鐘 英 竹

（中國石化石油化工科學研究院，北京100083）

汽油調(diào)合是汽油生產(chǎn)過程中的一個重要環(huán)節(jié)，調(diào)合時部分性能參數(shù)呈非線性變化（如辛烷值、誘導期等），導致調(diào)合過程較難實現(xiàn)自動控制。國外通過對汽油調(diào)合機理的深入研究，開發(fā)出汽油在線調(diào)合技術。目前已經(jīng)工業(yè)化應用的產(chǎn)品主要有Honeywell公司的優(yōu)化調(diào)合軟件包BPC、HIS公司的產(chǎn)品調(diào)合調(diào)度軟件 H/BOSS、AspenTech公司的ORION等產(chǎn)品。這些技術都具有汽油組分利用率高、調(diào)合方案合理、經(jīng)濟效益顯著等特點。上述汽油在線調(diào)合技術的核心都采用了機理類模型，通過非線性回歸、偏最小二乘回歸、模糊控制等方法來解決非線性預測問題［1］。

近年來，國內(nèi)引入了多套汽油在線調(diào)合設施，實際使用中都存在“水土不服”的現(xiàn)象，存在的問題主要是對關鍵的非線性調(diào)合參數(shù)（辛烷值、抗爆指數(shù)等）的預測存在較大誤差。導致產(chǎn)生這些問題的原因是多方面的，一個重要原因是中國汽油組成中催化裂化組分的比例較高（超過70%），造成汽油的調(diào)合機理與國外有所不同，從而使得根據(jù)國外數(shù)據(jù)開發(fā)的機理模型不能適應國內(nèi)油品的調(diào)合需求。同時由于各煉油企業(yè)生產(chǎn)工藝不同，調(diào)合組分也不盡相同，所以從國外引入的汽油調(diào)合系統(tǒng)需要二次開發(fā)，以建立適合國內(nèi)具體企業(yè)調(diào)合過程的機理數(shù)學模型［2－5］。

汽油調(diào)合優(yōu)化技術的關鍵是汽油調(diào)合模型能夠精確計算非線性參數(shù)，并能夠通過優(yōu)化得到最佳的汽油調(diào)合方案。由于國內(nèi)汽油調(diào)合組分種類較多，且不同調(diào)合組分產(chǎn)量的波動性較大，因此還要求開發(fā)的汽油調(diào)合模型具有較強的自適應特性。考慮到目前對汽油調(diào)合的機理尚不很清楚，而神經(jīng)網(wǎng)絡模型通過模擬生物神經(jīng)網(wǎng)絡進行信息處理，不需要建立機理模型，適應性強；在理論上可以任意精度擬合任意復雜的非線性函數(shù)，適合復雜的非線性過程；同時具有自學習、自組織和自適應性。另外，經(jīng)過多年的發(fā)展，神經(jīng)網(wǎng)絡模型技術已經(jīng)在圖像識別、決策支持等人工智能領域得到成功應用［6－8］。因此，本課題嘗試借助神經(jīng)網(wǎng)絡技術，在不需要研究調(diào)合機理的前提下，結合某煉油企業(yè)汽油生產(chǎn)和調(diào)合的特點，有針對性地開發(fā)一種通用性強、可自我學習、且具有較高預測精度的汽油調(diào)合整體優(yōu)化模型。

1 汽油調(diào)合神經(jīng)網(wǎng)絡模型的建立

建立神經(jīng)網(wǎng)絡模型的關鍵是根據(jù)實際需要，確定合理的輸入?yún)?shù)和輸出參數(shù)的個數(shù)；并根據(jù)研究對象的特點，確定合理的神經(jīng)網(wǎng)絡的拓撲結構；最后，根據(jù)研究對像的內(nèi)在規(guī)律，確定模型的學習方法以及隱含層神經(jīng)元節(jié)點數(shù)量等參數(shù)。因此，本課題首先對某煉油企業(yè)汽油生產(chǎn)和調(diào)合裝置的特點進行了分析。

1.1 輸入及輸出參數(shù)的確定

某煉油企業(yè)有20多套生產(chǎn)裝置，其中汽油調(diào)合組分主要有催化裂化汽油（又分為蠟油催化裂化汽油和重油催化裂化汽油）、重整脫苯汽油、烷基化汽油和少量的MTBE等添加劑。目前，該企業(yè)主要采用人工計算不同組分的用量，通過汽油組分倒罐調(diào)合的方式生產(chǎn)93號和90號兩種汽油產(chǎn)品。存在的主要問題是經(jīng)常出現(xiàn)產(chǎn)品質(zhì)量，尤其是辛烷值過剩的現(xiàn)象。

