基于BP神經網絡和遺傳算法優化S Zorb裝置汽油辛烷值損失

高 萍，劉 松，程 順，歐陽福生，趙明洋

(1.華東理工大學化工學院石油加工研究所，上海 200237；2.中國石化上海高橋分公司)

重油催化裂化(RFCC)工藝不僅可以將重油轉化成汽油、柴油等輕質燃料，還能同時生產低碳烯烴，是煉油化工一體化的核心工藝之一[1-2]。我國催化裂化裝置生產的汽油約占成品汽油的70%左右[3]，并且成品汽油中的硫主要來自RFCC汽油[4]。隨著環保要求的日益嚴格，汽油的深度脫硫在世界范圍內引起了廣泛重視。我國汽油質量升級較快，國Ⅴ汽油標準中硫質量分數要求不大于10 μg/g[5]。吸附脫硫(S Zorb)技術是針對FCC汽油深度脫硫的最有效工藝之一。與傳統的加氫脫硫技術相比，它不僅能在辛烷值損失較低的情況下生產硫質量分數低于10 μg/g的汽油，還能降低操作成本和能耗。到目前為止，國內共有38套S Zorb裝置投產[5]。但在實際運行過程中，某煉油廠S Zorb裝置的精制汽油辛烷值損失長期在1以上，嚴重影響了企業的經濟效益。

鑒于RFCC工藝在石油加工中的重要地位，對該工藝過程的建模優化一直是該領域的研究重點。自20世紀60年代起，國內外就通過機理建模來指導優化RFCC的操作。但由于催化裂化各操作變量之間具有高度非線性和強耦聯性，機理模型的精度和時效性受到很大挑戰[6-7]。

人工神經網絡(Artificial Neural Network，ANN)是一個非線性動態系統，具有良好的自學習、自組織、自適應和非線性映射能力，不用依賴模型來實現多項控制。因此，人工神經網絡在工業中有廣泛的應用，尤其是在化工領域[8-10]。其中，BP神經網絡模型是目前應用最廣泛的模型之一。本研究以S Zorb工業裝置的大量實時數據為基礎，通過建立BP神經網絡模型并結合遺傳算法(Genetic Algorithm，GA)優化S Zorb裝置操作條件，使精制汽油辛烷值損失降低30%以上。

1 數據收集

以國內某石化企業1.2 Mt/a S Zorb裝置為研究對象，采集了2017年4月至2019年10月時間段，包括LIMS系統(Laboratory Information Management System)和DCS系統(Digital Control System)的數據。LIMS系統包括了原料油研究法辛烷值(RON)、硫含量、飽和烴含量、烯烴含量、芳烴含量、溴值、密度，吸附劑的硫含量、碳含量，產品RON和硫含量等13個性質數據；從DCS系統中采集了包括氫油體積比、反應器底部溫度、反應器頂部壓力、原料進裝置流量、再生風流量、再生器溫度、反應器質量空速等在內的355個操作變量數據。對本研究而言，最重要的產品性質為其RON，在LIMS系統該數據采集頻次為2次/周；DCS系統各操作變量的采集頻次為每3 min 1次。將采集到的DCS數據以LIMS系統RON測定時間點為中間點，取前2 h數據的平均值作為對應的操作變量數據，共得到265個樣本，如表1所示，其對應的原料、吸附劑和產品性質分布數據如表2所示。

表1 來自DCS系統中的操作變量數據(部分)

表2 LIMS系統中的原料、吸附劑及產品性質分布數據

2 建模變量的篩選

為了盡可能降低神經網絡建模變量的維數，以滿足后續優化的實施要求，必須保證輸入變量之間不相關或弱相關，而與目標值之間強相關。采用灰色關聯分析[11-12]作為變量相關性檢驗方法，其相關系數r與變量間的相關關系見表3。

表3 相關系數r與變量間的相關關系

在S Zorb裝置的有關物性變量中，原料RON是重要的建模變量，產品RON是目標變量，對于LIMS系統中其他11個物性變量和355個操作變量，其與目標變量之間的相關性分析結果如表4和表5。

表4 物性變量與產品RON相關性分析結果

表5 與產品RON相關性在0.7以上的操作變量

由表4可知，待生吸附劑硫含量、再生吸附劑硫含量、原料硫含量、原料芳烴含量和產品硫含量5個變量與產品RON的r在0.7以上，說明它們與產品RON之間高度相關，因而應該保留。表5列出的是r在0.7以上的130個操作變量。對于建模來說，變量數仍舊太多，若采用灰色相關度計算這些變量間的相關性會十分復雜。因此，本研究利用SPSS(Statistical Product and Service Solutions)軟件對操作變量之間進行相關性分析，結果如表6所示。

以表6中還原器流化氫氣流量(2)、反應過濾器壓差(7)和反吹氫氣壓力(8)為例，其兩兩之間的r分別為0.902，0.782，0.891，均大于0.7，因此可選擇其一作為建模變量?？紤]到在實際生產中還原器流化氫氣流量容易控制與調節，最后選定其作為建模變量。

