基于LSTM的潤滑油加氫裝置產品預測和基于RF的操作優化相關性分析

李詔陽，曹萃文

(華東理工大學 化工過程先進控制和優化技術教育部重點實驗室，上海 200237)

潤滑油加氫處理是生產高品質潤滑油的重要加工工藝，尤其是在當今原油逐漸劣質化且環保要求日益嚴格的大環境下，該工藝已成為生產潤滑油最主要的方法之一。因此，深入研究潤滑油加氫處理過程機理，不僅對提高潤滑油產品產量和質量具有重要意義，而且對煉油廠的節能減排也有積極影響。

潤滑油加氫處理包含加氫裂化、加氫異構化、加氫后精制3個工藝過程。重質原油首先通過加氫裂化處理將其中的環烷烴和芳香烴等大分子烴類斷鏈開環，生成鏈烷烴和單環環烷烴等小分子烴類，并去除其中的硫、氮等雜質。加氫裂化處理后的油品經汽提塔分餾后，底油進行加氫異構化反應，將傾點較高的正構烷烴異構化為傾點較低的異構烷烴，同時使底油保持較高的黏度指數。加氫異構化處理后的底油通過加氫后精制處理將其殘留的芳烴、環烷烴等雜質去除，再通過常減壓塔分餾后得到潤滑油基礎油。工業界對潤滑油加氫裝置的操作優化研究，主要基于實際工業數據，通過分析裝置操作條件對產品的影響來優化生產方案。目前，已經有許多學者對潤滑油加氫裝置的操作條件進行了優化研究，并取得了很好的成果[1-5]。此類研究模型的準確性依賴于全面的工業數據，然而，實際工業數據需在常規工況下采集，無法實現可能工況的全面覆蓋，從而使數據驅動的模型精度產生偏差。因此，如何建立較完備的、并易于推廣的潤滑油加氫裝置產品預測數據集，成為了對其進行進一步實施優化操作的一個障礙。

目前，潤滑油加氫裝置的產品預測研究主要分為2大類：一類是基于過程反應機理建模；另一類是基于數據驅動的方法建模。

基于過程反應機理建模的研究主要通過Aspen HYSYS等流程模擬軟件來實現。李勇等[6]采用Aspen HYSYS軟件對潤滑油加氫工藝常減壓分餾塔進行模擬，研究了加氫裝置減壓塔操作條件對產品質量的影響。于姣洋等[7]使用Aspen HYSYS軟件對潤滑油加氫裝置汽提塔進行模擬研究，分析了汽提塔塔頂壓力、溫度對產品質量的影響。周凌子等[8]使用Aspen HYSYS軟件模擬研究了某加氫裂化裝置，分析了該裝置的用氫狀況，并構建了氫源氫阱關聯模型。王萌等[9]使用Aspen HYSYS軟件模擬了某加氫精制裝置全流程，并用該模型對部分流程進行優化分析。基于過程反應機理建模能夠高度還原實際生產過程，模型數據也比較全面、可靠，但是整套裝置機理模型的構建難度較大。同時，反應過程的非線性、強耦合性和催化劑活性隨時間推移而衰減，該特點更加深了機理建模的難度。

近年來，基于數據驅動建立化工裝置產品預測模型和操作優化的研究受到了廣泛關注，此類方法雖然在其他加氫裝置研究中應用較多，但在潤滑油加氫裝置研究應用較少。1999年，Elkamel等[10]使用前饋神經網絡建立了真空汽油加氫裂化裝置的產率預測模型。2006年，Jimenez等[11]使用人工神經網絡建立了工業加氫過程催化劑活性預測模型。2011年，Alhajree等[12]使用BP神經網絡建立了某工業加氫裂化裝置的產品預測模型。2016年，Su等[13]基于廣義回歸神經網絡和BP神經網絡，建立了某煉油廠催化裂化裝置的焦炭產率預測模型。2017年，Muhsin等[14]基于疊加神經網絡建立了原油加氫處理過程的產品預測模型。2018年，王晨[15]使用3層BP神經網絡，建立了某加氫裂化裝置產品轉化率、氫耗和能耗的預測模型。這類模型不需要依賴反應機理，旨在于挖掘數據的內在聯系，實現裝置產品快速、準確的預測。但是基于數據的預測模型需要大量完備的數據集支持，如果生產數據集數據量不足、涵蓋面窄，建立的模型容易出現精度不足的缺陷。

