應用人工神經網絡方法預測柴油閃點研究

李郁

（大慶石化公司煉油廠，黑龍江 大慶 163711）

應用人工神經網絡方法預測柴油閃點研究

李郁

（大慶石化公司煉油廠，黑龍江 大慶 163711）

精制柴油的閃點是衡量柴油質量的重要指標，在目前的柴油加氫脫硫生產中，主要根據操作人員的經驗來調整，會產生較大的人為誤差。文中采用了3種神經網絡方法，研究在反應器床層最高點溫度、分餾塔塔壓、分餾塔塔頂溫度、分餾塔塔底溫度、氫油比波動時，預測柴油的閃點。結果表明，采用PSO-BP神經網絡方法預測的柴油閃點均方誤差為5.76×10-4，優于其它預測方法。

BP神經網絡；GA-BP神經網絡；PSO-BP神經網絡；柴油閃點；預測

近年來中國成品油消費結構發生了明顯的變化，柴油表觀消費量的增長逐漸放緩，消費柴汽比逐年降低，在挖潛增效的大框架下實現柴油質量提升是目前最大的問題［1］。某石化公司1 300 kt/a柴油加氫脫硫裝置于2014年11月建成投產，主要原料為常二線、焦化柴油，主要產品為精制柴油、石腦油、低凝柴油。裝置采用一反應器、兩塔、高低分流程，采用PHF-101催化劑。精制柴油的閃點作為柴油產品質量的衡量的重要指標，在目前的柴油加氫脫硫生產中，主要根據操作人員的經驗來調整，往往會產生較大的人為誤差從而影響產品質量。文中通過人工神經網絡構建柴油脫硫裝置柴油產品質量預測模型，預測在工藝條件變化時產品閃點變化情況［2］。

1 柴油產品的閃點模型的變量篩選

柴油產品的閃點是石油產品質量檢測中的一項重要安全指標，它不僅可反映出油品發生火災的危險性，還可以通過它判斷商品油品中有無摻入易揮發物質的情況。柴油加氫脫硫裝置中的精制柴油和低凝柴油的閃點的測量儀器為法國ISL公司生產的FP935G2全自動TAG，儀器包括油樣杯、控制主機，其中油樣杯蓋上包括點火器、溫度傳感器、閃火傳感器、攪拌器［3］。

文中采用的數據均來源于1 300 kt/a柴油加氫脫硫裝置生產運行臺賬，時間自2014年10月至2015年4月共180組數據，將工藝參數作為自變量選取，見表1。

在柴油加氫脫硫反應中，由于催化劑裝填在密閉的反應器中，硫化后的催化劑遇空氣會被氧化，所以無法對其表征測定其活性，系統壓力由于恒定在6.4 MP，雖然由于儀表控制的波動會在小范圍內改變，但是不符合正態分布，故不納入自變量，在裝置流程中的H2S汽提塔塔吹器1.0 MPa蒸汽主要出去反應中的無機硫，但由于全廠蒸汽用量平穩維持用量在2.0 t/h，故不納入選取自變量的范圍內。

表1 選取的自變量

利用spss軟件檢驗自變量和因變量之間的相關性，結果見表2。

從表2可以看出，對于柴油的閃點模型采取X2、X5、X6、X7、X8于Y1的相關性較大，分別為-0.20**、-0.210**、-0.08**、0.331**為防止在與測試出現過擬合現象，故將因變量個數定為5個，Y1為因變量，模型變量名稱見表3。

2 分析模型的建立及質量預測

2.1 基于BP神經網絡構建模型和分析預測

精制柴油閃點的影響因素為5個，輸出因變量為1個，故該模型中輸入神經元節點為5個，輸出神經元節點為1個，隱層神經節點的選取按照經驗公式進行嘗試，隱層神經元節點選取數目為25個［4～7］。評價采用均方誤差（Mean Squared Error）進行評價。該模型設置迭代最大次數為100次，最小均方誤差為0.00 001，學習速度為0.1，柴油閃點預測運行結果見圖1。

圖1 柴油閃點預測運行結果

表2 自變量篩選

表3 柴油產品閃點模型變量的選取

從圖1可以看出，該次運行進行了8次迭代便終止了，模型的預測均方誤差為0.00 399。預測結果見圖2。

圖2 柴油閃點預測運行結果與實際數據對比

從圖2可以看出，在[0,10]、[10,20]、[30,40]、[70, 80]區間內存在在工藝參數改變時柴油閃點預測值與實際值偏差較大的情況，其它點可以從圖中看出也存在偏差，雖然均方誤差為0.00 399，但從中可以看出預測數值與實際數值相差較大，效果并不理想[8～10]。

2.2 基于GA-BP神經網絡構建模型和分析預測

精制柴油閃點模型輸入自變量共5個，輸入因變量共1個，故輸入神經元節點數為5，輸出神經元節數為1，隱層函數神經元個數根據經驗公式選擇為25個，數據分類模式為random，訓練函數采用levenberg-marquardt，評價預測模型采用均方誤差(mean squared error)進行，進化代數設置為20次，種群規模設置為10，交叉概率設置為0.2，變異概率設置為0.1，運行結果見圖3。

從圖3可知，模型模擬過程進行了11次迭代，模型預測的均方誤差為0.00 647。柴油閃點預測與實際數據對比見圖4。

由圖4可見，利用GA-BP神經網絡在操作參數變動時對于柴油閃點的預測情況在[0,10]、[10, 20]、[60,70]、[70,80]、[80,90]范圍內，存在幾點預測值和實際值的偏離情況，且偏差較大，大部分預測情況和實際值較為貼切，且誤差大部分在5%以下。比較均方誤差數據可得利用BP神經網絡模型對柴油閃點的預測效果優于GA-BP神經網絡對柴油閃點的預測情況[11-15]。

