郭惠娟, 李奇安

(遼寧石油化工大學(xué) 信息與控制工程學(xué)院, 遼寧 撫順 113001)

油品的質(zhì)量直接決定了煉油廠的整體經(jīng)濟(jì)效益[1],目前,對于油品相關(guān)質(zhì)量指標(biāo)的檢測,尚缺乏實時在線測量設(shè)備,只能通過離線分析獲得,滯后時間長[2]。為了準(zhǔn)確實時地獲得影響油品質(zhì)量的重要指標(biāo),需要采用軟測量技術(shù)解決這一實際問題。軟測量技術(shù)將難測變量與生產(chǎn)過程中的易測變量(例如溫度、壓力等)建立數(shù)學(xué)關(guān)系,構(gòu)造軟測量模型[3],進(jìn)而估計難以直接測量的變量。

基于數(shù)據(jù)驅(qū)動的軟測量建模主要包括傳統(tǒng)的回歸方法、神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)[4]。金思毅等[5]采用BP神經(jīng)網(wǎng)絡(luò)建立汽油干點的估計模型,模型能夠滿足工藝控制要求,較好地估計常壓塔塔頂汽油干點值,但個別預(yù)測結(jié)果存在較大誤差。在多層前向神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上,文獻(xiàn)[6]利用微粒群優(yōu)化算法訓(xùn)練權(quán)值和閾值,將優(yōu)化后的模型應(yīng)用于汽油干點軟測量建模。模型能夠有效地搜索到神經(jīng)網(wǎng)絡(luò)的最優(yōu)權(quán)值和閾值,提高了網(wǎng)絡(luò)的收斂速度。在此基礎(chǔ)上,趙瑞娟[7]提出將主元分析與微粒群神經(jīng)網(wǎng)絡(luò)結(jié)合的動態(tài)建模方法,所得模型消除了輸入變量之間的相關(guān)性,將微粒群算法用于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程,提高模型的預(yù)測精度。但貢獻(xiàn)率小的主成分可能含有反映樣本差異的重要信息,不如原始樣本完整。朱樹強(qiáng)等[8]將分餾塔頂油氣假設(shè)成一種純組分,通過機(jī)理分析擬合得到粗汽油干點的經(jīng)驗公式,雖然不是通用模型,但針對不同裝置可以對參數(shù)加以調(diào)整,所模擬的粗汽油干點與實際觀測值吻合較好,為常壓塔塔頂汽油干點的預(yù)測提供了思路。

綜上所述,針對常壓塔塔頂汽油干點預(yù)測研究的特點,考慮到神經(jīng)網(wǎng)絡(luò)自適應(yīng)、自學(xué)習(xí)、自組織能力強(qiáng)[9-10],而T-S模糊邏輯易于表達(dá)人的思維。本文提出將T-S模糊系統(tǒng)與神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合的方法,通過梯度下降法不斷修正隸屬度函數(shù)的參數(shù),建立TS-FNN軟測量模型應(yīng)用于常壓塔塔頂汽油干點的估計。

1 常壓塔工藝流程

通過對某煉油廠的常壓塔工藝機(jī)理分析可知,原油經(jīng)電脫鹽罐進(jìn)入初餾塔進(jìn)行油、水、氣分離,后經(jīng)過常壓爐進(jìn)行加熱,由塔頂?shù)竭M(jìn)料段之間的溫度呈現(xiàn)不斷上升狀態(tài)。由于各分餾過程沸點范圍的不同,常壓塔塔頂流出汽油,而常壓塔塔底沒有經(jīng)過汽化的重油,經(jīng)水蒸氣提煉出輕組分后,通過轉(zhuǎn)油線作為進(jìn)料輸送到減壓塔中[11]。圖1為常壓塔示意圖。

圖1 常壓塔

汽油干點是油品重要的質(zhì)量指標(biāo)之一,實際工業(yè)生產(chǎn)中,每6～8 h對塔頂汽油干點進(jìn)行一次采樣[12]。通過離線分析存在很大的滯后性,因此,對汽油干點的在線估計具有重要意義。

