邵珠林， 曹萃文

(華東理工大學(xué) 能源化工過程智能制造教育部重點實驗室，上海 200237)

隨著時代的進(jìn)步，各國越來越重視經(jīng)濟(jì)發(fā)展與環(huán)境保護(hù)之間的平衡。汽車尾氣的排放是環(huán)境污染的一大關(guān)鍵因素，汽車尾氣中含有的硫氧化物和氮氧化物等有害成分進(jìn)一步加劇了大氣污染[1],這對汽油生產(chǎn)工藝提出了更高的要求，汽油吸附脫硫(S Zorb)技術(shù)能夠有效脫除汽油中的硫化物，可使成品油的硫質(zhì)量分?jǐn)?shù)控制在10 μg/g以內(nèi)。因此，對S Zorb裝置進(jìn)行全流程機(jī)理建模和多個產(chǎn)品指標(biāo)操作優(yōu)化，對指導(dǎo)工業(yè)生產(chǎn)和環(huán)境保護(hù)具有重要的意義。

S Zorb技術(shù)作為一種成熟的脫硫工藝，具有氫耗少、脫硫深度高和辛烷值損失低的優(yōu)點，已在中國多個煉油廠使用。一方面，S Zorb裝置的研究集中于故障的診斷分析：朱云霞等[2]提出了FCC汽油直進(jìn)裝置、再生風(fēng)線改造和增加閉鎖料斗的輔助硫化等措施，解決了中國石化燕山石化分公司S Zorb裝置運(yùn)行初期出現(xiàn)的換熱器積垢和吸附劑結(jié)塊問題。另一方面集中在吸附脫硫反應(yīng)的機(jī)理研究：Bezverkhyy等[3]采用熱重分析法對噻吩與Ni/ZnO的吸附脫硫反應(yīng)進(jìn)行了反應(yīng)動力學(xué)的描述；鄒亢等[4]研究了吸附劑對汽油辛烷值及脫硫能力的影響，并通過分子表征技術(shù)對吸附劑的物理性質(zhì)和化學(xué)性質(zhì)進(jìn)行了考察。

化工過程建模方法主要分為機(jī)理建模和數(shù)據(jù)驅(qū)動建模。S Zorb裝置機(jī)理建模的研究得到了廣泛的開展。孟銳[5]針對鎮(zhèn)海煉化S Zorb裝置中低溫?zé)岬睦脝栴}，提出了新的換熱網(wǎng)絡(luò)，并利用Petro-Sim流程模擬軟件進(jìn)行測算，驗證了該換熱網(wǎng)絡(luò)的有效性。蔣偉等[6]將構(gòu)建了汽油辛烷值辛烷值損失預(yù)測模型，有效地預(yù)測了脫硫率和辛烷值等關(guān)鍵指標(biāo)。李海明[7]建立了S Zorb裝置中反應(yīng)器和穩(wěn)定塔的動力學(xué)模型、物料衡算模型和能量衡算模型，預(yù)測誤差達(dá)到了5%。機(jī)器學(xué)習(xí)和人工智能技術(shù)的不斷發(fā)展為化工過程建模提供了新的方法[8]。神經(jīng)網(wǎng)絡(luò)模型基于輸入輸出數(shù)據(jù)能夠?qū)Ψ蔷€性過程進(jìn)行表征，同時基于BP算法的網(wǎng)絡(luò)訓(xùn)練方法使得神經(jīng)網(wǎng)絡(luò)模型易于實現(xiàn)。但BP算法存在一定缺陷，會導(dǎo)致訓(xùn)練速率較慢且容易陷入局部最優(yōu)，針對此問題，Huang等[9]提出了極限學(xué)習(xí)機(jī)(Extreme learning machine，ELM)模型，該模型具有單隱含層，隨機(jī)產(chǎn)生輸入層和隱含層的連接權(quán)重和閾值，在提高訓(xùn)練速率的同時保證了一定的預(yù)測精度。Deng等[10]針對ELM只考慮經(jīng)驗風(fēng)險最小化和模型過擬合的問題，引入L2正則化項對ELM模型進(jìn)行改進(jìn)，提出了正則化極限學(xué)習(xí)機(jī)(Regularized extreme learning machine, RELM)模型。王改堂等[11]提出ELM嶺回歸的建模方法來預(yù)測延遲焦化粗汽油干點，當(dāng)隱層節(jié)點為20時達(dá)到最優(yōu)預(yù)測精度，預(yù)測均方誤差為3.6729。與此同時，智能優(yōu)化算法的引入對網(wǎng)絡(luò)模型進(jìn)一步優(yōu)化，Cai等[12]提出基于粒子群優(yōu)化算法的ELM模型對短期交通流量進(jìn)行預(yù)測，通過引入粒子群搜索算法對網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化，提升了預(yù)測精度。目前針對S Zorb裝置數(shù)據(jù)驅(qū)動建模的研究還十分有限，筆者引入了一種新型的群智能算法——麻雀搜索算法[13]，該算法與現(xiàn)有的群智能算法相比具有很好的全局搜索能力和局部搜索能力，筆者基于該算法對正則化極限學(xué)習(xí)機(jī)進(jìn)行改進(jìn)，建立了高精度的產(chǎn)品指標(biāo)預(yù)測模型。

