閆乃鋒，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)是類(lèi)似于生物大腦神經(jīng)突觸結(jié)構(gòu)且能能夠進(jìn)行信息處理的數(shù)學(xué)模型，應(yīng)用三層神經(jīng)網(wǎng)絡(luò)(輸入層、隱藏層、輸出層)就可實(shí)現(xiàn)任意Rn空間到Rm空間的非線性函數(shù)逼近[1-2]，在工業(yè)界已普遍應(yīng)用于變量預(yù)測(cè)、圖形識(shí)別等方面。在化工領(lǐng)域神經(jīng)網(wǎng)絡(luò)擅長(zhǎng)用于裝置參數(shù)軟測(cè)量、產(chǎn)物收率預(yù)測(cè)等。張笑天等[3]利用模糊C均值聚類(lèi)和多BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了具有良好預(yù)測(cè)能力的初頂石腦油軟測(cè)量模型。錢(qián)欣瑞等[4]構(gòu)建了基于NARX神經(jīng)網(wǎng)絡(luò)的油品性質(zhì)軟測(cè)量模型，通過(guò)動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)取得了良好預(yù)測(cè)效果。本文擬構(gòu)建單隱層BP神經(jīng)網(wǎng)絡(luò)，用以對(duì)加氫裂化裝置的航煤產(chǎn)品性質(zhì)進(jìn)行預(yù)測(cè)，評(píng)估單隱層BP網(wǎng)絡(luò)對(duì)航煤的閃點(diǎn)、終餾點(diǎn)、密度的預(yù)測(cè)效果。

1 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

1.1 BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)與訓(xùn)練流程

惠州石化中壓加氫裂化裝置以直餾煤柴油和催化柴油的混合油作原料，采用雙劑串聯(lián)一次通過(guò)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、航煤、柴油[5-6]。圖1為BP神經(jīng)網(wǎng)絡(luò)的一般訓(xùn)練流程，圖2為基于航煤性質(zhì)軟測(cè)量業(yè)務(wù)需求構(gòu)建的BP網(wǎng)絡(luò)示意圖。

圖1 神經(jīng)網(wǎng)絡(luò)建模一般流程Figure 1 General process of neural network modeling

裝置的生產(chǎn)參數(shù)是模型特征變量，位于神經(jīng)網(wǎng)絡(luò)輸入層，航煤性質(zhì)數(shù)據(jù)是模型目標(biāo)變量，位于網(wǎng)絡(luò)模型輸出層，兩者蘊(yùn)含的非線性規(guī)律通過(guò)隱藏層的多個(gè)神經(jīng)節(jié)點(diǎn)自動(dòng)計(jì)算提取。層與層之間通過(guò)權(quán)值實(shí)現(xiàn)全連接。

圖2 用于航煤性質(zhì)軟測(cè)量的單隱層全連接前饋神經(jīng)網(wǎng)絡(luò)Figure 2 Full connection feedforward neural network with single hidden layer for soft sensing kerosene properties

1.2 樣本數(shù)據(jù)

根據(jù)加氫工藝流程特點(diǎn)，確定BP網(wǎng)絡(luò)模型5個(gè)特征變量為裝置摻煉催化柴油比例、處理量、裂化反應(yīng)溫度、航煤收率、航煤抽出塔板溫度，目標(biāo)變量為航煤閃點(diǎn)、終餾點(diǎn)和密度。整個(gè)樣本數(shù)據(jù)集按照神經(jīng)網(wǎng)絡(luò)建模原則，分割為3部分：訓(xùn)練集、驗(yàn)證集和測(cè)試集。其中訓(xùn)練集和驗(yàn)證集來(lái)自同一批樣本數(shù)據(jù)，通過(guò)隨機(jī)抽樣確定訓(xùn)練集和驗(yàn)證集數(shù)據(jù)，測(cè)試集取自建模之后裝置持續(xù)運(yùn)轉(zhuǎn)一段時(shí)間內(nèi)的連續(xù)工況數(shù)據(jù)，旨在測(cè)試模型的泛化性能。樣本數(shù)據(jù)取自中壓加氫裂化2017年11月1日～2019年2月10日正常生產(chǎn)數(shù)據(jù)，受不同性質(zhì)數(shù)據(jù)化驗(yàn)分析頻次影響，閃點(diǎn)、終餾點(diǎn)樣本數(shù)據(jù)集各取932組，其中訓(xùn)練集700組，驗(yàn)證集152組，測(cè)試集80組，如表1所示。密度分析頻次較低，共取數(shù)據(jù)470組，其中訓(xùn)練集300組，驗(yàn)證集100組，測(cè)試集70組，如表2所示。