鑒于此，對某煉油廠潤滑油加氫裝置生產過程，筆者使用Aspen HYSYS軟件建立機理模型，采用隨機抽樣的方法驗證該模型的有效性；然后根據生產工藝條件運行機理模型，擴展了潤滑油加氫裝置的產品預測數據集。通過該裝置產出的輕質潤滑油常溫常壓下的質量流量、40 ℃的運動黏度、閃點和傾點4個目標變量進行等權重相關性分析，篩選出了該裝置產品預測模型的7個特征輸入變量。采用LSTM(Long Short-Term Memory)和BP神經網絡對該裝置產品預測建模，并以均方根誤差(RMSE)、平均絕對誤差(MAE)評價2種模型，驗證了LSTM神經網絡建模的優越性。采用隨機森林算法(RF，Random Forest)對產品預測數據集的輸入特征變量與輸出目標變量進行相關性分析，以實現潤滑油加氫裝置操作的在線優化。

1 潤滑油加氫裝置流程模型與預測模型數據采集

1.1 基于Aspen HYSYS的潤滑油加氫裝置流程模型

基于Aspen HYSYS軟件創建的潤滑油加氫裝置流程模型如圖1所示。由圖1可知：該機理模型主要流程有：原料油和氫氣在加氫裂化工段(HCR)反應后，得到熱低分油(HLO1)，經加熱器(E-1)加熱后送入常壓分餾塔(C1-1)分離出副產品，留下底油(Bottoms1)被送入加氫異構/加氫后精制工段(IDW/HDF)進一步處理，得到熱低分油(HLO2)，經加熱器(E-2)加熱后送入常壓分餾塔(C2-1)分離出副產品，留下底油(Bottoms2)被送入減壓分餾塔(C2-2)進一步分離，側線汽提出產品輕質潤滑油(Product)，塔底底油(Bottoms3)為副產品。

根據該潤滑油加氫裝置生產工藝和操作要求，選擇機理模型參數范圍：加氫裂化反應器入口溫度為310～380 ℃；加氫異構反應器入口溫度為310～360 ℃；加氫裂化常壓分餾塔塔頂溫度為90～130 ℃；加氫異構常壓分餾塔塔頂溫度為70～130 ℃；加氫后精制反應器入口溫度為220～250 ℃；加氫裂化反應器壓力為13.5～14.7 MPa；加氫異構化反應器壓力為13.6～14.5 MPa。

HCR—Hydrocracking reactor;IDW—Isomerization dewaxing;HDF—Hydrofining;HLO—Hot low oil;E-1,E-2—Heaters;C1-1,C2-1,C2-2—Fractionating towers圖1 Aspen HYSYS潤滑油加氫裝置流程模型Fig.1 Model simulation of lubricating oil hydrogenation unit in Aspen HYSYS

該潤滑油加氫裝置實際運行過程中，進料油不是單一的某種原料油，而是包含多種原料油的混合油，通過調合多種原料油的比例盡量使混合原料油性質基本保持穩定。原料油性質和其在混合進料油中的質量分數如表1所示。

表1 潤滑油加氫裝置原料油性質Table 1 Properties of raw oil in the lubricating oil hydrogenation unit

1.2 基于隨機抽樣的潤滑油加氫裝置機理模型驗證

采用隨機抽樣法，驗證建立的潤滑油加氫裝置流程模型的有效性。通過對某月(31 d)潤滑油加氫裝置工況數據波動分析，每天隨機抽取2個樣本，共62個樣本。分別將62個樣本對應的加氫裂化反應器入口溫度、加氫異構反應器入口溫度、加氫后精制反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構常壓分餾塔塔頂溫度、加氫裂化反應器壓力、加氫異構反應器壓力作為模型的輸入參數，將裝置主要產品輕質潤滑油常溫常壓下的質量流量作為輸出參數，運行機理模型得到62個樣本的機理模型仿真結果。樣本中輕質潤滑油常溫常壓下的質量流量的實際值和仿真結果的對比如圖2所示。由圖2可以看出,輕質潤滑油在常溫常壓下的質量流量的仿真結果均大于實際值，這是因為機理模型未考慮損耗，但兩者的變化趨勢基本上是一致的。實際值與仿真值的平均絕對誤差(Mean absolute error，MAE)為1200.268 kg/h，平均相對誤差(Mean relative error，MRE)為4.08%，由于化工生產中的損耗一般在5.00%左右，因此該誤差結果驗證了機理模型的有效性。

圖2 輕質潤滑油常溫常壓下的質量流量實際數據和仿真數據對比Fig.2 Comparison of actual data and simulation data of mass flow of light lubricating oil at the ambient temperature and pressure

1.3 潤滑油加氫裝置產品預測模型特征變量的選取

根據潤滑油加氫裝置操作手冊中的21個操作變量的生產數據，按照式(1)對該裝置產出的輕質潤滑油常溫常壓下的質量流量、40 ℃的運動黏度、閃點和傾點4個目標變量分別計算相關系數。以4個操作變量的相關系數分別進行絕對值求和，得到該操作變量的等權重特征得分，并按照從大到小的順序排列。如圖3所示。