2 TS-FNN模型及算法

神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力,但不能描述模糊知識,而T-S模型可以很好地表達(dá)模糊知識,因此,建立T-S模型的模糊神經(jīng)網(wǎng)絡(luò)既能發(fā)揮二者的優(yōu)勢,也能補(bǔ)充不足[13]。

2.1 TS-FNN模型

基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)(TS-FNN)主要由2部分組成[14],如圖2所示。前件網(wǎng)絡(luò)主要對應(yīng)模糊規(guī)則的IF部分,后件網(wǎng)絡(luò)用來表達(dá)模糊規(guī)則的THEN部分。

圖2 基于T-S模型的模糊神經(jīng)網(wǎng)絡(luò)模型

1) 前件網(wǎng)絡(luò)。

輸入層 輸入數(shù)據(jù)x=[x1,x2,…xi,…,xn]T,每個xi均為模糊語言變量,并設(shè)

(1)

(2)

規(guī)則層 計算模糊規(guī)則的適應(yīng)度αj,即

(3)

反模糊化層 采用重心法進(jìn)行歸一化計算,N4=N3=m,即

(4)

2) 后件網(wǎng)絡(luò)。

第一層x0=1為THEN部分提供常數(shù)項,該層節(jié)點數(shù)為n+1。

第二層 產(chǎn)生模糊規(guī)則的THEN部分,節(jié)點數(shù)為m,即

(5)

第三層 計算模型的輸出y,即

(6)

2.2 TS-FNN模型的學(xué)習(xí)

取誤差代價函數(shù)為

(7)

式中,y′和y分別表示實際輸出和模型的預(yù)測輸出。

采用誤差反傳的梯度下降法進(jìn)行參數(shù)辨識,權(quán)值pjk修正為

式中:j=1,2,…,m,k=0,1,2,…,n;l表示該時刻;l+1表示下一時刻。

隸屬度函數(shù)的中心ciji修正為

隸屬度函數(shù)的寬度σiji修正為

式中,λ>0為學(xué)習(xí)率,i=1,2,…,n,ji=1,2,…,mi。

3 基于TS-FNN模型的汽油干點預(yù)測

3.1 汽油干點估計模型的建立

依據(jù)某煉油廠常減壓裝置的采樣數(shù)據(jù),建立多指標(biāo)的常壓塔塔頂汽油干點預(yù)測方法,并對其應(yīng)用效果進(jìn)行分析。選定影響塔頂汽油干點的5個輔助變量,并在DCS系統(tǒng)上采集相應(yīng)的數(shù)據(jù),輔助變量的控制范圍如表1所示。

表1 影響汽油干點的相關(guān)變量及控其制范圍

在T-S模糊系統(tǒng)中,還沒有確定模糊分割數(shù)的方法,仍依靠經(jīng)驗和試湊[15]。根據(jù)過程數(shù)據(jù)確定網(wǎng)絡(luò)結(jié)構(gòu),輸入為5維,輸出為1維,試湊法確定模糊分割數(shù)為2,即中間層節(jié)點數(shù)為10,網(wǎng)絡(luò)結(jié)構(gòu)為5-10-1。選擇6組加權(quán)系數(shù)p0～p5,隨機(jī)確定ciji和σiji,基于誤差平方和最小的思想訓(xùn)練網(wǎng)絡(luò),通過梯度下降法找到隸屬度函數(shù)中心ciji和寬度σiji的最優(yōu)值。常壓塔塔頂汽油干點估計網(wǎng)絡(luò)模型如圖3所示。

圖3 基于TS-FNN的汽油干點估計模型

3.2 模型的實現(xiàn)及性能分析

對采集到的數(shù)據(jù)進(jìn)行粗大誤差和隨機(jī)誤差處理后,選取621組實驗樣本數(shù)據(jù),設(shè)置最大訓(xùn)練次數(shù)為1 000次,學(xué)習(xí)率為0.01,將571組樣本數(shù)據(jù)作為訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練,剩余50組數(shù)據(jù)對觀測模型進(jìn)行測試。利用MATLAB編程(.m文件)實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)汽油干點的預(yù)測軟測量仿真,汽油干點預(yù)測算法流程圖如圖4所示。

