楊旭，汪坤，肖翔，周靖，史彬，鄢烈祥

（1武漢理工大學(xué)化學(xué)化工與生命科學(xué)學(xué)院，湖北 武漢 430070；2中國(guó)石油化工股份有限公司武漢分公司，湖北 武漢 430082）

?

基于粗糙集的智能可視化優(yōu)化方法用于加氫裂化反應(yīng)操作優(yōu)化

楊旭1，汪坤2，肖翔2，周靖1，史彬1，鄢烈祥1

（1武漢理工大學(xué)化學(xué)化工與生命科學(xué)學(xué)院，湖北 武漢 430070；2中國(guó)石油化工股份有限公司武漢分公司，湖北 武漢 430082）

摘要：加氫裂化反應(yīng)的歷史生產(chǎn)數(shù)據(jù)包含了豐富的操作規(guī)律，而目前沒(méi)有被充分挖掘和利用。針對(duì)該問(wèn)題，本文提出了基于粗糙集的智能可視化優(yōu)化方法，并應(yīng)用該方法對(duì)加氫裂化反應(yīng)的操作變量進(jìn)行了優(yōu)化。采用自適應(yīng)離散化的方法對(duì)加氫裂化反應(yīng)的生產(chǎn)操作數(shù)據(jù)進(jìn)行離散化，得到離散化的數(shù)據(jù)集。針對(duì)數(shù)據(jù)集屬性約簡(jiǎn)的N-P難題，提出了基于列隊(duì)競(jìng)爭(zhēng)算法的屬性約簡(jiǎn)計(jì)算方法。通過(guò)對(duì)加氫裂化反應(yīng)的數(shù)據(jù)集約簡(jiǎn)計(jì)算，使預(yù)設(shè)的12個(gè)操作變量約簡(jiǎn)到了8個(gè)，除去了4個(gè)冗余變量，有效降低了優(yōu)化搜索空間。在此基礎(chǔ)上，應(yīng)用智能可視化優(yōu)化方法將約簡(jiǎn)后的加氫裂化反應(yīng)數(shù)據(jù)降維映射到平面，并生成航煤收率的等值線，據(jù)此，直觀地確定出了航煤收率的優(yōu)化區(qū)域和優(yōu)化操作點(diǎn)。結(jié)果說(shuō)明，選出的優(yōu)化工況點(diǎn)與原工況航煤收率33.98%相比，能使航煤收率提高到37.58%。

關(guān)鍵詞：過(guò)程系統(tǒng)；優(yōu)化；算法；加氫裂化反應(yīng)；智能可視化優(yōu)化方法

在原油的二次加工技術(shù)中，加氫裂化技術(shù)能夠?qū)⒏鞣N重質(zhì)、劣質(zhì)原料直接轉(zhuǎn)化為市場(chǎng)急需的優(yōu)質(zhì)航空煤油、柴油、潤(rùn)滑油等，是石化工業(yè)中最重要的重油深加工工藝之一[1]。其中加氫裂化反應(yīng)過(guò)程是加氫裂化裝置的核心，許多學(xué)者對(duì)加氫裂化反應(yīng)過(guò)程進(jìn)行了優(yōu)化研究。

韓龍年等[2]綜述了減壓蠟油加氫裂化反應(yīng)動(dòng)力學(xué)模型，但這些模型要么只能粗略地預(yù)測(cè)產(chǎn)品收率，要么模型參數(shù)和進(jìn)料有關(guān)，而且需要大量詳細(xì)而充分的實(shí)驗(yàn)數(shù)據(jù)以及繁多的計(jì)算，離實(shí)際應(yīng)用仍有差距。李斌等[3]對(duì)中溫煤焦油重餾分催化加氫小試裝置通過(guò)單因素以及響應(yīng)面法分析，建立了加氫裂化率與操作條件的回歸方程，并進(jìn)行優(yōu)化求解。ZHOU 等[4]對(duì)加氫裂化反應(yīng)裝置分別建立了加氫精制以及加氫裂化反應(yīng)模型，并分別以柴油或航煤產(chǎn)量最大化為目標(biāo)，使用序列二次規(guī)劃法（SQP）和遺傳算法（GA）進(jìn)行優(yōu)化。NAVEEN[5]則對(duì)加氫裂化反應(yīng)裝置建立了Stangeland模型，并利用裝置的操作數(shù)據(jù)和遺傳算法（GA）對(duì)所建模型的參數(shù)進(jìn)行了擬合，最后對(duì)以補(bǔ)充氫氣量最小化和航煤產(chǎn)量最大化等多目標(biāo)優(yōu)化問(wèn)題進(jìn)行求解。

