随着国民经济的持续发展,我国的汽车使用量在持续增长,汽车在带给我们出行便利的同时也造成了环境污染问题,所以生产更高质量的汽油成为了我国炼油厂急需解决的问题。轻汽油醚化技术可以有效减少汽油的烯烃含量,是炼油厂提高汽油品质的重要途径之一。在轻汽油醚化工艺过程中,提高烯烃的转化率是整个工艺过程的核心目标,而影响烯烃转化率最关键的因素是反应釜内的醇烯比值。反应釜内的醇烯比值控制过程具有非线性和大滞后等特性,传统的PID控制对于此过程的控制效果不够稳定。本文提出将基于DEBP算法的模糊神经网络用于轻汽油醚化系统醇烯比值的控制当中。首先对反应釜内的醇烯比值控制过程建立数学模型,然后构建模糊神经网络控制器,利用BP算法对参数进行优化,通过仿真证明模糊神经网络对醇烯比值的控制效果优于PID控制效果。由于BP算法自身具有一些缺点,在优化模糊神经网络参数时收敛速度慢,容易陷入局部极值,本文提出了将差分进化算法与BP算法进行组合形成DEBP算法,在利用标准函数验证了DEBP算法的有效性之后,利用此算法对模糊神经网络参数进行优化,仿真验证了基于DEBP算法的模糊神经网络对于醇烯比值的控制效果比单纯的BP算法优化的模糊神经网络更有优势。本课题炼油厂采用DeltaV DCS系统对轻汽油醚化系统进行控制,在深入研究了此系统的组态控制机制后,本课题成功实现了轻汽油醚化系统的开车运行,并把基于DEBP算法的模糊神经网络进行组态,实现了对醇烯比值的控制,通过轻汽油醚化装置数据处理分析系统发现,采用先进算法控制后的醇烯比值控制效果明显优于传统PID控制,烯烃转化率显著提高,对提高炼油厂成品油质量具有重要意义。