張柳鶯, 任瑩瑩

(中國石油化工股份有限公司廣東石油分公司，廣東　廣州　510000)

?

智能算法用于汽油餾程蒸發(fā)溫度的計(jì)算

張柳鶯, 任瑩瑩

(中國石油化工股份有限公司廣東石油分公司，廣東廣州510000)

探討了人工神經(jīng)網(wǎng)絡(luò)法和徑向基神經(jīng)網(wǎng)絡(luò)法，用于GB/T6536《石油產(chǎn)品蒸餾測(cè)定法》測(cè)定汽油餾程試驗(yàn)時(shí)，從餾出溫度計(jì)算蒸發(fā)溫度的可能性。試驗(yàn)表明，線性神經(jīng)網(wǎng)絡(luò)法的泛化預(yù)測(cè)能力，優(yōu)于徑向基神經(jīng)網(wǎng)絡(luò)法。用所選的訓(xùn)練集數(shù)據(jù)建立數(shù)學(xué)模型后，測(cè)試集數(shù)據(jù)的仿真結(jié)果表明，仿真值與原測(cè)定值的絕對(duì)偏差，沒有超過2 ℃，說明線性神經(jīng)網(wǎng)絡(luò)法用于汽油蒸發(fā)溫度的計(jì)算是可行的，該方法是一種快速、準(zhǔn)確、簡便值得借鑒的方法。

汽油餾程；蒸發(fā)溫度換算；線性神經(jīng)網(wǎng)絡(luò)法；MATLAB

車用汽油規(guī)格指標(biāo)中，要求用蒸發(fā)溫度表述其蒸發(fā)性能的優(yōu)劣。通常汽油的蒸發(fā)溫度是采用GB/T6536-2010《石油產(chǎn)品蒸餾測(cè)定法》測(cè)定的。實(shí)驗(yàn)中，使用測(cè)得的餾出溫度，通過換算，得到所需的各點(diǎn)蒸發(fā)溫度，過程較為繁瑣，給使用者帶來不便[1]。目前使用計(jì)算機(jī)的智能算法在眾多學(xué)科研究和工程應(yīng)用中已得到廣泛應(yīng)用，取得不少可喜的成果[2-4]。筆者嘗試在汽油餾程測(cè)定中，使用線性神經(jīng)網(wǎng)絡(luò)(Linear Neural Networks，LNN)法完成各點(diǎn)餾出溫度到蒸發(fā)溫度的計(jì)算。試驗(yàn)表明，LNN法用于汽油餾程蒸發(fā)溫度計(jì)算是可行的，該方法具有快速、簡便、準(zhǔn)確的特點(diǎn)，是一種值得借鑒的方法。

1　實(shí)　驗(yàn)

1.1儀器設(shè)備與試樣

德國海爾潮 PAC OPTIDIST型自動(dòng)餾程測(cè)定儀；大氣壓力計(jì)。

油品93#、97#車用汽油。

1.2實(shí)驗(yàn)過程

按照GB/T6536《石油產(chǎn)品蒸餾測(cè)定法》來測(cè)定其餾程，記錄初餾點(diǎn)(initial boling point, ibp)、5%、10%、20%、30%、40%、50%、80%、90%、95%和終餾點(diǎn)(final boling point, fbp)的餾出溫度，記錄測(cè)試現(xiàn)場的大氣壓，并按照規(guī)程的要求，求出蒸發(fā)損失量等數(shù)據(jù)，最后按照規(guī)程指定的方法，計(jì)算出要求的各點(diǎn)蒸發(fā)溫度[1]。

用LNN法計(jì)算各點(diǎn)的蒸發(fā)溫度時(shí)，是將訓(xùn)練集的ibp、10%、50%、90%、fbp的餾出溫度、蒸發(fā)損失量和測(cè)定時(shí)的大氣壓數(shù)據(jù)，作為輸入向量，將上述各點(diǎn)對(duì)應(yīng)的蒸發(fā)溫度作為目標(biāo)向量，輸入到預(yù)先安裝了MATLAB軟件的計(jì)算機(jī)中，用其中的神經(jīng)網(wǎng)絡(luò)工具箱中的LNN網(wǎng)絡(luò)函數(shù)，建立數(shù)學(xué)模型，然后用測(cè)試集數(shù)據(jù)考察模型的“泛化”預(yù)測(cè)能力，模型泛化能力滿意時(shí)，就可以在實(shí)際測(cè)定時(shí)，用來仿真預(yù)測(cè)上述各點(diǎn)的蒸發(fā)溫度。

