程明，張湜，李宗雯

（南京工業(yè)大學(xué) 自動(dòng)化與電氣工程學(xué)院，南京211816）

芳潛含量即芳烴的潛含量，是指石腦油中C6～C10環(huán)烷烴含量與C6～C10芳烴含量之和。由于催化重整的反應(yīng)機(jī)理為碳原子數(shù)不變的反應(yīng)，即C6環(huán)烷烴轉(zhuǎn)化為C6芳烴（苯），C7環(huán)烷烴轉(zhuǎn)化為C7芳烴（甲苯），依次類推，而C7芳烴、C9芳烴和C10芳烴經(jīng)過歧化單元進(jìn)行歧化反應(yīng)轉(zhuǎn)化為高附加值的C8芳烴（即混合二甲苯）和苯產(chǎn)品，故石腦油的芳潛含量的高低，直接決定著C8芳烴產(chǎn)量的高低，從而決定了裝置的經(jīng)濟(jì)效益。

芳潛含量作為重石腦油重要的品質(zhì)參數(shù)，在生產(chǎn)過程中需要檢測(cè)相關(guān)成分的含量來計(jì)算得到，而各成分的檢測(cè)較難實(shí)現(xiàn)，因此筆者基于軟測(cè)量技術(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)建立芳潛含量值的預(yù)測(cè)模型，通過對(duì)重石腦油生產(chǎn)過程的分析，找出影響芳潛含量的間接因素，不但解決了芳潛含量的檢測(cè)問題，還提供了芳潛含量預(yù)測(cè)的方法。

本文基于某石化公司的芳烴加氫裂化裝置，采用聯(lián)合加氫裂化法，以直餾減壓柴油、輕柴油和重柴油的混合油為原料進(jìn)行加氫裂化。

式中：Mi——環(huán)烷烴i的分子量；wNi——環(huán)烷烴i的質(zhì)量分?jǐn)?shù)；wAi——芳烴i的質(zhì)量分?jǐn)?shù)；wN＋w2A——芳潛質(zhì)量分?jǐn)?shù)，wN代表環(huán)烷烴的質(zhì)量分?jǐn)?shù)，wA代表芳烴的質(zhì)量分?jǐn)?shù)。

1 軟測(cè)量技術(shù)

軟測(cè)量建模的實(shí)現(xiàn)過程包括輔助變量的選擇、數(shù)據(jù)的采集及預(yù)處理、軟測(cè)量模型的建立、軟測(cè)量模型的在線校正。輔助變量的選擇應(yīng)根據(jù)較易測(cè)量且與主導(dǎo)變量有著密切的關(guān)系，且輔助變量的變化能夠引起主導(dǎo)變量改變的原則進(jìn)行選擇。數(shù)學(xué)表達(dá)公式如下所示［1］：

式中：Y——芳潛含量值；ρ——石油密度；Tn——重石腦油在不同的餾出體積分?jǐn)?shù)下干點(diǎn)的餾程值。

數(shù)據(jù)的來源為某石化公司2007～2011年的記錄數(shù)據(jù)，為使數(shù)據(jù)具有代表性，選擇了不同季節(jié)中的130組數(shù)據(jù)，表1為在進(jìn)行恩式蒸餾試驗(yàn)過程中，重石腦油在不同的餾出體積分?jǐn)?shù)下的溫度。

表1 神經(jīng)網(wǎng)絡(luò)的樣本數(shù)據(jù)

數(shù)據(jù)的預(yù)處理通常包括三個(gè)方面：

1）異常數(shù)據(jù)的剔除。通常可以通過技術(shù)判別法和統(tǒng)計(jì)判別法來判斷數(shù)據(jù)是否異常［2］。首先將采集的全體數(shù)據(jù)進(jìn)行運(yùn)算，得出全部數(shù)據(jù)的均值S和方差σ2，計(jì)算各點(diǎn)的偏離率P：

當(dāng)P（i）＞1.1時(shí)判斷該點(diǎn)為異常點(diǎn)，需要剔除；當(dāng)P（i）＜1.1時(shí)說明該點(diǎn)是正常點(diǎn)。當(dāng)剔除采集數(shù)據(jù)中的異常點(diǎn)后，即可建立樣本數(shù)據(jù)。

2）數(shù)據(jù)的平滑處理。采用數(shù)字濾波的方法將樣本數(shù)據(jù)中的噪聲信號(hào)除去。

3）數(shù)據(jù)的歸一化處理。因?yàn)樵瓟?shù)據(jù)的幅值大小及單位不一，導(dǎo)致計(jì)量數(shù)據(jù)間存在較大差異性，因而要預(yù)先對(duì)數(shù)據(jù)樣本進(jìn)行歸一化處理，歸一化公式：

