王 晨

(中海油惠州石化有限公司，廣東 惠州 516086)

人工神經(jīng)網(wǎng)絡(luò)技術(shù)作為一種應(yīng)用類似于生物大腦神經(jīng)突觸結(jié)構(gòu)進(jìn)行信息處理的數(shù)學(xué)模型，在計(jì)算機(jī)技術(shù)、數(shù)學(xué)理論日益發(fā)展的今天，已在非線性變量預(yù)測、模式識別、聯(lián)想記憶等眾多領(lǐng)域煥發(fā)出強(qiáng)大生命力。BP神經(jīng)網(wǎng)絡(luò)由于其能借助眾多樣本數(shù)據(jù)經(jīng)過三層神經(jīng)網(wǎng)絡(luò)就可良好實(shí)現(xiàn)Rn空間到Rm空間的高度非線性映射[1-2]，已在各工程計(jì)算中獲得廣泛應(yīng)用。

加氫裂化等煉油裝置工藝變量多，機(jī)理復(fù)雜，難以建立完善數(shù)學(xué)機(jī)理模型，但得益于DCS 積累的海量運(yùn)行數(shù)據(jù)，完全可以利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)建立裝置的預(yù)測模型，實(shí)現(xiàn)裝置變量的準(zhǔn)確預(yù)測。張忠洋等[3]利用GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測了催化裂化裝置的汽油產(chǎn)率，結(jié)果表明經(jīng)過GA遺傳算法優(yōu)化的BP網(wǎng)絡(luò)的預(yù)測數(shù)據(jù)均方差為4.92。王天宇等[4]等利用BP網(wǎng)絡(luò)建立了蠟油加氫裂化反應(yīng)體系模型，用以預(yù)測產(chǎn)品分布和反應(yīng)器各段出口溫度，平均相對誤差只有0.483%。蘇鑫等[5]應(yīng)用GA-BP網(wǎng)絡(luò)預(yù)測催化裂化裝置焦炭產(chǎn)率，證明了GA-BP網(wǎng)絡(luò)預(yù)測模型的準(zhǔn)確性。本研究應(yīng)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)對中海油惠州石化有限公司(惠州石化)3.6 Mta中壓加氫裂化裝置建模，對轉(zhuǎn)化率、噴氣燃料終餾點(diǎn)、高壓換熱器壓降進(jìn)行預(yù)測，探究BP網(wǎng)絡(luò)模型在加氫裂化裝置不同應(yīng)用方面的預(yù)測效果。

1 BP神經(jīng)網(wǎng)絡(luò)的構(gòu)建與實(shí)現(xiàn)

1.1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與構(gòu)建流程

惠州石化中壓加氫裂化裝置以直餾煤油、直餾柴油和催化裂化柴油(催柴)的混合油作原料采用雙劑串聯(lián)一次通過的加氫裂化工藝流程，在中壓下生產(chǎn)優(yōu)質(zhì)輕重石腦油、噴氣燃料、柴油[6-7]。圖1是基于裝置構(gòu)建的BP網(wǎng)絡(luò)示意圖，圖2展示了BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的一般流程。裝置的輸入?yún)?shù)位于神經(jīng)網(wǎng)絡(luò)輸入層，待預(yù)測的參數(shù)位于輸出層，兩者蘊(yùn)含的對應(yīng)規(guī)律通過隱藏層的多個節(jié)點(diǎn)自動計(jì)算得出。層與層之間通過傳遞函數(shù)實(shí)現(xiàn)全連接，本研究中傳遞函數(shù)選用對數(shù)S型Sigmoid函數(shù)。

圖1 中壓加氫裂化BP網(wǎng)絡(luò)拓?fù)涫疽?/p>

圖2 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的一般流程

1.2 樣本數(shù)據(jù)的選取與預(yù)處理

能否成功構(gòu)建神經(jīng)網(wǎng)絡(luò)強(qiáng)烈依賴于BP網(wǎng)絡(luò)輸入變量的選擇，且加氫裂化裝置流程復(fù)雜，輸入變量與輸出變量的對應(yīng)關(guān)系在時間維度上存在一定的時間遲滯，故在選取BP網(wǎng)絡(luò)變量時一要準(zhǔn)確提取與輸出變量密切相關(guān)的輸入變量，防止變量選取冗余，二是要合理調(diào)整輸入、輸出變量的采集時間，最大限度還原各變量在加氫裂化流程時間維度上的對應(yīng)關(guān)系。根據(jù)以上原則對裝置2017年度的數(shù)據(jù)進(jìn)行采集，列于表1～表3。其中，中壓加氫裂化第一反應(yīng)器(一反)為精制反應(yīng)器，第二反應(yīng)器(二反)為裂化反應(yīng)器，而裂化反應(yīng)器三床層(二反三床層)兼具裂化和后精制作用，在裝置運(yùn)行中反應(yīng)最為激烈，溫度波動最為敏感，其平均溫度可很好地表征反應(yīng)深度。裝置進(jìn)料以直餾煤油、直餾柴油餾分為主，并摻煉一定比例催柴，經(jīng)日常操作分析，裝置進(jìn)料量和催柴摻煉量顯著影響床層溫度分布和產(chǎn)品質(zhì)量，故在以上樣本數(shù)據(jù)選取中，二反三床層平均溫度、裝置進(jìn)料量、催柴摻煉量視為基本關(guān)鍵輸入變量。