加氫裂化是一個(gè)復(fù)雜的反應(yīng)體系，由于其原料餾程寬、反應(yīng)耦合度高和操作條件苛刻，用一般的機(jī)理建模方法難以達(dá)到實(shí)用的效果。近十年來(lái)隨著信息技術(shù)的不斷發(fā)展，很多研究者逐漸在化工過(guò)程建模中使用數(shù)據(jù)挖掘技術(shù)，并取得了具有實(shí)用價(jià)值的豐富研究成果[6]。在加氫裂化的日常生產(chǎn)中積累了大量的歷史數(shù)據(jù)，蘊(yùn)涵了工業(yè)過(guò)程的客觀規(guī)律和操作人員的豐富經(jīng)驗(yàn)。通過(guò)對(duì)生產(chǎn)數(shù)據(jù)的挖掘，建立加氫裂化反應(yīng)過(guò)程的數(shù)據(jù)驅(qū)動(dòng)模型，是實(shí)現(xiàn)裝置操作優(yōu)化的重要方法。

本文提出基于粗糙集的智能可視化優(yōu)化方法，并將其應(yīng)用于加氫裂化反應(yīng)的操作優(yōu)化。首先基于粗糙集屬性約簡(jiǎn)的理論，提出應(yīng)用列隊(duì)競(jìng)爭(zhēng)算法求解屬性約簡(jiǎn)的N-P問(wèn)題，以除去冗余的操作變量，減少優(yōu)化搜索空間。然后，基于約簡(jiǎn)的加氫裂化反應(yīng)的操作數(shù)據(jù)，利用智能可視化優(yōu)化方法將處理后的生產(chǎn)操作數(shù)據(jù)進(jìn)行空間變換投影到平面，達(dá)到直觀確定出航煤收率的優(yōu)化區(qū)域的效果。

1 基于粗糙集的智能可視化優(yōu)化方法

加氫裂化反應(yīng)的操作變量多達(dá)數(shù)十個(gè)，但是它們對(duì)反應(yīng)產(chǎn)物收率的影響并不是同等重要的，其中冗余的操作變量的出現(xiàn)不僅對(duì)建模和優(yōu)化產(chǎn)生不利影響，而且對(duì)生產(chǎn)過(guò)程的調(diào)優(yōu)帶來(lái)干擾。屬性約簡(jiǎn)是粗糙集理論的核心內(nèi)容之一，所謂屬性約簡(jiǎn)是從數(shù)據(jù)集中選擇重要的屬性，除去不重要的或不相關(guān)的屬性。獲得屬性的最小約簡(jiǎn)已被證明是一個(gè)N-P完全問(wèn)題[7]，本文提出用列隊(duì)競(jìng)爭(zhēng)算法[8-9]來(lái)求解屬性約簡(jiǎn)問(wèn)題。

1.1 列隊(duì)競(jìng)爭(zhēng)算法應(yīng)用于粗糙集屬性約簡(jiǎn)

列隊(duì)競(jìng)爭(zhēng)算法是一種并行搜索的、多層競(jìng)爭(zhēng)的全局優(yōu)化搜索算法。在優(yōu)化搜索的過(guò)程中，同一家族內(nèi)部的生存競(jìng)爭(zhēng)和不同家族之間隊(duì)列地位的競(jìng)爭(zhēng)，使得局部搜索與全局搜索、家族之間的競(jìng)爭(zhēng)與協(xié)作達(dá)到均勻與統(tǒng)一，迅速地搜尋到全局最優(yōu)解或近似全局最優(yōu)解。列隊(duì)競(jìng)爭(zhēng)算法求解屬性約簡(jiǎn)的步驟如下。

