神經網絡技術在柴油加氫精制裝置生產中的應用

肖 強，劉亞利，國 慶

(中海油石化工程有限公司，山東 青島 266101)

隨著人們生活水平的提高，國內汽車保有量也在急速增加。柴油由于具有揮發度低、經濟性好、著火點高、使用安全、穩定性好等特點，備受消費者關注。但是柴油車尾氣污染問題卻在不斷加重，柴油燃燒產生的硫氧化物能夠造成嚴重的大氣污染，因而車用柴油的硫含量問題日益受到關注。根據國家標準GB 19147—2016的規定，從2017年1月1日起，全國范圍內需實施車用柴油國Ⅴ標準，柴油硫質量分數要求不大于10 μg/g。因此，國內石化企業必須按照標準要求，進行柴油加氫精制裝置的升級改造和先進控制優化，以生產符合標準的柴油產品，實現良好的生產效益。

國內某石化企業為生產符合國Ⅴ標準的柴油，2017年底完成了對1.0 Mt/a柴油加氫精制裝置的改造升級，并于2018年初開車運行。為了使新生產工藝能夠達到先進控制和在線優化，以達到節能降耗和提高生產效益的目的，有必要建立一個能夠預測柴油加氫反應系統工藝條件或者柴油產品硫含量的模型。文獻[1-2]報道的反應動力學模型雖能較好地模擬柴油餾分加氫反應過程，但準確度較低，因此考慮采用人工神經網絡技術進行建模。

作為一種黑箱模型，人工神經網絡可以忽略過程機理，通過模擬過程的輸入與輸出之間的關系，達到對系統的建模。周軼峰等[3]采用實驗室平臺數據，應用人工神經網絡方法建立了用于柴油餾分加氫脫硫反應的預測模型，取得了良好的預測效果。但是基于工業實際生產數據的研究尚未見報道。本研究基于國內某石化企業1.0 Mt/a柴油加氫精制裝置的實際生產數據，采用人工神經網絡建立能夠預測柴油加氫產品硫含量的模型，用于指導裝置生產操作。

1 裝置概況

國內某石化企業1.0 Mt/a柴油加氫精制裝置加氫反應系統原有1臺加氫精制反應器，2017年底經過改造后，新增1臺加氫精制反應器，新增加氫反應器與原反應器串聯運行，加氫反應系統流程示意如圖1所示。原料柴油與循環氫混合后，經加熱爐升溫后依次進入反應器R-101和R-102進行催化加氫精制反應，最終得到加氫精制柴油。兩臺反應器內部各有3段床層，通過急冷氫控制各段床層的反應溫度。

圖1 加氫反應系統流程示意

該套裝置的原料由廠區直餾柴油、焦化柴油和催化裂化柴油混合而來，2018年1月2日開車運行，開始生產符合國Ⅴ標準的柴油。收集2018年1月5日至5月31日生產工藝數據，篩選出生產過程中對加氫脫硫反應影響較大的工藝參數，最終確定了140組生產數據。產品柴油的硫含量不僅與原料柴油的性質有關，還與加氫反應工藝條件有關。部分原料柴油的性質如表1所示。不同工藝條件下的加氫精制柴油產品性質如表2所示。根據文獻[4-6]的研究結果和模型本身的性能優勢，動量BP神經網絡、LMBP神經網絡和RBF神經網絡在化工過程中均有良好的預測效果。因此本研究應用采集的數據，分別采用上述3種神經網絡技術對柴油加氫反應系統進行建模，考察用于預測柴油加氫產品硫含量的最佳模型。

表1 部分原料柴油的性質

表2 不同工藝條件下精制柴油的性質

2 模型的建立

人工神經網絡通常由輸入層、隱層和輸出層3層構成，能否采用人工神經網絡建立準確的用于預測柴油產品硫含量的模型，模型輸入層的確立至關重要。柴油產品硫含量主要受原料柴油性質和加氫反應工藝條件決定。實際生產中，原料柴油硫含量、95%餾出溫度、密度、進料量、循環氫量、R-101一段上層溫度、R-101二段上層溫度、R-101三段上層溫度、R-102一段上層溫度、R-102二段上層溫度、R-102三段上層溫度、R101塔頂壓力共12個變量對柴油加氫脫硫影響較大。因此選擇這12個變量作為輸入層，同時，使用產品柴油硫含量這一單一變量作為輸出層建立模型。