表1 噴氣燃料終餾點(diǎn)預(yù)測的數(shù)據(jù)采集方案

表2 加氫裂化轉(zhuǎn)化率預(yù)測的數(shù)據(jù)采集方案

噴氣燃料終餾點(diǎn)預(yù)測中選取了進(jìn)料量、催柴摻煉量、二反三床層平均溫度、分餾塔噴氣燃料抽出量、抽出溫度5個參數(shù)作為輸入變量，共采集305組。在轉(zhuǎn)化率預(yù)測中經(jīng)過分析將輸入變量降為3個，共采集數(shù)據(jù)915組。高壓換熱器殼程壓降主要與管程入口溫度和系統(tǒng)循環(huán)氣總量關(guān)系密切，共采集數(shù)據(jù)1 729組。

樣本數(shù)據(jù)選取后，經(jīng)降噪處理剔除離群點(diǎn)，利用MATLAB將樣本數(shù)據(jù)隨機(jī)劃分訓(xùn)練組和預(yù)測組，并利用式(1)、式(2)所示的MATLAB函數(shù)進(jìn)行樣本數(shù)據(jù)歸一化和預(yù)測結(jié)果的反歸一化[8]。

歸一化函數(shù)：[I，IS]=mapminmax(input)

(1)

反歸一化函數(shù)：O=mapminmax(‘reverse’，output，OS)

(2)

式中：I為輸入變量input矩陣經(jīng)過歸一化后的矩陣；IS為存儲對歸一化過程描述的相關(guān)變量；O為輸出變量output矩陣經(jīng)過反歸一化后的矩陣；OS為存儲對反歸一化過程描述的相關(guān)變量；reverse為函數(shù)mapminmax的參數(shù)，表示反歸一化。

1.3 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)

MATLAB神經(jīng)網(wǎng)絡(luò)工具(nnTool)箱提供了豐富的神經(jīng)網(wǎng)絡(luò)函數(shù)和訓(xùn)練、評價方法[9]，本文利用MATLAB nnTool構(gòu)建BP網(wǎng)絡(luò)，迭代次數(shù)為200，學(xué)習(xí)速率為0.1，誤差目標(biāo)為0.000 04，節(jié)點(diǎn)傳遞函數(shù)為對數(shù)S型Sigmoid，訓(xùn)練函數(shù)為Trainlm，學(xué)習(xí)函數(shù)為Learndm(帶動量項(xiàng))。BP網(wǎng)絡(luò)模型的節(jié)點(diǎn)數(shù)如表4所示。其中，隱藏層節(jié)點(diǎn)數(shù)的確定由經(jīng)驗(yàn)公式(3)[10]結(jié)合試驗(yàn)法得出。

表4 MATLAB構(gòu)建BP網(wǎng)絡(luò)模型的節(jié)點(diǎn)數(shù)

(3)

式中：H為隱藏層節(jié)點(diǎn)數(shù)；n為輸入層節(jié)點(diǎn)數(shù)；m為輸出層節(jié)點(diǎn)數(shù)；k為常數(shù)，1≤k≤10。

表4中隱藏層節(jié)點(diǎn)數(shù)的選擇對BP網(wǎng)絡(luò)模擬結(jié)果精度有重要影響，以預(yù)測加氫裂化轉(zhuǎn)化率為例，按照上述方法用MATLAB建立BP網(wǎng)絡(luò)，按照式(3)確定隱藏層節(jié)點(diǎn)數(shù)為2～12，分別建立BP網(wǎng)絡(luò)模擬結(jié)果如圖3所示，結(jié)果精度用均方差值MSE表示，其計(jì)算公式見式(4)。

根據(jù)企業(yè)典型工作任務(wù)，確定課程教學(xué)內(nèi)容為以下五個方面：平臺店鋪?zhàn)约爱a(chǎn)品發(fā)布；交易磋商的程序；貿(mào)易術(shù)語及價格核算；合同條款 （品名品質(zhì)條款、數(shù)量條款、包裝條款、運(yùn)輸條款、保險條款、支付條款、爭議預(yù)防與處理?xiàng)l款）；合同履約流程。對照教學(xué)內(nèi)容，教學(xué)團(tuán)隊(duì)結(jié)合實(shí)訓(xùn)軟件、設(shè)置實(shí)訓(xùn)工作任務(wù)，開展項(xiàng)目教學(xué)，以達(dá)到干中學(xué)。

