RBF神經網絡在催化裂化汽油加氫裝置中的應用

肖 強，國 慶，李義一，卜曉玲

（中國海油 中海油石化工程有限公司，山東 青島 266101）

近年來，隨著霧霾天氣狀況的逐漸增多，保護大氣環境的呼聲日益高漲，然而社會汽車保有量的大幅增長卻使排入大氣的尾氣量逐年遞增。為了降低汽車尾氣中含硫氧化物對大氣環境的影響，我國對車用油品制定了嚴格的標準，車用汽油國Ⅴ標準要求汽油硫含量降至10 μg/g以下。為了適應市場要求，國內某煉廠對原生產國Ⅳ標準汽油的250 kt/a催化裂化汽油選擇性加氫脫硫裝置的參數進行調整，以生產符合國Ⅴ標準的汽油產品。為了對調整生產參數后的裝置進行工藝條件的優化，達到節能降耗的目的，采用在線優化和先進控制是最有效的手段［1-3］。對于加氫脫硫系統，關鍵是建立一個能夠預測汽油產品硫含量或工藝條件的預測模型，但影響加氫脫硫系統的條件較多，作為一個復雜的多維非線性系統，求解較為困難［4-8］。

本工作基于國內某煉廠250 kt/a催化裂化汽油選擇性加氫脫硫裝置的實際生產數據，應用RBF神經網絡對該裝置的催化裂化汽油重餾分加氫系統進行建模，在給定反應條件下對得到的重汽油產品的硫含量進行了預測，并對所建模型的泛化能力進行了考察。

1 裝置概況

國內某煉廠250 kt/a催化裂化汽油選擇性加氫脫硫裝置采用的是中國石化石油化工科學研究院開發的第二代催化裂化汽油選擇性加氫脫硫RSDS-Ⅱ技術，該技術的工藝路線如圖1所示。RSDS-Ⅱ技術是根據原料性質和產品目標，選擇合適的切割點將催化裂化汽油分為輕、重兩個餾分，輕餾分進行堿抽提脫硫醇得到輕汽油產品，重餾分進行選擇性加氫脫硫得到重汽油產品，輕汽油和重汽油產品混合后進行氧化脫硫醇得到全餾分產品。

圖1 RSDS-Ⅱ技術工藝路線Fig.1 Schematic diagram of RSDS-Ⅱ process.

該裝置的原料來源于該煉廠催化裂化裝置的全餾分汽油，從2016年9月1日開始，該裝置調整工藝運行參數，開始試生產國Ⅴ標準汽油。采集2016年9月1日至2016年12月31日的生產數據，篩選出生產過程中易波動工藝參數，隨機選取90組生產數據。生產國Ⅴ標準汽油期間，部分原料汽油的性質如表1所示，部分輕汽油產品性質如表2所示。由表2可看出，輕汽油產品硫含量在8.5～13.0 μg/g之間。考慮到氧化脫硫醇過程對汽油硫含量的降低很少，為了保證輕、重汽油混合脫硫醇后形成的全餾分汽油的硫含量低于10 μg/g，要求重汽油的硫含量必須低于10 μg/g。為此，采用RBF神經網絡對催化裂化汽油重餾分加氫系統進行建模，以預測重汽油產品的硫含量，并優化操作參數，指導生產。催化裂化汽油重餾分加氫流程如圖2所示。由圖2可見，重餾分加氫系統由反應器Ⅰ、加熱爐和反應器Ⅱ構成。不同工藝條件下重汽油產品的硫含量如表3所示。

表1 部分原料汽油性質Table 1 Part properties of feed gasoline

表2 部分輕汽油產品的性質Table2 Part properties of light gasoline products

圖2 催化裂化汽油重餾分加氫的流程Fig.2 Schematic diagram of hydrogenation of heavy fraction of FCC gasoline.

表3 不同工藝條件下重汽油產品的硫含量Table3 Sulfur content of heavy gasoline products under different process conditions

2 模型的建立

采用RBF神經網絡建立用于預測重汽油產品硫含量的模型。RBF神經網絡即徑向基函數網絡，是在高維空間進行差值的一種技術［9-12］。RBF神經網絡一般由輸入層、隱層和輸出層三層構成，其中最主要的是隱層和輸出層。RBF神經網絡隱層選用高斯基函數作為傳遞函數，輸出層選用線性函數作為傳遞函數。相比于全局逼近的BP神經網絡，RBF作為一種局部逼近的神經網絡，在逼近能力、分類能力和學習速度等方面更具優勢［13-15］。