(1)

T1—Temperature of HCR;p1—Pressure of HCR;T2—Temperature of IDW;T4—Temperature of C1-1;p2—Pressure of IDW;T3—Temperature of HDF;T5—Temperature of C2-1;T6—Temperature of feed (C2-2);T7—Temperature of high thermal separator (HCR);T8—Temperature of cold height separator (HCR);T9—Temperature of C2-2;T10—Temperature of feed (C2-1);T11—Temperature of high thermal separator (IDW);T12—Temperature of cold height separator (IDW);p3—Pressure of C1-1;p4—Pressure of feed buffer tank (IDW);p5—Pressure of feed buffer tank (HCR);p6—Pressure of cold low separator (HCR);p7—Pressure of C2-1;p8—Pressure of high thermal separator (IDW);T13—Temperature of feed (C1-1)圖3 潤滑油加氫裝置各操作變量的等權重特征得分Fig.3 Equally weighted characteristic score of each operation variable in lubricating oil hydrogenation unit

按照圖3中的等權重得分排序，選擇加氫裂化反應器入口溫度T1、加氫裂化反應器壓力p1、加氫異構反應器入口溫度T2、加氫裂化常壓分餾塔塔頂溫度T4、加氫異構反應器壓力p2、加氫后精制反應器入口溫度T3、加氫異構常壓分餾塔塔頂溫度T5這7個變量作為該裝置產品預測模型的輸入特征變量。

1.4 潤滑油加氫裝置產品預測模型數據集的構建

由于該潤滑油加氫裝置實際生產數據有限而且涵蓋的操作條件范圍較窄，基于生產工藝要求和1.1節創建的潤滑油加氫裝置機理模型，擴展了該裝置的產品預測數據集。

當原料油進料量一定時，以加氫裂化反應器入口溫度T1(℃)、加氫異構反應器入口溫度T2(℃)、加氫后精制反應器入口溫度T3(℃)、加氫裂化后常壓分餾塔塔頂溫度T4(℃)、加氫異構常壓分餾塔塔頂溫度T5(℃)、加氫裂化反應器壓力p1(MPa)、加氫異構反應器壓力p2(MPa)為7個自變量，運行裝置機理模型，輸出了包括輕質潤滑油常溫常壓下的質量流量F(Oil)(kg·h-1)、40 ℃的運動黏度v40(mm2·s-1)、閃點TFlash(℃)和傾點TPour(℃)的75000組裝置產品預測仿真數據。該潤滑油加氫裝置在平穩運行時，T1、T2、T3、T4、T5分別為355、340、235、95、110 ℃，p1、p2分別為14.2、14.2 MPa。該潤滑油加氫裝置在平穩運行狀態時的1組數據與Aspen HYSYS軟件模型的預測仿真數據對比情況如表2所示。75000組預測仿真數據中的10組代表數據列于表3，該數據集作為后續產品預測模型的基礎。

表2 潤滑油加氫裝置的穩態運行數據與Aspen HYSYS模型預測仿真數據對比Table 2 Comparison of the actual steady-state operation data of the lubricating oil hydrogenation unit with the predictive simulation data of the Aspen HYSYS model

表3 潤滑油加氫裝置產品預測模型數據集Table 3 Predictive simulation data set of the lubricating oil hydrogenation unit product

由表2可見，使用Aspen HYSYS建立潤滑油加氫裝置機理模型，在實際生產裝置平穩運行的操作條件下，輕質潤滑油的產品質量流量與產品性質與實際生產數據基本吻合。

2 基于LSTM的潤滑油加氫裝置產品預測數據驅動模型

2.1 LSTM神經網絡及參數設置

LSTM神經網絡是Hochreiter和Schmidhuber[16]于1996年提出的一種新型深度機器學習神經網絡，該網絡在每一個神經元內部加入了選擇性記憶門單元，分別是輸入門(Input gate)、輸出門(Output gate)和忘記門(Forget gate)[17-18]。這種特殊的設計能夠長期記憶歷史信息而又不至于模型過度擬合，非常適合于潤滑油加氫裝置生產數據這種時間序列數據。

在Aspen HYSYS軟件得到的潤滑油加氫裝置運行數據集的基礎上，以1.3節選定的7個操作變量為特征變量，4個輕質潤滑油產品指標為目標變量構建預測模型。利用Python平臺的Keras序貫模型搭建3層LSTM神經網絡模型，第1層、第2層、第3層分別包含7、12、4個LSTM神經網絡單元。損失函數選擇均方誤差函數(MSE)，激活函數為Sigmoid函數，并采用自適應矩估計(Adam)優化函數訓練LSTM神經網絡每層神經網絡單元之間的權重。