表1 航煤閃點(diǎn)、終餾點(diǎn)建模樣本數(shù)據(jù)

表2 航煤密度建模樣本數(shù)據(jù)

樣本數(shù)據(jù)選取后，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(cè)結(jié)果的反歸一化[7]。

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為特征變量input矩陣經(jīng)過(guò)歸一化后的矩陣，IS存儲(chǔ)歸一化過(guò)程參數(shù)，O為目標(biāo)變量output矩陣經(jīng)過(guò)反歸一化后的矩陣，OS存儲(chǔ)反歸一化過(guò)程參數(shù)，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)設(shè)計(jì)

應(yīng)用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱(nnTool)構(gòu)建了單隱層BP網(wǎng)絡(luò)，具體網(wǎng)絡(luò)設(shè)計(jì)如表3所示。其中，隱藏層節(jié)點(diǎn)數(shù)的確定由經(jīng)驗(yàn)公式(3)[8]結(jié)合試驗(yàn)法得出。模型評(píng)價(jià)指標(biāo)為均方差(RMSE)，量綱同預(yù)測(cè)的目標(biāo)變量，如公式(4)所示。

表3 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(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。

(4)

式中N為樣本數(shù)，Xobs，i為目標(biāo)變量真實(shí)值，Xmode，il為目標(biāo)變量預(yù)測(cè)值。為消除BP網(wǎng)絡(luò)模型穩(wěn)定性導(dǎo)致的誤差，每個(gè)案例評(píng)價(jià)結(jié)果以BP模型連續(xù)預(yù)測(cè)10次的平均RMSE表示。

2 航煤性質(zhì)軟測(cè)量應(yīng)用

2.1 驗(yàn)證集性能評(píng)估

按照1.2中所屬樣本數(shù)據(jù)集分割策略，首先隨機(jī)獲取700組訓(xùn)練數(shù)據(jù)并以此對(duì)閃點(diǎn)、終餾點(diǎn)預(yù)測(cè)模型進(jìn)行訓(xùn)練，隨之在剩余152組驗(yàn)證數(shù)據(jù)上進(jìn)行閃點(diǎn)、終餾點(diǎn)預(yù)測(cè)并評(píng)估模型性能，同理隨機(jī)獲取300組訓(xùn)練數(shù)據(jù)以此對(duì)密度預(yù)測(cè)模型進(jìn)行訓(xùn)練，隨之在剩余100組驗(yàn)證數(shù)據(jù)上進(jìn)行密度預(yù)測(cè)并評(píng)估模型性能，結(jié)果如圖3所示。

圖3 航煤閃點(diǎn)、終餾點(diǎn)和密度在驗(yàn)證集上的預(yù)測(cè)性能評(píng)估Figure 3 Estimation of kerosene flash point， FBP and density trained models on validation dataset

由圖3可知，在驗(yàn)證集上，單隱層BP神經(jīng)網(wǎng)絡(luò)模型對(duì)航煤閃點(diǎn)、終餾點(diǎn)和密度預(yù)測(cè)的平均RMSE分別為1.57 ℃、2.74 ℃和2.18 kg·m-3，且在整個(gè)驗(yàn)證集上性能較為穩(wěn)定，預(yù)測(cè)效果良好。

