李詔陽，曹萃文

(華東理工大學(xué) 化工過程先進(jìn)控制和優(yōu)化技術(shù)教育部重點(diǎn)實驗室，上海 200237)

潤滑油加氫處理是生產(chǎn)高品質(zhì)潤滑油的重要加工工藝，尤其是在當(dāng)今原油逐漸劣質(zhì)化且環(huán)保要求日益嚴(yán)格的大環(huán)境下，該工藝已成為生產(chǎn)潤滑油最主要的方法之一。因此，深入研究潤滑油加氫處理過程機(jī)理，不僅對提高潤滑油產(chǎn)品產(chǎn)量和質(zhì)量具有重要意義，而且對煉油廠的節(jié)能減排也有積極影響。

潤滑油加氫處理包含加氫裂化、加氫異構(gòu)化、加氫后精制3個工藝過程。重質(zhì)原油首先通過加氫裂化處理將其中的環(huán)烷烴和芳香烴等大分子烴類斷鏈開環(huán)，生成鏈烷烴和單環(huán)環(huán)烷烴等小分子烴類，并去除其中的硫、氮等雜質(zhì)。加氫裂化處理后的油品經(jīng)汽提塔分餾后，底油進(jìn)行加氫異構(gòu)化反應(yīng)，將傾點(diǎn)較高的正構(gòu)烷烴異構(gòu)化為傾點(diǎn)較低的異構(gòu)烷烴，同時使底油保持較高的黏度指數(shù)。加氫異構(gòu)化處理后的底油通過加氫后精制處理將其殘留的芳烴、環(huán)烷烴等雜質(zhì)去除，再通過常減壓塔分餾后得到潤滑油基礎(chǔ)油。工業(yè)界對潤滑油加氫裝置的操作優(yōu)化研究，主要基于實際工業(yè)數(shù)據(jù)，通過分析裝置操作條件對產(chǎn)品的影響來優(yōu)化生產(chǎn)方案。目前，已經(jīng)有許多學(xué)者對潤滑油加氫裝置的操作條件進(jìn)行了優(yōu)化研究，并取得了很好的成果[1-5]。此類研究模型的準(zhǔn)確性依賴于全面的工業(yè)數(shù)據(jù)，然而，實際工業(yè)數(shù)據(jù)需在常規(guī)工況下采集，無法實現(xiàn)可能工況的全面覆蓋，從而使數(shù)據(jù)驅(qū)動的模型精度產(chǎn)生偏差。因此，如何建立較完備的、并易于推廣的潤滑油加氫裝置產(chǎn)品預(yù)測數(shù)據(jù)集，成為了對其進(jìn)行進(jìn)一步實施優(yōu)化操作的一個障礙。

目前，潤滑油加氫裝置的產(chǎn)品預(yù)測研究主要分為2大類：一類是基于過程反應(yīng)機(jī)理建模；另一類是基于數(shù)據(jù)驅(qū)動的方法建模。

基于過程反應(yīng)機(jī)理建模的研究主要通過Aspen HYSYS等流程模擬軟件來實現(xiàn)。李勇等[6]采用Aspen HYSYS軟件對潤滑油加氫工藝常減壓分餾塔進(jìn)行模擬，研究了加氫裝置減壓塔操作條件對產(chǎn)品質(zhì)量的影響。于姣洋等[7]使用Aspen HYSYS軟件對潤滑油加氫裝置汽提塔進(jìn)行模擬研究，分析了汽提塔塔頂壓力、溫度對產(chǎn)品質(zhì)量的影響。周凌子等[8]使用Aspen HYSYS軟件模擬研究了某加氫裂化裝置，分析了該裝置的用氫狀況，并構(gòu)建了氫源氫阱關(guān)聯(lián)模型。王萌等[9]使用Aspen HYSYS軟件模擬了某加氫精制裝置全流程，并用該模型對部分流程進(jìn)行優(yōu)化分析?；谶^程反應(yīng)機(jī)理建模能夠高度還原實際生產(chǎn)過程，模型數(shù)據(jù)也比較全面、可靠，但是整套裝置機(jī)理模型的構(gòu)建難度較大。同時，反應(yīng)過程的非線性、強(qiáng)耦合性和催化劑活性隨時間推移而衰減，該特點(diǎn)更加深了機(jī)理建模的難度。