式中：Xmax，Xmin——該組數(shù)據(jù)中的最大值、最小值；Y（i）——對(duì)應(yīng)的X（i）經(jīng)歸一化后的值。

在該文中，考慮到研究對(duì)象化工反應(yīng)過程的復(fù)雜性和非線性，筆者將結(jié)合人工神經(jīng)網(wǎng)絡(luò)來建立相應(yīng)的軟測(cè)量模型。由于過程的時(shí)變性，在模型建立好之后須對(duì)模型進(jìn)行在線校正。

2 神經(jīng)網(wǎng)絡(luò)建模預(yù)測(cè)

徑向基函數(shù)網(wǎng)絡(luò)RBF（Radial Basis Function）的函數(shù)逼近能力、模式識(shí)別與分類能力都優(yōu)于全局逼近的網(wǎng)絡(luò)［3］。神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練樣本的數(shù)量和質(zhì)量、學(xué)習(xí)算法、網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和類型等的選擇，對(duì)所構(gòu)成的軟測(cè)量模型的性能都有重大影響［4］。從徑向基網(wǎng)絡(luò)的結(jié)構(gòu)上看，當(dāng)隱含層和輸出層神經(jīng)元的權(quán)值和閾值確定后，網(wǎng)絡(luò)的輸出也就確定了，所以徑向基網(wǎng)絡(luò)的學(xué)習(xí)過程就是網(wǎng)絡(luò)層權(quán)值的修正過程［5］。

Spread為徑向基函數(shù)的擴(kuò)展系數(shù)，因而合理地選擇Spread是很重要的，它的值應(yīng)盡可能得大，這樣徑向基神經(jīng)元能夠?qū)斎胂蛄克采w的區(qū)間都產(chǎn)生響應(yīng)，但是，也不用使全部的徑向基神經(jīng)元都如此大，只要有一部分的徑向基神經(jīng)元能夠?qū)斎胂蛄克采w的區(qū)域產(chǎn)生相應(yīng)就可以了。在不同Spread值下的網(wǎng)絡(luò)結(jié)構(gòu)和網(wǎng)絡(luò)預(yù)測(cè)效果見表2所列。

表2 不同Spread下的網(wǎng)絡(luò)結(jié)構(gòu)與預(yù)測(cè)效果

Spread的值越大，網(wǎng)絡(luò)的輸出效果越好，輸出曲線越光滑，但Spread值太大會(huì)使傳遞函數(shù)的作用域擴(kuò)大到全局，使RBF網(wǎng)絡(luò)失去了局部收斂的優(yōu)勢(shì)，使傳遞函數(shù)對(duì)過多的輸入產(chǎn)生響應(yīng)，造成過擬合現(xiàn)象，這樣不僅使網(wǎng)絡(luò)的精度降低，還會(huì)較大地延長網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。從表2中可以看出，當(dāng)Spread為1.0時(shí)預(yù)測(cè)均方誤差最小，此時(shí)的隱含層神經(jīng)元數(shù)為33。

Spread值不同時(shí)的預(yù)測(cè)誤差曲線如圖1所示。當(dāng)Spread為1.0時(shí)的網(wǎng)絡(luò)預(yù)測(cè)誤差最小，即網(wǎng)絡(luò)的預(yù)測(cè)效果最好，所以，根據(jù)表2和圖1的結(jié)果，在該預(yù)測(cè)模型中的Spread值取1。經(jīng)仿真，網(wǎng)絡(luò)訓(xùn)練結(jié)果如圖2所示。

圖1 Spread值不同時(shí)的預(yù)測(cè)誤差

圖2 訓(xùn)練數(shù)據(jù)仿真結(jié)果

在圖2中，T為芳潛含量的實(shí)際值；RBF為神經(jīng)網(wǎng)絡(luò)模型通過訓(xùn)練網(wǎng)絡(luò)輸入數(shù)據(jù)得到的仿真結(jié)果；Error為芳潛含量的實(shí)際值和仿真值的差值。由圖2中可以看出，T和RBF兩條線重合度較大，說明網(wǎng)絡(luò)的訓(xùn)練效果很好，且RBF網(wǎng)絡(luò)的訓(xùn)練速度較快，模型輸出和樣本的輸出數(shù)據(jù)差距很小，滿足設(shè)定的誤差要求。因此，此模型可以用來預(yù)測(cè)芳潛含量的值。利用訓(xùn)練好的模型對(duì)芳潛含量進(jìn)行預(yù)測(cè)，預(yù)測(cè)數(shù)據(jù)仿真結(jié)果如圖3所示。