2　結(jié)果與討論

2.1智能算法的優(yōu)越性及方法的選擇

智能算法是一種高效的信息處理技術(shù)，解決了眾多學(xué)科研究和工程應(yīng)用中許多重要問題。它是從已知的數(shù)據(jù)出發(fā)，運(yùn)用當(dāng)今新技術(shù)、新理論，如支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹、粗糙集理論、模糊集理論和智能仿生計(jì)算等，提取其中的特征量，然后再進(jìn)行特征抽取以確定合適的特征量，張成模式空間或特征空間，最后通過智能算法進(jìn)行訓(xùn)練和判別，來揭示已知數(shù)據(jù)信息中隱含的性質(zhì)和規(guī)律，為人們提供有用的決策依據(jù)和過程優(yōu)化的重要信息[2-3]。

正是智能算法在解決信息處理方面的優(yōu)越性，筆者確定在汽油餾程測(cè)定中，嘗試使用人工神經(jīng)網(wǎng)絡(luò)中的LNN網(wǎng)絡(luò)；徑向基神經(jīng)網(wǎng)絡(luò)的廣義回歸(newgrnn)網(wǎng)絡(luò)來建立數(shù)模和仿真。實(shí)驗(yàn)表明，LNN法建立的模型，泛化預(yù)測(cè)能力強(qiáng)，是一種快速、準(zhǔn)確、簡便預(yù)測(cè)汽油餾程蒸發(fā)溫度可借鑒的方法[5]。

2.2人工神經(jīng)網(wǎng)絡(luò)

2.2.1人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)是一類模擬人腦功能的全新數(shù)據(jù)和知識(shí)等信息處理加工系統(tǒng)，是由人工建立的以有向圖為拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)系統(tǒng)，通過對(duì)連續(xù)或斷續(xù)的輸入作狀態(tài)響應(yīng)而進(jìn)行信息處理。神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)模型是人工神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)。1943年以來，經(jīng)過了漫長、曲折的發(fā)展過程，如今已成為解決復(fù)雜信息處理問題，如模式識(shí)別、預(yù)測(cè)、圖像處理、函數(shù)擬合、優(yōu)化等的有力工具。

人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)由接收信號(hào)的輸入層、輸出信號(hào)的輸出層及處于輸入層和輸出層之間的隱含層組成。人工神經(jīng)網(wǎng)絡(luò)的運(yùn)行可分為兩個(gè)階段：①訓(xùn)練或?qū)W習(xí)階段；②預(yù)測(cè)(推廣)階段。在訓(xùn)練或?qū)W習(xí)階段，反復(fù)向神經(jīng)網(wǎng)絡(luò)提供一系列輸入—輸出模式，并不斷調(diào)整節(jié)點(diǎn)之間的相互連接權(quán)重，直至特定的輸入產(chǎn)生期望的輸出。通過學(xué)習(xí)或訓(xùn)練后，神經(jīng)網(wǎng)絡(luò)便具備(學(xué)會(huì))了正確的輸入輸出響應(yīng)行為，從而對(duì)未知樣本進(jìn)行預(yù)報(bào)。

2.2.2MATLAB神經(jīng)網(wǎng)絡(luò)工具箱概述

MATLAB神經(jīng)網(wǎng)絡(luò)工具箱是用MATLAB語言構(gòu)造出的典型神經(jīng)網(wǎng)絡(luò)激活函數(shù),使得人們對(duì)所選定網(wǎng)絡(luò)輸出的計(jì)算，變成了對(duì)激活函數(shù)的調(diào)用，并按照各種典型的修正網(wǎng)絡(luò)權(quán)重的規(guī)則，結(jié)合網(wǎng)絡(luò)的訓(xùn)練過程，用MATLAB編寫出各種網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練的子程序，從而可根據(jù)自己的需要，調(diào)用所需函數(shù)解決實(shí)際問題。主要包括的網(wǎng)絡(luò)模型有：①感知器；②線性網(wǎng)絡(luò)；③BP網(wǎng)絡(luò)；④徑向基函數(shù)；⑤自組織網(wǎng)絡(luò)；⑥回歸網(wǎng)絡(luò)。對(duì)于各種網(wǎng)絡(luò)模型，工具箱集成了多種學(xué)習(xí)算法，還給出了大量的示例程序，為用戶提供了極大方便。

