基于BP神經網絡對汽油辛烷值損失預測模型的構建

摘要：汽油燃燒尾氣中含有的硫、烯烴等混合物對環境造成了極大的污染，但企業脫硫降烯的過程也會降低代表企業利潤的辛烷值含量。通過數據關聯或機理建模，可以刻畫化工過程與辛烷值含量的關系，為解決傳統的數據關聯模型中變量相對較少、機理建模對原料的分析要求高、對過程優化的響應不及時等問題，本文利用Matlab軟件，基于粒子群優化算法，通過BP神經網絡模型對工廠生產過程中收集的數據進行數據挖掘，建立了辛烷值損失預測模型。最后選擇了225個數據樣本進行了辛烷值損失預測模型的訓練，100個樣本用于對辛烷值損失模型進行驗證。所構建的模型對目標值的預測具有高度擬合性，較好地解決了相關問題。

關鍵詞：辛烷值;BP神經網絡模型;粒子群優化;損失預測模型

【Abstract】Themixtureofsulfurandolefinintheexhaustgasofgasolinecombustioncausesgreatpollutiontotheenvironment，buttheprocessofdesulfurizationanddetenewillalsoreducetheoctanenumberwhichrepresentstheprofitoftheenterprise.Throughdatacorrelationormechanismmodeling，therelationshipcouldbedepictedbetweenthecontentofchemicalprocessandoctanecontent.Inordertosolvetheproblemsofrelativelyfewvariablesintraditionaldataassociationmodels，highrequirementsforrawmaterialanalysisinmechanismmodeling，anduntimelyresponsetoprocessoptimization，thepaperusesMatlab，basedontheParticleSwarmOptimizationalgorithm，thedatacollectedintheproductionprocessofthefactoryisminedthroughtheBPneuralnetworkmodel.Consequently，thepredictionmodelofoctanelossisestablished，225datasamplesareselectedtotraintheoctanelosspredictionmodel，and100samplesareusedtoverifytheoctanelossmodel.Themodelishighlyfittingtothepredictionofthetargetvalueandsolvestherelatedproblemswell.

【Keywords】

octanenumber;BP-neuralnetworkmodel;ParticleSwarmOptimization;lossforecastingmodel

作者簡介：王寧寧（1995-），女，碩士研究生，主要研究方向：會計學。

0引言

隨著國內社會經濟的飛速發展，汽車數量越來越多，而汽油作為其主要動力燃料，消耗量也與日俱增。但是由于汽油的燃燒產生的尾氣含有的硫、烯烴等對環境有很大的污染，為響應國際對汽油清潔化的號召，各國對汽油質量標準的制定都愈發嚴格。要求在汽油精制的過程中，不僅要降低其中硫、芳烴等物質的含量，同時要保證汽油中的辛烷值（RON）的含量[1]。

辛烷值是用來衡量汽油品質以及燃燒性能的一個關鍵指標，通常用該值來評價汽油抑制爆震能力的高低。如果汽油中含有的辛烷值過低的話，汽油機的熱功效率就會降低，很容易加重缸體以及部件的磨損，甚至導致發動機爆震[2]。如果發生爆震，則會聽到氣缸發出的敲擊聲，燃燒室的溫度會驟然提高，排氣管道開始冒黑煙。如果汽油的抑制爆震能力強，能在一定程度上免除爆震現象的出現。因此辛烷值含量對發動機的使用年限、功率有很大影響[3]。而辛烷值對煉油廠來說代表著利潤，辛烷值的高低決定了價格的高低。

但是由于目前國內的煉油工藝中設備和過程不統一，原料成分復雜，存在著很多不可控因素，就使得持續擴大與優化生產的目標很難實現。因此在當前嚴格的國Ⅵ標準下，如何在降低汽油中硫、烯烴等物質的前提下，使得化工廠得到辛烷值盡可能高的汽油，即已成為目前汽油生產領域的攻克重點與難點。對此本文擬展開研究論述如下。

1基于粒子優化算法的BP神經網絡模型

由于本文所收集樣本的操作變量之間具有高度非線性，所以本文建立基于粒子群優化算法的BP神經網絡數據預測模型，用于對不同操作條件下的辛烷值損失進行預測。

1.1BP神經網絡模型

BP神經網絡是一種需要學習訓練的監督分類算法[4]。對復雜的非線性系統非常適用，具有較高的建模能力，現已廣泛用于預測模型。本文首先根據所收集到的樣本數據建立神經網絡模型，對模型輸入特征向量，并經過神經網絡的學習輸出得到預測值，再通過模型運算得到預測結果，比較學習得到的預測值和期望值求出網絡誤差，在此基礎上把誤差進行反向傳遞，進而對所設置的神經網絡參數反復做出調整，直到網絡誤差滿足精度要求。通常，BP神經網絡的拓撲結構有3層：輸入層、隱含層以及輸出層，其中輸入層中有n個神經元，輸出層有m個神經元。BP神經網絡的計算過程中涉及到的原理公式可依次表述如下。