通過對該企業(yè)汽油組分歷史數(shù)據(jù)進行分析，發(fā)現(xiàn)某些汽油組分的部分參數(shù)變化較小，如重整脫苯汽油的烯烴、芳烴、苯的含量，烷基化汽油辛烷值、MTBE組分辛烷值等?；谶@一特點，本課題確定了神經(jīng)網(wǎng)絡需要考慮的6個輸入?yún)?shù)，分別是：催化裂化汽油產(chǎn)量、重整汽油產(chǎn)量、烷基化汽油產(chǎn)量、MTBE產(chǎn)量、催化裂化汽油辛烷值、重整汽油辛烷值。同時，針對該企業(yè)汽油調(diào)合需要解決的問題，確定了神經(jīng)網(wǎng)絡需要考慮的6個輸出參數(shù)，分別是93號汽油調(diào)合方案（4個汽油組分用量）、93號汽油的辛烷值和90號汽油的辛烷值。

利用選定的輸入?yún)?shù)和建立的神經(jīng)網(wǎng)絡模型，不僅能夠得到優(yōu)化的汽油調(diào)合方案，而且能夠精確預測調(diào)合汽油的辛烷值，從而避免汽油質(zhì)量過剩，增加企業(yè)經(jīng)濟效益。

1.2 拓撲結構的確定

汽油調(diào)合模型的關鍵是要準確預測調(diào)合汽油的辛烷值。要實現(xiàn)這一目標，關鍵是要建立與實際過程相適應的合理的神經(jīng)網(wǎng)絡拓撲結構。

神經(jīng)網(wǎng)絡模型主要由輸入層、隱含層和輸出層組成。神經(jīng)網(wǎng)絡隱含層和隱含層神經(jīng)元節(jié)點的數(shù)量決定著網(wǎng)絡的規(guī)模和復雜程度。隱含層和隱含層神經(jīng)元節(jié)點的數(shù)量越多，神絡網(wǎng)絡的規(guī)模就越大，其自由參數(shù)就越多。在利用網(wǎng)絡進行優(yōu)化時，網(wǎng)絡規(guī)模過小，容易導致擬合能力不足，無法得到合理的汽油調(diào)合方案。相反，如果網(wǎng)絡規(guī)模過大，不僅會導致網(wǎng)絡過于復雜，使得網(wǎng)絡參數(shù)的求解非常困難與費時，而且容易導致過度擬合。在這種情況下，盡管網(wǎng)絡具有較強的擬合能力，但其預測能力則往往較弱，同樣也無法通過優(yōu)化得出合理的汽油調(diào)合方案。汽油調(diào)合是一個連續(xù)過程，不存在突發(fā)、大幅度跳躍的調(diào)合事件。從數(shù)學角度來看，汽油調(diào)合過程中辛烷值等參數(shù)是相關調(diào)合參數(shù)的連續(xù)函數(shù)，采用一個隱含層結構的神經(jīng)網(wǎng)絡可以滿足建立模型的要求，因此汽油調(diào)合模型確定采用一個隱含層。通過上述分析，確定了該企業(yè)汽油調(diào)合神經(jīng)網(wǎng)絡的拓撲結構，如圖1所示。由圖1可以看出，擬構建的汽油調(diào)合神經(jīng)網(wǎng)絡模型共三層組成，其中最下面的一層是輸入層，共有6個輸入?yún)?shù)，分別是催化裂化汽油產(chǎn)量、重整汽油產(chǎn)量、烷基化汽油產(chǎn)量、MTBE產(chǎn)量、催化裂化汽油辛烷值和重整汽油辛烷值，這些參數(shù)均是該企業(yè)日常生產(chǎn)過程中能夠提供的基本數(shù)據(jù)；最上面一層是模型的輸出層，分別是93號汽油調(diào)合配方，即催化裂化汽油用量、重整汽油用量、烷基化汽油用量和MTBE用量，以及調(diào)合得到的93號汽油的辛烷值和90號汽油的辛烷值，這些輸出數(shù)據(jù)正是汽油調(diào)合生產(chǎn)中最為關心的需要優(yōu)化與預測的重要參數(shù)；模型的中間一層是隱含層，它能夠從輸入層獲取汽油調(diào)合的初步信息，通過調(diào)節(jié)輸入層與隱含層以及輸出層相應神經(jīng)元閾值或連接權值，使網(wǎng)絡的輸出值逼近實際生產(chǎn)的期望值，并可根據(jù)網(wǎng)絡輸出值與實際生產(chǎn)數(shù)據(jù)的差值反向調(diào)節(jié)相應神經(jīng)元的閾值或連接權值，通過隱含層將輸入層的輸入?yún)?shù)與輸出層的輸出參數(shù)合理地映射起來，從而使模型不僅具有較強的擬合能力，同時也具有較強的預測能力。根據(jù)該企業(yè)汽油調(diào)合的實際情況，確定神經(jīng)網(wǎng)絡中輸入層、隱含層以及輸出層之間正向和反向傳遞函數(shù)均采用單極性Sigmoid函數(shù)。