在實際的生產(chǎn)過程中，煉油廠通常要兼顧多個工藝指標(biāo)以保證產(chǎn)品質(zhì)量，工藝指標(biāo)之間往往是相互影響的，不同的操作變量對不同的指標(biāo)影響程度也不盡相同。于曉棟等[14]利用Aspen Hysys進(jìn)行常壓塔靜態(tài)模擬，以最大化產(chǎn)品收益和最小化裝置能耗為優(yōu)化目標(biāo)，利用非支配排序遺傳算法找到Pareto解集。焦云強(qiáng)[15]提出了煉油企業(yè)氫氣系統(tǒng)的多目標(biāo)設(shè)計策略，利用變權(quán)系數(shù)的加權(quán)法將多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)優(yōu)化問題，根據(jù)Pareto最優(yōu)前沿權(quán)衡投資成本和操作成本，給出優(yōu)化后的設(shè)計方案。

為實現(xiàn)S Zorb裝置產(chǎn)品指標(biāo)的在線預(yù)測和多目標(biāo)優(yōu)化分析，筆者根據(jù)某煉油廠S Zorb裝置的生產(chǎn)工藝和有限的過程數(shù)據(jù)，通過相關(guān)性分析選取得到10個操作變量。結(jié)合實際的工藝參數(shù)，建立了Aspen Plus的生產(chǎn)過程機(jī)理模型。然后對機(jī)理模型進(jìn)行有效性檢驗和靈敏度分析，并建立SSA-RELM產(chǎn)品預(yù)測模型。最后將精制汽油流量、硫含量和氮含量作為優(yōu)化目標(biāo)，給出了不同分區(qū)下多目標(biāo)在線操作優(yōu)化方案。

1 S Zorb裝置機(jī)理建模與數(shù)據(jù)采集

1.1 基于GBDT融合特征貢獻(xiàn)度的相關(guān)性分析

在實際的化工過程當(dāng)中，各變量之間具有高度的非線性和強(qiáng)耦合性，分析不同變量之間的相關(guān)性就變得十分復(fù)雜。梯度提升決策樹(Gradient boosting decision tree, GBDT)是基于決策樹模型的集成學(xué)習(xí)算法，因其具有較高精度，常被用于回歸預(yù)測當(dāng)中。Friedman[16]提出通過計算特征在每棵樹上的平均貢獻(xiàn)度來衡量特征的全局貢獻(xiàn)度，結(jié)點在分裂時的均方誤差損失值越大，特征的重要性越高。節(jié)點信息可以很好地反映操作變量對目標(biāo)變量的貢獻(xiàn)度，通過計算分裂節(jié)點的均方誤差損失值就可以得到相應(yīng)特征的貢獻(xiàn)度，該計算方法能夠充分地表征操作變量和目標(biāo)變量之間的相關(guān)性。

某煉油廠DCS系統(tǒng)每隔6 min采樣一次，共得到現(xiàn)場數(shù)據(jù)6720組，去除原始數(shù)據(jù)中的缺失值和錯誤值，處理后得到6527組數(shù)據(jù)。根據(jù)工藝手冊，對24個主要操作變量進(jìn)行相關(guān)性分析，分別建立24個操作變量與精制汽油產(chǎn)品流量和硫含量的GBDT模型，并根據(jù)節(jié)點信息計算各個特征對應(yīng)的特征貢獻(xiàn)度，通過等比例加權(quán)融合方法得到融合特征貢獻(xiàn)度，融合特征度的大小反映了相關(guān)性的大小。各操作變量的融合特征貢獻(xiàn)度如圖1所示。

F1—3# Feed flowrate; F2—Hydronaphtha flowrate;T1—Heating furnace inlet temperature;T2—Hot separator temperature;p1—Reactor pressure; T3—Gasoline temperature;F10—Steam flowrate; T4—Cold separator temperature;T5—Gas outlet temperature; p2—Hot separator pressure;T6—Regeneration temperature; F4—Deoxygenated water flowrate;F5—Gas flowrate; L1—Hot separator liquid level;F6—Regenerator N2 flow; p3—Cold separator pressure;T7—Reactor temperature; F7—H2S flow;p4—Regeneration pressure; s1—Capacity of regenerator;p5—Tower top pressure; L2—Cold separator liquid level;F8—N2 flowrate; F9—2# Feed flowrate圖1 基于GBDT融合特征貢獻(xiàn)度Fig.1 Fusion feature contribution based on GBDT

在圖1中,將24個操作變量的融合特征度按由大到小的順序進(jìn)行排序，從中選取10個具有較高特征貢獻(xiàn)度的操作變量：3#進(jìn)料流量(F1)、加氫石腦油進(jìn)料(F2)、加熱爐進(jìn)口溫度(T1)、熱分溫度(T2)、吸附脫硫反應(yīng)器壓力(p1)、產(chǎn)品汽油出裝置溫度(T3)、蒸汽進(jìn)裝置流量(F10)、冷分溫度(T4)、干氣出裝置溫度(T5)和熱分壓力(p2)。經(jīng)計算，這10個操作變量的特征貢獻(xiàn)度之和為0.975，所選操作變量能夠充分反映對目標(biāo)變量的貢獻(xiàn)度。