近年來，基于數(shù)據(jù)驅(qū)動建立化工裝置產(chǎn)品預(yù)測模型和操作優(yōu)化的研究受到了廣泛關(guān)注，此類方法雖然在其他加氫裝置研究中應(yīng)用較多，但在潤滑油加氫裝置研究應(yīng)用較少。1999年，Elkamel等[10]使用前饋神經(jīng)網(wǎng)絡(luò)建立了真空汽油加氫裂化裝置的產(chǎn)率預(yù)測模型。2006年，Jimenez等[11]使用人工神經(jīng)網(wǎng)絡(luò)建立了工業(yè)加氫過程催化劑活性預(yù)測模型。2011年，Alhajree等[12]使用BP神經(jīng)網(wǎng)絡(luò)建立了某工業(yè)加氫裂化裝置的產(chǎn)品預(yù)測模型。2016年，Su等[13]基于廣義回歸神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)，建立了某煉油廠催化裂化裝置的焦炭產(chǎn)率預(yù)測模型。2017年，Muhsin等[14]基于疊加神經(jīng)網(wǎng)絡(luò)建立了原油加氫處理過程的產(chǎn)品預(yù)測模型。2018年，王晨[15]使用3層BP神經(jīng)網(wǎng)絡(luò)，建立了某加氫裂化裝置產(chǎn)品轉(zhuǎn)化率、氫耗和能耗的預(yù)測模型。這類模型不需要依賴反應(yīng)機(jī)理，旨在于挖掘數(shù)據(jù)的內(nèi)在聯(lián)系，實現(xiàn)裝置產(chǎn)品快速、準(zhǔn)確的預(yù)測。但是基于數(shù)據(jù)的預(yù)測模型需要大量完備的數(shù)據(jù)集支持，如果生產(chǎn)數(shù)據(jù)集數(shù)據(jù)量不足、涵蓋面窄，建立的模型容易出現(xiàn)精度不足的缺陷。

鑒于此，對某煉油廠潤滑油加氫裝置生產(chǎn)過程，筆者使用Aspen HYSYS軟件建立機(jī)理模型，采用隨機(jī)抽樣的方法驗證該模型的有效性；然后根據(jù)生產(chǎn)工藝條件運(yùn)行機(jī)理模型，擴(kuò)展了潤滑油加氫裝置的產(chǎn)品預(yù)測數(shù)據(jù)集。通過該裝置產(chǎn)出的輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量、40 ℃的運(yùn)動黏度、閃點(diǎn)和傾點(diǎn)4個目標(biāo)變量進(jìn)行等權(quán)重相關(guān)性分析，篩選出了該裝置產(chǎn)品預(yù)測模型的7個特征輸入變量。采用LSTM(Long Short-Term Memory)和BP神經(jīng)網(wǎng)絡(luò)對該裝置產(chǎn)品預(yù)測建模，并以均方根誤差(RMSE)、平均絕對誤差(MAE)評價2種模型，驗證了LSTM神經(jīng)網(wǎng)絡(luò)建模的優(yōu)越性。采用隨機(jī)森林算法(RF，Random Forest)對產(chǎn)品預(yù)測數(shù)據(jù)集的輸入特征變量與輸出目標(biāo)變量進(jìn)行相關(guān)性分析，以實現(xiàn)潤滑油加氫裝置操作的在線優(yōu)化。