圖1 汽油調(diào)合神經(jīng)網(wǎng)絡模型拓撲結構

1.3 隱含層神經(jīng)元節(jié)點的數(shù)量確定

隱含層神經(jīng)元節(jié)點數(shù)量的確定是神經(jīng)網(wǎng)絡設計中非常重要的一個環(huán)節(jié)。研究發(fā)現(xiàn)［9－10］，隱含層神經(jīng)元節(jié)點數(shù)過少時，網(wǎng)絡從樣本中獲取信息的能力就差，不足以概括和體現(xiàn)訓練集中的樣本規(guī)律，導致網(wǎng)絡或是不能收斂到規(guī)定誤差，或是雖然能夠完成學習，但泛化能力不強。相反，隱含層神經(jīng)元節(jié)點數(shù)過多，又可能把樣本中非規(guī)律性的內(nèi)容（如噪聲等）也學會并記牢，從而出現(xiàn)“過度吻合”問題，不僅降低了網(wǎng)絡的適應能力，還增加了訓練時間。盡管隱含層神經(jīng)元節(jié)點數(shù)量對神經(jīng)網(wǎng)絡的成敗如此重要，但是，對于如何確定隱含層神經(jīng)元節(jié)點數(shù)量，目前理論上還沒有一種科學的普遍方法。通常是根據(jù)前人設計所得的經(jīng)驗和自己進行試驗來確定?？紤]到隱含層神經(jīng)元節(jié)點的作用是從樣本中提取并存儲其內(nèi)在規(guī)律，且每個隱含層神經(jīng)元節(jié)點均有若干個連接權值以表示其從輸入層到輸出層映射的強弱。另外，考慮到汽油調(diào)合的難點與關鍵是如何準確預測非線性變化的汽油辛烷值，為盡快確定汽油調(diào)合神經(jīng)網(wǎng)絡合理的隱含層神經(jīng)元節(jié)點數(shù)量，對圖1所示汽油調(diào)合神經(jīng)網(wǎng)絡模型拓撲結構進行了簡化，制定了圖2所示辛烷值預測神經(jīng)網(wǎng)絡。

圖2 辛烷值預測神經(jīng)網(wǎng)絡模型拓撲結構

與圖1所示汽油調(diào)合神經(jīng)網(wǎng)絡不同的是，圖2所示辛烷值預測神經(jīng)網(wǎng)絡僅有一個輸出參數(shù)，即不同配方調(diào)合的汽油的辛烷值。

以該煉油企業(yè)的109組生產(chǎn)數(shù)據(jù)為基礎，編制了相應程序，希望通過試湊的方法，即先設置較低的隱含層神經(jīng)元節(jié)點數(shù)量來訓練網(wǎng)絡，然后逐漸增加隱含層神經(jīng)元節(jié)點數(shù)量，并同樣采用這109組生產(chǎn)數(shù)據(jù)訓練網(wǎng)絡，從中確定預測誤差最小時對應的隱含層神經(jīng)元節(jié)點數(shù)量。圖3為不同隱含層神經(jīng)元節(jié)點數(shù)量所對應的網(wǎng)絡預測復相關系數(shù)及其隨隱含層神經(jīng)元節(jié)點數(shù)量的變化趨勢。