1.2 基于Aspen Plus的S Zorb裝置機(jī)理建模

S Zorb吸附脫硫工藝以催化裂化(FCC)汽油為原料，F(xiàn)CC汽油中的硫化物與Ni和ZnO所組成的吸附劑發(fā)生吸附脫硫反應(yīng)，噻吩類化合物中的硫原子直接被吸附劑所吸收形成金屬硫化物，反應(yīng)后的吸附劑通過后續(xù)的吸附再生反應(yīng)實現(xiàn)吸附劑的再生。王連山等[17]提出了38集總組分對物料進(jìn)行表征，建立了可靠的連續(xù)重整裝置的集總動力學(xué)模型。在此基礎(chǔ)上，針對Aspen Plus機(jī)理模型，筆者采用42集總模型(烷烴19集總、烯烴10集總、芳烴5集總、硫化物6集總、氮化物2集總)對原料進(jìn)行表征[18]，其中硫化物用噻吩硫、硫醚和硫醇進(jìn)行表征，氮化物用喹啉和吡啶進(jìn)行表征[19]。S Zorb裝置主要分為3個單元：吸附脫硫單元、吸附劑再生單元和產(chǎn)品穩(wěn)定單元。下面將結(jié)合圖2依次對3個主要單元進(jìn)行介紹。

(1)吸附脫硫單元：該單元的進(jìn)料包括新氫進(jìn)料(H2)、罐區(qū)補(bǔ)充進(jìn)料(FCC-1)、2號罐區(qū)進(jìn)料(FCC-2)、3號罐區(qū)進(jìn)料(FCC-3)，以上進(jìn)料經(jīng)過加熱爐預(yù)熱進(jìn)入到吸附脫硫反應(yīng)器(Reactor)中，與吸附劑(Adsorb)發(fā)生吸附脫硫反應(yīng)，同時反應(yīng)器內(nèi)還包含一定程度的烯烴加氫反應(yīng)和烯烴加氫異構(gòu)化反應(yīng)。反應(yīng)完成后，含硫吸附劑經(jīng)閥門(V-1)進(jìn)入到吸附劑再生單元。而氣相物流經(jīng)冷卻器(COOL-1)進(jìn)入熱分罐(SEP-1)進(jìn)行初次氣-液兩相的分離，液相進(jìn)入產(chǎn)品穩(wěn)定單元進(jìn)行精餾，而氣相物流經(jīng)冷卻器(COOL-2)再次換熱后進(jìn)入冷分罐(SEP-2)，進(jìn)行第二次氣-液分離，分離后的氣相作為循環(huán)氫進(jìn)行循環(huán)利用，液相經(jīng)分離罐(B-2)脫水后進(jìn)入產(chǎn)品穩(wěn)定單元。

(2)吸附劑再生單元：在實際的生產(chǎn)過程中，吸附劑再生單元通過步序控制使脫硫反應(yīng)器(Reactor)中的吸附劑保持一定活性，筆者建模時暫未考慮吸附劑活性變化的影響。吸附脫硫反應(yīng)結(jié)束后，待生吸附劑中被吸附的硫原子主要以ZnS的形式存在，通過再生反應(yīng)器中氧化反應(yīng)重新得到具有吸附活性的ZnO，反應(yīng)產(chǎn)生的煙氣進(jìn)入SRU硫磺回收系統(tǒng)進(jìn)行處理。反應(yīng)后的固體吸附劑中含有一定成分的NiO，繼續(xù)在還原反應(yīng)器(CONV-2)中完成Ni的還原，最終得到再生的吸附劑。

H2—New hydrogen feed; FCC-1, FCC-2, FCC-3—1#, 2#, 3# Fluid catalytic cracking gasoline; Adsorb—Adsorbent feed; Air—Air feed;CIR-H2, RE-H2—Circulating hydrogen; Naphtha—Hydrogenated naphtha; WW-1, WW-2—Waste water; Fuel-Gas—Emission of fuel gas;New-Adsorb—Regenerative adsorbent; Gas—Dry gas; Product—Refined gasoline; MIX-1, MIX-2, MIX-3, MIX-4, MIX-5, MIX-6—Mixer;HEAT-1—Heater; COOL-1, COOL-2, COOL-3, COOL-4, COOL-5, COOL-6—Cooler; SEP-1—Hot separator；SEP-2—Cold separator; SEP-3, SEP-4, SEP-5, SEP-6—Separator; Reactor—Adsorption desulfurization reactor;CONV-1, CONV-2—Regenerative reactor; B-2, B-1—Separator; T-1—Distillation tower; V-1, V-2—Valve圖2 S Zorb工藝流程模擬Fig.2 Simulation of S Zorb process