1 潤滑油加氫裝置流程模型與預(yù)測模型數(shù)據(jù)采集

1.1 基于Aspen HYSYS的潤滑油加氫裝置流程模型

基于Aspen HYSYS軟件創(chuàng)建的潤滑油加氫裝置流程模型如圖1所示。由圖1可知：該機(jī)理模型主要流程有：原料油和氫氣在加氫裂化工段(HCR)反應(yīng)后，得到熱低分油(HLO1)，經(jīng)加熱器(E-1)加熱后送入常壓分餾塔(C1-1)分離出副產(chǎn)品，留下底油(Bottoms1)被送入加氫異構(gòu)/加氫后精制工段(IDW/HDF)進(jìn)一步處理，得到熱低分油(HLO2)，經(jīng)加熱器(E-2)加熱后送入常壓分餾塔(C2-1)分離出副產(chǎn)品，留下底油(Bottoms2)被送入減壓分餾塔(C2-2)進(jìn)一步分離，側(cè)線汽提出產(chǎn)品輕質(zhì)潤滑油(Product)，塔底底油(Bottoms3)為副產(chǎn)品。

根據(jù)該潤滑油加氫裝置生產(chǎn)工藝和操作要求，選擇機(jī)理模型參數(shù)范圍：加氫裂化反應(yīng)器入口溫度為310～380 ℃；加氫異構(gòu)反應(yīng)器入口溫度為310～360 ℃；加氫裂化常壓分餾塔塔頂溫度為90～130 ℃；加氫異構(gòu)常壓分餾塔塔頂溫度為70～130 ℃；加氫后精制反應(yīng)器入口溫度為220～250 ℃；加氫裂化反應(yīng)器壓力為13.5～14.7 MPa；加氫異構(gòu)化反應(yīng)器壓力為13.6～14.5 MPa。

HCR—Hydrocracking reactor;IDW—Isomerization dewaxing;HDF—Hydrofining;HLO—Hot low oil;E-1,E-2—Heaters;C1-1,C2-1,C2-2—Fractionating towers圖1 Aspen HYSYS潤滑油加氫裝置流程模型Fig.1 Model simulation of lubricating oil hydrogenation unit in Aspen HYSYS

該潤滑油加氫裝置實際運(yùn)行過程中，進(jìn)料油不是單一的某種原料油，而是包含多種原料油的混合油，通過調(diào)合多種原料油的比例盡量使混合原料油性質(zhì)基本保持穩(wěn)定。原料油性質(zhì)和其在混合進(jìn)料油中的質(zhì)量分?jǐn)?shù)如表1所示。

表1 潤滑油加氫裝置原料油性質(zhì)Table 1 Properties of raw oil in the lubricating oil hydrogenation unit

1.2 基于隨機(jī)抽樣的潤滑油加氫裝置機(jī)理模型驗證

采用隨機(jī)抽樣法，驗證建立的潤滑油加氫裝置流程模型的有效性。通過對某月(31 d)潤滑油加氫裝置工況數(shù)據(jù)波動分析，每天隨機(jī)抽取2個樣本，共62個樣本。分別將62個樣本對應(yīng)的加氫裂化反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫后精制反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫裂化反應(yīng)器壓力、加氫異構(gòu)反應(yīng)器壓力作為模型的輸入?yún)?shù)，將裝置主要產(chǎn)品輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量作為輸出參數(shù)，運(yùn)行機(jī)理模型得到62個樣本的機(jī)理模型仿真結(jié)果。樣本中輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量的實際值和仿真結(jié)果的對比如圖2所示。由圖2可以看出,輕質(zhì)潤滑油在常溫常壓下的質(zhì)量流量的仿真結(jié)果均大于實際值，這是因為機(jī)理模型未考慮損耗，但兩者的變化趨勢基本上是一致的。實際值與仿真值的平均絕對誤差(Mean absolute error，MAE)為1200.268 kg/h，平均相對誤差(Mean relative error，MRE)為4.08%，由于化工生產(chǎn)中的損耗一般在5.00%左右，因此該誤差結(jié)果驗證了機(jī)理模型的有效性。

圖2 輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量實際數(shù)據(jù)和仿真數(shù)據(jù)對比Fig.2 Comparison of actual data and simulation data of mass flow of light lubricating oil at the ambient temperature and pressure

