孫鳳，尹曉麗

（中國石油大學(xué)勝利學(xué)院機(jī)械與控制工程學(xué)院，東營 257061）

引言

因為遺傳算法（Gentic Algorithm，簡稱“GA算法”）對最優(yōu)解的搜索范圍大，而且GA算法的魯棒性較強(qiáng)。而神經(jīng)網(wǎng)絡(luò)算法（Back Propagation，簡稱“Bp算法”）在神經(jīng)網(wǎng)絡(luò)中屬于較常用到的算法，Bp算法具有較強(qiáng)的泛化能力、容錯能力和非線性映射能力，是一種基于誤差逆向的傳播算法，還因為神經(jīng)網(wǎng)絡(luò)屬于前饋網(wǎng)絡(luò)的一種，所以可以對此理解為Bp神經(jīng)網(wǎng)絡(luò)算法作用于人工神經(jīng)網(wǎng)絡(luò)，即Bp算法與人工神經(jīng)網(wǎng)絡(luò)的結(jié)合[1]。但是由于Bp算法在實際操作時的局限性、收斂速度慢等缺點而導(dǎo)致無法得到最優(yōu)解。本文將這兩個算法的優(yōu)點相結(jié)合，把Bp算法和遺傳算法通過混合訓(xùn)練學(xué)習(xí)之后加入到神經(jīng)網(wǎng)絡(luò)的優(yōu)化中，可以大幅度地改善效率差、搜索不到最優(yōu)解等缺點[2]。

1 基于GA-Bp算法的煉油化工機(jī)械性能建模

由于原油的粘度范圍很大，凝固點差別大，沸點范圍為常溫到500 ℃以上，因此原油的煉化過程極為復(fù)雜[3]。原油的煉化工作主要如圖1所示，圖1為煉油化工流程圖。

想要對Bp神經(jīng)網(wǎng)絡(luò)發(fā)出的信息做出分析，首先要將信號正向傳遞到目標(biāo)點，本文在這里假設(shè)這個最初的信號為X1。接著當(dāng)信號想要通過輸入層進(jìn)入隱含層的時候，這個過程就可以用非線性函數(shù)（Sigmoid線形函數(shù)和Purelin線性函數(shù)）對隱含層內(nèi)的權(quán)值進(jìn)行調(diào)整，不斷增加或減少最后得出一個值。之后應(yīng)按照以上步驟對信號進(jìn)行反向傳遞，再次得到一個信號反向傳遞的值，將兩個值相減，得到一個差值。通過不斷重復(fù)以上訓(xùn)練，最后使Bp神經(jīng)網(wǎng)絡(luò)建模得到最優(yōu)解。如圖2，為GA-Bp神經(jīng)網(wǎng)絡(luò)基本拓?fù)浣Y(jié)構(gòu)[4]。

結(jié)束以上的訓(xùn)練之后，將得到的數(shù)值進(jìn)行輸出，此時可以選擇使用Sigmoid線形函數(shù)作為輸入層通過隱含層向輸出層傳遞數(shù)據(jù)的函數(shù)，最后再用Purelin線性函數(shù)對從上一級傳遞過來的數(shù)值確定區(qū)間并對其進(jìn)行調(diào)整[5]。如圖3，為Bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。

Bp神經(jīng)網(wǎng)絡(luò)的傳播方式主要分為兩種，其中的反向傳播本次實驗基本不會涉及到。比較常用的正向傳播的方式比較簡單，先對實驗樣本的數(shù)據(jù)進(jìn)行采集和整理，然后將數(shù)據(jù)由輸入層輸入，再傳送到隱含層。因為有著權(quán)值的約束，所以數(shù)據(jù)會在傳遞過程中被不斷調(diào)整，等到傳送到隱含層的時候就可以直接將信息傳送到輸出層進(jìn)行輸出[6]。而這個過程會被Bp神經(jīng)網(wǎng)絡(luò)記錄下來，形成Bp神經(jīng)網(wǎng)絡(luò)建模模型，之后Bp神經(jīng)網(wǎng)絡(luò)算法會對這個過程不斷解讀，計算差值，直到計算出最適合此Bp神經(jīng)網(wǎng)絡(luò)建模模型的最優(yōu)解，這時就可以結(jié)束學(xué)習(xí)訓(xùn)練，如果一直沒有找到最優(yōu)解，就會一直搜索。因此，一開始要準(zhǔn)確收集與建模模型相關(guān)的各項參數(shù)[7]。除此以外還可以對權(quán)值的變化進(jìn)行監(jiān)測，確保各項數(shù)值按照復(fù)合建模模型的既定規(guī)律進(jìn)行變化。所以如果想要增加活性就可以增大輸入神經(jīng)元的權(quán)值，反之，則縮小權(quán)值。反復(fù)重復(fù)這個流程，在隱含層內(nèi)不斷地變化權(quán)值，就可以快速的在區(qū)間內(nèi)搜索到最優(yōu)解[8]。如圖4，為Bp學(xué)習(xí)算法的流程圖。