(3)產(chǎn)品穩(wěn)定單元：經(jīng)過分離后的汽油與調(diào)合石腦油(FCC-4)混合進(jìn)入精餾塔(T-1)，設(shè)定精餾塔的塔板數(shù)為30，汽油進(jìn)料為第12塔板。經(jīng)過精餾后得到精制汽油(Product),并排出干氣(Gas)，建模過程中所涉及的參數(shù)均按照工藝手冊的要求設(shè)定。

1.3 Aspen Plus模型的有效性檢驗與靈敏度分析

Aspen Plus模型計算收斂之后，利用實際數(shù)據(jù)對模型的有效性進(jìn)行檢驗，保證后續(xù)生成擴(kuò)展數(shù)據(jù)集的可靠性。針對1.1節(jié)中某煉油廠DCS系統(tǒng)的6527組實際有效數(shù)據(jù)，忽略掉測量變送裝置和各反應(yīng)器的反應(yīng)因素等造成的時滯，利用隨機(jī)抽樣的方法從每日0—12時和12—24時各隨機(jī)抽取1個樣本點，共得到該月的56個測試樣本。將精制汽油流量和精制汽油硫含量作為有效性檢驗的指標(biāo)，對比仿真結(jié)果與實際數(shù)據(jù)，繪制仿真數(shù)據(jù)與現(xiàn)場數(shù)據(jù)的對比圖像，同時計算2個有效性檢驗指標(biāo)的均方誤差MSE、平均絕對誤差MAE。

圖3為精制汽油流量和硫含量實際值與仿真值的比較。由于建立機(jī)理模型的過程中未考慮實際生產(chǎn)過程中的損耗，因此在圖3仿真結(jié)果中預(yù)測值略大于實際值，但預(yù)測值的變化趨勢與實際值的變化趨勢保持一致，同時預(yù)測誤差保持在一定的范圍內(nèi)。在精制汽油流量的誤差計算結(jié)果中，MSE為6.747，MAE為6.612；在精制汽油硫含量的誤差計算結(jié)果中，MSE為0.261，MAE為0.219。以上2個產(chǎn)品指標(biāo)的驗證結(jié)果證明了模型的有效性。

圖3 精制汽油流量和硫含量實際值與仿真值的比較Fig.3 Comparison of actual and simulation data of refined gasoline flowrate and its sulfur content(a) Refined gasoline flowrate (F3); (b) Sulfur mass fraction (w2(S)) of refined gasoline

通過Aspen Plus機(jī)理模型進(jìn)行靈敏度分析，對1.1節(jié)相關(guān)性分析得到的10個操作變量(3#進(jìn)料流量、加氫石腦油進(jìn)料、加熱爐進(jìn)口溫度、熱分溫度、吸附脫硫反應(yīng)器壓力、產(chǎn)品汽油出裝置溫度、蒸汽進(jìn)裝置流量、冷分溫度、干氣出裝置溫度和熱分壓力)進(jìn)行進(jìn)一步的篩選，找到對于Aspen Plus模型靈敏度高的變量作為輸入變量。將以上10個操作變量作為機(jī)理模型的自變量，計算當(dāng)自變量數(shù)值波動1%時精制汽油流量和硫含量變化的百分比，通過該百分比的數(shù)值來反映機(jī)理模型對于自變量的靈敏度。經(jīng)計算，精制汽油流量和硫含量對產(chǎn)品汽油出裝置溫度、吸附脫硫反應(yīng)器壓力和蒸汽進(jìn)裝置流量不敏感，靈敏度的計算值近似為零，因此選擇其余7個操作變量為輸入變量。

1.4 運(yùn)行Aspen Plus模型擴(kuò)充數(shù)據(jù)集

由于目前所掌握的現(xiàn)場數(shù)據(jù)較為有限，在一定時間段內(nèi)的工況變化范圍較小，為保證數(shù)據(jù)驅(qū)動建模過程中數(shù)據(jù)的完備性，運(yùn)行機(jī)理模型對數(shù)據(jù)集進(jìn)行擴(kuò)充?？紤]到在實際的生產(chǎn)過程中原料油的批次不同，原料油中含硫化合物變動較大，因此將進(jìn)料油的硫含量納入數(shù)據(jù)驅(qū)動建模的輸入變量，結(jié)合1.3節(jié)靈敏度分析得到的7個輸入變量，共計得到8個輸入變量。