1.3 潤滑油加氫裝置產(chǎn)品預(yù)測模型特征變量的選取

根據(jù)潤滑油加氫裝置操作手冊中的21個操作變量的生產(chǎn)數(shù)據(jù)，按照式(1)對該裝置產(chǎn)出的輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量、40 ℃的運(yùn)動黏度、閃點(diǎn)和傾點(diǎn)4個目標(biāo)變量分別計算相關(guān)系數(shù)。以4個操作變量的相關(guān)系數(shù)分別進(jìn)行絕對值求和，得到該操作變量的等權(quán)重特征得分，并按照從大到小的順序排列。如圖3所示。

(1)

T1—Temperature of HCR;p1—Pressure of HCR;T2—Temperature of IDW;T4—Temperature of C1-1;p2—Pressure of IDW;T3—Temperature of HDF;T5—Temperature of C2-1;T6—Temperature of feed (C2-2);T7—Temperature of high thermal separator (HCR);T8—Temperature of cold height separator (HCR);T9—Temperature of C2-2;T10—Temperature of feed (C2-1);T11—Temperature of high thermal separator (IDW);T12—Temperature of cold height separator (IDW);p3—Pressure of C1-1;p4—Pressure of feed buffer tank (IDW);p5—Pressure of feed buffer tank (HCR);p6—Pressure of cold low separator (HCR);p7—Pressure of C2-1;p8—Pressure of high thermal separator (IDW);T13—Temperature of feed (C1-1)圖3 潤滑油加氫裝置各操作變量的等權(quán)重特征得分Fig.3 Equally weighted characteristic score of each operation variable in lubricating oil hydrogenation unit

按照圖3中的等權(quán)重得分排序，選擇加氫裂化反應(yīng)器入口溫度T1、加氫裂化反應(yīng)器壓力p1、加氫異構(gòu)反應(yīng)器入口溫度T2、加氫裂化常壓分餾塔塔頂溫度T4、加氫異構(gòu)反應(yīng)器壓力p2、加氫后精制反應(yīng)器入口溫度T3、加氫異構(gòu)常壓分餾塔塔頂溫度T5這7個變量作為該裝置產(chǎn)品預(yù)測模型的輸入特征變量。

1.4 潤滑油加氫裝置產(chǎn)品預(yù)測模型數(shù)據(jù)集的構(gòu)建

由于該潤滑油加氫裝置實際生產(chǎn)數(shù)據(jù)有限而且涵蓋的操作條件范圍較窄，基于生產(chǎn)工藝要求和1.1節(jié)創(chuàng)建的潤滑油加氫裝置機(jī)理模型，擴(kuò)展了該裝置的產(chǎn)品預(yù)測數(shù)據(jù)集。

當(dāng)原料油進(jìn)料量一定時，以加氫裂化反應(yīng)器入口溫度T1(℃)、加氫異構(gòu)反應(yīng)器入口溫度T2(℃)、加氫后精制反應(yīng)器入口溫度T3(℃)、加氫裂化后常壓分餾塔塔頂溫度T4(℃)、加氫異構(gòu)常壓分餾塔塔頂溫度T5(℃)、加氫裂化反應(yīng)器壓力p1(MPa)、加氫異構(gòu)反應(yīng)器壓力p2(MPa)為7個自變量，運(yùn)行裝置機(jī)理模型，輸出了包括輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量F(Oil)(kg·h-1)、40 ℃的運(yùn)動黏度v40(mm2·s-1)、閃點(diǎn)TFlash(℃)和傾點(diǎn)TPour(℃)的75000組裝置產(chǎn)品預(yù)測仿真數(shù)據(jù)。該潤滑油加氫裝置在平穩(wěn)運(yùn)行時，T1、T2、T3、T4、T5分別為355、340、235、95、110 ℃，p1、p2分別為14.2、14.2 MPa。該潤滑油加氫裝置在平穩(wěn)運(yùn)行狀態(tài)時的1組數(shù)據(jù)與Aspen HYSYS軟件模型的預(yù)測仿真數(shù)據(jù)對比情況如表2所示。75000組預(yù)測仿真數(shù)據(jù)中的10組代表數(shù)據(jù)列于表3，該數(shù)據(jù)集作為后續(xù)產(chǎn)品預(yù)測模型的基礎(chǔ)。

