基于GA-BP的轉(zhuǎn)化反應甲烷含量軟測量建模

佟維妍，魏寶武

（沈陽工業(yè)大學 化工過程自動化學院，沈陽 110870）

在我國大中型煉油企業(yè)中，制氫裝置在集散控制系統(tǒng)（DCS）平臺上實現(xiàn)了過程的操作監(jiān)控、實時監(jiān)測與自動控制，軟硬件條件的改善為實施優(yōu)化控制技術提供了良好的應用環(huán)境。依靠先進控制與優(yōu)化控制技術并結(jié)合軟測量技術，實現(xiàn)制氫過程的節(jié)能、降耗、增效目標，具有很大的現(xiàn)實意義[1]。

通過對石油化工企業(yè)的制氫工藝及制氫過程自動控制的現(xiàn)狀的分析，針對制氫過程中關鍵參數(shù)無法在線監(jiān)測的問題，提出了基于神經(jīng)網(wǎng)絡和遺傳算法的優(yōu)化建模方法，對制氫轉(zhuǎn)化爐產(chǎn)品的關鍵指標參數(shù)進行軟測量研究，同時實現(xiàn)對轉(zhuǎn)化爐重要控制量的在線優(yōu)化，能夠?qū)崟r地根據(jù)操作工況的變化在線調(diào)節(jié)生產(chǎn)過程的控制量，使其達到優(yōu)化、平穩(wěn)操作，實現(xiàn)生產(chǎn)過程的實時閉環(huán)優(yōu)化控制，提高生產(chǎn)的經(jīng)濟效益。其中，建立實時預測模型、進行工藝操作控制量的在線優(yōu)化是技術關鍵。

1 制氫工藝

轉(zhuǎn)化爐是制氫工藝中轉(zhuǎn)化反應的反應器，屬于裝置的“心臟”設備。它以輕石腦油、焦化干氣為混合原料[2]。轉(zhuǎn)化爐采用頂燒式，燃料器安裝在輻射室頂部，火焰由上往下燃燒，通過引風機強制通風，使火焰垂直往下，煙氣流動方向與爐管內(nèi)介質(zhì)流動方向一致[3]。

制氫工藝流程如圖1所示，脫硫預處理后的原料氣在進入轉(zhuǎn)化爐前，按水烴比4.5（輕石）、4.0（干氣）與3.5 MPa自產(chǎn)中壓蒸汽混合，經(jīng)轉(zhuǎn)化爐對流原料預熱段被加熱至500℃，由上集合管進入轉(zhuǎn)化爐輻射段，在轉(zhuǎn)化爐爐管內(nèi)含鎳催化劑Z417/Z418的作用下，烴類與水蒸氣發(fā)生轉(zhuǎn)化反應，轉(zhuǎn)化氣中含有氫氣、一氧化碳、二氧化碳和部分甲烷[3]。

圖1 制氫工藝流程示意Fig.1 Process of hydrogen production

在轉(zhuǎn)化爐中進行的制氫轉(zhuǎn)化反應由多變量相互制約，主要控制參數(shù)接近極限值，工藝指標的控制精度要求高，而生產(chǎn)效率與工藝設備安全成矛盾狀態(tài)，因此對控制系統(tǒng)提出了很高的要求[4]。

2 制氫轉(zhuǎn)化反應軟測量模型設計

實施在線優(yōu)化控制時，需要對產(chǎn)品的質(zhì)量指標進行控制，由于經(jīng)濟或技術的原因，難以對其進行在線測量，僅能通過離線實驗室分析得到分析值。而離線實驗室分析往往存在長時間滯后的問題，無法滿足在線實時控制的要求。為了解決這類問題，軟測量技術隨之發(fā)展起來。

為建立軟測量模型，必須首先采集數(shù)據(jù)和對數(shù)據(jù)進行預處理。對于石化行業(yè)大型生產(chǎn)過程，可利用集散控制系統(tǒng)DCS直接獲得實時生產(chǎn)數(shù)據(jù)。根據(jù)現(xiàn)場經(jīng)驗及DCS組態(tài)對影響轉(zhuǎn)化氣中甲烷含量的諸多因素的分析，確定制氫轉(zhuǎn)化爐的7個控制量為模型的初次變量。在此，初次變量數(shù)據(jù)采集工作，是在DCS工程師站上通過編寫OPC客戶端程序，按照指定的時間讀取監(jiān)測數(shù)據(jù)來獲得的。此外，通過企業(yè)的CIMS信息管理平臺，采集了3個月的甲烷含量化驗數(shù)據(jù)。