根據(jù)生產(chǎn)工藝的要求，各輸入變量在允許的范圍內(nèi)取值，同時根據(jù)對該煉油廠實際有效的6527組DCS數(shù)據(jù)進(jìn)行的統(tǒng)計,找到在常規(guī)工況下各個輸入變量分布密集的區(qū)間和分布稀疏的區(qū)間。在分布密集的區(qū)間內(nèi)選取較多的點，在分布稀疏的區(qū)間內(nèi)選取較少的點。詳細(xì)列出如下：原料油硫質(zhì)量分?jǐn)?shù)(410～450 μg/g，取值為{410，430，450})，3#進(jìn)料流量(60000～90000 kg/h，取值為{70000，80000，90000})，干氣出裝置溫度(不大于45 ℃，取值為{30.00，31.25，32.50，33.75，35.00，45.00})，熱分溫度(100～150 ℃，取值為{120，136，137，138，139，145})，冷分溫度(不大于45 ℃，取值{30.0，32.5，35.0，37.5，40.0，45.0})，加氫石腦油進(jìn)料(2000～5000 kg/h，取值為{2000，4000})，加熱爐進(jìn)口溫度(380～440 ℃，取值為{418，421，424，427，430})，熱分壓力(1.9～2.9 MPa，取值為{2.300，2.325，2.350，2.375，2.400，2.800})。Aspen Plus機(jī)理模型的輸出為：精制汽油質(zhì)量流量(kg/h)、精制汽油硫質(zhì)量分?jǐn)?shù)(μg/g)和精制汽油氮質(zhì)量分?jǐn)?shù)(μg/g)，此3項為產(chǎn)品質(zhì)量相關(guān)的指標(biāo)。按照以上輸入變量的取值運(yùn)行Aspen Plus機(jī)理模型，得到111840組數(shù)據(jù)。擴(kuò)展數(shù)據(jù)集如表1所示。

2 基于SSA-RELM的數(shù)據(jù)驅(qū)動建模

2.1 正則化極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)作為一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，與BP網(wǎng)絡(luò)模型相比，具有更快的訓(xùn)練速率，特別是在訓(xùn)練數(shù)據(jù)量大的情況下，具有明顯的優(yōu)勢，適合在線的訓(xùn)練和多目標(biāo)的預(yù)測。假設(shè)有一訓(xùn)練數(shù)據(jù)集S={(x1,y1),(x2,y2),…,(xl,yl)}，其中xi∈Rn表示n維輸入，yi∈Rm表示m維輸出，i=1,2,…,l，其中l(wèi)為數(shù)據(jù)的個數(shù)。假設(shè)隱層神經(jīng)元的個數(shù)為N，激活函數(shù)為G(x)的極限學(xué)習(xí)機(jī)可以表示為：

(1)

式(1)中：ωj是第j個神經(jīng)元的輸入權(quán)重；βj是第j個神經(jīng)元的輸出權(quán)重。式(1)可用矩陣表示為：

Y=H·β

(2)

式(2)中：H為隱含層的輸出；β為隱含層與輸出層的連接權(quán)值；Y為網(wǎng)絡(luò)的輸出。由于輸入層到隱含層的權(quán)值和閾值可以隨機(jī)賦值，則隱含層與輸出層之間的連接權(quán)值可以通過式(3)求解得到：

(3)

(4)

式(4)中，C為常數(shù)，求解得到式(4)的解為：

(5)

式(5)中,I為單位矩陣。

表1 擴(kuò)展數(shù)據(jù)集Table 1 Extended database

在RELM的訓(xùn)練過程中，首先確定模型輸入神經(jīng)元的個數(shù)、輸出神經(jīng)元的個數(shù)和隱含層神經(jīng)元的個數(shù)，然后隨機(jī)初始化輸入層到隱含層的權(quán)重和閾值，結(jié)合訓(xùn)練數(shù)據(jù)集計算β，最后利用訓(xùn)練好的RELM模型進(jìn)行預(yù)測。

2.2 麻雀搜索算法

麻雀搜索算法是一種新型的群智能優(yōu)化算法，該算法具有很好的局部搜索能力和全局搜索能力。通過與其他算法在收斂速率、精度和穩(wěn)定性對比，麻雀搜索算法均有很好的表現(xiàn)[20]。

麻雀搜索算法中將種群個體分為發(fā)現(xiàn)者和追隨者，發(fā)現(xiàn)者具有較高適應(yīng)度的值，指引追隨者的移動。但是一旦麻雀察覺到捕食者，就會移動到安全區(qū)域，每個追隨者在發(fā)現(xiàn)最好的食物來源時都有機(jī)會成為發(fā)現(xiàn)者，算法主要包括發(fā)現(xiàn)者的更新過程、追隨者位置的更新和反捕食位置的更新。發(fā)現(xiàn)者的位置更新公式如下：

(6)

(7)

式(7)中,Xworst為當(dāng)前歷史最差的位置；XP是發(fā)現(xiàn)者當(dāng)前的最優(yōu)位置；A為1×d維向量，向量元素隨機(jī)賦值1或-1，A+=AT(AAT)-1；P為麻雀種群的數(shù)量，根據(jù)上式完成追隨者的位置更新。為了防止陷入局部最優(yōu)，提高全局搜索的能力，引入反捕食的策略。反捕食者的數(shù)目可以設(shè)定為種群數(shù)目的10%到20%，該群體的選擇方式如下：

(8)

2.3 麻雀搜索算法優(yōu)化正則化極限學(xué)習(xí)機(jī)