表2 潤滑油加氫裝置的穩(wěn)態(tài)運(yùn)行數(shù)據(jù)與Aspen HYSYS模型預(yù)測仿真數(shù)據(jù)對比Table 2 Comparison of the actual steady-state operation data of the lubricating oil hydrogenation unit with the predictive simulation data of the Aspen HYSYS model

表3 潤滑油加氫裝置產(chǎn)品預(yù)測模型數(shù)據(jù)集Table 3 Predictive simulation data set of the lubricating oil hydrogenation unit product

由表2可見，使用Aspen HYSYS建立潤滑油加氫裝置機(jī)理模型，在實際生產(chǎn)裝置平穩(wěn)運(yùn)行的操作條件下，輕質(zhì)潤滑油的產(chǎn)品質(zhì)量流量與產(chǎn)品性質(zhì)與實際生產(chǎn)數(shù)據(jù)基本吻合。

2 基于LSTM的潤滑油加氫裝置產(chǎn)品預(yù)測數(shù)據(jù)驅(qū)動模型

2.1 LSTM神經(jīng)網(wǎng)絡(luò)及參數(shù)設(shè)置

LSTM神經(jīng)網(wǎng)絡(luò)是Hochreiter和Schmidhuber[16]于1996年提出的一種新型深度機(jī)器學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)在每一個神經(jīng)元內(nèi)部加入了選擇性記憶門單元，分別是輸入門(Input gate)、輸出門(Output gate)和忘記門(Forget gate)[17-18]。這種特殊的設(shè)計能夠長期記憶歷史信息而又不至于模型過度擬合，非常適合于潤滑油加氫裝置生產(chǎn)數(shù)據(jù)這種時間序列數(shù)據(jù)。

在Aspen HYSYS軟件得到的潤滑油加氫裝置運(yùn)行數(shù)據(jù)集的基礎(chǔ)上，以1.3節(jié)選定的7個操作變量為特征變量，4個輕質(zhì)潤滑油產(chǎn)品指標(biāo)為目標(biāo)變量構(gòu)建預(yù)測模型。利用Python平臺的Keras序貫?zāi)Ｐ痛罱?層LSTM神經(jīng)網(wǎng)絡(luò)模型，第1層、第2層、第3層分別包含7、12、4個LSTM神經(jīng)網(wǎng)絡(luò)單元。損失函數(shù)選擇均方誤差函數(shù)(MSE)，激活函數(shù)為Sigmoid函數(shù)，并采用自適應(yīng)矩估計(Adam)優(yōu)化函數(shù)訓(xùn)練LSTM神經(jīng)網(wǎng)絡(luò)每層神經(jīng)網(wǎng)絡(luò)單元之間的權(quán)重。

2.2 基于LSTM神經(jīng)網(wǎng)絡(luò)的潤滑油加氫裝置產(chǎn)品預(yù)測模型

按照2.1節(jié)所述的模型參數(shù)，構(gòu)建潤滑油加氫裝置的產(chǎn)品預(yù)測模型。同時，采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建產(chǎn)品預(yù)測模型與該模型進(jìn)行對比，其結(jié)構(gòu)也為3層，第1層、第2層、第3層分別包含7、12、4個普通神經(jīng)網(wǎng)絡(luò)單元，并采用隨機(jī)梯度下降法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)每一層節(jié)點(diǎn)間的權(quán)重。