對于制氫轉(zhuǎn)化爐這種長流程的連續(xù)生產(chǎn)來說，實際上某一時刻記錄的工藝控制量和同一時刻產(chǎn)品質(zhì)量記錄不能完全相對應，存在一定的滯后時間。因此，根據(jù)同一時刻的處理量或工藝控制量并不能決定產(chǎn)品質(zhì)量。根據(jù)現(xiàn)場實際情況，轉(zhuǎn)化氣中甲烷含量的采集分析頻率為8 h/次，工藝操作控制量的采集頻率為2 h/次，由于數(shù)據(jù)采集頻率的不同，使得轉(zhuǎn)化氣中甲烷含量的變化不能得到準確地反映。為此，統(tǒng)一了數(shù)據(jù)采集的頻率，以頻率最慢的為準，同時考慮到工藝過程本身存在滯后問題，在此采樣頻率選為8 h/次，對于采樣頻率大于8 h的變量，求取其在8 h內(nèi)采樣數(shù)據(jù)的平均值[5]。

生產(chǎn)現(xiàn)場存在電磁干擾以及儀器儀表的波動、失效現(xiàn)象，通過檢測儀表采集到的過程數(shù)據(jù)會出現(xiàn)異常的觀測結(jié)果，使數(shù)據(jù)帶有誤差。根據(jù)數(shù)據(jù)處理原則，合理地進行誤差處理，并將數(shù)據(jù)進行歸一化，共獲得有效數(shù)據(jù)360組。在此將360組現(xiàn)場數(shù)據(jù)分為2個集合，即用于軟測量建模的訓練集（300組數(shù)據(jù)）和用于檢驗己訓練好的網(wǎng)絡的輸出性能的檢驗集（60組數(shù)據(jù)），如表1所示。

表1 部分樣本數(shù)據(jù)Tab.1 Data of the sample（part）

根據(jù)前述的分析確定，水烴比、轉(zhuǎn)化爐入口溫度、轉(zhuǎn)化爐橫跨溫度、爐管四點溫度、入爐原料流量是影響生產(chǎn)操作和全過程經(jīng)濟效益的主要因素。其中，水烴比不能進行直接測量，它與入爐蒸汽流量、焦化干氣流量以及輕石腦油流量之間有以下確定關系為

故對于制氫轉(zhuǎn)化爐來說，根據(jù)反應機理以及流程工藝分析，考慮到制氫轉(zhuǎn)化爐中對甲烷含量有影響的各種因素，在實際生產(chǎn)過程中，主要的操作變量和易測變量有7個，由此構(gòu)成軟測量模型的輸入向量，即：X1為焦化干氣流量，X2為輕石腦油流量，X3為入爐蒸汽流量，X4為轉(zhuǎn)化爐入口溫度，X5為轉(zhuǎn)化爐橫跨溫度，X6為爐管四點溫度，X7為入爐原料流量，

基于神經(jīng)網(wǎng)絡的軟測量模型的輸入特征向量，其維數(shù)為7。而輸出變量為所關心的狀態(tài)量，在此以轉(zhuǎn)化氣中甲烷含量作為神經(jīng)網(wǎng)絡的輸出向量。

3 制氫轉(zhuǎn)化反應軟測量模型驗證

3.1 基于BP神經(jīng)網(wǎng)絡的數(shù)學模型

本節(jié)中使用三層網(wǎng)絡結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡，第一層為輸入層含有7個輸入單元，中間層為隱含層，隱含層單元數(shù)通過Kolmogorov定理結(jié)合試湊法確定，第三層為輸出層只有1個輸出單元。BP神經(jīng)網(wǎng)絡為前饋式網(wǎng)絡，在此選擇tansig為隱含層傳遞函數(shù)，purelin為輸出層傳遞函數(shù)，如圖2，3所示。

圖2 BP神經(jīng)網(wǎng)絡預測Fig.2 Prediction of BP neural network

圖3 BP神經(jīng)網(wǎng)絡預測模型誤差Fig.3 Prediction model error of BP neural network

BP神經(jīng)網(wǎng)絡的學習方法采用了最速下降BP算法，其訓練函數(shù)traingd，在訓練時學習速率α是一常數(shù)，默認值為0.01。

分別取 5，10，11，15，18，20，25，30，35，40 等 10種情況作為中間層的單元數(shù)，分別對BP神經(jīng)網(wǎng)絡進行訓練。利用網(wǎng)絡輸出的偏差平方和最小 （即MSE）作為判定模型優(yōu)劣的標準，當MSE越小時，則訓練結(jié)果和預期值吻合程度越好，訓練后的模型性能越優(yōu)良。根據(jù)表2，分析不同網(wǎng)絡結(jié)構(gòu)模型的訓練結(jié)果，可以看出網(wǎng)絡結(jié)構(gòu)為7-10-1的模型，其偏差平方和為0.3182，是上述10種結(jié)構(gòu)模型中誤差最小的網(wǎng)絡結(jié)構(gòu)，同時也滿足了工藝要求，達到既定的目標。