極限學(xué)習(xí)機(jī)在進(jìn)行初始化時，輸入層到隱含層的權(quán)值和閾值均為隨機(jī)生成，這就很難保證極限學(xué)習(xí)機(jī)發(fā)揮最優(yōu)的性能。針對這個問題，筆者提出了基于數(shù)據(jù)驅(qū)動SSA-RELM建模方法，在RELM模型的基礎(chǔ)上引入麻雀搜索算法，使得每個麻雀個體中包含輸入層帶隱含層的連接權(quán)值信息和隱含層的閾值信息，通過尋找麻雀種群中最優(yōu)個體來得到最優(yōu)的網(wǎng)絡(luò)權(quán)值和閾值，適應(yīng)度函數(shù)用實際值和預(yù)測值的均方誤差來表示，均方誤差越小則個體的適應(yīng)度越高。利用麻雀搜索算法得到的最優(yōu)權(quán)值和閾值對RELM模型進(jìn)行初始化，進(jìn)而建立SSA-RELM的模型，算法步驟如下：

Step 1 將數(shù)據(jù)集劃分為訓(xùn)練集和測試集，分別用于模型的訓(xùn)練和預(yù)測；

Step 2 設(shè)置麻雀搜索算法的超參數(shù)，如種群大小、最大迭代次數(shù)、預(yù)警值等，并對種群進(jìn)行隨機(jī)初始化；

Step 3 計算初始的個體適應(yīng)度、當(dāng)前最優(yōu)適應(yīng)度和最差適應(yīng)度，并按照適應(yīng)度對個體排序；

Step 4 按照2.2節(jié)公式依次進(jìn)行發(fā)現(xiàn)者、追隨者和反捕食者的位置更新；

Step 5 再次計算個體適應(yīng)度、全局最優(yōu)適應(yīng)度和全局最差適應(yīng)度；判斷是否到達(dá)最優(yōu)迭代次數(shù)，是則跳轉(zhuǎn)Step 6，否則跳轉(zhuǎn)Step 4；

Step 6 利用最優(yōu)個體對RELM的權(quán)值和閾值進(jìn)行初始化，利用訓(xùn)練數(shù)據(jù)集求解輸出層連接權(quán)值β；

Step 7 使用訓(xùn)練好的模型進(jìn)行多目標(biāo)預(yù)測。

2.4 預(yù)測結(jié)果對比與分析

按照算法流程進(jìn)行數(shù)據(jù)驅(qū)動建模，將擴(kuò)充數(shù)據(jù)集進(jìn)行隨機(jī)劃分，訓(xùn)練集數(shù)據(jù)占比80%，測試集數(shù)據(jù)占比20%。首先對麻雀搜索算法中的超參數(shù)進(jìn)行設(shè)定，種群數(shù)量設(shè)置為50，個體的維度為1440，每個個體都包含輸入層到隱含層的權(quán)重信息和隱含層的閾值信息，發(fā)現(xiàn)者數(shù)量設(shè)為群體數(shù)量的20%，最大迭代次數(shù)設(shè)置為100，個體每一維度的上界和下界分別取1和-1，使得網(wǎng)絡(luò)的權(quán)值在[-1,1]之間選取。同時對RELM的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行初始化設(shè)定，輸入層神經(jīng)元的個數(shù)為8，分別表示3#進(jìn)料流量、加氫石腦油流量、加熱爐進(jìn)口溫度、熱分溫度、冷分溫度、反應(yīng)器壓力、干氣出裝置溫度和原料硫含量，隱含層神經(jīng)元個數(shù)設(shè)為160，輸出層神經(jīng)元個數(shù)為3，分別表示精制汽油流量、氮含量和硫含量。分別按照2.3節(jié)建模過程建立RELM模型和SSA-RELM模型，并從測試集中隨機(jī)抽取112組數(shù)據(jù)進(jìn)行測試，2種模型的預(yù)測值與實際值的對比曲線和偏差曲線如圖4～圖9所示。對于圖4、圖6和圖8 可知，實際值和預(yù)測值擬合效果越好說明精度越高；對于圖5、圖7和圖9，曲線的波動幅度越小，說明越靠近偏差為0的水平線，預(yù)測結(jié)果越精確，反之曲線的波動幅度越大，預(yù)測結(jié)果越不精確。

F3—Refined gasoline flowrate圖4 不同預(yù)測模型下精制汽油流量的預(yù)測值和實際值Fig.4 Predicted and actual data of refined gasoline flowrate with using different prediction models(a) RELM model; (b) SSA-RELM model

F3—Refined gasoline flowrate圖5 不同預(yù)測模型下精制汽油流量預(yù)測偏差Fig.5 Difference of refined gasoline flowratewith using different prediction models

w2(S)—Sulfur mass fraction of refined gasoline圖6 不同預(yù)測模型下精制汽油硫含量的預(yù)測值和實際值Fig.6 Predicted and actual sulfur content of refined gasolinewith using different prediction models(a) RELM model; (b) SSA-RELM model

