張忠洋，李澤欽，李宇龍，李國慶

（1.中國石油撫順石化分公司，遼寧 撫順113008；2.華南理工大學(xué)強化傳熱與過程節(jié)能教育部重點實驗室；3.中國石油規(guī)劃總院）

催化裂化是石油二次加工工藝。據(jù)統(tǒng)計，2012年世界催化裂化加工量約占原油加工總量的16.4%［1］，在我國則高達30.68%［2］。催化裂化是在高溫和催化劑的作用下，將蠟油和重油轉(zhuǎn)化為液化氣、汽油和柴油。由于高度受制于原料、工藝、設(shè)備條件、產(chǎn)品方案、催化劑特性等，其過程具有極強的非線性和耦合性，迄今尚沒有準確的機理模型可以描述［3］。因此，探求機理建模以外的方法，已成為一種新的努力方向。人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種應(yīng)用類似于大腦神經(jīng)突觸聯(lián)接結(jié)構(gòu)進行信息處理的數(shù)學(xué)模型，因其較強的自學(xué)習(xí)及自適應(yīng)能力和非線性預(yù)測能力，近年來受到廣泛關(guān)注［4－6］。其中，BP 神經(jīng)網(wǎng) 絡(luò)［7］（按誤差 逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋型神經(jīng)網(wǎng)絡(luò)）由于能借助樣本數(shù)據(jù)實現(xiàn)Rn空間到Rm空間的高度非線性映射，且效果可以用足夠的訓(xùn)練樣保證［8］，故應(yīng)用最廣。但它也有缺陷，主要是開始訓(xùn)練樣本時，權(quán)值初值和閾值初值是隨機生成的，其不確定性會影響模型的映射效果，即預(yù)測精度［9］。而遺傳算法（GA）卻具有全局尋優(yōu)能力強的特點，如果能將經(jīng)GA尋得的最優(yōu)權(quán)值初值和最優(yōu)閾值初值賦予BP并開始樣本訓(xùn)練，則可改善BP模型。本研究采用通過GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值的方法，建立一個改善汽油產(chǎn)率預(yù)測精度的模型，以某煉油廠2.8Mt/a MIP裝置反應(yīng)－再生系統(tǒng)為研究對象，對催化裂化汽油產(chǎn)率進行預(yù)測，并與未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比。

1 MIP工藝簡述［10－15］

目前國內(nèi)煉油裝置最常用的催化裂化工藝是中國石化石油化工科學(xué)研究院開發(fā)的MIP工藝。MIP工藝是一種以多產(chǎn)異構(gòu)烷烴和芳烴為目的的催化裂化新工藝，它將反應(yīng)過程分為兩個區(qū)，以烯烴為結(jié)合點，生成烯烴的反應(yīng)為第一反應(yīng)區(qū)，烯烴轉(zhuǎn)化反應(yīng)為第二反應(yīng)區(qū)。第一反應(yīng)區(qū)的操作方式類似常規(guī)催化裂化方式，即高溫、短接觸時間和高劑油比。該區(qū)的反應(yīng)苛刻度應(yīng)高于目前催化裂化的反應(yīng)苛刻度，這樣可以達到在短時間內(nèi)將較重的原料油裂化生成烯烴，并且可以保留更多的較大分子烯烴。同時高反應(yīng)苛刻度可以減少汽油組成中的低辛烷值組分（正構(gòu)烷烴和環(huán)烷烴），對提高汽油的辛烷值非常有利。

由于烯烴生成異構(gòu)烷烴既有平行反應(yīng)又有串聯(lián)反應(yīng)，且反應(yīng)溫度低對異構(gòu)烷烴的生成有利，故在第二反應(yīng)區(qū)內(nèi)采取不同于常規(guī)催化裂化的操作方式。在第一反應(yīng)區(qū)末端通入冷卻介質(zhì)，降低第二反應(yīng)區(qū)的反應(yīng)溫度；增大第二反應(yīng)區(qū)的截面積，延長油氣和催化劑的停留時間，促進大分子烯烴氫轉(zhuǎn)移反應(yīng)和異構(gòu)化反應(yīng)的發(fā)生，使汽油中的烯烴含量降低，異構(gòu)烷烴和芳烴含量增加，達到多產(chǎn)異構(gòu)烷烴和芳烴的目的。MIP兩段反應(yīng)新型提升管技術(shù)突破了現(xiàn)有催化裂化工藝對氫轉(zhuǎn)移反應(yīng)的限制，實現(xiàn)了烯烴的裂化反應(yīng)、氫轉(zhuǎn)移反應(yīng)和異構(gòu)化反應(yīng)的可控性和選擇性，達到了降低汽油烯烴含量的目的。

2 建立BP神經(jīng)網(wǎng)絡(luò)

2.1 獲取和歸一化數(shù)據(jù)