由圖3可以看出：當隱含層神經(jīng)元節(jié)點數(shù)量較少（為5）時，預測復相關系數(shù)較低，僅為0.985 63；隨著隱含層神經(jīng)元節(jié)點數(shù)量逐漸增加，預測復相關系數(shù)呈先增加后降低的變化趨勢，當隱含層神經(jīng)元節(jié)點數(shù)量為15時，預測復相關系數(shù)達到最大值，為0.998 11。這表明對該煉油企業(yè)汽油調(diào)合模型來說，神經(jīng)網(wǎng)絡預測精度并不是隱含層神經(jīng)元節(jié)點數(shù)量越多越好，而是有一個合適的范圍，在15左右較合適?？紤]到辛烷值預測模型的輸出參數(shù)只有1個，而本課題所研究的汽油調(diào)合神經(jīng)網(wǎng)絡模型輸出參數(shù)為6個，比上述模型的輸出參數(shù)多，預測難度也大，因此隱含層神經(jīng)元節(jié)點數(shù)量稍多一些可能更為合適。最后確定該企業(yè)汽油調(diào)合神經(jīng)網(wǎng)絡模型隱含層神經(jīng)元節(jié)點數(shù)量為20個。

圖3 復相關系數(shù)隨隱含層神經(jīng)元節(jié)點數(shù)量變化趨勢

2 模型的訓練與應用

2.1 訓練與應用情況

為了對所建立的神經(jīng)網(wǎng)絡模型進行學習訓練，從該煉油企業(yè)采集了50組生產(chǎn)數(shù)據(jù)作為學習訓練數(shù)據(jù)。這些數(shù)據(jù)包括不同汽油組分的產(chǎn)量、辛烷值、烯烴含量、芳烴含量以及實際生產(chǎn)中最優(yōu)化的調(diào)合方案等。經(jīng)過50組生產(chǎn)數(shù)據(jù)的學習訓練后，不同神經(jīng)元的閾值以及神經(jīng)元之間的連接權值得到了優(yōu)化調(diào)整，生成了擬合度高，預測誤差小，輸出最優(yōu)汽油調(diào)合方案與實際生產(chǎn)中得到的最優(yōu)調(diào)合方案相符的神經(jīng)網(wǎng)絡。

為檢驗所建立神經(jīng)網(wǎng)絡的使用性能，對模型進行了測試。為使測試更加接近工藝生產(chǎn)的實際情況，測試時沒有采用學習訓練時采集的數(shù)據(jù)，而是另外采集了25組生產(chǎn)數(shù)據(jù)。神經(jīng)網(wǎng)絡模型輸出的調(diào)合汽油辛烷值及實際測得的調(diào)合汽油辛烷值對比情況如圖4和圖5所示。神經(jīng)網(wǎng)絡模型輸出了調(diào)合汽油的最佳配方，即詳細的催化裂化汽油用量、重整汽油用量、烷基化油用量以及MTBE用量，圖6～圖9為神經(jīng)網(wǎng)絡模型輸出的調(diào)合汽油組成數(shù)據(jù)與實際生產(chǎn)數(shù)據(jù)的對比情況。

圖4 93號汽油辛烷值

圖5 90號汽油辛烷值

圖6 93號汽油中催化裂化汽油用量

從圖4～圖9可以看出：采用神經(jīng)網(wǎng)絡模型得到的調(diào)合方案與實際優(yōu)化后的數(shù)據(jù)接近；所預測的93號汽油的辛烷值、90號汽油的辛烷值均與實際生產(chǎn)數(shù)據(jù)接近。說明構建的BP型汽油調(diào)合神經(jīng)網(wǎng)絡模型能較好地模擬生產(chǎn)實際情況，對辛烷值的預測精度、輸出的優(yōu)化調(diào)合方案均能滿足生產(chǎn)要求。

2.2 模型存在的問題

在模型的數(shù)據(jù)訓練、驗證過程中，發(fā)現(xiàn)該調(diào)合模型也存在若干問題。

圖7 93號汽油中重整汽油用量

圖8 93號汽油中烷基化汽油用量

圖9 93號汽油中MTBE用量

2.2.1 訓練樣本的輸入順序對結果有一定的影響 在對調(diào)合模型的訓練算法中采用了即時調(diào)整神經(jīng)元連接權值的方法，即每輸入一個學習樣本后，根據(jù)其誤差立即調(diào)整各神經(jīng)元節(jié)點的連接權值。這種方法具有存儲空間小、訓練速率快等優(yōu)點，但也存在著誤差收斂條件難以滿足等問題。在采用大量數(shù)據(jù)訓練過程中，神經(jīng)元節(jié)點的連接權值容易受后來輸入數(shù)據(jù)的影響，某些順序下，該網(wǎng)絡模型誤差較大，無法得出有效解。經(jīng)過大量的分析研究，認為這一缺陷可以采用批處理學習的方法來消除。方法是將一個訓練周期的全部樣本一次性輸入神經(jīng)網(wǎng)絡，以總的平均誤差為學習目標函數(shù)來修正神經(jīng)元節(jié)點的連接權值。改進后的模型可以較好地避免樣本輸入順序造成的影響，但收斂速率稍有降低。