（1）隨機(jī)產(chǎn)生n組解向量作為n個(gè)家族Xi( K )，1≤ i≤ n，K為進(jìn)化代數(shù)，初始時(shí)K =1。解向量中每個(gè)元素代表一個(gè)屬性，若取值為1，表示選擇該屬性；若取0，表示不選擇該屬性。利用可辨別下三角矩陣[10]對(duì)解向量進(jìn)行可行性檢查，確保解向量可行。

（2）計(jì)算個(gè)體的目標(biāo)函數(shù)值。其中目標(biāo)函數(shù)值定義為

目標(biāo)函數(shù)值J( Xi)定義為解向量所有元素取值之和。其中xi, j是解向量Xi的第j個(gè)元素；m是待約簡(jiǎn)的屬性的個(gè)數(shù)，也是解向量的元素的個(gè)數(shù)；M是當(dāng)解向量不符合可辨別下三角矩陣的可行性檢驗(yàn)時(shí)，對(duì)目標(biāo)函數(shù)施加的懲罰。

（3）根據(jù)目標(biāo)函數(shù)值，對(duì)n個(gè)家族按升序排列。

（4）家族根據(jù)它在隊(duì)列中的位置決定其變異次數(shù)，第一位的變異一次，往后的家族逐位增大變異次數(shù)，全部變異完后得到變異后的家族Yi( K )，1≤ i≤ n，并計(jì)算目標(biāo)函數(shù)值J( Yi)。變異的方法是在解向量中隨機(jī)地生成變異位點(diǎn)，進(jìn)行0-1變異，即原來(lái)是1的就變成0，反之，原來(lái)是0的就變?yōu)?。

（5）依次比較家族變異前后的目標(biāo)函數(shù)值，如果J[ Yi( K )]≤ J [ Xi( K )]，則Xi( K+ 1) = Yi( K )作為家族Xi( K )的子代；反之，如果J[ Yi( K )]≥ J [ Xi( K )]，則Xi( K+ 1) = Xi( K )作為家族Xi( K )的子代。

（6）終止條件判斷。如果不滿足終止條件，轉(zhuǎn)第（2）步重復(fù)；如果滿足終止條件，輸出最優(yōu)解向量作為屬性集的最小約簡(jiǎn)。

1.2 智能可視化優(yōu)化方法

智能可視化優(yōu)化方法[11-12]是由武漢理工大學(xué)鄢烈祥等提出的一種基于數(shù)據(jù)驅(qū)動(dòng)的優(yōu)化方法，它綜合智能優(yōu)化算法、可視化方法和信息技術(shù)，能將多維數(shù)據(jù)投影到二維平面上，并產(chǎn)生目標(biāo)函數(shù)的等值線，由此，可展現(xiàn)出多維數(shù)據(jù)空間的超幾何特性，在平面上直觀得到優(yōu)化區(qū)域或優(yōu)化點(diǎn)。目前該方法和軟件（IVOS）已在石化、化工、生物、材料、制藥等多個(gè)領(lǐng)域[13-16]得到成功應(yīng)用。智能可視化優(yōu)化方法的步驟如下：

（1）基于樣本數(shù)據(jù)集，建立降維映射模型；

（2）將多維空間的樣本數(shù)據(jù)降維映射到二維平面上，并生成目標(biāo)函數(shù)的等值線，揭示出數(shù)據(jù)空間的超幾何特性。

（3）由人的視覺(jué)直觀地確定出滿足一定指標(biāo)要求的優(yōu)化點(diǎn)或優(yōu)化區(qū)域；

（4）將平面上定出的優(yōu)化點(diǎn)逆映射到原始多維空間，獲得最佳工藝條件。

2 加氫裂化反應(yīng)操作優(yōu)化

2.1 屬性約簡(jiǎn)

