GA輔助BP神經網絡預測催化裂化裝置汽油產率

張忠洋，李澤欽，李宇龍，李國慶

（1.中國石油撫順石化分公司，遼寧 撫順113008；2.華南理工大學強化傳熱與過程節能教育部重點實驗室；3.中國石油規劃總院）

催化裂化是石油二次加工工藝。據統計，2012年世界催化裂化加工量約占原油加工總量的16.4%［1］，在我國則高達30.68%［2］。催化裂化是在高溫和催化劑的作用下，將蠟油和重油轉化為液化氣、汽油和柴油。由于高度受制于原料、工藝、設備條件、產品方案、催化劑特性等，其過程具有極強的非線性和耦合性，迄今尚沒有準確的機理模型可以描述［3］。因此，探求機理建模以外的方法，已成為一種新的努力方向。人工神經網絡（ANN）是一種應用類似于大腦神經突觸聯接結構進行信息處理的數學模型，因其較強的自學習及自適應能力和非線性預測能力，近年來受到廣泛關注［4－6］。其中，BP 神經網 絡［7］（按誤差 逆傳播算法訓練的多層前饋型神經網絡）由于能借助樣本數據實現Rn空間到Rm空間的高度非線性映射，且效果可以用足夠的訓練樣保證［8］，故應用最廣。但它也有缺陷，主要是開始訓練樣本時，權值初值和閾值初值是隨機生成的，其不確定性會影響模型的映射效果，即預測精度［9］。而遺傳算法（GA）卻具有全局尋優能力強的特點，如果能將經GA尋得的最優權值初值和最優閾值初值賦予BP并開始樣本訓練，則可改善BP模型。本研究采用通過GA優化BP神經網絡的權值和閾值的方法，建立一個改善汽油產率預測精度的模型，以某煉油廠2.8Mt/a MIP裝置反應－再生系統為研究對象，對催化裂化汽油產率進行預測，并與未優化的BP神經網絡預測結果進行對比。

1 MIP工藝簡述［10－15］

目前國內煉油裝置最常用的催化裂化工藝是中國石化石油化工科學研究院開發的MIP工藝。MIP工藝是一種以多產異構烷烴和芳烴為目的的催化裂化新工藝，它將反應過程分為兩個區，以烯烴為結合點，生成烯烴的反應為第一反應區，烯烴轉化反應為第二反應區。第一反應區的操作方式類似常規催化裂化方式，即高溫、短接觸時間和高劑油比。該區的反應苛刻度應高于目前催化裂化的反應苛刻度，這樣可以達到在短時間內將較重的原料油裂化生成烯烴，并且可以保留更多的較大分子烯烴。同時高反應苛刻度可以減少汽油組成中的低辛烷值組分（正構烷烴和環烷烴），對提高汽油的辛烷值非常有利。

由于烯烴生成異構烷烴既有平行反應又有串聯反應，且反應溫度低對異構烷烴的生成有利，故在第二反應區內采取不同于常規催化裂化的操作方式。在第一反應區末端通入冷卻介質，降低第二反應區的反應溫度；增大第二反應區的截面積，延長油氣和催化劑的停留時間，促進大分子烯烴氫轉移反應和異構化反應的發生，使汽油中的烯烴含量降低，異構烷烴和芳烴含量增加，達到多產異構烷烴和芳烴的目的。MIP兩段反應新型提升管技術突破了現有催化裂化工藝對氫轉移反應的限制，實現了烯烴的裂化反應、氫轉移反應和異構化反應的可控性和選擇性，達到了降低汽油烯烴含量的目的。

2 建立BP神經網絡

2.1 獲取和歸一化數據

以某煉油廠2.8Mt/a MIP裝置反應－再生系統為研究對象。通過對現場數據進行靈敏度分析，決定選取第一反應區溫度（Tr1）、第二反應區溫度（Tr2）、第一再生器溫度（Trg1）、第二再生器溫度（Trg2）、反應器壓力（Pr）、再生器壓力（Prg）為變量，考察它們對汽油產率（C）的影響。采集了360組反應－再生系統的現場數據，部分數據見表1。

表1 現場采集的部分反應－再生系統數據

由于神經網絡的輸入和輸出通常具有不同的物理意義和量綱，因此需要對數據進行歸一化處理，使所有量都在［—1，1］之間，以防止小數值被大數值淹沒而影響網絡的矯正。歸一化過程使用式（1）表示［16］。

式中：x為實際輸入值；xnorm為歸一化后的值；xmin為實際輸入值中的最小值；xmax為實際輸入值中的最大值。

歸一化后的部分反應－再生系統數據見表2。取360組數據中的任意300組作為訓練數據，剩余的60組作為預測數據。

表2 歸一化后的部分反應－再生系統數據

2.2 確定輸入層和輸出層

歸一化后，將Tr1，Tr2，Trg1，Trg2，Pr，Prg作為BP神經網絡的輸入變量，C作為每組輸入變量所對應的輸出變量。

2.3 選擇轉移函數

轉移函數用于對求和單元的計算結果進行函數運算，進而得到神經元輸出。模型用sigmoid函數（用tansig表示）作為轉移函數，它可以將神經元的輸入范圍從（—∞，＋∞）映射到（—1，1）；用選擇線性作用函數（用lin表示）作為輸出層神經元的作用函數，它可以處理和逼近輸入與輸出的非線性關系。

