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、圖形識別等方面。在化工領(lǐng)域神經(jīng)網(wǎng)絡(luò)擅長用于裝置參數(shù)軟測量、產(chǎn)物收率預(yù)測等。張笑天等[3]利用模糊C均值聚類和多BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了具有良好預(yù)測能力的初頂石腦油軟測量模型。錢欣瑞等[4]構(gòu)建了基于NARX神經(jīng)網(wǎng)絡(luò)的油品性質(zhì)軟測量模型，通過動態(tài)神經(jīng)網(wǎng)絡(luò)取得了良好預(yù)測效果。本文擬構(gòu)建單隱層BP神經(jīng)網(wǎng)絡(luò)，用以對加氫裂化裝置的航煤產(chǎn)品性質(zhì)進(jìn)行預(yù)測，評估單隱層BP網(wǎng)絡(luò)對航煤的閃點(diǎn)、終餾點(diǎn)、密度的預(yù)測效果。

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)律通過隱藏層的多個神經(jīng)節(jié)點(diǎn)自動計(jì)算提取。層與層之間通過權(quán)值實(shí)現(xiàn)全連接。

圖2 用于航煤性質(zhì)軟測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)證集和測試集。其中訓(xùn)練集和驗(yàn)證集來自同一批樣本數(shù)據(jù)，通過隨機(jī)抽樣確定訓(xùn)練集和驗(yàn)證集數(shù)據(jù)，測試集取自建模之后裝置持續(xù)運(yùn)轉(zhuǎn)一段時間內(nèi)的連續(xù)工況數(shù)據(jù)，旨在測試模型的泛化性能。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)過歸一化后的矩陣，IS存儲歸一化過程參數(shù)，O為目標(biāo)變量output矩陣經(jīng)過反歸一化后的矩陣，OS存儲反歸一化過程參數(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。模型評價(jià)指標(biāo)為均方差(RMSE)，量綱同預(yù)測的目標(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)測值。為消除BP網(wǎng)絡(luò)模型穩(wěn)定性導(dǎo)致的誤差，每個案例評價(jià)結(jié)果以BP模型連續(xù)預(yù)測10次的平均RMSE表示。

2 航煤性質(zhì)軟測量應(yīng)用

2.1 驗(yàn)證集性能評估

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)并以此對閃點(diǎn)、終餾點(diǎn)預(yù)測模型進(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)測并評估模型性能，同理隨機(jī)獲取300組訓(xùn)練數(shù)據(jù)以此對密度預(yù)測模型進(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)測并評估模型性能，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)測性能評估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)模型對航煤閃點(diǎn)、終餾點(diǎn)和密度預(yù)測的平均RMSE分別為1.57 ℃、2.74 ℃和2.18 kg·m-3，且在整個驗(yàn)證集上性能較為穩(wěn)定，預(yù)測效果良好。

2.2 測試集性能評估

測試集數(shù)據(jù)取自裝置連續(xù)運(yùn)轉(zhuǎn)一段時間的工業(yè)生產(chǎn)數(shù)據(jù)，通過在測試集上進(jìn)行目標(biāo)變量預(yù)測，可充分評估神經(jīng)網(wǎng)絡(luò)模型的泛化能力。圖4為模型在測試集上的預(yù)測性能，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)和密度在測試集上的預(yù)測性能評估Figure 4 Estimation of kerosene flash point，F(xiàn)BP and density trained models on test dataset

測試集的數(shù)據(jù)獲取來自一段連續(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，故在裝置工況、催化劑活性等因素方面，測試集相比驗(yàn)證集具有更多的不確定性。在測試集工況中裝置實(shí)施了多產(chǎn)重石腦油加工方案，測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，故模型在測試集預(yù)測中部分結(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)在測試集方面仍能保持較好的預(yù)測性能(較低的RMSE值)和良好的穩(wěn)定性。故在用于工業(yè)生產(chǎn)軟測量時，需及時對模型進(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Matlab建立了單隱層BP神經(jīng)網(wǎng)絡(luò)，并對加氫裂化航煤產(chǎn)品性質(zhì)進(jìn)行了預(yù)測應(yīng)用，結(jié)果表明單隱層BP神經(jīng)網(wǎng)絡(luò)可以自動識別裝置操作參數(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)測效果。

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

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