表2 不同隱層節(jié)點數(shù)與模型輸出偏差比較表Tab.2 Different number of hidden layer nodes and the output of the model deviation comparison table

3.2 遺傳算法與BP神經(jīng)網(wǎng)絡結(jié)合

遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡是用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡的初始權值和閾值，使優(yōu)化后的BP神經(jīng)網(wǎng)絡能夠更好地預測函數(shù)輸出，如圖4所示。

圖4 遺傳算法BP神經(jīng)網(wǎng)絡Fig.4 Genetic algorithm BP neural network

采用實數(shù)編碼，每個個體均為1個實數(shù)串，由輸入層與中間層連接權值、中間層閾值、中間層與輸出層連接權值以及輸出層的閾值四部分組成，染色體編碼串長度為91。

規(guī)定種群中遺傳因子個數(shù)PopSize=80，最大進化代數(shù)MaxGeneration=50。本設計中染色體的目標函數(shù)為預測輸出與期望輸出的差值的絕對值和，如圖5所示。

圖5 預測值與真實值誤差Fig.5 Error of predictive value and real value

3.3 與RBF網(wǎng)絡的對比

選擇基于遺傳算法的優(yōu)化方法作為RBF網(wǎng)絡的學習訓練算法，RBF網(wǎng)絡的隱節(jié)點中心和寬度參數(shù)利用遺傳算法優(yōu)化，而連接權值采用正交最小二乘法，如圖6、7所示。

圖6 遺傳算法RBF神經(jīng)網(wǎng)絡Fig.6 Genetic algorithm RBF neural network

圖7 預測值與真實值誤差Fig.7 Error of predictive value and real value

通過2種建模方法的對比可知，遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的測試輸出精度與單純BP神經(jīng)網(wǎng)絡相比提高了很多。這里同樣使用期望值與預測值的偏差平方和來對誤差進行描述，數(shù)值為error_sum=0.0566。該網(wǎng)絡的精度比單純BP神經(jīng)網(wǎng)絡精度提高了10倍。基于遺傳算法與BP相結(jié)合的算法，利用遺傳算法所具有的全局搜索能力與BP算法基于梯度信息下降，具有局部搜索能力強等各自優(yōu)點來優(yōu)化神經(jīng)網(wǎng)絡的結(jié)構(gòu)和參數(shù)，克服單純BP算法訓練網(wǎng)絡精度差和容易陷入局部極小的缺陷。

對于RBF神經(jīng)網(wǎng)絡，同樣利用遺傳算法對其進行優(yōu)化，雖然輸出精度較單純RBF神經(jīng)網(wǎng)絡的測試輸出精度略有改善，但誤差依然很大。

根據(jù)制氫轉(zhuǎn)化爐的實際生產(chǎn)數(shù)據(jù)，利用基于遺傳算法的神經(jīng)網(wǎng)絡技術進行模型建立，建立制氫轉(zhuǎn)化反應產(chǎn)品質(zhì)量參數(shù)的軟測量模型，較準確地預測轉(zhuǎn)化氣中甲烷含量。

4 結(jié)語

通過對制氫轉(zhuǎn)化爐的生產(chǎn)工藝以及控制過程的分析，結(jié)合智能控制理論，提出了一種基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡的軟測量方案。該模型可以對生產(chǎn)過程中難以直接測得的制氫轉(zhuǎn)化反應產(chǎn)品質(zhì)量進行在線測量。仿真結(jié)果表明通過上述方法建立的神經(jīng)網(wǎng)絡軟測量模型具有較好的測量精度。

[1]李琦.煉油精餾過程軟測量與綜合優(yōu)化控制的研究[D].大連：大連理工大學，2008.

[2]中國石油遼陽石化分公司煉油廠.LYSHLY/WJ504—2005制氫裝置操作規(guī)程[S].2008.

[3]杜中強.新型制氫轉(zhuǎn)化爐的應用[J].石油化工設備技術，2005，26（2）：40-42.

[4]錢國濱.淺談硝酸生產(chǎn)過程操作參數(shù)優(yōu)化控制[J].中國科技博覽，2010，60（15）：112.

[5]佟維妍.基于GA_BP網(wǎng)絡的制氫轉(zhuǎn)化爐生產(chǎn)過程優(yōu)化的研究[D].阜新：遼寧工程技術大學，2011.