2.4 選擇隱層節點數

隱層節點數（H）用式（2）計算［3］。

式中：m為輸入變量個數；n為輸出變量個數；L是1～10之間的常數。輸出端以汽油產率作為輸出變量，故為1。

采用3層網絡結構，即一個包含6個節點的輸入層，一個隱層和一個包含1個節點的輸出層。由式（2）可知，隱層節點數在［3，13］之間。選擇不同的隱層節點將所選擇的訓練數據導入建立起來的神經網絡進行訓練，分別使用不同的隱含層節點來訓練模型，隨后檢驗模型，并比較每次獲得的均方誤差，找出最佳隱層節點數，如圖1所示。

按照此方法，最終確定隱層節點數為11。于是，搭建6－11－1的BP神經網絡，如圖2所示。圖中，W1代表輸入變量與隱層節點之間的連接權值，W2代表隱層節點與輸出變量之間的連接權值。

圖1 隱層節點與均方誤差的關系

圖2 6－11－1BP神經網絡結構

優化前的BP網絡權值W’1、W’2和閾值B’1、B’2如下：

3 GA輔助的BP神經網絡

由于BP算法本身不具備全局搜索能力，且在開始訓練時，其權值和閾值的初值是隨機生成的，會影響模型精度。本研究采用遺傳算法幫助選取優化的BP權值初值和閾值初值［17］。GA優化將涉及初始化種群、構造適應度函數、選擇、交叉和變異操作等問題。

3.1 種群初始化

本研究不采取二進制編碼，而使用實數編碼作為個體編碼，原因是二進制編碼冗長，尤其當決策變量較多而精度要求較高時，它不能有效擴展搜索空間，只能在初始區間內取值。由于種群中每個個體包含了輸入層與隱層之間的連接權值、隱層的閾值、隱層與輸出層之間的連接權值、輸出層的閾值這4個數值，故種群中的每個個體都包含了整個神經網絡的全部信息。采用50個初始種群，迭代次數取500，采用不同于傳統GA的實數編碼，以網絡的各個權值和閥值作為基因。由于輸入層含有6個節點，隱層含11個節點，輸出層含有1個節點，故總共含有77個權值，而閾值個數則為12，個體編碼長度為89。

3.2 個體適應度評價

依據個體所得到的權值和閾值對神經網絡進行訓練，將訓練數據導入神經網絡，產生神經網絡預測值，將預測值與期望輸出值（汽油實際收率）的均方誤差的倒數作為個體適應度，計算式如式（3）所示。

式中：Fi為第i個個體的適應度；yi為神經網絡預測值；yo為期望輸出值；N為訓練個數。

3.3 操作選擇

用輪盤賭法選擇個體，它是基于適應度比例選擇的。

式中：k為系數；fi為基于適應度比例選擇策略下的適應度值；Pi為基于適應度比例選擇策略下每個個體的選擇概率。

3.4 交叉操作

交叉是產生新個體的主要手段。但是隨機選擇個體交叉操作，可能導致有效基因缺失，從而延長搜索最優解的時間［18］。通常，交叉概率取值范圍在0.6～0.9之間，本研究取0.6。

3.5 變異操作

在遺傳算法中引入變異算子，可以提供初始種群不含的基因，或找回選擇過程中丟失的基因，為種群提供新的內容［18］。變異概率通常取較小的數 值，一 般 在 0.001～0.100 之 間，本 研 究取0.008。

4 結果與討論

遺傳算法尋優曲線見圖3。由圖3可見，遺傳代數在250代左右時平均適應度與最優適應度之間的曲線基本重合，說明此時已找到最優適應度。

圖3 遺傳算法尋優曲線

經GA處理后的BP神經網絡的最佳權值W1、W2和最佳閾值B1、B2分別如下：

從上面獲得的W1，W2，B1，B2可以看出，相比于未優化前的權值和閾值，優化后的權值和閾值之間的數量級更為接近。將權值W1、W2和閾值B1、B2賦予新的神經網絡中，經GA處理的BP神經網絡預測的汽油產率與實際汽油產率的對比見圖4。從圖4可以看出，經過GA優化后的BP神經網絡，由于具有了最優的權值和閾值，它對應的預測汽油產率與實際汽油產率總體上接近，汽油產率預測值的點所構成的分布曲線與實際汽油產率點所構成的分布曲線接近。