2.2.2 與實際相比，模型優(yōu)化結果有一定的誤差 實際驗證過程中部分結果與實際生產(chǎn)的誤差較大，這是建模過程的簡化處理所致：①忽略了辛烷值的配伍性。模型假定烷基化汽油、MTBE組分的辛烷值基本不變，實際上這些參數(shù)相互間存在配伍性，各組分辛烷值在配比不同時會略有變化，這種簡化導致了神經(jīng)網(wǎng)絡模型的預測誤差增加。②忽略了其它制約因素的影響。在實際汽油調(diào)合過程中，硫含量、烯烴含量、氧含量等因素也會制約總的調(diào)合方案，而建模過程中對上述因素進行了簡化，這些也對模型預測結果造成影響。

雖然存在上述問題，但研究結果表明BP神經(jīng)網(wǎng)絡可以適用于清潔汽油生產(chǎn)的調(diào)合優(yōu)化過程。如果進一步完善模型，考慮配伍性及其它制約因素，可以采用更大規(guī)模的神經(jīng)網(wǎng)絡，用更多的輸入?yún)?shù)、更多的隱含層、更多的神經(jīng)元節(jié)點，同時采用更多的訓練數(shù)據(jù)，理論上可以減小上述誤差。

3 結 論

（1）采用BP型神經(jīng)網(wǎng)絡建立汽油調(diào)合優(yōu)化模型具有可行性，預測精度較高，工程適應性較好。實際應用結果表明，構建的BP調(diào)合網(wǎng)絡模型可以提供滿足生產(chǎn)要求的優(yōu)化調(diào)合方案，對非線性參數(shù)預測誤差小，對汽油調(diào)合過程具有較好的優(yōu)化指導作用，具有一定的工業(yè)實用性。

（2）基于神經(jīng)網(wǎng)絡技術開發(fā)的汽油調(diào)合優(yōu)化模型的適應性強，不需要建立調(diào)合機理模型，可以適合不同的煉油企業(yè)，具有較好的工業(yè)適應性。

（3）通過增加輸入?yún)?shù)、增加隱含層的節(jié)點數(shù)量、改進樣本的訓練算法、采用較快計算能力的硬件系統(tǒng)，建立的神經(jīng)網(wǎng)絡模型可以進一步減少誤差，輸出更高精度的優(yōu)化方案。

［1］Zahed A H，Mulla S A，Bashir M D.Predict octane number for gasoline blends［J］.Hydrocarbon Processing，1993（5）：85－87

［2］薛美盛，李祖奎，吳剛，等.成品油調(diào)合調(diào)度優(yōu)化模型及其應用［J］.石油煉制與化工，2005，36（3）：64－68

［3］王繼東，王萬良.基于遺傳算法的汽油調(diào)合生產(chǎn)優(yōu)化研究［J］.化工自動化及儀表，2005，32（1）：6－9

［4］李為民，徐明春，許志偉.基于紅外光譜——神經(jīng)網(wǎng)絡預測汽油辛烷值［J］.煉油技術與工程，2005，35（12）：45－47

［5］秦秀娟，陳宗海.汽油辛烷值神經(jīng)網(wǎng)絡預測模型的設計［J］.控制與決策，1999，14（2）：151－155

［6］鄭培，黎建強.基于BP神經(jīng)網(wǎng)絡的供應鏈績效評價方法［J］.運籌與管理，2010，19（2）：26－32

［7］胡明霞.基于BP神經(jīng)網(wǎng)絡的入侵檢測算法［J］.計算機工程，2012，38（6）：148－150

［8］黎小輝，朱建華，武本成，等.基于BP神經(jīng)網(wǎng)絡的液化石油氣芳構化反應體系的預測模型［J］.化學工業(yè)與工程，2012，29（1）：39－42

［9］韓力群.人工神經(jīng)網(wǎng)絡理論、設計及應用［M］.北京：化學工業(yè)出版社，2002：17－60

［10］朱雙東.神經(jīng)網(wǎng)絡應用基礎［M］.沈陽：東北大學出版社，2000：55－75