圖3 預(yù)測(cè)數(shù)據(jù)仿真結(jié)果

在圖3中，Ttest為芳潛含量的實(shí)際值；RBF為預(yù)測(cè)值，根據(jù)圖3可以看出，模型的預(yù)測(cè)效果較好，能夠在指定的誤差范圍內(nèi)預(yù)測(cè)芳潛含量的值，達(dá)到了期望的預(yù)測(cè)結(jié)果。

筆者成功建立起來的模型要進(jìn)行定時(shí)校正，即在運(yùn)用一段時(shí)間后要用新的數(shù)據(jù)進(jìn)行建模，以適應(yīng)新模型在新環(huán)境下能準(zhǔn)確地預(yù)測(cè)芳潛含量。對(duì)于不同化工廠的生產(chǎn)裝置，或者同一臺(tái)設(shè)備隨著季節(jié)變化，或者設(shè)備折舊等因素，往往使影響產(chǎn)品的參數(shù)不同，不同研究人員建立的模型結(jié)構(gòu)也不同，因而合理選擇神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和神經(jīng)網(wǎng)絡(luò)算法是成功建模的關(guān)鍵。

3 線束語

運(yùn)用軟測(cè)量的原理結(jié)合神經(jīng)網(wǎng)絡(luò)方法，建立芳潛含量的模型，使得原本要通過復(fù)雜難以直接測(cè)量的組分參數(shù)，轉(zhuǎn)為測(cè)量容易獲得的輔助參數(shù)來計(jì)算芳潛含量值，并利用模型實(shí)現(xiàn)對(duì)重石腦油芳潛含量的預(yù)測(cè)。通過RBF的訓(xùn)練方法的研究可以看出，RBF網(wǎng)絡(luò)由于在結(jié)構(gòu)上具有輸出－權(quán)值線性關(guān)系，訓(xùn)練方法快而簡(jiǎn)單，是一種性能良好的網(wǎng)絡(luò)。

［1］馬文忠，郭江艷，王艷麗，等.基于BP神經(jīng)網(wǎng)絡(luò)的聯(lián)合站燃燒系統(tǒng)軟測(cè)量模型的研究［C］／／2011中國電工技術(shù)學(xué)會(huì)學(xué)術(shù)年會(huì)論文集.中國電工技術(shù)學(xué)會(huì)，2011.

［2］HE Chan， MA Changfeng.A Smoothing Self－adaptive Levenberg－marqurdt Algorithm for Solving System of Nonlinear Inequalities ［J］.Applied Mathematics and Computation，2010，21（06）：3056－3063.

［3］許東，吳錚.基于Matlab6.x的系統(tǒng)分析與設(shè)計(jì)——神經(jīng)網(wǎng)絡(luò)［M］.2版.西安：西安電子科技大學(xué)出版社，2002：24－25.

［4］王恩博，彭亦功.軟測(cè)量建模若干方法研究［C］／／中國儀器儀表學(xué)會(huì)2007學(xué)術(shù)年會(huì)智能檢測(cè)控制技術(shù)及儀表裝置發(fā)展研討會(huì)論文集.中國儀器儀表學(xué)會(huì)，2007.

［5］傅薈璇，趙紅.Matlab神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)［M］.北京：機(jī)械工業(yè)出版社，2010：103－104.

［6］劉文霞.石腦油品質(zhì)對(duì)芳烴裝置經(jīng)濟(jì)效益影響及對(duì)策［J］.當(dāng)代石油石化，2010（08）：32－34.

［7］吳春輝.浮法玻璃熱端生產(chǎn)過程控制系統(tǒng)設(shè)計(jì)及關(guān)鍵參數(shù)軟測(cè)量［D］.上海：華東理工大學(xué)，2010.

［8］SJOBERG J，LJUNG L.Overtraining，Regularization and Searching for a Minimum，with Application to Neural Network［J］.International Journal of Control，1995，62（06）：1391－1407.

［9］王愷，楊巨峰，王立，等.人工神經(jīng)網(wǎng)絡(luò)泛化問題研究綜述［J］.計(jì)算機(jī)應(yīng)用研究，2008，25（12）：3525－3533.

［10］沈雁鳴，粗汽油干點(diǎn)軟測(cè)量研究［D］.上海：華東理工大學(xué)，1998.