以某煉油廠2.8Mt/a MIP裝置反應(yīng)－再生系統(tǒng)為研究對象。通過對現(xiàn)場數(shù)據(jù)進行靈敏度分析，決定選取第一反應(yīng)區(qū)溫度（Tr1）、第二反應(yīng)區(qū)溫度（Tr2）、第一再生器溫度（Trg1）、第二再生器溫度（Trg2）、反應(yīng)器壓力（Pr）、再生器壓力（Prg）為變量，考察它們對汽油產(chǎn)率（C）的影響。采集了360組反應(yīng)－再生系統(tǒng)的現(xiàn)場數(shù)據(jù)，部分數(shù)據(jù)見表1。

表1 現(xiàn)場采集的部分反應(yīng)－再生系統(tǒng)數(shù)據(jù)

由于神經(jīng)網(wǎng)絡(luò)的輸入和輸出通常具有不同的物理意義和量綱，因此需要對數(shù)據(jù)進行歸一化處理，使所有量都在［—1，1］之間，以防止小數(shù)值被大數(shù)值淹沒而影響網(wǎng)絡(luò)的矯正。歸一化過程使用式（1）表示［16］。

式中：x為實際輸入值；xnorm為歸一化后的值；xmin為實際輸入值中的最小值；xmax為實際輸入值中的最大值。

歸一化后的部分反應(yīng)－再生系統(tǒng)數(shù)據(jù)見表2。取360組數(shù)據(jù)中的任意300組作為訓(xùn)練數(shù)據(jù)，剩余的60組作為預(yù)測數(shù)據(jù)。

表2 歸一化后的部分反應(yīng)－再生系統(tǒng)數(shù)據(jù)

2.2 確定輸入層和輸出層

歸一化后，將Tr1，Tr2，Trg1，Trg2，Pr，Prg作為BP神經(jīng)網(wǎng)絡(luò)的輸入變量，C作為每組輸入變量所對應(yīng)的輸出變量。

2.3 選擇轉(zhuǎn)移函數(shù)

轉(zhuǎn)移函數(shù)用于對求和單元的計算結(jié)果進行函數(shù)運算，進而得到神經(jīng)元輸出。模型用sigmoid函數(shù)（用tansig表示）作為轉(zhuǎn)移函數(shù)，它可以將神經(jīng)元的輸入范圍從（—∞，＋∞）映射到（—1，1）；用選擇線性作用函數(shù)（用lin表示）作為輸出層神經(jīng)元的作用函數(shù)，它可以處理和逼近輸入與輸出的非線性關(guān)系。

2.4 選擇隱層節(jié)點數(shù)

隱層節(jié)點數(shù)（H）用式（2）計算［3］。

式中：m為輸入變量個數(shù)；n為輸出變量個數(shù)；L是1～10之間的常數(shù)。輸出端以汽油產(chǎn)率作為輸出變量，故為1。

采用3層網(wǎng)絡(luò)結(jié)構(gòu)，即一個包含6個節(jié)點的輸入層，一個隱層和一個包含1個節(jié)點的輸出層。由式（2）可知，隱層節(jié)點數(shù)在［3，13］之間。選擇不同的隱層節(jié)點將所選擇的訓(xùn)練數(shù)據(jù)導(dǎo)入建立起來的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，分別使用不同的隱含層節(jié)點來訓(xùn)練模型，隨后檢驗?zāi)Ｐ?，并比較每次獲得的均方誤差，找出最佳隱層節(jié)點數(shù)，如圖1所示。

按照此方法，最終確定隱層節(jié)點數(shù)為11。于是，搭建6－11－1的BP神經(jīng)網(wǎng)絡(luò)，如圖2所示。圖中，W1代表輸入變量與隱層節(jié)點之間的連接權(quán)值，W2代表隱層節(jié)點與輸出變量之間的連接權(quán)值。

圖1 隱層節(jié)點與均方誤差的關(guān)系

圖2 6－11－1BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

優(yōu)化前的BP網(wǎng)絡(luò)權(quán)值W’1、W’2和閾值B’1、B’2如下：

3 GA輔助的BP神經(jīng)網(wǎng)絡(luò)

由于BP算法本身不具備全局搜索能力，且在開始訓(xùn)練時，其權(quán)值和閾值的初值是隨機生成的，會影響模型精度。本研究采用遺傳算法幫助選取優(yōu)化的BP權(quán)值初值和閾值初值［17］。GA優(yōu)化將涉及初始化種群、構(gòu)造適應(yīng)度函數(shù)、選擇、交叉和變異操作等問題。