表6 操作變量之間的相關性分析結果(部分)

從以上分析可知，采集的裝置數據質量較好，變量間的相關性結果可靠，符合實際生產情況。因此，以變量間的相關性結果作為篩選依據是合理可靠的。此外，參考裝置相關技術人員的意見，在相關度較高的兩個或多個變量中，應選定易于控制與調節的變量。最終選定建模操作變量15個，加上篩選出的原料、產品和吸附劑性質中的5個變量以及原料RON和產品RON，建模變量最終選定22個，其中輸入變量21個，目標變量(產品RON)1個，如表7所示。

表7 建模變量篩選結果

3 原料油的聚類分析

聚類分析是根據研究對象或對象的指標進行分類的數據分析方法。它將群集中具有相似屬性的對象劃分為同一子集，使得同一子集中的對象具有高度的相似性，而子集之間的對象彼此不相似。模糊C均值(FCM)算法是應用最廣泛的聚類算法[13-15]之一。本研究針對265組樣本中原料油性質(飽和烴含量、烯烴含量、芳烴含量、硫含量、密度和溴值)數據，采用FCM算法對S Zorb裝置的原料油進行分類，以期為后續針對不同種類的原料油分別建立產品RON預測模型、尋找最佳操作條件來降低產品RON損失打下基礎。

使用FCM算法的關鍵是確定最佳分類組數copt。為此，先確定最佳分類組數的上下限，令最小分類組數cmin=2，根據經驗式(1)求得最大分類組數cmax=16。

(1)

式中，N為樣本數目。

本研究利用Matlab編程平臺，并采用吳成茂等[16]提出的歸一化劃分系數來確定copt，其結果如圖1所示。

圖1 歸一化劃分系數隨分類組數的變化曲線

由圖1可見：當分類組數為3和5時，歸一化劃分系數明顯更大。本研究樣本組數為265，若將其分成5類，每一類的平均樣本數較小，會使得后續的建模結果準確性下降，因此選擇copt為3。再分別計算出每一類原料油的聚類中心的原料性質及原料油樣本的分配，結果見表8。

由表8可見，聚類中心相互之間區分度較大的原料性質是硫含量、飽和烴含量、烯烴含量，因此選取此三者的高低來度量不同類別原料油性質的差異。第1類原料油命名為低硫低烯烴高飽和烴原料油，第2類原料油命名為高硫高飽和烴高烯烴原料油，第3類原料油可命名為低硫低飽和烴高烯烴原料油。此外，3類原料油的樣本分布數均不小于80。

表8 最佳分類組數時的每類原料油的樣本數及其聚類中心值

4 預測RON的BP神經網絡模型的建立

BP神經網絡一般是包含輸入層、隱含層和輸出層的3層前饋神經網絡，每一層由若干神經元組成，信號傳遞到每個神經元時，會通過固定形式的激勵函數關系變換形成新的輸出信號傳遞給下一層神經元。BP 神經網絡中應用最廣泛的激勵函數是S函數和線性函數，S函數表達如式(2)所示。

(2)

S函數一般用于隱含層神經元的激勵函數，它能將神經元的輸入范圍從(-∞，+∞)映射到(-1，+1)。線性函數表達如式(3)所示。

f(x)=x

(3)

線性函數一般用于輸出層神經元的激勵函數，它能處理和逼近輸入變量與輸出變量的非線性關系[17]。

4.1 BP神經網絡模型結構

采用基于FCM 算法的3類原料油的數據樣本和已篩選出的22個建模變量來建立預測產品RON的BP神經網絡模型。在利用Matlab編程平臺建立S Zorb裝置產品RON預測模型的過程中，隨機產生固定組數的樣本數據用于訓練預測模型，剩余的樣本用于驗證預測模型，具體的樣本數分配見表9。

表9 訓練樣本和驗證樣本分配

建立神經網絡的關鍵是確定隱含層神經元的個數。因為隱含層神經元個數對BP神經網絡預測精度有較大的影響：神經元個數過多，運算時間過長，樣本易出現過擬合；神經元個數太少，網絡不能很好地學習，需要增加訓練次數。隱含層神經元個數計算如式(4)所示。

(4)

式中：H為隱含層神經元個數；m為輸入層神經元個數；n為輸出層神經元個數；L為1～10區間內的一個可調常數。

由式(4)得到隱含層神經元的個數為6～15，但由于BP神經網絡中包含大量并行分布結構和非線性動態特性，實際計算中，在按式(4)所得的神經元個數范圍內往往很難達到理想效果。為尋找最優的網絡結構，本研究將隱含層神經元個數從6依次增加到25，分別建立產品RON的BP神經網絡預測模型。將所選擇的訓練數據導入神經網絡模型進行訓練，并比較每次的均方誤差(MSE)，出現MSE值最小的神經元數即為最佳隱含層神經元個數，結果見圖2。由圖2可知：第1～第3類原料精制產品的RON預測模型的最佳隱含層神經元個數分別為20，18，17。由此可得，第1～第3類原料的精制產品產品RON預測模型三層網絡結構分別是21-20-1，21-18-1，21-17-1。