2.1 模型變量的選取

重汽油產品的硫含量由催化裂化汽油重餾分的性質和選擇性加氫脫硫的工藝條件決定，而重汽油產品的性質與原料汽油以及輕重汽油切割點密切相關。催化裂化汽油重餾分加氫系統中反應器Ⅰ進口溫度、反應器Ⅱ一段進口溫度、反應器Ⅱ二段進口溫度、循環氫量和進料量對重汽油產品的硫含量影響較大。由于較難脫除的硫大多分布在重餾分中，因而原料油的90%餾出點對重汽油產品硫含量的影響較大。因此，選取原料汽油的進料量、原料汽油的硫含量、90%餾出點、分餾塔底溫度、反應器Ⅰ進口溫度、反應器Ⅱ一段進口溫度、反應器Ⅱ二段進口溫度和循環氫量共8個變量作為RBF神經網絡的輸入變量，重汽油產品的硫含量作為單一輸出變量。

2.2 模型結構的確定

應用MATLAB神經網絡工具箱中的newrb函數創建RBF神經網絡。在網絡建立過程中，最重要的是徑向基函數的分布常數spread的選取，spread越大，網絡的預測性能越平滑。但并不是越大越好，過大的spread可能導致計算出現問題。為了確定最佳的spread值，應用newrb函數建立RBF神經網絡，訓練精度設為0.000 1，隱層最大神經元數為60，每次訓練增加的神經元數為1，考察訓練誤差，不同spread下的均方誤差見表4。由表4可看出，當spread為1.25時，均方誤差最小，訓練精度最高，所以選定spread為1.25。

表4 不同spread下的均方誤差Table 4 The mean square error under different spread

2.3 網絡的訓練

從90組生產數據中隨機選出80組作為訓練集，其余10組作為預測集。采用MATLAB軟件進行編程，通過調用newrb函數建立RBF神經網絡，對各項參數進行設定，spread設為1.25，訓練精度設為0.000 1，隱層最大神經元數為60，每次訓練增加的神經元數為1。對80組訓練集數據進行訓練，RBF神經網絡的誤差逼近曲線如圖3所示，訓練結果如圖4所示。由圖3可看出，當隱層神經元數達到55時，網絡的精度達到要求。由圖4可看出，訓練結果較好，參數設置較為理想。

圖3 RBF神經網絡誤差逼近曲線Fig.3 Convergence curve of RBF neural network.

圖4 RBF神經網絡對重汽油產品硫含量的訓練結果Fig.4 Training results of the sulfur content of heavy gasoline product with RBF neural network.

2.4 網絡的預測

調用MATLAB中的sim函數對預測集10組數據進行仿真預測，并通過postmnmx函數完成對數據的反歸一化，得到預測結果。預測結果與實際值的偏差見表5。由表5可見，10組數據中預測值與實驗值的最大相對偏差為4.39%，最小相對偏差為0.10%，平均相對偏差為1.32%。表明所建立的RBF神經網絡對重汽油產品硫含量的預測精度較高，是預測重汽油產品硫含量的理想模型。

表5 RBF神經網絡對重汽油產品硫含量的預測結果Table 5 Predicted results of the sulfur content of heavy gasoline product with RBF neural network

2.5 模型的對比

與建立RBF神經網絡模型相同，選取原料汽油的進料量、原料汽油的硫含量、90%餾出點、分餾塔底溫度、反應器Ⅰ進口溫度、反應器Ⅱ一段進口溫度、反應器Ⅱ二段進口溫度和循環氫量共8個變量作為輸入變量，重汽油產品的硫含量作為單一輸出變量，通過神經網絡工具箱中的newff函數調用trainlm函數建立LMBP神經網絡。對網絡的參數進行設置，最大迭代次數設為1 000，最大迭代誤差為0.001，輸入層與隱層之間的傳遞函數選為tansig，隱層與輸出層之間的傳遞函數選為purelin。通過網絡優化，建立8×6×1單隱層LMBP神經網絡。將隨機選出的80組訓練數據（與建立RBF神經網絡時相同）歸一化后，首先對LMBP神經網絡進行訓練；然后調用sim函數對預測集10組數據（與建立RBF神經網絡時相同）進行仿真預測，并通過postmnmx函數完成對數據的反歸一化，得到預測結果。LMBP神經網絡對重汽油產品硫含量的預測結果見表6。由表6可見，10組數據中預測值與實驗值的最大相對偏差為5.27%，最小相對偏差為-0.65%，平均相對偏差為2.50%。與RBF神經網絡相比，LMBP神經網絡的預測精度較低。因此，RBF神經網絡對重汽油產品硫含量的預測性能優于LMBP神經網絡。

表6 LMBP神經網絡對重汽油產品硫含量的預測結果Table 6 Predicted results of the sulfur content of heavy gasoline product with LMBP neural network