3.1 種群初始化

本研究不采取二進制編碼，而使用實數(shù)編碼作為個體編碼，原因是二進制編碼冗長，尤其當(dāng)決策變量較多而精度要求較高時，它不能有效擴展搜索空間，只能在初始區(qū)間內(nèi)取值。由于種群中每個個體包含了輸入層與隱層之間的連接權(quán)值、隱層的閾值、隱層與輸出層之間的連接權(quán)值、輸出層的閾值這4個數(shù)值，故種群中的每個個體都包含了整個神經(jīng)網(wǎng)絡(luò)的全部信息。采用50個初始種群，迭代次數(shù)取500，采用不同于傳統(tǒng)GA的實數(shù)編碼，以網(wǎng)絡(luò)的各個權(quán)值和閥值作為基因。由于輸入層含有6個節(jié)點，隱層含11個節(jié)點，輸出層含有1個節(jié)點，故總共含有77個權(quán)值，而閾值個數(shù)則為12，個體編碼長度為89。

3.2 個體適應(yīng)度評價

依據(jù)個體所得到的權(quán)值和閾值對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)，產(chǎn)生神經(jīng)網(wǎng)絡(luò)預(yù)測值，將預(yù)測值與期望輸出值（汽油實際收率）的均方誤差的倒數(shù)作為個體適應(yīng)度，計算式如式（3）所示。

式中：Fi為第i個個體的適應(yīng)度；yi為神經(jīng)網(wǎng)絡(luò)預(yù)測值；yo為期望輸出值；N為訓(xùn)練個數(shù)。

3.3 操作選擇

用輪盤賭法選擇個體，它是基于適應(yīng)度比例選擇的。

式中：k為系數(shù)；fi為基于適應(yīng)度比例選擇策略下的適應(yīng)度值；Pi為基于適應(yīng)度比例選擇策略下每個個體的選擇概率。

3.4 交叉操作

交叉是產(chǎn)生新個體的主要手段。但是隨機選擇個體交叉操作，可能導(dǎo)致有效基因缺失，從而延長搜索最優(yōu)解的時間［18］。通常，交叉概率取值范圍在0.6～0.9之間，本研究取0.6。

3.5 變異操作

在遺傳算法中引入變異算子，可以提供初始種群不含的基因，或找回選擇過程中丟失的基因，為種群提供新的內(nèi)容［18］。變異概率通常取較小的數(shù) 值，一 般 在 0.001～0.100 之 間，本 研 究取0.008。

4 結(jié)果與討論

遺傳算法尋優(yōu)曲線見圖3。由圖3可見，遺傳代數(shù)在250代左右時平均適應(yīng)度與最優(yōu)適應(yīng)度之間的曲線基本重合，說明此時已找到最優(yōu)適應(yīng)度。

圖3 遺傳算法尋優(yōu)曲線

經(jīng)GA處理后的BP神經(jīng)網(wǎng)絡(luò)的最佳權(quán)值W1、W2和最佳閾值B1、B2分別如下：

從上面獲得的W1，W2，B1，B2可以看出，相比于未優(yōu)化前的權(quán)值和閾值，優(yōu)化后的權(quán)值和閾值之間的數(shù)量級更為接近。將權(quán)值W1、W2和閾值B1、B2賦予新的神經(jīng)網(wǎng)絡(luò)中，經(jīng)GA處理的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率的對比見圖4。從圖4可以看出，經(jīng)過GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)，由于具有了最優(yōu)的權(quán)值和閾值，它對應(yīng)的預(yù)測汽油產(chǎn)率與實際汽油產(chǎn)率總體上接近，汽油產(chǎn)率預(yù)測值的點所構(gòu)成的分布曲線與實際汽油產(chǎn)率點所構(gòu)成的分布曲線接近。

圖4 經(jīng)GA處理的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率

未經(jīng)GA處理的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率對比見圖5。從圖5可以看出，未經(jīng)過GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，由于權(quán)值和閾值初值是隨機產(chǎn)生的，BP神經(jīng)網(wǎng)絡(luò)并不具有最優(yōu)的權(quán)值和閾值，此時預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率的總體誤差比經(jīng)過GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率的誤差大，預(yù)測值的點所構(gòu)成的分布曲線與實際汽油產(chǎn)率點所構(gòu)成的分布曲線偏離比較明顯。比較圖4和圖5可以看出，經(jīng)GA處理過的BP神經(jīng)網(wǎng)絡(luò)，其輸出精度有所提高。

圖5 未經(jīng)GA處理的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率

經(jīng)過GA處理過的和未經(jīng)過GA處理的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率之間的誤差見圖6。從圖6可以看出，GA處理過的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率之間的誤差總體上在［－10，5］之間波動，波動比較平緩，而未經(jīng)過GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測的汽油產(chǎn)率與實際汽油產(chǎn)率之間的誤差總體上在［－11，13］之間波動，而且波動幅度比較大。經(jīng)計算，未經(jīng)GA優(yōu)化時預(yù)測汽油產(chǎn)率的均方誤差為5.16，而經(jīng)GA優(yōu)化后預(yù)測汽油產(chǎn)率的均方誤差為4.92。經(jīng)過GA處理后的均方誤差減小，且輸出誤差波動范圍也變小。