由圖5、圖7和圖9可以看出，對于3個指標(biāo)的預(yù)測結(jié)果，改進(jìn)后的SSA-RELM模型比RELM具有更高的預(yù)測精度。分別計算預(yù)測指標(biāo)的均方誤差MSE和平均絕對誤差MAE，計算結(jié)果如表2所示。由表2可知，SSA-RELM模型在RELM模型的基礎(chǔ)上進(jìn)一步提升了預(yù)測精度。在實際的生產(chǎn)過程中，改進(jìn)后的模型能夠?qū)崿F(xiàn)快速地多目標(biāo)預(yù)測，為實際生產(chǎn)操作提供相應(yīng)的指導(dǎo)，提高生產(chǎn)的穩(wěn)定性和產(chǎn)品汽油的質(zhì)量，增加煉油廠的經(jīng)濟(jì)效益。

w2(S)—Sulfur mass fraction of refined gasoline圖7 不同預(yù)測模型下精制汽油硫含量預(yù)測偏差Fig.7 Difference of sulfur content of refined gasolinewith using different prediction models

w3(N)—Nitrogen mass fraction of refined gasoline圖8 不同預(yù)測模型下精制汽油氮含量的預(yù)測值和實際值Fig.8 Predicted and actual nitrogen content of refinedgasoline with using different prediction models(a) RELM model; (b) SSA-RELM model

w3(N)—Nitrogen mass fraction of refined gasoline圖9 不同預(yù)測模型下精制汽油氮含量預(yù)測偏差Fig.9 Difference of nitrogen content of refined gasolinewith using different prediction models

表2 預(yù)測誤差計算結(jié)果Table 2 Calculation results of prediction error

3 多目標(biāo)操作優(yōu)化分析

S Zorb作為吸附脫硫裝置，該裝置的主要產(chǎn)品精制汽油的硫含量是最重要的指標(biāo)，同時氮含量作為清潔燃料的指標(biāo)之一也應(yīng)適當(dāng)予以考慮，此外在以上2個指標(biāo)合格的情況下，精制汽油的流量越大可以保證獲得越多的合格產(chǎn)品。如何平衡好3個指標(biāo)之間的關(guān)系，以及如何對相應(yīng)的操作變量進(jìn)行調(diào)整，都是實際生產(chǎn)過程中需要考慮的關(guān)鍵問題。

筆者將精制汽油產(chǎn)品流量、氮含量和硫含量3個指標(biāo)作為多目標(biāo)操作優(yōu)化分析的3個目標(biāo)，以3#進(jìn)料和加氫石腦油進(jìn)料量的不同組合為例，分6個區(qū)((70000 kg/h,4000 kg/h)、(70000 kg/h,2000 kg/h)、(80000 kg/h,4000 kg/h)、(80000 kg/h,2000 kg/h)、(90000 kg/h,4000 kg/h)、(90000 kg/h,2000 kg/h))進(jìn)行了多目標(biāo)操作優(yōu)化分析。按照以上分區(qū)方式，利用Aspen Plus仿真共得到18000組數(shù)據(jù)，每個操作區(qū)有3000組數(shù)據(jù)。

將每個分區(qū)的操作點對應(yīng)的目標(biāo)值在三維坐標(biāo)系中畫出。由于在多目標(biāo)優(yōu)化問題中，各單目標(biāo)的優(yōu)化方向相互沖突，對于硫含量和氮含量的預(yù)期目標(biāo)應(yīng)越低越好，而對于精制汽油產(chǎn)品流量應(yīng)當(dāng)盡可能大，同時不同的目標(biāo)的量綱也不同。為了進(jìn)行綜合評價，將3個目標(biāo)數(shù)據(jù)進(jìn)行了歸一化，并將精制汽油流量數(shù)據(jù)取為負(fù)值，使得多個目標(biāo)變化趨勢一致。然后，根據(jù)目標(biāo)空間中各目標(biāo)的分布情況，采用非支配排序的方法尋找Pareto前沿[21]，各區(qū)的3個目標(biāo)分布情況如圖10所示。

F3—Refined gasoline flow; w2(S)—Sulfur mass fraction of refined gasoline; w3(N)—Nitrogen mass fraction of refined gasoline圖10 各分區(qū)的目標(biāo)空間及Pareto前沿Fig.10 Objective space and Pareto front in each partition zone(a) Partition zone 1: (F1=70000 kg/h, F2=4000 kg/h); (b) Partition zone 2: (F1=70000 kg/h, F2=2000 kg/h);(c) Partition zone 3: (F1=80000 kg/h, F2=4000 kg/h); (d) Partition zone 4: (F1=80000 kg/h, F2=2000 kg/h);(e) Partition zone 5: (F1=90000 kg/h, F2=4000 kg/h); (f) Partition zone 6: (F1=90000 kg/h, F2=2000 kg/h)