2.2.3MATLAB神經(jīng)網(wǎng)絡(luò)工具箱的應(yīng)用

實(shí)踐中常發(fā)現(xiàn)，用各種智能方法建立的數(shù)學(xué)模型對(duì)已知數(shù)據(jù)(即所謂訓(xùn)練集)常能擬合較好，而預(yù)報(bào)未知樣本時(shí)，偏差會(huì)較大，這就是所謂的“過擬合”(overfiing)現(xiàn)象。反之，由于樣本數(shù)目過少，建立的模型精度不夠，則稱之為“欠擬合”(underfiing)。如何提高算法和數(shù)學(xué)模型的推廣能力，以確保預(yù)

報(bào)結(jié)果的可靠性，顯然是智能算法中的重要課題。實(shí)踐表明，用智能算法的神經(jīng)網(wǎng)絡(luò)法求解，一是應(yīng)根據(jù)問題的特點(diǎn)選擇合適的網(wǎng)絡(luò)模型；二是建立網(wǎng)絡(luò)模型時(shí)通過仿真，分析判斷網(wǎng)絡(luò)是否適合實(shí)際問題的特點(diǎn)，是否達(dá)到所需的準(zhǔn)確度和精度，這兩點(diǎn)至關(guān)重要[2-5]。

筆者用神經(jīng)網(wǎng)絡(luò)法由汽油餾出溫度計(jì)算其蒸發(fā)溫度時(shí)，曾選擇了LNN網(wǎng)絡(luò)；徑向基神經(jīng)網(wǎng)絡(luò)中的廣義回歸(newgrnn)網(wǎng)絡(luò)，實(shí)驗(yàn)證明，用LNN網(wǎng)絡(luò)建立的模型，泛化預(yù)測(cè)能力優(yōu)于后者。

2.2.4LNN法計(jì)算汽油餾程的蒸發(fā)溫度

2.2.4.1LNN網(wǎng)絡(luò)簡介

LNN網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，它是一種最簡單的神經(jīng)元網(wǎng)絡(luò)，由一個(gè)或多個(gè)線性神經(jīng)元組成，每個(gè)神經(jīng)元的傳遞函數(shù)為線性函數(shù)，可采用Widrow-Hoff學(xué)習(xí)規(guī)則或者LMS(Least Mean Square)算法來調(diào)整網(wǎng)絡(luò)的權(quán)重和閾值。

圖1　線性神經(jīng)網(wǎng)絡(luò)層模型結(jié)構(gòu)圖

LNN網(wǎng)絡(luò)的神經(jīng)元的傳輸函數(shù)是線性函數(shù)，LNN網(wǎng)絡(luò)層的輸出為：

a=purelin(WP+b)=WP+b

LNN網(wǎng)絡(luò)層的輸出可以取任意值，而且線性神經(jīng)元網(wǎng)絡(luò)可以是多層的。LNN網(wǎng)絡(luò)只能求解線性問題，而不能用于非線性計(jì)算，這一點(diǎn)與BP網(wǎng)絡(luò)和徑向基網(wǎng)絡(luò)不同[6-7]。

本文采用newlind函數(shù)設(shè)計(jì)LNN網(wǎng)絡(luò)。調(diào)用格式為：

net=newlind(P,T)

其中：P為訓(xùn)練集網(wǎng)絡(luò)的輸入向量，T為訓(xùn)練集網(wǎng)絡(luò)的目標(biāo)向量。

2.2.4.2用LNN法計(jì)算汽油餾程的蒸發(fā)溫度

(1)訓(xùn)練集、測(cè)試集試樣的確定

取車用汽油餾程測(cè)定數(shù)據(jù)64組，選1～45組作為訓(xùn)練集樣本，用來訓(xùn)練建立數(shù)學(xué)模型，選46～64組共19組作為測(cè)試集樣本，考察模型的泛化預(yù)測(cè)能力，見表1、表2。表中餾出溫度、蒸發(fā)損失量和大氣壓，為試驗(yàn)測(cè)定獲得，蒸發(fā)溫度是按照GB/T6536方法規(guī)定得來。