2.3 基于PSO-BP神經網絡建立模型和分析預測

利用PSO-BP對精制柴油閃點進行模擬，模型中輸入變量為5個，輸出變量為1個，故輸入層神經元節點為5個，輸出層神經元節點為1個，隱層神經元節點按照經驗公式選擇為15個[16～18]。初始化粒子群規模N=40，粒子VMAX=0.5，模型最小誤差為0.001，慣性權重ωmax取值為0.9，ωmin取值為0.3，學習因子C1、C2去2，最大迭代次數200次，隨機初始化位置，隨機出示化速度，運行結果顯示隨著進化代數的增加，模型的適應度是逐漸變小的，在37代以后適應度變化趨于平緩，見圖5。

圖3 柴油閃點預測運行結果

圖4 柴油閃點預測與實際數據對比

圖5 柴油閃點預測誤差

從圖5可以看出，有幾點分布在距離0較遠的位置上，在實際預測中可能出現偏離實際較大的現象。

預測結果的均方誤差為5.76×10-4誤差較小，利用PSO-BP神經網絡對柴油閃點的預測值與實際值吻合，不存在偏離較大的情況，PSO-BP神經網絡能夠準確預測操作參數變化時的柴油產品閃點，能夠指導實際生產操作。

3 結論

對于工藝操作參數改變時精制柴油閃點的預測模型，通過比較均方誤差可得:GA-BP神經網絡預測的均方誤差6.47×10-3＞BP神經網絡預測的均方誤差3.99×10-3＞PSO-BP神經網絡預測的均方誤差5.76×10-4，雖然3種模型均可以預測柴油產品閃點，但利用PSO-BP神經網絡預測在操作參數改變時對精制柴油閃點預測最準確，可以作為生產的指導工具。

［1］丁少恒，葛雁冰.對中國成品油市場的幾點認識［J］.石油規劃設計，2016（1）:46-49.

［2］王國榮.神經網絡技術在加氫裂化產品收率預測模型中的應用［J］.工業技術，2015，33（7）:349-353.

［3］景肖，朱建軍.淺談石油產品閃點測定影響因素及改進［J］.化工管理，2015（1）:12-14.

［4］吳海，孫永雄，韓偉，等.多核環境下的粒子群算法［J］.吉林大學學報（信息科學版），2012（5）:549-554.

［5］陳良波，鄭亞青.粒子群算法在多峰值函數優化中的應用［J］.貴州師范學院學報，2012（12）:23-26.

［6］盛磊.基于改進粒子群算法的S盒優化設計研究［D］.哈爾濱:哈爾濱工程大學，2011.

［7］楊娜.一種混合智能算法的應用研究［D］.哈爾濱:哈爾濱工業大學，2012.

［8］石云.Bp神經網絡的Matlab實現［J］.湘南學院學報，2010（5）:86-88.

［9］韓紅桂，李淼，喬俊飛.基于模型輸出敏感度分析的動態神經網絡結構設計［J］.電子學報，2010（3）:731-736.

［10］王天宇，劉忠保，黃明富.采用人工神經網絡方法建立加氫裂化反應體系模型［J］.控制與優化，2015，46（8）:89-95.

［11］陳玉龍，楊基和，劉英杰.BP神經網絡模型用于芳烴油加氫工藝條件考察［J］.控制與優化，2013（3）:88-92.

［12］李為民，徐春明，高國生，等.基于神經網絡-遺傳算法優化制氫工藝水碳比［J］.化工進展，2004（9）:998-1000.

［13］王天宇，劉忠保，黃明富.采用人工神經網絡方法建立加氫裂化反應體系模型［J］.控制與優化，2015，46（8）:89-95.

［14］羅一帆，郭振飛，朱振宇，等.近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經網絡模型研究［J］.光譜學與光譜分析，2005，25（8）:1230-1233.

［15］王國榮.神經網絡技術在加氫裂化產品收率預測模型中的應用［J］.工業技術，2015，33（7）:349-353.

［16］歐陽磊，黃友銳，黃宜慶.基于模糊RBF神經網絡的PID及其應用［J］.計算機工程，2008（12）:231-233.

［17］李長志，楊波，梁代華，等.探析油氣儲運中ANN技術的應用［J］.科技經濟市場，2014（7）:18-19.

［18］高玉明，張仁津.一種GA-PSO算法優化BP網絡的網絡流量預測［J］.計算機應用與軟件，2014（4）:106-110.

Research on application of artificial neural network method in flash point prediction of diesel oil

Li Yu
（Oil Refinery of Daqing Petrochemical Company，Daqing 163711，China）

The flash point of refined diesel oil is an important indicator for measuring the quality of diesel oil.In the diesel oil hydrodesulfurization production at present,the adjustment is mainly made according to the experience of operation stuff,which can produce fairly big error.This paper used 3 kinds of neural network methods to research the prediction of flash points of diesel oil under the conditions of the fluctuation of the highest point temperature of reactor,pressure of fractionating tower,top temperature of the fractionating tower,bottom temperature of fractionating tower,ratio of hydrogen and oil.The result showed that,the mean square error predicted by PSO-BP neural network method is 5.76×10-4,and it’s better than other prediction methods.

BP neural network;GA-BP neural network;PSO-BP neural network;flash point of diesel oil;prediction

TP183

：A

：1671-4962（2017）03-0010-04

2017-04-21

李郁，男，助理工程師，碩士研究生，2016年畢業于齊齊哈爾大學分析化學專業，現從事柴油加氫脫硫工藝技術工作。