圖10(a)、(b)、(c)、(d)、(e)、(f)分別表示6個分區(qū)，對應(yīng)的分區(qū)為：(70000 kg/h,4000 kg/h)、(70000 kg/h,2000 kg/h)、(80000 kg/h,4000 kg/h)、(80000 kg/h,2000 kg/h)、(90000 kg/h,4000 kg/h)、(90000 kg/h,2000 kg/h)。在每個子圖中，藍(lán)色點表示支配解，紅色點表示非支配解，在非支配解中選擇得到最優(yōu)操作點。假設(shè)硫含量、氮含量和產(chǎn)品流量這3個產(chǎn)品指標(biāo)權(quán)重相同，計算歸一化后的操作點到點(0,0,-1)的歐氏距離，將該距離作為操作點綜合評價指標(biāo)，距離越小說明該操作點越好，其中距離最小的點作為該分區(qū)的最優(yōu)操作點，即為圖10中的P1到P6。各分區(qū)對應(yīng)的3個目標(biāo)重要程度相等時的最優(yōu)操作點及其目標(biāo)見表3。

從表3看到，操作點P5和P6的硫元素含量比限定值(不大于10 μg/g)高，因此在假設(shè)3個生產(chǎn)指標(biāo)等權(quán)重的情況下，并不能得到合格的產(chǎn)品。在實際生產(chǎn)中需要向著硫含量低的方向調(diào)整，在Pareto前沿上優(yōu)先選擇使得硫含量更低的其他操作點作為實際操作點以保證產(chǎn)品的質(zhì)量。

表3 圖10中各分區(qū)最優(yōu)操作點及目標(biāo)Table 3 Optimal operation point and target for each partition in Fig.10

最后，筆者對表3中的5個操作變量對3個目標(biāo)的影響程度進(jìn)行了Pearson相關(guān)性分析，結(jié)果如圖11所示。按照柱狀圖高度，可以依次排列5個操作變量的操作順序。柱形圖高度越高表明操作變量的優(yōu)先級越高，在對S Zorb裝置進(jìn)行調(diào)整時，應(yīng)當(dāng)優(yōu)先調(diào)整該變量。

T1—Heating furnace inlet temperature; T2—Hot separatortemperature; T4—Cold separator temperature;T5—Gas outlet temperature; p2—Hot separator pressure;F3—Refined gasoline flow;w2(S)—Sulfur mass fraction of refined gasoline;w3(N)—Nitrogen mass fraction of refined gasoline圖11 操作變量的優(yōu)先級計算Fig.11 Priority calculation of operation variables

在實際操作中，利用2.3節(jié)數(shù)據(jù)驅(qū)動模型對當(dāng)前操作點進(jìn)行實時預(yù)測，如果預(yù)測值與Pareto前沿中最優(yōu)操作點有差距，則在本區(qū)內(nèi)調(diào)整當(dāng)前操作點向最優(yōu)操作點移動，按照優(yōu)先級依次調(diào)整干氣出裝置溫度、熱分壓力和熱分溫度，其次對加熱爐進(jìn)口溫度和冷分溫度進(jìn)行調(diào)整，按照該操作順序可使得當(dāng)前操作點迅速移動到最優(yōu)操作點，提高實際操作的速率和效率，保證生產(chǎn)裝置始終處于最優(yōu)且穩(wěn)定的狀態(tài)。

4 結(jié)語與展望

分別建立S Zorb裝置的機(jī)理模型和數(shù)據(jù)驅(qū)動模型，實現(xiàn)了對吸附脫硫裝置在線產(chǎn)品預(yù)測和多目標(biāo)的操作優(yōu)化分析。

(1)根據(jù)實際的生產(chǎn)數(shù)據(jù)，利用GBDT模型計算24個操作變量相對于產(chǎn)品流量和硫含量的特征貢獻(xiàn)度，再利用Aspen Plus軟件建立S Zorb裝置的機(jī)理模型，并通過有效性檢驗和靈敏度分析得到機(jī)理模型輸入變量和輸出變量。

(2)通過運(yùn)行Aspen Plus機(jī)理模型擴(kuò)展數(shù)據(jù)集。利用麻雀搜索算法對正則化極限學(xué)習(xí)機(jī)進(jìn)行改進(jìn)，以原料進(jìn)料流量和硫含量、加熱爐進(jìn)口溫度、加氫石腦油進(jìn)料流量、熱分壓力、熱分溫度、干氣出裝置溫度、冷分溫度為輸入，精制汽油的流量、硫含量和氮含量和干氣流量為輸出建立了SSA-RELM模型，在保證訓(xùn)練速率的情況下進(jìn)一步提高了預(yù)測精度，實現(xiàn)了產(chǎn)品指標(biāo)在線預(yù)測。

(3)最后通過對進(jìn)料分區(qū)，分析了不同進(jìn)料情況下操作點的分布情況，找到了6個分區(qū)上Pareto最優(yōu)解和最優(yōu)操作點，給出了實際操作過程中操作變量調(diào)整的優(yōu)先級，從而實現(xiàn)精制汽油產(chǎn)品流量、硫含量和氮含量3個優(yōu)化目標(biāo)的在線操作指導(dǎo)。

(4)基于煉油廠實際的工藝手冊和有限的現(xiàn)場數(shù)據(jù)建立了S Zorb裝置模型。在后續(xù)的研究中，將進(jìn)一步探究在引入干擾變量和復(fù)雜進(jìn)料條件下的模型運(yùn)行狀態(tài)，提升模型的抗干擾能力。