3 模型的泛化能力

泛化能力是人工神經網絡用于對未知數據預測的能力。已建立的神經網絡是基于已采集的生產操作數據，但實際生產過程中不可能再現已有的生產數據，而且還可能超出已有數據所覆蓋的范圍。因此，為了更準確地指導和優化操作，人工神經網絡必須具有良好的泛化能力。

為了考察所建立的RBF神經網絡的泛化能力，以反應器Ⅱ一段進口溫度為例進行分析。加氫脫硫反應主要在反應器Ⅱ中進行，因而反應器Ⅱ一段進口溫度直接影響產品的硫含量。為此，重新采集10組生產數據，該10組數據中反應器Ⅱ一段進口溫度在275～277 ℃之間（原訓練集生產數據中反應器Ⅱ一段進口溫度在262～272 ℃之間），而其他神經網絡輸入變量與原訓練集幾乎無偏差。

將重新采集的10組生產數據代入原RBF神經網絡中，通過神經網絡的仿真預測得到如表7所示的結果。由表7可看出，反應器Ⅱ一段進口溫度提高后，相對應的重汽油產品硫含量隨之降低，硫含量的預測值與實際值的相對誤差最大為4.35%，平均相對誤差達2.27%，均小于5%，說明該模型對反應器Ⅱ一段進口溫度具有較好的泛化能力。

表7 另外采集的10組數據的重汽油產品硫含量的預測結果Table7 Predicted results of the sulfur content of heavy gasoline product from other 10 sets of data collected

4 結論

1）應用RBF神經網絡建立了用于預測重汽油產品硫含量的模型，所建模型對產品硫含量預測的平均相對誤差達到1.32%，預測偏差較小，具有較好的仿真效果。

2）與LMBP神經網絡相比，RBF神經網絡的預測精度更高，對重汽油產品硫含量的預測性能更佳。

3）通過反應器Ⅱ一段進口溫度對所建立的RBF神經網絡的泛化能力進行了考察，結果表明，RBF神經網絡具有較強的泛化能力。

4）所建立的RBF神經網絡具有較好的預測能力，可對加氫反應系統進行在線優化和先進控制的指導。

［1］ 鄧毅，江青茵，曹志凱，等. 催化裂化裝置的人工神經網絡建模［J］.計算機與應用化學，2011，28（9）：1163-1166.

［2］ 郭彥，李初福，何小榮，等. 采用神經網絡和主成分分析方法建立催化重整裝置收率預測模型［J］.過程工程學報，2007，7（2）：366-369.

［3］ Enrique A，Jose I. Artificial neural network modeling techniques applied to the hydrodesulfurization process［J］.Mathem Comput Model，2009，49（1/2）：207-214.

［4］ Bellos G D，Kallinikos L E，Gounaris C E，et al. Modeling of the performance of industrial HDS reactors using a hybrid neural network approach［J］.Chem Eng Process，2005，44（5）：505-515.

［5］ 張孔遠，肖強，劉賓，等. 人工神經網絡在汽柴油混合加氫脫硫中的應用［J］.石油化工，2013，42（8）：870-874.

［6］ Gharagheizi F，Eslamimanesh A，Moammadi A H，et al.Use of artificial neural network-group contribution method to determine surface tension of pure compounds［J］.J Chem Eng Data，2011，56（5）：2587-2601.

［7］ Jorjani E，Chehreh C S，Mesroghli Sh. Application of arti ficial neural networks to predict chemical desulfurization of tabas coal［J］.Fuel，2008，87（12）：2727-2734.

［8］ 周開利，康耀紅. 神經網絡模型及其MATLAB仿真程序設計［M］.北京：清華大學出版社，2005：69.

［9］ 夏彬彬. 徑向基函數神經網絡在環境化學和藥物化學中的應用［D］.蘭州：蘭州大學，2008.

［10］ 鄭明文. 徑向基神經網絡訓練算法及其性能研究［D］.青島：中國石油大學（華東），2009.

［11］ 牟洪波. 基于BP和RBF神經網絡的木材缺陷檢測研究［D］.哈爾濱：東北林業大學，2010.

［12］ 華琇，陳繼紅. 基于RBF神經網絡的銷售預測模型的研究與應用［J］.南通工學院學報：自然科學版，2004，3（4）：84-86.

［13］ Kumer S. Neural Network［M］.北京：清華大學出版社，2006：26-50.

［14］ 韓力群. 人工神經網絡教程［M］.北京：北京郵電大學出版社，2006：16.

［15］ 董長虹. Matlab神經網絡與應用［M］.第2版. 北京：國防工業出版社，2007：64.