圖1 煉油化工流程圖

圖2 GA-Bp神經(jīng)網(wǎng)絡(luò)基本拓?fù)浣Y(jié)構(gòu)

圖3 Bp神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

得出以上結(jié)論后，基于GA-Bp算法對煉油化工機(jī)械性能模型的優(yōu)化提出主要思路：利用Bp算法先對原油的煉油化工過程用到的數(shù)據(jù)進(jìn)行預(yù)先處理，然后將處理后的數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)的輸入值與輸出期望，最后得出了基于GA-Bp算法做出的原油煉化機(jī)械工作的建模模型[9]。如圖5，為 GA-Bp神經(jīng)網(wǎng)絡(luò)算法的基本結(jié)構(gòu)圖。

因為傳統(tǒng)的Bp神經(jīng)網(wǎng)絡(luò)算法仍然具有搜索效率差、效率差、自動學(xué)習(xí)速度慢等缺點，因此本文對于Bp算法做出了改善，將Bp算法和GA算法作用于神經(jīng)網(wǎng)絡(luò)時進(jìn)行混合訓(xùn)練學(xué)習(xí)，這樣就可以使Bp算法更適用于煉油化工機(jī)械工作[10]。本文提出了以下幾種改進(jìn)方法：①自動完善學(xué)習(xí)速率法：這個辦法主要是針對于Bp神經(jīng)網(wǎng)絡(luò)在傳遞數(shù)據(jù)信息的過程中會產(chǎn)生誤差而提出的，學(xué)習(xí)算法主要依賴于學(xué)習(xí)率，所以不斷調(diào)整提高學(xué)習(xí)率可以有效改善傳遞信息過程中會產(chǎn)生誤差的情況。②帶動量下降法：此方法可以使目標(biāo)函數(shù)在遇到負(fù)梯度的時候快速收斂，從而避免在趨近邊緣的時候下降速度太快而導(dǎo)致的抖動。③陡度因子法：因為訓(xùn)練的不斷搜索，函數(shù)誤差曲面可能會顯示網(wǎng)絡(luò)的收斂被緩和帶影響，相應(yīng)的網(wǎng)絡(luò)節(jié)點的輸出也是如此。這種情況會影響網(wǎng)絡(luò)的正常收斂，這時就可以借助陡度因子優(yōu)化幫助訓(xùn)練走出緩和帶[11]。

由以上的Bp神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)、原理、改進(jìn)方法可以更好的做出基于GA-Bp算法的煉油化工機(jī)械性能的模型，通過以下實驗驗證了基于GA-Bp算法的煉油化工機(jī)械建模的準(zhǔn)確性[12]。

圖4 Bp學(xué)習(xí)算法的流程圖

圖5 GA-Bp神經(jīng)網(wǎng)絡(luò)算法的基本結(jié)構(gòu)圖

2 基于GA-Bp算法的煉油化工機(jī)械性能仿真實驗

本次實驗主要是通過對GA-Bp神經(jīng)網(wǎng)絡(luò)模型進(jìn)行混合訓(xùn)練學(xué)習(xí)，并根據(jù)學(xué)習(xí)訓(xùn)練好的模型對煉油化工機(jī)械性能工作中的參數(shù)進(jìn)行了預(yù)測。在原油煉化的過程中，為了維持煉化過程的效率和煉化的安全，一定要將原油保持在固定的溫壓下進(jìn)行。就要合理有效地對原油進(jìn)行傳熱[13]。如圖6，為逆流流動時Δt的計算。

Δt進(jìn)=T1-t2

Δt出=T2-t1

如圖7，為并流流動時的Δt的計算。

Δt進(jìn)=T1-t1

Δt出=T2-t2

Δt均=（Δt進(jìn)-Δt出）/ln（Δt進(jìn)/Δt出）

原油原料投入催化裂化設(shè)備后，要進(jìn)行二次加工處理出其中的重質(zhì)油，重質(zhì)油通過催化裂化處理就可以變成輕質(zhì)油。原油的催化裂化過程一般為：二次反應(yīng)、重質(zhì)油與輕質(zhì)油分流、重質(zhì)油再生、吸收這幾個步驟。經(jīng)過這些處理步驟后將得到的重質(zhì)油加熱到400 ℃，然后將加熱后的重質(zhì)油和輕質(zhì)油倒入提升反應(yīng)器里，攪拌使其混合，最后將混合物與催化劑繼續(xù)攪拌混合，此時就會產(chǎn)生氣化反應(yīng)。當(dāng)石油產(chǎn)生了氣化反應(yīng)之后，使用完善后的GA-Bp算法重新訓(xùn)練原油煉化的過程，然后使用Bp混合訓(xùn)練和單純Bp訓(xùn)練分別對神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行預(yù)測。本次可以得出以下結(jié)論：Bp混合訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果誤差遠(yuǎn)小于單純Bp訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果誤差，結(jié)果達(dá)到了本次實驗的目的[14]。如圖8，為Bp混合訓(xùn)練與單純Bp訓(xùn)練對照圖。

