相关系数为0.392，催化裂化装置的汽提蒸汽用量与沉降器汽提段藏量的皮尔逊相关系数为0.098，催化裂化装置的汽提蒸汽用量与子特征参数即催化裂化装置的总进料量与沉降器汽提段藏量的比值的皮尔逊相关系数为0.568。

上述可知，虽然总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量这7个原始工艺参数均与沉降器汽提段汽提蒸汽用量具有较高的相关性，但单位催化剂的物料量即催化裂化装置的总进料量与沉降器汽提段藏量的比值可以表征为单位质量催化剂所投入的原料量，能够有效表征汽提蒸汽的单位负荷能力，该子特征参数相较于总进料量及沉降器汽提段藏量可以更加精确的表征沉降器中单位催化剂物料量，以该子特征参数作为汽提蒸汽预测模型的输入能够有效提高汽提蒸汽用量的准确率。

则汽提蒸汽预测模型的训练过程包括：

确定预设神经网络模型初始的网络参数；

以不同工况下催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量、沉降器汽提段藏量及催化裂化装置的总进料量与沉降器汽提段藏量的比值为输入，经预设神经网络模型预测当前工况对应的汽提蒸汽用量；

获取当前工况对应的实测汽提蒸汽用量，在得到的汽提蒸汽用量与实测汽提蒸汽用量的差值大于汽提蒸汽用量阈值的情况下，更新预设神经网络模型的网络参数，直至得到的汽提蒸汽用量与实测汽提蒸汽用量的差值不大于汽提蒸汽用量阈值，以更新网络参数后的预设神经网络模型作为汽提蒸汽预测模型。

可以理解的，预设神经网络模型为BP神经网络，其训练过程与上述训练过程相同，此处不再赘述。

以下以一个具体实例进行说明：

首先，采集某催化裂化装置2019年1月1日-2019年12月31日的原始数据进行数据分析及相关性分析，保留工艺参数共7个：总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

其次，根据工艺参数的各自值域范围进行数据删除，保留工艺参数值域内的数值，并截取一连续时间段2019年7月1日-2019年7月10日的数据分为两部分，以2019年7月1日-2019年7月7日的3360条数据作为模型训练样数据，以2019年7月8日-2019年7月10日的1440条数据作为模型测试数据。

再次，将总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量7个工艺参数作为BP神经网络模型的输入，即BP神经网络模型的输入层神经元个数为7，隐含层数量为2，其网络结构为模型结构为7-2-1，输出为沉降器汽提段汽提蒸汽用量；再将再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度及再生器顶出口氧含量5个工艺参数和计算获得的子特征参数，即沉降器中单位催化剂的物料量：催化裂化装置的总进料量与沉降器汽提段藏量的比值共6个参数作为BP神经网络模型的输入，即模型输入层神经元个数为6，隐含层数量为2，模型结构为6-2-1，输出为沉降器汽提段汽提蒸汽用量。

最后，将两者进行比较，预测结果表明，BP神经网络模型采用包括子特征参数的6个输入参数的BP神经网络模型的预测精度为95.5％，采用原始的7个输入参数的BP神经网络模型的预测精度只有88.6％，即使用本发明构建的子特征参数对沉降器汽提段汽提蒸汽用量进行预测，预测精度明显高于仅使用相关度较高的原始工艺参数进行的预测。

如图2所示，在本发明的第二方面，提供一种催化裂化装置汽提蒸汽用量预测装置，包括：

数据获取模块，被配置为获取催化裂化装置的特征参数；

预测模块，被配置为以特征参数为输入，经汽提蒸汽预测模型预测催化裂化装置的汽提蒸汽用量；

控制模块，被配置为依据得到的汽提蒸汽用量调节催化裂化装置的汽提蒸汽用量；

汽提蒸汽预测模型通过催化裂化装置在不同工况下的特征参数及对应的汽提蒸汽用量对预设神经网络模型训练后得到。

优选地，装置还包括特征参数确定模块；特征参数确定模块被配置为：

获取催化裂化装置的工艺参数，以催化裂化装置的工艺参数为催化裂化装置的特征参数；

催化裂化装置的工艺参数包括催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，装置还包括特征参数确定模块；特征参数确定模块被配置为：

获取催化裂化装置的工艺参数，依据催化裂化装置的工艺参数确定催化裂化装置的子特征参数；

确定催化裂化装置的工艺参数及催化裂化装置的子特征参数为催化裂化装置的特征参数；

催化裂化装置的工艺参数包括催化裂化装置的总进料量、再生器小分布环主风流量、再生器稀相段压力、再生滑阀阀位、反应器再生斜管温度、再生器顶出口氧含量及沉降器汽提段藏量。

优选地，催化裂化装置的子特征参数，包括：

催化裂化装置的总进料量与沉降器汽提段藏量的比值。

在本发明的第三方面，提供一种计算机可读介质，计算机可读介质存储有计算机程序，计算机程序被处理器执行时实现上述的催化裂化装置汽提蒸汽用量预测方法。

在本发明的第四方面，提供一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的催化裂化装置汽提蒸汽用量预测方法。

如图3所示是本发明一实施例提供的终端设备的示意图。如图3所示，该实施例的终端设备10包括：处理器100、存储器101以及存储在存储器101中并可在处理器100上运行的计算机程序102。处理器100执行计算机程序102时实现上述方法实施例中的步骤。或者，处理器100执行计算机程序102时实现上述各装置实施例中各模块/单元的功能。

示例性的，计算机程序102可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器101中，并由处理器100执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序102在终端设备10中的执行过程。例如，计算机程序102可以被分割成数据获取模块、预测模块及控制模块。

终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域技术人员可以理解，图3仅仅是终端设备10的示例，并不构成对终端设备10的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。存储器101也可以是终端设备10的外部存储设备，例如终端设备10上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。存储器101用于存储计算机程序以及终端设备10所需的其他程序和数据。存储器101还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

综上，本实施方式通过构建与汽提蒸汽用量有显著相关性的子特征参数及工艺参数的特征参数，并建立表征催化裂化装置的特征参数与催化裂化装置的汽提蒸汽用量之间关系的汽提蒸汽预测模型来实时预测催化裂化装置的汽提蒸汽用量，并根据得到的汽提蒸汽用量实时调节催化裂化装置的汽提蒸汽用量，从而能够动态调节催化裂化装置的汽提蒸汽用量，有利于实现催化裂化装置的减污降碳。

以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。

本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，同样应当视为本发明实施方式所公开的内容。