2.3 基于LSTM和BP神經(jīng)網(wǎng)絡(luò)模型的產(chǎn)品預(yù)測結(jié)果

潤滑油加氫裝置的4個目標(biāo)變量基于LSTM和BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與實際值如圖4～圖7所示，樣本為隨機(jī)選取的100個數(shù)據(jù)點(diǎn)。從圖4～圖7可以看出，相較于BP神經(jīng)網(wǎng)絡(luò)模型，LSTM神經(jīng)網(wǎng)絡(luò)模型的4個目標(biāo)變量的預(yù)測精確度均更好。在潤滑油加氫裝置的操作條件有微小變化時，其目標(biāo)變量存在局部跳變現(xiàn)象，數(shù)據(jù)集具有比較強(qiáng)的波動性。LSTM神經(jīng)網(wǎng)絡(luò)模型的長短時記憶特性會對出現(xiàn)過的跳變場景選擇性記憶，對波動性強(qiáng)的數(shù)據(jù)擬合效果好；而BP神經(jīng)網(wǎng)絡(luò)模型雖然能夠預(yù)測到跳變的出現(xiàn)，但其預(yù)測精度相對較差。并且BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測值比較集中，不能夠?qū)Σ煌妮斎胩卣髯兞?不同工況)做出更精準(zhǔn)的預(yù)測，區(qū)分度不強(qiáng)，而LSTM神經(jīng)網(wǎng)絡(luò)模型的預(yù)測表現(xiàn)遠(yuǎn)遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

圖4 輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量實際值與預(yù)測值Fig.4 The actual and predicted value of mass flow rate of light lubricating oil at the ambient temperature and pressure(a)LSTM network；(b)BP network

圖5 輕質(zhì)潤滑油在40 ℃的運(yùn)動黏度實際值與預(yù)測值Fig.5 The actual and predicted value of kinematic viscosity of light lubricating oil at 40 ℃(a)LSTM network；(b)BP network

圖7 輕質(zhì)潤滑油傾點(diǎn)實際值與預(yù)測值Fig.7 The actual and predicted value of pour point of light lubricating oil(a)LSTM network；(b)BP network

分別采用LSTM和BP神經(jīng)網(wǎng)絡(luò)模型對擴(kuò)展的數(shù)據(jù)集進(jìn)行訓(xùn)練與測試，并分別由式(2)和式(3)計算均方根誤差(SRMSE)、平均絕對誤差(SMAE)。表4為LSTM與BP神經(jīng)網(wǎng)絡(luò)模型在相同測試數(shù)據(jù)集上的4個目標(biāo)變量性能指標(biāo)對比，平均絕對誤差和均方誤差的值越小，說明模型的預(yù)測性能越好。由表4可以看出，與BP神經(jīng)網(wǎng)絡(luò)模型中4個目標(biāo)變量指標(biāo)值相比，LSTM模型的SRMSE和SMAE均更小，表明LSTM模型的預(yù)測精度更高。

表4 LSTM與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型性能指標(biāo)Table 4 Performance indicators of LSTM and BP

(2)

(3)

3 基于隨機(jī)森林算法輸入特征變量與輸出目標(biāo)變量的相關(guān)性分析

隨機(jī)森林(Random Forests，RF)算法[19-20]是常用的機(jī)器學(xué)習(xí)算法，既可以用于分類問題分析，也可用于回歸問題分析。但由于隨機(jī)森林模型需要通過計算輸入特征變量與輸出變量的相關(guān)程度來進(jìn)行訓(xùn)練，因此也常被用來評估自變量與目標(biāo)變量的相關(guān)性大小。使用隨機(jī)森林模型進(jìn)行相關(guān)性分析的過程如下。