以某煉油廠240萬(wàn)噸/年加氫裂化反應(yīng)系統(tǒng)為研究對(duì)象。以航煤收率為優(yōu)化目標(biāo)，收集了97組操作數(shù)據(jù)，表1列出了可能影響航煤收率的12個(gè)操作變量以及值域范圍。其中，R-101表示加氫精制反應(yīng)器，而R-102表示加氫裂化反應(yīng)器。

在進(jìn)行屬性約簡(jiǎn)之前，需要對(duì)操作數(shù)據(jù)作離散處理。數(shù)據(jù)離散化算法有很多，本文采取簡(jiǎn)單實(shí)用的自適應(yīng)離散化算法[17]，表2為應(yīng)用該算法得到的加氫裂化反應(yīng)操作變量量化值表。

表1 加氫裂化反應(yīng)的操作變量與值域范圍

由表2得到離散化后的數(shù)據(jù)集，然后應(yīng)用列隊(duì)競(jìng)爭(zhēng)算法對(duì)數(shù)據(jù)集進(jìn)行操作變量約簡(jiǎn)。列隊(duì)競(jìng)爭(zhēng)算法的計(jì)算參數(shù)設(shè)置為家族10個(gè)，子代1個(gè)，進(jìn)化代數(shù)為20代。圖1以操作變量個(gè)數(shù)為目標(biāo)函數(shù)，繪出了其隨進(jìn)化代數(shù)的變化曲線。從圖1中可以看出，列隊(duì)競(jìng)爭(zhēng)算法收斂速度是很快的，經(jīng)過(guò)4代就搜索到了最優(yōu)解。相應(yīng)的最優(yōu)約簡(jiǎn)為{Tr1,in，Tr1,out，Tr2,in，，F(xiàn)H2，F(xiàn)co，PH2，Rgo}，較原來(lái)操作變量減少了4個(gè)。從約簡(jiǎn)后的結(jié)果可以看出，R-101出口壓力Pr1,out和R-102出口壓力Pr2,out被除去了。雖然反應(yīng)壓力是影響加氫精制和加氫裂化反應(yīng)的主要因素之一，但從表1的變量值域范圍看出，R101和R102的出口壓力變化都不大，這可能是它們沒(méi)有被選為優(yōu)化變量的原因。對(duì)反應(yīng)影響很大的關(guān)鍵操作變量，如反應(yīng)器R101和R102的入口和出口溫度和氣油比等，都被選為優(yōu)化變量了。變量約簡(jiǎn)的結(jié)果說(shuō)明，本文方法對(duì)操作變量的約簡(jiǎn)是合理的。

圖1 目標(biāo)函數(shù)隨進(jìn)化代數(shù)的變化曲線

2.2 智能可視化優(yōu)化方法的應(yīng)用

基于上述操作變量約簡(jiǎn)后的加氫裂化反應(yīng)的樣本數(shù)據(jù)，應(yīng)用智能可視化優(yōu)化方法建立降維投影模型，得到圖2所示的擬合效果圖。從圖2中可以看出，模型擬合效果較好，能滿足操作優(yōu)化預(yù)測(cè)的要求。圖3為降維映射圖，其中z1與z2為量綱為1的投影坐標(biāo)軸，圓圈及其上面的數(shù)字分別表示樣本數(shù)據(jù)點(diǎn)和對(duì)應(yīng)的序號(hào)，而帶有數(shù)據(jù)的曲線則表示航煤收率等值線。很明顯，圖3的右上方是增大航煤收率的優(yōu)化區(qū)域，圖中標(biāo)為星號(hào)的點(diǎn)為一個(gè)優(yōu)化預(yù)測(cè)點(diǎn)，此點(diǎn)的航煤收率和相應(yīng)的優(yōu)化變量值列在表3中。