表1　汽油餾程訓(xùn)練集樣本數(shù)據(jù)

表2　汽油餾程測(cè)試集樣本數(shù)據(jù)

(2)LNN算法

用GB/T6536方法從餾出溫度計(jì)算蒸發(fā)溫度時(shí)，考慮了蒸發(fā)損失量和測(cè)定時(shí)大氣壓的影響[1]，因此在設(shè)計(jì)LNN網(wǎng)絡(luò)結(jié)構(gòu)建立數(shù)模時(shí)，也考慮了餾出溫度、蒸發(fā)損失量和測(cè)定時(shí)大氣壓的影響。程序設(shè)計(jì)時(shí)，依次把訓(xùn)練集的ibp、10%、50%、90%和fbp點(diǎn)的餾出溫度和損失量及大氣壓作為輸入向量，把上述各點(diǎn)的蒸發(fā)溫度作為目標(biāo)向量，選擇newlind函數(shù)設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu)，用sim函數(shù)仿真，通過訓(xùn)練網(wǎng)絡(luò)和仿真即可預(yù)測(cè)蒸發(fā)溫度。例如將訓(xùn)練集的10%點(diǎn)餾出溫度、蒸發(fā)損失量和大氣壓作為輸入向量，將對(duì)應(yīng)的10%點(diǎn)蒸發(fā)溫度作為目標(biāo)向量，輸入電腦，選擇newlind函數(shù)建立網(wǎng)絡(luò)，用sim函數(shù)仿真，再用測(cè)試集的10%點(diǎn)對(duì)應(yīng)的數(shù)據(jù)考察數(shù)模的泛化預(yù)測(cè)能力，如果對(duì)建立的數(shù)模滿意，就可以在以后測(cè)定時(shí)，用來預(yù)測(cè)10%點(diǎn)的蒸發(fā)溫度。

(3)測(cè)試集樣本仿真結(jié)果與GB/T6536方法測(cè)定結(jié)果對(duì)比

圖2　測(cè)試集樣本各點(diǎn)蒸發(fā)溫度實(shí)測(cè)值與仿真值對(duì)比圖

對(duì)比結(jié)果見圖2。由圖2可見，除過90%點(diǎn)的實(shí)測(cè)值與仿真值偏差稍大以外，ibp、10%、50%、fbp實(shí)測(cè)值與仿真值偏差均很小。表3列出了測(cè)試集樣本各點(diǎn)蒸發(fā)溫度實(shí)測(cè)值與仿真值的最大絕對(duì)偏差，由表3可見，90%點(diǎn)實(shí)測(cè)值與仿真值偏差稍大，但也未超過2 ℃。

表3　測(cè)試集各點(diǎn)蒸發(fā)溫度實(shí)測(cè)值與仿真值的最大絕對(duì)偏差

(4)LNN法測(cè)定結(jié)果與徑向基廣義回歸網(wǎng)絡(luò)法結(jié)果的比較

表4　LNN法仿真結(jié)果與徑向基廣義回歸網(wǎng)絡(luò)法仿真結(jié)果比較

表4為LNN法測(cè)定結(jié)果與徑向基廣義回歸網(wǎng)絡(luò)法結(jié)果的比較表。由表可見，LNN法的仿真值與徑向基廣義回歸網(wǎng)絡(luò)法仿真值比較，前者要優(yōu)于后者。

(5)LNN法測(cè)試的精密度考察

表5為精密度考察表。根據(jù)理論分析，汽油餾程蒸發(fā)溫度測(cè)定精密度主要取決于測(cè)定過程，而計(jì)算機(jī)仿真環(huán)節(jié)，不會(huì)帶來多大誤差，所以測(cè)定的精密度和手工測(cè)定的精密度相當(dāng)。

表5　汽油餾程蒸發(fā)溫度測(cè)定精密度考察表(n=5)