MATLAB軟件中含有神經網絡工具箱系統，它為神經網絡的應用設計、分析、計算等提供了極大的方便。因此，本研究選擇使用MATLAB2016a編程建立預測柴油產品硫含量的人工神經網絡模型。

2.1 動量BP神經網絡的建立

BP神經網絡通常采用啟發式學習算法進行改進，以克服收斂速度慢、局部極值難以確定的問題[7-10]。動量BP算法作為一種啟發式學習算法，對表現函數梯度加以分析，從而改進了算法。

2.1.1網絡隱層神經元數的確定動量BP神經網絡模型的結構方面關鍵是確定隱層神經元數，通過設定相同訓練次數(8 000次)和學習速率(0.4)，改變隱層神經元數，進行訓練，不同隱層神經元數的神經網絡的訓練誤差結果見表3。可以確定最佳隱層神經元數為7，因此建立用于預測柴油產品硫含量的12×7×1單隱層動量BP神經網絡。

表3 不同隱層神經元數的神經網絡的訓練誤差

2.1.2網絡的訓練將篩選出的140組生產數據分為兩組，隨機選出120組數據作為訓練集，其余20組數據作為預測集。采用MTALAB2016a進行編程，調用神經網絡工具箱中的newff函數建立網絡。對動量BP網絡的參數進行設置，學習速率設為0.4，動量因子設為0.8，最大迭代次數設為8 000，最大迭代誤差為0.001，輸入層與隱層以及隱層與輸出層之間的傳遞函數均選擇sigmoid型函數中的tansig。將訓練集120組數據歸一化后，首先對動量BP神經網絡進行訓練，訓練結果見圖2。由圖2可以看出，訓練結果較好，模型的參數設置較為理想。

圖2 動量BP神經網絡對柴油產品硫含量的訓練結果●—預測值； ▲—實際值。圖3、圖4同

2.1.3網絡的預測通過調用sim函數對預測集20組數據進行仿真預測，然后應用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4。由表4可以看出，20組數據中預測值與實際值的最大相對偏差為6.67%，最小相對偏差為0.95%，平均相對偏差為3.50%，表明所建立的動量BP神經網絡對柴油產品硫含量的預測性能較好。

表4 動量BP神經網絡對柴油產品硫含量的預測結果

2.2 LMBP神經網絡的建立

LM算法是應用Levenberg-Marquardt方法對BP算法進行的改進。該方法的引入能使BP算法在以近似二階的訓練速率進行修正時，避免計算Hessian矩陣，使過程避免復雜化，從而加快BP神經網絡的訓練速度，提高訓練精度[11-12]。

2.2.1網絡隱層神經元數的確定通過設定相同訓練次數(500次)，改變隱層神經元數，進行訓練，不同隱層神經元數的神經網絡的訓練誤差結果見表5。可以確定最佳隱層神經元數為8，因此建立用于預測柴油產品硫含量的12×8×1單隱層動量BP神經網絡。

表5 不同隱層神經元數的神經網絡的訓練誤差

2.2.2網絡的訓練與動量BP神經網絡建立時相同，將隨機選出的120組數據作為訓練集，其余20組數據作為預測集。采用MTALAB2016a神經網絡工具箱中的newff函數建立網絡，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500，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。將訓練集120組數據歸一化后，首先對LMBP神經網絡進行訓練，訓練結果見圖3。由圖3可以看出，訓練結果較好，模型的參數設置較為理想。

圖3 LMBP神經網絡對柴油產品硫含量的訓練結果

2.2.3網絡的預測調用sim函數對預測集20組數據進行仿真預測，然后應用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6。由表6可以看出，20組數據中預測值與實際值的最大相對偏差為4.32%，最小相對偏差為-0.51%，平均相對偏差為2.30%。表明所建立的LMBP神經網絡對柴油產品硫含量的預測精度較高。

表6 LMBP神經網絡對柴油產品硫含量的預測結果

2.3 RBF神經網絡的建立

RBF神經網絡即徑向基函數神經網絡，它是在高維空間進行差值的一種技術，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[13-14]。

2.3.1網絡結構的確定在RBF神經網絡模型的建立過程中，最重要的是徑向基函數的分布常數spread的選取，spread值的選取決定了模型的運算性能和預測精度。因此，選取不同的spread值，對訓練誤差進行考察，結果見表7。由表7可以看出，當spread為1.80時，網絡的均方誤差最小，所以spread值選定為1.80。