表2 加氫裂化反應(yīng)操作變量量化值表

圖2 加氫裂化反應(yīng)降維映射模型擬合圖

圖3 加氫裂化反應(yīng)降維映射圖

優(yōu)化點(diǎn)的操作變量處在表1中所示的操作變量的最大值和最小值之間，表明優(yōu)化操作點(diǎn)是可行的。為了說(shuō)明優(yōu)化效果，表3將優(yōu)化點(diǎn)與原最優(yōu)工況點(diǎn)（圖3中的34號(hào)數(shù)據(jù)點(diǎn)）進(jìn)行了比較。對(duì)比該最優(yōu)工況點(diǎn)，優(yōu)化操作點(diǎn)能將航煤收率從原來(lái)的33.98%提升到了37.58%，提高了3.6個(gè)百分點(diǎn)。分析操作變量可知，加氫精制反應(yīng)器R101出口溫度升高和氣油比的增加，有利于脫除原料油中的硫化物、氮化物、氧化物等非烴化合物，為加氫裂化反應(yīng)提供合格進(jìn)料，同時(shí)使烯烴和稠環(huán)芳烴飽和；而加氫裂化反應(yīng)器R102出口溫度降低則能控制反應(yīng)深度，防止由于溫度過(guò)高導(dǎo)致烴類分子二次裂解的增加，降低氣體及輕組分的產(chǎn)率，有利于提高航煤收率。

表3 優(yōu)化操作點(diǎn)與現(xiàn)工況點(diǎn)對(duì)比

3 結(jié) 論

本文利用粗糙集理論對(duì)加氫裂化反應(yīng)過(guò)程的生產(chǎn)數(shù)據(jù)進(jìn)行約簡(jiǎn)，減少了冗余的操作變量。從生產(chǎn)數(shù)據(jù)集出發(fā)，提出了一種基于列隊(duì)競(jìng)爭(zhēng)算法的粗糙集屬性約簡(jiǎn)方法，并將其應(yīng)用于加氫裂化反應(yīng)的變量約簡(jiǎn)，使預(yù)設(shè)的12個(gè)變量約簡(jiǎn)到了8個(gè)，除去了4個(gè)冗余變量，計(jì)算結(jié)果表明該方法是有效的。應(yīng)用智能可視化優(yōu)化方法將約簡(jiǎn)的加氫裂化反應(yīng)數(shù)據(jù)降維映射到平面，確定了航煤收率的優(yōu)化區(qū)域和優(yōu)化點(diǎn)。與原工況航煤收率33.98%相比，優(yōu)化后航煤收率提高到了37.58%。

參 考 文 獻(xiàn)

[1] 杜艷澤，張曉萍，關(guān)明華，等.國(guó)內(nèi)餾分油加氫裂化技術(shù)應(yīng)用現(xiàn)狀和發(fā)展趨勢(shì)[J].化工進(jìn)展，2013，32（10）：2523-2528.

[2] 韓龍年，方向晨，彭沖，等.減壓蠟油加氫裂化反應(yīng)動(dòng)力學(xué)模型研究進(jìn)展[J].化工進(jìn)展，2012，31（11）：2435-2441.

[3] 李斌，李冬，李穩(wěn)宏，等.中溫煤焦油重餾分加氫裂化的工藝條件優(yōu)化[J].化工進(jìn)展，2012，31（5）：1023-1027.

[4] ZHOU H，LU J，CAO Z，et al. Modeling and optimization of an industrial hydrocracking unit to improve the yield of diesel or kerosene[J]. Fuel，2011，90（12）：3521-3530.

[5] NAVEEN B. Modeling，simulation，and multi-objective optimization of an industrial hydrocracking unit[J].Ind. Eng. Chem. Res.，2006，45（4）：1354-1372.

[6] 夏陸岳，潘海天，蔡亦軍，等.化工過(guò)程建模中的數(shù)據(jù)挖掘技術(shù)[J].化工進(jìn)展，2003，22（5）：516-519.

[7] 楊傳健，葛浩，汪志圣. 基于粗糙集的屬性約簡(jiǎn)方法研究綜述[J].計(jì)算機(jī)應(yīng)用研究，2012，29（1）：16-20.