在1.4節(jié)擴(kuò)展的75000組數(shù)據(jù)集的基礎(chǔ)上，采用隨機(jī)森林模型分別計算每個輸入特征變量對每個輸出目標(biāo)變量的影響程度，從而得到兩者的相關(guān)性。特征變量與目標(biāo)變量的相關(guān)性排序如圖8所示，a1、a2、a3、a4、a5、a6、a7變量的含義見2.2節(jié)說明。由圖8(a)可知，當(dāng)目標(biāo)變量為輕質(zhì)潤滑油常溫常壓下的質(zhì)量流量時，7個特征變量與其相關(guān)性由高到低排序為加氫裂化反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫后精制反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器壓力、加氫裂化反應(yīng)器壓力。由圖8(b)可知，當(dāng)目標(biāo)變量為輕質(zhì)潤滑油40 ℃的運(yùn)動黏度時，7個特征變量與其相關(guān)性由高到低排序為加氫裂化反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫后精制反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器壓力、加氫裂化反應(yīng)器壓力。由圖8(c)可知，當(dāng)目標(biāo)變量為輕質(zhì)潤滑油閃點(diǎn)時，7個特征變量與其相關(guān)性由高到低排序為加氫裂化反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫裂化反應(yīng)器壓力、加氫異構(gòu)反應(yīng)器壓力、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫后精制反應(yīng)器入口溫度。由圖8(d)可知，當(dāng)目標(biāo)變量為輕質(zhì)潤滑油傾點(diǎn)時，7個特征變量與其相關(guān)性由高到低排序為加氫裂化反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫異構(gòu)反應(yīng)器壓力、加氫后精制反應(yīng)器入口溫度、加氫裂化反應(yīng)器壓力。

在潤滑油實際生產(chǎn)中，潤滑油加氫裝置需要根據(jù)不同的生產(chǎn)產(chǎn)品性能目標(biāo)改變在線操作參數(shù)，使裝置目標(biāo)產(chǎn)品的性能滿足生產(chǎn)需求，可以根據(jù)7個實際操作參數(shù)與4個主要的輕質(zhì)潤滑油產(chǎn)品變量之間的相關(guān)性分析，按照相關(guān)性由高到低的順序依次調(diào)整操作參數(shù)，實現(xiàn)潤滑油加氫裝置操作的在線優(yōu)化，從而改進(jìn)當(dāng)前主要依賴于操作員自身經(jīng)驗的方式。

a1—Temperature of HCR;a2—Temperature of IDW;a3—Temperature of HDF;a4—Temperature of C1-1;a5—Temperature of C2-1;a6—Pressure of HCR;a7—Pressure of IDW(1)F(Oil)；(2)v40；(3)TFlash；(4)TPour圖8 特征變量與目標(biāo)變量的相關(guān)性Fig.8 The correlation between characteristic variables and target variable

4 結(jié) 論

(1)根據(jù)某煉油廠潤滑油加氫裝置的生產(chǎn)工藝及生產(chǎn)數(shù)據(jù)，利用Aspen HYSYS軟件對潤滑油加氫裝置生產(chǎn)過程進(jìn)行了流程模擬。并參考操作參數(shù)的實際范圍擴(kuò)展了潤滑油加氫裝置數(shù)據(jù)范圍，運(yùn)行機(jī)理模型擴(kuò)充了裝置的產(chǎn)品預(yù)測數(shù)據(jù)集。

(2)基于擴(kuò)充的潤滑油加氫裝置產(chǎn)品預(yù)測數(shù)據(jù)集，以加氫裂化反應(yīng)器入口溫度、加氫異構(gòu)反應(yīng)器入口溫度、加氫后精制反應(yīng)器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構(gòu)常壓分餾塔塔頂溫度、加氫裂化反應(yīng)器壓力、加氫異構(gòu)反應(yīng)器壓力為7個輸入特征變量，以數(shù)據(jù)集中的輕質(zhì)潤滑油的流量、40 ℃的運(yùn)動黏度、閃點(diǎn)和傾點(diǎn)為4個目標(biāo)變量，建立了3層LSTM神經(jīng)網(wǎng)絡(luò)產(chǎn)品預(yù)測模型。并與3層BP神經(jīng)網(wǎng)絡(luò)產(chǎn)品預(yù)測模型比較，以MAE和RMSE性能指標(biāo)來評價產(chǎn)品預(yù)測模型，結(jié)果表明，LSTM模型的預(yù)測精度遠(yuǎn)遠(yuǎn)優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

(3)采用隨機(jī)森林模型對輸入特征變量與輸出目標(biāo)變量進(jìn)行了相關(guān)性分析，確定了特征變量對每一個目標(biāo)變量的相關(guān)性，從而得到了操作參數(shù)根據(jù)不同生產(chǎn)目標(biāo)的優(yōu)化操作方案。