2.2 測(cè)試集性能評(píng)估

測(cè)試集數(shù)據(jù)取自裝置連續(xù)運(yùn)轉(zhuǎn)一段時(shí)間的工業(yè)生產(chǎn)數(shù)據(jù)，通過(guò)在測(cè)試集上進(jìn)行目標(biāo)變量預(yù)測(cè)，可充分評(píng)估神經(jīng)網(wǎng)絡(luò)模型的泛化能力。圖4為模型在測(cè)試集上的預(yù)測(cè)性能，由圖4可以看出，除終餾點(diǎn)RMSE為1.98 ℃小于驗(yàn)證集2.74 ℃外，閃點(diǎn)、密度RMSE值分別為1.87 ℃和2.72 kg·m-3，均略大于驗(yàn)證集RMSE，但整體RMSE趨勢(shì)仍然能夠維持穩(wěn)定。

圖4 航煤閃點(diǎn)、終餾點(diǎn)和密度在測(cè)試集上的預(yù)測(cè)性能評(píng)估Figure 4 Estimation of kerosene flash point，F(xiàn)BP and density trained models on test dataset

測(cè)試集的數(shù)據(jù)獲取來(lái)自一段連續(xù)生產(chǎn)區(qū)間，與訓(xùn)練集、驗(yàn)證集保持獨(dú)立，而訓(xùn)練集和驗(yàn)證集數(shù)據(jù)取自同一生產(chǎn)區(qū)間經(jīng)隨機(jī)抽樣分割而來(lái)，故在裝置工況、催化劑活性等因素方面，測(cè)試集相比驗(yàn)證集具有更多的不確定性。在測(cè)試集工況中裝置實(shí)施了多產(chǎn)重石腦油加工方案，測(cè)試集航煤汽提塔工況變化及分餾塔航煤側(cè)線抽出工況變化如圖5所示。由圖5可知，分餾塔降低了航煤抽出量，導(dǎo)致部分航煤進(jìn)入塔底柴油組分，降低了柴油10%餾出溫度，航煤汽提塔也由于航煤進(jìn)料降低而塔底熱負(fù)荷、塔頂返塔溫度相應(yīng)升高，這種工況在模型訓(xùn)練集中未曾出現(xiàn)過(guò)，故模型在測(cè)試集預(yù)測(cè)中部分結(jié)果出現(xiàn)了偏差(圖4標(biāo)注)，不利于RMSE值降低，但整體上單隱層BP神經(jīng)網(wǎng)絡(luò)在測(cè)試集方面仍能保持較好的預(yù)測(cè)性能(較低的RMSE值)和良好的穩(wěn)定性。故在用于工業(yè)生產(chǎn)軟測(cè)量時(shí)，需及時(shí)對(duì)模型進(jìn)行新一輪訓(xùn)練更新，保持模型良好泛化能力。

圖5 測(cè)試集航煤汽提塔工況變化及分餾塔航煤側(cè)線抽出工況變化Figure 5 Operating variation with respective to kerosene stripper and fractionator side line on test dataset

3 結(jié) 論

(1) 通過(guò)Matlab建立了單隱層BP神經(jīng)網(wǎng)絡(luò)，并對(duì)加氫裂化航煤產(chǎn)品性質(zhì)進(jìn)行了預(yù)測(cè)應(yīng)用，結(jié)果表明單隱層BP神經(jīng)網(wǎng)絡(luò)可以自動(dòng)識(shí)別裝置操作參數(shù)與航煤產(chǎn)品性質(zhì)間的非線性映射關(guān)系，得到了較好預(yù)測(cè)效果。

(2) 將樣本數(shù)據(jù)集分割為訓(xùn)練集、驗(yàn)證集和測(cè)試集，模型在驗(yàn)證集上對(duì)航煤閃點(diǎn)、終餾點(diǎn)和密度預(yù)測(cè)的RMSE分別為1.57 ℃、2.74 ℃和2.18 kg·m-3，在測(cè)試集上的RMSE值分別為1.87 ℃、1.98 ℃和2.72 kg·m-3，均取得了良好的預(yù)測(cè)精度和穩(wěn)定性。

(3) 模型在測(cè)試集上良好的預(yù)測(cè)精度和穩(wěn)定性表明單隱層BP神經(jīng)網(wǎng)絡(luò)可用于加氫裂化過(guò)程航煤產(chǎn)品性質(zhì)軟測(cè)量，但需及時(shí)用新的工業(yè)數(shù)據(jù)訓(xùn)練更新模型，保持模型良好泛化能力。