1.2基于粒子群優化算法的BP神經網絡模型

粒子群優化（PSO）算法是一種具有隨機性的全局迭代進化算法，和遺傳算法的“交叉”、“變異”等較為復雜的操作不同，該算法結構簡單，參數比較少，與其他算法相較而言更容易在程序上實現[5]。PSO算法可以通過一層層的迭代，對復雜空間中存在的問題進行最優化求解。本文通過PSO算法對BP神經網絡模型進行改進，可以降低BP神經網絡對梯度下降的依賴，較好地彌補了BP神經網絡的不足。利用粒子群算法對BP神經網絡的權值和閾值進行優化時，定義粒子群搜索空間維數D=l×n+l×m+l+m，其中每個粒子的位置向量Xi代表了BP神經網絡的一組權值和閾值。用粒子群算法進行的反復多次迭代，可以讓粒子適應度值在條件終止時達到最小，因此就可以定位找到粒子的最優位置，此刻的位置向量即代表了BP神經網絡的最優權值和閾值，該位置向量將作為最終權值和閾值，并可用來對BP神經網絡進行測試驗證。本文將訓練樣本的BP神經網絡輸出的均方誤差作為適應度值，數學公式如下[6]：

1.3建立辛烷值損失預測模型

本文主要通過4個步驟建立模型，具體如下。

Step1辛烷值損失預測模型結構確定。研究后得到的辛烷值損失預測模型如圖1所示。由圖1可知，本文采用的BP神經網絡輸入層有25個節點，隱含層為單層，節點數為5，主要根據以下經驗公式計算得出：

Step2對所獲取的樣本進行歸一化處理。在圖1構建模型的參數中，從中篩選出325組數據，將其中225組數據作為訓練樣本，剩下的100組數據作為模型的檢驗樣本，并對樣本數據進行歸一化處理，公式為：

Step3選取BP網絡傳遞函數。根據本文數據及研究目的，分別確定了輸入層到隱含層的傳遞函數以及隱含層到輸出層的傳遞函數。

Step4BP網絡參數和粒子群算法求解參數的設置，見表1和表2。

根據辛烷值損失預測的神經網絡建模方法，建立了基于粒子群算法優化的BP辛烷值損失預測模型，并用Matlab對模型進行求解，整個預測模型流程如圖2所示。

2PSO優化BP神經網絡模型的仿真驗證

2.1PSO優化BP神經網絡模型的適應度驗證

PSO優化BP神經網絡模型適應度如圖3所示。由圖3可以看到，通過PSO優化BP神經網絡，設置進化代數為50，從第三代適應度曲線開始收斂為4.81，之后一直很穩定，說明該模型具有較好的適應度。

2.2基于PSO的BP神經網絡辛烷值損失預測模型的訓練與驗證

BP神經網絡模型如圖4所示。本文的BP神經網絡，輸入層節點為25，隱含層節點為5，輸出層節點為1。

本文搜集了325個樣本數據，用225個樣本數據作為本預測模型的輸入集，100個樣本數據用作測試集和驗證集。選擇辛烷值（RON）損失為研究對象，利用Matlab軟件運行代碼進行數據預測分析，運行后的結果如圖5和圖6所示，用均方誤差來描述模型預測的準確性。Validation在訓練了18次后MSE到達2.8233e-05。

RON損失對比如圖7所示，是100個驗證集的預測辛烷值損失與實際的辛烷值損失的對比。由圖7可以清楚看出真實值與預測值擬合度很高。

RON損失預測值與真實值的相對誤差如圖8所示。為了準確表示出模型可靠性，利用Matlab軟件分別做出RON損失的相對誤差和絕對誤差圖像，可以看到平均相對誤差在0.52%左右，僅有個別異常數值也不過1.4%;絕對誤差不超過0.015，如圖9所示。

3結束語

本文對從化工廠所收集的數據構建了基于粒子優化算法的BP神經網絡模型，通過粒子群算法優化了權閾值問題，不僅解決了網絡收斂的速度慢的問題，同時避免了BP神經網絡預測模型會導致模型結果陷入局部最優的情況，使得預測模型更加準確。后面通過對模型的驗證，證明了本文所構建模型的可行性。所構建的模型解決了由于國內目前的煉油工藝中設備和過程不統一，原料成分復雜等各種不可控因素導致的建模艱難問題，有利于優化國內原油工藝的生產過程，保證企業在降低汽油中硫、烯烴等物質的前提下，提升汽油中的辛烷值含量，幫助企業提高利潤。

參考文獻

[1]楊苗.長慶石化汽油辛烷值的數學建模法計算研究[D].西安：西安石油大學，2015.

[2]董立霞.FCC汽油加氫脫硫過程中烯烴飽和與辛烷值損失規律的研究[D].北京：中國石油大學（北京），2017.

[3]齊萬松，姬曉軍，侯玉寶，等.S-Zorb裝置降低汽油辛烷值損失的探索與實踐[J].煉油技術與工程，2014，44（11）：5-10.

[4]羅連波，朱景川，劉勇，等.基于BP神經網絡的TC6鈦合金富氧α層厚度與熱暴露溫度、時間關系預報[J].稀有金屬材料與工程，2014，43（4）：946-950.

[5]宮華，李作華，劉洪濤，等.基于改進PSO-BP神經網絡的貯存可靠性預測[J].運籌與管理，2020，29（8）：105-111.

[6]呂磊，王紅蕾.基于PSO-BP神經網絡的儲能裝置實時容量識別與實現[J].現代電子技術，2020，43（12）：69-73.