圖4 經GA處理的BP神經網絡預測的汽油產率與實際汽油產率

未經GA處理的BP神經網絡預測的汽油產率與實際汽油產率對比見圖5。從圖5可以看出，未經過GA優化的BP神經網絡，由于權值和閾值初值是隨機產生的，BP神經網絡并不具有最優的權值和閾值，此時預測的汽油產率與實際汽油產率的總體誤差比經過GA優化的BP神經網絡預測的汽油產率與實際汽油產率的誤差大，預測值的點所構成的分布曲線與實際汽油產率點所構成的分布曲線偏離比較明顯。比較圖4和圖5可以看出，經GA處理過的BP神經網絡，其輸出精度有所提高。

圖5 未經GA處理的BP神經網絡預測的汽油產率與實際汽油產率

經過GA處理過的和未經過GA處理的BP神經網絡預測的汽油產率與實際汽油產率之間的誤差見圖6。從圖6可以看出，GA處理過的BP神經網絡預測的汽油產率與實際汽油產率之間的誤差總體上在［－10，5］之間波動，波動比較平緩，而未經過GA優化的BP神經網絡預測的汽油產率與實際汽油產率之間的誤差總體上在［－11，13］之間波動，而且波動幅度比較大。經計算，未經GA優化時預測汽油產率的均方誤差為5.16，而經GA優化后預測汽油產率的均方誤差為4.92。經過GA處理后的均方誤差減小，且輸出誤差波動范圍也變小。

圖6 兩種方法預測汽油產率的誤差對比

5 結 論

采用經遺傳算法優化后的BP神經網絡對催化裂化反應－再生系統汽油產率進行預測?？疾斓淖兞糠謩e為第一反應區溫度、第二反應區溫度、第一再生器溫度、第二再生器溫度、反應器壓力和再生器壓力，建立了一個6－11－1的BP神經網絡，利用GA算法的尋優能力對該網絡的權值和閾值進行了訓優后重新賦予該BP神經網絡，對60組數據進行了預測，并與未經GA優化的BP神經網絡預測結果進行對比，結果顯示未優化時預測數據的均方誤差為5.16，而經GA優化后預測數據的均方誤差為4.92，預測精度有所提高。

［1］徐海豐.世界煉油行業發展狀況與趨勢［J］.國際石油經濟，2013（1/2）：102－110

［2］金云，朱和.中國煉油工業發展現狀與趨勢［J］.國際石油經濟，2013（5）：24－35

［3］Michalopoulos J，Papadokonstadakis S，Arampatzis G，et al.Modelling of an industrial fluid catalytic cracking unit using neural networks［J］.Institution of Chemical Engineers，2001，79（3）：137－143

［4］夏維力，呂曉強.基于BP神經網絡的企業技術創新能力評價及應用研究［J］.研究與發展管理，2005，17（1）：50－54

［5］汪旭輝，黃飛華.基于BP神經網絡的教學質量評價模型及應用［J］.高等工程教育研究，2007（5）：78－81

［6］周黃斌，周永華，朱麗娟.基于 MATLAB的改進BP神經網絡的實現與比較［J］.計算技術與自動化，2008，27（1）：28－31

［7］楊淑娥，黃禮.基于BP神經網絡的上市公司財務預警模型［J］.系統工程理論與實踐，2005（1）：14－15

［8］萬百五.工業大系統優化與產品質量控制［M］.北京：科學出版社，2003：62－97

［9］馮少輝，周平，錢鋒.一種確定神經網絡初始權值的新方法［J］.工業儀表與自動化裝置，2006（1）：65－68

［10］魏曉麗，龍軍.MIP技術反應過程中裂化反應鏈引發的機理研究［J］.石油煉制與化工，2005，36（5）：18－22

［11］許友好，龔劍洪，劉憲龍，等.第二反應區在 MIP工藝過程中所起作用的研究［J］.石油煉制與化工，2006，37（12）：30－33

［12］黃汝奎，韓文棟.MIP－CGP工藝對汽油硫含量的影響［J］.石油煉制與化工，2006，37（7）：16－20

［13］許友好，龔劍洪，張久順，等.降低干氣和焦炭產率的MIP工藝研究［J］.石油煉制與化工，2007，38（10）：7－11

［14］楊健，謝曉東，蔡智，等.MIP－CGP技術的工業試驗［J］.石油煉制與化工，2006，37（8）：54－59

［15］李乃義.MIP工藝在催化裂化裝置上的應用［J］.石油煉制與化工，2010，41（2）：27－29

［16］史峰，王小川，郁磊，等.MATLAB神經網絡30個案例分析［M］.北京：北京航天航空大學出版社，2010：115－116

［17］王偉，吳敏，雷琪，等.煉焦生產過程質量產量能耗的集成優化控制［J］.化工學報，2008，59（7）：749－754

［18］章權，周偉，溫惠英，等.經營性高速公路停止收費后運營成本預測模型［J］.長安大學學報（自然科學版），2011，31（6）：90－93