[8] YAN L X. Solving combinatorial optimization problems with line-up competition algorithm[J]. Computers & Chemical Engineering，2003，27（2）：251-258.

[9] YAN L X，SHEN K，HU S H. Solving mixed integer nonlinear programming problems with line-up competition algorithm[J]. Computers & Chemical Engineering，2004，28（12）：2647-2657.

[10] 王文輝，周東華. 基于遺傳算法的一種粗糙集知識(shí)約簡(jiǎn)算法[J]. 系統(tǒng)仿真學(xué)報(bào)，2001，13（8）：91-93.

[11] 鄢烈祥，華麗. 工業(yè)過(guò)程操作優(yōu)化可視化方法：降維分析法[J]. 武漢理工大學(xué)學(xué)報(bào)，2002，24（7）：79-83.

[12] YAN L X，BOGLE I D L. A visualization method for operating optimization[J]. Computers & Chemical Engineering，2007，31（7）：808-814.

[13] LIU X，JI X J，ZHANG H M，et al. Development of a defined medium for arachidonic acid production by mortierella alpina using a visualization method[J]. Applied Biochemistry and Biotechnology，2011，168（6）：1516-1527.

[14] ZHANG G X，SHE Y，YOU Y Q，et al. The application of an advanced visualized method in synthesis process optimization of carboxymethyl hydroxyethyl starch[J]. Carbohydrate Polymers，2010，79（3）：673-676.

[15] 肖翔，熊佐松，劉海燕，等. 智能可視化優(yōu)化技術(shù)用于常壓塔多目標(biāo)操作優(yōu)化[J]. 煉油技術(shù)與工程，2015（4）：8-10.

[16] 智能可視化技術(shù)優(yōu)化軟件（IVOS）[CP]. 軟件著作權(quán)登記號(hào)：2011SR013087.

[17] 谷曉博. 粗糙集知識(shí)建模方法及其在甲醇合成過(guò)程中的應(yīng)用[D].上海：華東理工大學(xué)，2012.

研究開發(fā)

Operation optimization of hydrocracking reaction process based on rough set and intelligent visualization optimization method

YANG Xu1，WANG Kun2，XIAO Xiang2，ZHOU Jing1，SHI Bin1，YAN Liexiang1
（1School of Chemistry，Chemical Engineering and Life Sciences，Wuhan University of Technology，Wuhan 430070，Hubei，China；2SINOPEC Wuhan Company，Wuhan 430082，Hubei，China）

Abstract：The historical production data in hydrocracking contains rich operational knowledge，which is not fully mined and exploited. To solve the problem，a novel method is proposed for solving the operation optimization in hydrocracking by intelligent visualization optimization method based on rough set. The continuous operation variables in the production data from practical industrial case are discretized by adaptive discretization. Because reduction of condition attributes is an N-P hard problem，thus heuristic method based on line-up competition algorithm is proposed to carry out the reduction. Results show that the proposed heuristic method can reserve the key operation variable and reduce the redundant ones efficiently，and 4 of 12 variables are reduced in hydrocracking reaction data. On the basis of the reduction，the processed data are mapped onto the plane by intelligent visualization optimization method，thus contours are created. The optimizing region and optimal operating point of the yield of aviation kerosene can be seen intuitively. Optimization result shows that the yield of aviation kerosene is promoted from previous 33.98% to 37.58% within the constraints.

Key words：systems engineering；optimization；algorithm；hydrocracking；intelligent visualization optimization method

基金項(xiàng)目：國(guó)家自然科學(xué)基金（21376185）及國(guó)家高技術(shù)研究發(fā)展計(jì)劃（2011AA02A206）項(xiàng)目。

收稿日期：2015-09-09；修改稿日期：2015-10-08。

DOI：10.16085/j.issn.1000-6613.2016.03.011

中圖分類號(hào)：TQ 021.8

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1000–6613（2016）03–0722–05

第一作者：楊旭（1990—），男，碩士研究生。聯(lián)系人：鄢烈祥，教授，博士生導(dǎo)師。E-mail hgxtgc@163.com。