表7 不同spread值對應的均方誤差

2.3.2網絡的訓練與前兩種神經網絡建立時相同，將隨機選出的120組數據作為訓練集，其余20組數據作為預測集。通過調用newrb函數建立RBF神經網絡模型。對各項參數進行設定，spread值為1.80，訓練精度設為0.001，隱層最大神經元數為100，每次訓練增加的神經元數為1。對預測集的120組數據進行訓練。前120組數據訓練結果如圖4所示。由圖4可以看出，訓練結果較好，參數設置理想。

圖4 RBF神經網絡對柴油產品硫含量的訓練結果

2.3.3網絡的預測調用MATLAB2016a中的sim函數對預測集20組數據進行仿真預測，應用postmnmx函數完成模擬數據的反歸一化，得到預測結果。預測結果與實際值的對比見表8。20組數據中預測值與實際值的最大相對偏差為5.00%，最小相對偏差為0.17%，平均相對偏差為2.18%。表明所建立的RBF神經網絡對柴油產品硫含量的預測精度較高。

表8 RBF神經網絡對柴油產品硫含量的預測結果

2.4 3種神經網絡的對比

通過以上對3種模型的分析可以看出，使用動量BP神經網絡、LMBP神經網絡和RBF神經網絡均能夠成功地建立起預測柴油加氫產品硫含量的模型。3種人工神經網絡對產品柴油硫含量預測的平均相對誤差分別為3.50%，2.30%，2.18%，均小于5%，預測效果較好，能夠達到工業預測的要求。但是通過對比可以看出，RBF神經網絡對產品柴油硫含量預測的平均相對誤差最小，其預測性能是3種人工神經網絡中最佳的，因此，最終選用RBF神經網絡作為該套柴油加氫精制裝置的預測模型。

3 模型泛化能力的確定

泛化能力體現了人工神經網絡用于對未知數據預測的性能。已建立的神經網絡模型是基于已收集的生產操作數據，但是實際生產過程中再現已有的生產數據是不可能的，而且未來的生產數據還可能超出已有數據所覆蓋的范圍。因此，為了使用人工神經網絡更準確地指導生產操作，必須對人工神經網絡的泛化能力進行檢驗。

原料柴油的硫含量高低直接決定了油品中硫的脫除難易程度，原料柴油硫含量越高，脫硫難度相對越大。因此，為了檢驗所建立RBF神經網絡的泛化能力，以原料柴油硫含量為例進行考察。

采集2018年6月3日至6月27日的生產數據，篩選出20組生產數據，該20組數據中原料柴油硫質量分數界于0.412%～0.430%之間，而原訓練集生產數據中原料柴油硫質量分數介于0.291%～0.407%之間。同時，其他神經網絡輸入變量均在原訓練集數據覆蓋范圍以內。

將篩選出的20組生產數據代入原RBF神經網絡中，通過RBF神經網絡進行仿真預測，得到預測數據與實際數據的對比結果，如表9所示。由表9可以看出，硫含量的預測值與實際值的相對誤差最大為-6.67%，平均相對誤差達到3.79%。預測值與實際值的平均相對誤差小于5%，在工業要求的誤差范圍內，說明該模型對原料柴油產品硫含量具有較好的泛化能力。

表9 另取20組柴油產品的硫含量預測結果

4 結 論

(1)分別應用動量BP神經網絡、LMBP神經網絡和RBF神經網絡為國內某石化企業1.0 Mt/a柴油加氫精制裝置建立用于預測柴油加氫產品硫含量的模型，有利于優化指導生產，保證柴油產品合格，達到國Ⅴ柴油標準。

(2)動量BP神經網絡、LMBP神經網絡和RBF神經網絡對柴油加氫產品硫含量預測的平均相對誤差分別為3.50%，2.30%，2.18%，RBF神經網絡的預測性能最佳，最終選定RBF神經網絡作為該套柴油加氫精制裝置的預測模型。

(3)通過原料柴油硫含量對所建RBF神經網絡的泛化能力進行了考察，結果表明模型的泛化能力較強，具有良好的適應能力。

(4)所建RBF神經網絡模型對柴油產品硫含量具有較好的預測能力，可以對該套柴油加氫精制裝置反應系統進行先進控制和在線優化。