圖2 隱含層神經元個數與MSE的關系■—第1類原料； ●—第2類原料； ▲—第3類原料

4.2 BP神經網絡模型預測結果

采用上述BP訓練模型分別對3類原料的16，20，16組驗證樣本的產品RON進行預測計算，訓練樣本及驗證樣本預測值與實際值的比較如圖3所示。結果表明，第1～第3類原料的驗證樣本的產品RON實際值和預測值的最大相對誤差分別為0.42%，0.75%，0.48%，平均相對誤差均小于0.15%，且與訓練樣本的相對誤差相差不大，說明分別針對3類原料建立的產品RON預測模型的預測效果好。

圖3 3類原料的RON預測模型的預測效果■—真實值； ＊—預測值

5 產品汽油的RON優化

在采用BP 神經網絡建立的S Zorb 裝置產品RON預測模型的基礎上，利用GA算法[18]來優化操作條件，以達到降低RON損失的目的。在對產品RON優化的同時，還需要保證產品的脫硫效果。分析產品硫含量的歷史數據，發現其平均值為4.75 μg/g，而國Ⅵ汽油標準對硫含量要求質量分數不大于10 μg/g。為了給裝置對產品硫含量的控制留有余地，調優時產品硫質量分數控制在0～5 μg/g。在此過程時，設置種群中的初始種群為20、最大迭代次數為50，對個體產品RON進行預測，并將預測結果作為此個體的適應度大小，計算見式(5)。

Fi=yRON，i

(5)

式中：Fi為個體i的適應度值；yRON，i為個體i的產品RON預測值。

采取輪盤賭法選擇個體，計算式見(6)和式(7)。

式中：k為常數；N為種群規模；fi為群體中第i個個體的適應度；pi為第i個個體被選中的概率。

交叉是產生新個體的主要方式，但隨機進行交叉操作可能會導致某些有效基因的缺失[19]。一般而言，GA中的交叉概率范圍為0.6～0.9，變異概率在0～0.1之間。本研究選擇0.6作為交叉概率，0.05作為變異概率。

為了確保裝置的安全運行，諸多變量必須嚴格控制在一定的范圍之內(具體由裝置界定)。完成 GA參數設定和操作條件范圍界定后，將原料及吸附劑性質輸入優化模型中進行操作變量的尋優，結果見表10；優化后產品RON損失和實際產品RON損失數據見圖4。

表10 3類原料的RON的GA優化結果

由表10和圖4可知，3類不同原料的產品汽油RON損失平均降幅均超過30%，RON損失降幅大于30%的樣本占比平均達73.58%，說明絕大多數的樣本經過優化后，產品汽油RON損失降幅能夠達到目標。分別以第1類原料中第20組、第2類原料中第90組、第3類原料中第40組數據樣本的LIMS數據為基礎，得到優化后的產品汽油RON、硫含量及對應的15個操作變量的優化值，結果見表11。

圖4 產品RON損失實際值和優化后值對比◆—實際RON損失； ■—優化后RON損失； —實際RON損失平均值； —優化后RON損失平均值

由表11可見，以原料數據樣本的物性數據為基礎對15個操作變量進行優化，產品汽油RON損失均有降低的空間。其中，3類原料中氫油比、反應器底部溫度和反應器頂部壓力的優化方向比較一致。因此，可認為適當減小氫油比、反應器底部溫度和反應器頂部壓力能有效降低產品汽油RON的損失。

綜上所述，通過所建立的BP神經網絡模型與GA算法相結合，可以對S Zorb裝置操作變量進行優化，為降低精制汽油RON損失提供指導。

表11 3類原料的RON的GA操作變量優化結果

6 結 論

(1) 以S Zorb工業數據為基礎，采用灰色關聯分析和SPSS方法并結合裝置技術人員的建議，確定了包括原料油性質、吸附劑性質、產品性質和操作條件在內的22個建模變量。

(2)采用FCM聚類算法將S Zorb工業裝置的FCC原料油分成3類，在此基礎上，分別建立了結構為21-20-1，21-18-1，21-17-1的產品汽油RON的BP神經網絡預測模型。結果表明：3類原料油的產品RON預測模型的預測值和實際值相對誤差均小于1%，平均相對誤差小于0.15%，說明所建立的3類RON預測模型效果良好。

(3)通過BP神經網絡模型結合GA算法對S Zorb裝置操作變量優化，3類原料的產品汽油RON損失平均降幅為44.15%，RON損失降幅大于30%的樣本占比達73.58%。說明基于原料油聚類結果分別建立的產品RON優化模型，可在保證汽油脫硫效果的前提下明顯降低產品RON損失，為S Zorb裝置降低產品RON損失的實際操作提供重要指導。