注：n=5表示實(shí)驗(yàn)時(shí)進(jìn)行了5次平行實(shí)驗(yàn)。

3　結(jié)　論

(1)實(shí)驗(yàn)表明，在使用GB/T6536測(cè)定汽油餾程，由餾出溫度換算成蒸發(fā)溫度時(shí)，可以使用LNN法。使用時(shí)只需要向計(jì)算機(jī)輸入ibp、10%、50%、90%和fbp的餾出溫度，蒸發(fā)損失量以及測(cè)試時(shí)的大氣壓，然后用建立好的線性網(wǎng)絡(luò)仿真，就可以快速、簡便、準(zhǔn)確預(yù)測(cè)出所需的餾程蒸發(fā)溫度，因此這是一種計(jì)算蒸發(fā)溫度的值得借鑒的方法。

(2)使用人工神經(jīng)網(wǎng)絡(luò)法建立數(shù)學(xué)模型時(shí)，一是要注意選擇合適的網(wǎng)絡(luò)模型，二是要調(diào)整好網(wǎng)絡(luò)參數(shù)，這樣才可以建立泛化預(yù)測(cè)能力強(qiáng)的數(shù)學(xué)模型，取得滿意的仿真預(yù)測(cè)結(jié)果。

(3)使用LNN法計(jì)算餾程蒸發(fā)溫度，由于觀察的溫度點(diǎn)減少，操作者工作強(qiáng)度減小，很適合手工操作。

(4)當(dāng)建立的數(shù)學(xué)模型使用一段時(shí)間后，例如一周或半個(gè)月，需要跟使用GB/T6536方法計(jì)算的蒸發(fā)溫度進(jìn)行對(duì)照，對(duì)數(shù)學(xué)模型進(jìn)行校準(zhǔn)、修正，以保證仿真預(yù)測(cè)結(jié)果的可靠性。

[1]國家技術(shù)監(jiān)督局.GB/T6536-2010 石油產(chǎn)品蒸餾測(cè)定法[S]．

[2]許國根.模式識(shí)別與智能計(jì)算的MATLAB實(shí)現(xiàn)[M].北京:北京航空航天大學(xué)出版社, 2012:5-8.

[3]楊淑瑩.群體智能與仿生計(jì)算—MATLAB技術(shù)實(shí)現(xiàn)[M].北京:電子工業(yè)出版社, 2012:15-18.

[4]楊淑瑩. 模式識(shí)別與智能計(jì)算—MATLAB實(shí)現(xiàn)[M].北京:電子工業(yè)出版社, 2008:17-20.

[5]許國根.化學(xué)化工中的數(shù)學(xué)方法及MATLAB實(shí)現(xiàn)[M].北京:化學(xué)工業(yè)出版社, 2008:2-6.

[6]周開利.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京:清華大學(xué)出版社, 2005:10-11.

[7]李水祥,謝文武. MATLAB語言的神經(jīng)網(wǎng)絡(luò)工具箱及應(yīng)用[J]. 高等函授學(xué)報(bào)(自然科學(xué)版), 2007,20(1):43-46.

Calculation of the Evaporation Temperature of Gasoline Distillation by Intelligent Algorithm

ZHANGLiu-yimg,RENYing-ying

(Guangdong Petroleum Company, China Petroleum Chemical Co., Ltd., Guangdong Guangzhou 510000, China)

The method of artificial neural network and radial basis function neural network method was discussed, used for the determination of gasoline distillation test GB/T6536 "Petroleum Products-Determination of distillation", calculating the possibility of evaporation temperature from the distillation temperature. Experiments showed that the generalization of linear neural network prediction ability was better than the RBF neural network. Data was set to establish the mathematical model with the selected training set, test data and simulation results showed that the simulation values of absolute deviation and the original values, was no more than 2 ℃, and it showed that the linear neural network method for calculating the evaporation temperature was feasible, the method was a rapid, accurate, simple and valuable method.

gasoline distillation; evaporation temperature conversion; linear neural network; MATLAB

張柳鶯(1981-),女，大學(xué)本科，從事油品質(zhì)檢技術(shù)工作。

A

1001-9677(2016)010-0134-04