(4)

式中：yi為預(yù)測值；yip為實(shí)際值；s為樣本個數(shù)。

圖3 神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)優(yōu)化

由圖3可以看出，節(jié)點(diǎn)數(shù)為3時MSE值最小，為0.15，故加氫裂化轉(zhuǎn)化率BP網(wǎng)絡(luò)的隱藏層節(jié)點(diǎn)確定為3。同理，噴氣燃料性質(zhì)預(yù)測BP網(wǎng)絡(luò)和高壓換熱器殼程壓降預(yù)測BP網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)數(shù)分別為7和6。

2 BP網(wǎng)絡(luò)應(yīng)用

2.1 加氫裂化轉(zhuǎn)化率預(yù)測

中壓加氫裂化裝置中轉(zhuǎn)化率的定義為產(chǎn)物輕、重石腦油量總和與進(jìn)料量之比。轉(zhuǎn)化率反映了加氫裂化深度，與產(chǎn)品質(zhì)量密切相關(guān)。BP網(wǎng)絡(luò)對轉(zhuǎn)化率的預(yù)測結(jié)果如圖4和圖5所示。由圖4和圖5可以看出，本裝置中對轉(zhuǎn)化率預(yù)測絕對誤差在±2%，由于裝置轉(zhuǎn)化率一般控制在28%～30%，故BP網(wǎng)絡(luò)對轉(zhuǎn)化率預(yù)測的相對誤差達(dá)到了±5%，個別點(diǎn)達(dá)到±10%以上，與其它方面預(yù)測相比，轉(zhuǎn)化率預(yù)測精度相對偏低。由于轉(zhuǎn)化率受輕、重石腦油收率影響，故石腦油分餾塔的操作波動會影響樣本數(shù)據(jù)的質(zhì)量，進(jìn)而影響B(tài)P網(wǎng)絡(luò)的訓(xùn)練精確度。

圖4 BP網(wǎng)絡(luò)預(yù)測加氫裂化轉(zhuǎn)化率

圖5 BP網(wǎng)絡(luò)預(yù)測加氫裂化轉(zhuǎn)化率誤差分析

2.2 噴氣燃料終餾點(diǎn)在線預(yù)測

加氫裂化產(chǎn)品質(zhì)量指標(biāo)要求高，控制嚴(yán)格，以BP網(wǎng)絡(luò)建?？蓪?shí)現(xiàn)加氫裂化產(chǎn)品的連續(xù)預(yù)測，對及時控制產(chǎn)品質(zhì)量有重要意義。產(chǎn)品質(zhì)量預(yù)測受干擾因素較多，除裝置工藝參數(shù)波動外，產(chǎn)品采樣時間、質(zhì)量、化驗(yàn)分析結(jié)果準(zhǔn)確度等均對BP網(wǎng)絡(luò)預(yù)測質(zhì)量有影響，同時采樣化驗(yàn)數(shù)據(jù)量有限，易導(dǎo)致神經(jīng)網(wǎng)絡(luò)訓(xùn)練不足難以充分獲取變量間的非線性映射關(guān)系。

圖6和圖7為對35組噴氣燃料終餾點(diǎn)的預(yù)測結(jié)果。由圖6和圖7可知，除極個別點(diǎn)外，預(yù)測的絕對誤差均為±3 ℃，相對誤差為±(0.15%～2.0%)，表明BP神經(jīng)網(wǎng)絡(luò)可以很好地對噴氣燃料性質(zhì)預(yù)測進(jìn)行建模并通過關(guān)聯(lián)相關(guān)操作條件準(zhǔn)確預(yù)測其終餾點(diǎn)。

圖6 BP網(wǎng)絡(luò)預(yù)測噴氣燃料終餾點(diǎn)

圖7 BP網(wǎng)絡(luò)預(yù)測噴氣燃料終餾點(diǎn)誤差分析

2.3 高壓換熱器殼程壓降預(yù)測

裝置氫氣來源為重整氫，經(jīng)高壓換熱器殼程預(yù)熱后進(jìn)入高壓反應(yīng)流程，自裝置投產(chǎn)以來，重整氫帶氯問題時有發(fā)生，造成高壓換熱設(shè)備殼程結(jié)鹽，壓降增大甚至應(yīng)力腐蝕開裂，嚴(yán)重影響裝置平穩(wěn)運(yùn)行。以殼程循環(huán)氣量、管程入口溫度為輸入變量構(gòu)建BP網(wǎng)絡(luò)預(yù)測其殼程壓降變化，結(jié)果如圖8和圖9所示。由圖8和圖9可知，BP網(wǎng)絡(luò)可準(zhǔn)確預(yù)測殼程壓降變化趨勢，預(yù)測絕對誤差為±0.03 MPa以內(nèi)，相對誤差基本控制在±5%，滿足換熱器狀態(tài)監(jiān)測要求。