圖6 逆流流動時Δt的計算

圖7 并流流動時Δt的計算

圖8 Bp混合訓(xùn)練與單純Bp訓(xùn)練對照圖

結(jié)合以上實驗，可以得出以下結(jié)論：①煉油化工機(jī)械極為復(fù)雜,影響其性能的因素很多,除了裝置的結(jié)構(gòu)參數(shù)等可控因素外還有原油種類等一些不可控因素。目前采用研究原油煉化裝置性能的一些方法很難刻劃描述這種多輸入多輸出、復(fù)雜非線性以及不確定性等特征[15]。②Bp神經(jīng)網(wǎng)絡(luò)的特點：可以大范圍搜索和并行計算、自動學(xué)習(xí)、容錯率高、泛化能力強(qiáng)、對非線性函數(shù)無限逼近等。因此用Bp神經(jīng)網(wǎng)絡(luò)來對煉油化工機(jī)械性能建?？梢院芎玫目坍嬕陨咸卣鳌＂跙p神經(jīng)網(wǎng)絡(luò)所采用的Bp混合訓(xùn)練和誤差逆?zhèn)鞑W(xué)習(xí)訓(xùn)練是根據(jù)神經(jīng)網(wǎng)絡(luò)的誤差因變量梯度數(shù)據(jù)降低的。簡單來說，這種算法是由點到點的，還因為Bp神經(jīng)網(wǎng)絡(luò)中的全局誤差數(shù)據(jù)連接組成的連接權(quán)值空間是根據(jù)擁有無數(shù)極值點的超曲面和Bp神經(jīng)網(wǎng)絡(luò)混合訓(xùn)練一開始的基礎(chǔ)權(quán)值隨機(jī)構(gòu)成的，所以Bp神經(jīng)網(wǎng)絡(luò)算法容易局限于一個極小點。將Ga算法與Bp算法結(jié)合起來的GA-Bp算法應(yīng)用于神經(jīng)網(wǎng)絡(luò)時，先利用GA遺傳算法和Bp神經(jīng)網(wǎng)絡(luò)搜索出最優(yōu)解和局部權(quán)值分布空間，接著根據(jù)Bp算法在此空間內(nèi)搜索最優(yōu)解，這樣就可以克服單純Bp訓(xùn)練算法在權(quán)值分布空間和最優(yōu)解的搜索上產(chǎn)生的局限性和不準(zhǔn)確性等缺點，因此GA-Bp神經(jīng)網(wǎng)絡(luò)算法是一種根據(jù)自然選擇和遺傳規(guī)律而產(chǎn)生變化的全局優(yōu)化算法，這也大大增加了GA-Bp神經(jīng)網(wǎng)絡(luò)算法的實用性和泛用性。

3 結(jié)束語

本文通過對影響原油煉化過程的各項參數(shù)進(jìn)行了縝密計算和研究，通過不斷訓(xùn)練學(xué)習(xí)調(diào)整權(quán)值的大小，確定最優(yōu)解的區(qū)間范圍，并再次進(jìn)行縮小搜索范圍，從而能更精確地得到Bp神經(jīng)網(wǎng)絡(luò)的模型，最后做出了基于GA-Bp算法的煉油化工機(jī)械性能的建模。本文還對Bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)的過程進(jìn)行了調(diào)整與完善，通過調(diào)整后的新算法相較于經(jīng)典算法在預(yù)測精準(zhǔn)度、訓(xùn)練效率、范圍準(zhǔn)確度等方面都有了極大的提高。用基于與相結(jié)合算法的神經(jīng)網(wǎng)絡(luò)對煉油化工機(jī)械性能模型進(jìn)行優(yōu)化,不僅可以很好原油煉化的多輸入多輸出、復(fù)雜非線性以及不確定性等特征,而且利用該方法優(yōu)化的神經(jīng)網(wǎng)絡(luò)模型還具有良好的實時性,所以基于GA-Bp算法的煉油化工機(jī)械性能建模與仿真研究有著廣泛的應(yīng)用前景。