圖6 兩種方法預(yù)測汽油產(chǎn)率的誤差對比

5 結(jié) 論

采用經(jīng)遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對催化裂化反應(yīng)－再生系統(tǒng)汽油產(chǎn)率進行預(yù)測?？疾斓淖兞糠謩e為第一反應(yīng)區(qū)溫度、第二反應(yīng)區(qū)溫度、第一再生器溫度、第二再生器溫度、反應(yīng)器壓力和再生器壓力，建立了一個6－11－1的BP神經(jīng)網(wǎng)絡(luò)，利用GA算法的尋優(yōu)能力對該網(wǎng)絡(luò)的權(quán)值和閾值進行了訓(xùn)優(yōu)后重新賦予該BP神經(jīng)網(wǎng)絡(luò)，對60組數(shù)據(jù)進行了預(yù)測，并與未經(jīng)GA優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比，結(jié)果顯示未優(yōu)化時預(yù)測數(shù)據(jù)的均方誤差為5.16，而經(jīng)GA優(yōu)化后預(yù)測數(shù)據(jù)的均方誤差為4.92，預(yù)測精度有所提高。

［1］徐海豐.世界煉油行業(yè)發(fā)展?fàn)顩r與趨勢［J］.國際石油經(jīng)濟，2013（1/2）：102－110

［2］金云，朱和.中國煉油工業(yè)發(fā)展現(xiàn)狀與趨勢［J］.國際石油經(jīng)濟，2013（5）：24－35

［3］Michalopoulos J，Papadokonstadakis S，Arampatzis G，et al.Modelling of an industrial fluid catalytic cracking unit using neural networks［J］.Institution of Chemical Engineers，2001，79（3）：137－143

［4］夏維力，呂曉強.基于BP神經(jīng)網(wǎng)絡(luò)的企業(yè)技術(shù)創(chuàng)新能力評價及應(yīng)用研究［J］.研究與發(fā)展管理，2005，17（1）：50－54

［5］汪旭輝，黃飛華.基于BP神經(jīng)網(wǎng)絡(luò)的教學(xué)質(zhì)量評價模型及應(yīng)用［J］.高等工程教育研究，2007（5）：78－81

［6］周黃斌，周永華，朱麗娟.基于 MATLAB的改進BP神經(jīng)網(wǎng)絡(luò)的實現(xiàn)與比較［J］.計算技術(shù)與自動化，2008，27（1）：28－31

［7］楊淑娥，黃禮.基于BP神經(jīng)網(wǎng)絡(luò)的上市公司財務(wù)預(yù)警模型［J］.系統(tǒng)工程理論與實踐，2005（1）：14－15

［8］萬百五.工業(yè)大系統(tǒng)優(yōu)化與產(chǎn)品質(zhì)量控制［M］.北京：科學(xué)出版社，2003：62－97

［9］馮少輝，周平，錢鋒.一種確定神經(jīng)網(wǎng)絡(luò)初始權(quán)值的新方法［J］.工業(yè)儀表與自動化裝置，2006（1）：65－68

［10］魏曉麗，龍軍.MIP技術(shù)反應(yīng)過程中裂化反應(yīng)鏈引發(fā)的機理研究［J］.石油煉制與化工，2005，36（5）：18－22

［11］許友好，龔劍洪，劉憲龍，等.第二反應(yīng)區(qū)在 MIP工藝過程中所起作用的研究［J］.石油煉制與化工，2006，37（12）：30－33

［12］黃汝奎，韓文棟.MIP－CGP工藝對汽油硫含量的影響［J］.石油煉制與化工，2006，37（7）：16－20

［13］許友好，龔劍洪，張久順，等.降低干氣和焦炭產(chǎn)率的MIP工藝研究［J］.石油煉制與化工，2007，38（10）：7－11

［14］楊健，謝曉東，蔡智，等.MIP－CGP技術(shù)的工業(yè)試驗［J］.石油煉制與化工，2006，37（8）：54－59

［15］李乃義.MIP工藝在催化裂化裝置上的應(yīng)用［J］.石油煉制與化工，2010，41（2）：27－29

［16］史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析［M］.北京：北京航天航空大學(xué)出版社，2010：115－116

［17］王偉，吳敏，雷琪，等.煉焦生產(chǎn)過程質(zhì)量產(chǎn)量能耗的集成優(yōu)化控制［J］.化工學(xué)報，2008，59（7）：749－754

［18］章權(quán)，周偉，溫惠英，等.經(jīng)營性高速公路停止收費后運營成本預(yù)測模型［J］.長安大學(xué)學(xué)報（自然科學(xué)版），2011，31（6）：90－93