圖8 BP網(wǎng)絡(luò)預(yù)測E105殼程壓降

圖9 BP網(wǎng)絡(luò)預(yù)測E105殼程壓降誤差分析

3 結(jié) 論

(1)BP神經(jīng)網(wǎng)絡(luò)在工藝參數(shù)、產(chǎn)品性質(zhì)、設(shè)備狀態(tài)預(yù)測方面均取得了滿意的預(yù)測結(jié)果，對工業(yè)裝置操作具有指導(dǎo)意義。其中，對加氫裂化轉(zhuǎn)化率預(yù)測的準(zhǔn)確度最低，相對誤差為±(5%～10%)；對噴氣燃料終餾點(diǎn)預(yù)測的準(zhǔn)確度較高，相對誤差為±(0.15%～2.0%)，對高壓換熱器殼層壓降預(yù)測的絕對誤差為±0.03 MPa以內(nèi)，滿足換熱器狀態(tài)監(jiān)測要求。

(2)樣本數(shù)據(jù)質(zhì)量直接影響B(tài)P網(wǎng)絡(luò)的訓(xùn)練程度，繼而影響B(tài)P網(wǎng)絡(luò)預(yù)測質(zhì)量。加氫裂化工藝流程復(fù)雜，樣本數(shù)據(jù)相關(guān)性密切，數(shù)據(jù)采集需考慮時間遲滯、變量冗余、數(shù)據(jù)置信度等因素，故在對轉(zhuǎn)化率、產(chǎn)品性質(zhì)預(yù)測建模時應(yīng)運(yùn)用多種手段對樣本數(shù)據(jù)降噪，保證數(shù)據(jù)質(zhì)量。

(3)鑒于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法屬貪心算法范疇，為解決網(wǎng)絡(luò)初始權(quán)值隨機(jī)性和訓(xùn)練不收斂問題，采取多次訓(xùn)練取最優(yōu)結(jié)果和帶動量項(xiàng)的學(xué)習(xí)函數(shù)learndm策略，若結(jié)合GA遺傳算法、粒子群等算法優(yōu)化其訓(xùn)練準(zhǔn)確度仍有提升空間。

參考文獻(xiàn)

[1] 張孔遠(yuǎn)，肖強(qiáng)，劉晨光，等.人工神經(jīng)網(wǎng)絡(luò)在汽柴油加氫脫氮中的應(yīng)用[J].石油煉制與化工，2013，44(3)：83-87

[2] Su Xin，Wu Yingya，Pei Huajian，et al.Prediction of coke yield of FCC unit using different artificial neural network models[J].China Petroleum Processing and Petrochemical Technology，2016，18(3)：102-109

[3] 張忠洋，李澤欽，李宇龍，等.GA輔助BP神經(jīng)網(wǎng)絡(luò)預(yù)測催化裂化裝置汽油產(chǎn)率[J].石油煉制與化工，2014，45(7)：91-96

[4] 王天宇，劉忠保，黃明富，等.采用人工神經(jīng)網(wǎng)絡(luò)方法建立加氫裂化反應(yīng)體系模型[J].石油煉制與化工，2015，46(8)：90-95

[5] 蘇鑫，裴華健，吳迎亞，等.應(yīng)用經(jīng)遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測催化裂化裝置焦炭產(chǎn)率[J].化工進(jìn)展，2016，35(2)：389-396

[6] 楊杰.中壓加氫改質(zhì)催化劑再生及其反應(yīng)性能評價[J].石油煉制與化工，2017，48(1)：67-71

[7] 王慶波，張毓瑩，胡志海，等.煤柴油加氫裂化裝置摻煉重凝析油工藝研究[J].石油煉制與化工，2010，41(12)：1-5

[8] 王小川，史峰，郁磊，等.Matlab神經(jīng)網(wǎng)絡(luò)43個案例分析[M].北京：北京航空航天大學(xué)出版社，2013：3-10

[9] 陳明，等.MATLAB神經(jīng)網(wǎng)絡(luò)原理與實(shí)例精講[M].北京：清華大學(xué)出版社，2013：45-46

[10] 馬銳.人工神經(jīng)網(wǎng)絡(luò)原理[M].北京：機(jī)械工業(yè)出版社，2014：140-141