圖4 汽油干點預(yù)測算法流程圖

將571組樣本數(shù)據(jù)輸入到網(wǎng)絡(luò)中進(jìn)行訓(xùn)練,訓(xùn)練得到的汽油干點值與實際汽油干點值的相對誤差曲線如圖5所示。

圖5 訓(xùn)練樣本的預(yù)測相對誤差曲線

由圖5可知,TS-FNN訓(xùn)練得到的汽油干點與實際化驗汽油干點的相對誤差較小,汽油干點的相對誤差波動范圍在-3.86%～4.50%之間,表明模型具有可靠性。同時,為了檢驗該模型的實際預(yù)測效果,將50組沒參加訓(xùn)練的測試樣本對該預(yù)測模型進(jìn)行測試。

預(yù)測結(jié)果如圖6所示,預(yù)測汽油干點曲線與實際汽油干點曲線基本一致,干點的最大絕對誤差為3.668 6 ℃,在工程可接受范圍之內(nèi)。圖7為TS-FNN預(yù)測值的相對誤差曲線,汽油干點的相對誤差波動范圍在-2.49%～2.41%,表明了TS-FNN預(yù)測模型的可靠性。

圖6 TS-FNN模型預(yù)測曲線

圖7 測試樣本的預(yù)測相對誤差曲線

為了進(jìn)一步驗證模型的有效性,在相同的訓(xùn)練樣本下,用BP神經(jīng)網(wǎng)絡(luò)(BPNN)對汽油干點進(jìn)行了估計,BPNN預(yù)測模型的參數(shù)設(shè)置為:網(wǎng)絡(luò)結(jié)構(gòu)為3層,輸入為5維,輸出為1維,隱層為8個節(jié)點,學(xué)習(xí)率為0.01,最大迭代次數(shù)為1 000,預(yù)測結(jié)果如圖8所示。

圖8 BPNN、TS-FNN預(yù)測值和實際值對比

BPNN模型預(yù)測的汽油干點最大絕對誤差為4.446 9 ℃,大多數(shù)干點估計值高于實際樣本值,最大相對誤差為2.5%,結(jié)果可知,基于T-S模型模糊神經(jīng)網(wǎng)絡(luò)的模型在常壓塔塔頂汽油干點預(yù)測應(yīng)用中誤差波動范圍更小,預(yù)測結(jié)果更趨于實際值。

為了保證汽油干點軟測量模型能實時準(zhǔn)確估計當(dāng)前時刻的干點,采用下面3種評價標(biāo)準(zhǔn)評價模型的性能,計算結(jié)果如表2所示。

表2 BPNN和TS-FNN的性能對比

1) 均方根誤差(RMSE)

(14)

2) 平均絕對誤差(MAE)

(15)

3) 平均相對誤差(MRE)

(16)

對比表2的數(shù)據(jù),基于TS-FNN模型預(yù)測的汽油干點平均相對誤差為0.68%,而BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果為0.77%,表明了基于TS-FNN模型的汽油干點預(yù)測可靠性有所提高。因此,基于TS-FNN的軟測量模型性能相對較好,優(yōu)于BPNN模型,具有更好的預(yù)測精度和應(yīng)用前景。

4 結(jié) 論

本文利用T-S模糊控制系統(tǒng)和神經(jīng)網(wǎng)絡(luò)系統(tǒng)優(yōu)劣互補(bǔ)的特點,針對常壓塔塔頂汽油干點預(yù)測建立了T-S模糊神經(jīng)網(wǎng)絡(luò)軟測量模型,網(wǎng)絡(luò)中的各個節(jié)點及所有參數(shù)均有明顯物理意義,同時它具有神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu),因而參數(shù)的學(xué)習(xí)和調(diào)整比較容易,為實時預(yù)測常壓塔塔頂汽油干點提供了理論依據(jù)。通過模型的仿真結(jié)果對比,將處理后的數(shù)據(jù)分別輸入到BP神經(jīng)網(wǎng)絡(luò)和T-S模糊神經(jīng)網(wǎng)絡(luò)預(yù)測模型中,T-S模糊神經(jīng)網(wǎng)絡(luò)的估計結(jié)果更接近真實值,有較高的數(shù)據(jù)跟蹤能力,具有一定的優(yōu)化效果。