2.2 基于LSTM神經網絡的潤滑油加氫裝置產品預測模型

按照2.1節所述的模型參數，構建潤滑油加氫裝置的產品預測模型。同時，采用BP神經網絡構建產品預測模型與該模型進行對比，其結構也為3層，第1層、第2層、第3層分別包含7、12、4個普通神經網絡單元，并采用隨機梯度下降法訓練BP神經網絡每一層節點間的權重。

2.3 基于LSTM和BP神經網絡模型的產品預測結果

潤滑油加氫裝置的4個目標變量基于LSTM和BP神經網絡模型的預測值與實際值如圖4～圖7所示，樣本為隨機選取的100個數據點。從圖4～圖7可以看出，相較于BP神經網絡模型，LSTM神經網絡模型的4個目標變量的預測精確度均更好。在潤滑油加氫裝置的操作條件有微小變化時，其目標變量存在局部跳變現象，數據集具有比較強的波動性。LSTM神經網絡模型的長短時記憶特性會對出現過的跳變場景選擇性記憶，對波動性強的數據擬合效果好；而BP神經網絡模型雖然能夠預測到跳變的出現，但其預測精度相對較差。并且BP神經網絡模型預測值比較集中，不能夠對不同的輸入特征變量(不同工況)做出更精準的預測，區分度不強，而LSTM神經網絡模型的預測表現遠遠優于BP神經網絡模型。

圖4 輕質潤滑油常溫常壓下的質量流量實際值與預測值Fig.4 The actual and predicted value of mass flow rate of light lubricating oil at the ambient temperature and pressure(a)LSTM network；(b)BP network

圖5 輕質潤滑油在40 ℃的運動黏度實際值與預測值Fig.5 The actual and predicted value of kinematic viscosity of light lubricating oil at 40 ℃(a)LSTM network；(b)BP network

圖7 輕質潤滑油傾點實際值與預測值Fig.7 The actual and predicted value of pour point of light lubricating oil(a)LSTM network；(b)BP network

分別采用LSTM和BP神經網絡模型對擴展的數據集進行訓練與測試，并分別由式(2)和式(3)計算均方根誤差(SRMSE)、平均絕對誤差(SMAE)。表4為LSTM與BP神經網絡模型在相同測試數據集上的4個目標變量性能指標對比，平均絕對誤差和均方誤差的值越小，說明模型的預測性能越好。由表4可以看出，與BP神經網絡模型中4個目標變量指標值相比，LSTM模型的SRMSE和SMAE均更小，表明LSTM模型的預測精度更高。

表4 LSTM與BP神經網絡預測模型性能指標Table 4 Performance indicators of LSTM and BP

(2)

(3)

3 基于隨機森林算法輸入特征變量與輸出目標變量的相關性分析

隨機森林(Random Forests，RF)算法[19-20]是常用的機器學習算法，既可以用于分類問題分析，也可用于回歸問題分析。但由于隨機森林模型需要通過計算輸入特征變量與輸出變量的相關程度來進行訓練，因此也常被用來評估自變量與目標變量的相關性大小。使用隨機森林模型進行相關性分析的過程如下。

在1.4節擴展的75000組數據集的基礎上，采用隨機森林模型分別計算每個輸入特征變量對每個輸出目標變量的影響程度，從而得到兩者的相關性。特征變量與目標變量的相關性排序如圖8所示，a1、a2、a3、a4、a5、a6、a7變量的含義見2.2節說明。由圖8(a)可知，當目標變量為輕質潤滑油常溫常壓下的質量流量時，7個特征變量與其相關性由高到低排序為加氫裂化反應器入口溫度、加氫異構反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構常壓分餾塔塔頂溫度、加氫后精制反應器入口溫度、加氫異構反應器壓力、加氫裂化反應器壓力。由圖8(b)可知，當目標變量為輕質潤滑油40 ℃的運動黏度時，7個特征變量與其相關性由高到低排序為加氫裂化反應器入口溫度、加氫異構反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構常壓分餾塔塔頂溫度、加氫后精制反應器入口溫度、加氫異構反應器壓力、加氫裂化反應器壓力。由圖8(c)可知，當目標變量為輕質潤滑油閃點時，7個特征變量與其相關性由高到低排序為加氫裂化反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構反應器入口溫度、加氫裂化反應器壓力、加氫異構反應器壓力、加氫異構常壓分餾塔塔頂溫度、加氫后精制反應器入口溫度。由圖8(d)可知，當目標變量為輕質潤滑油傾點時，7個特征變量與其相關性由高到低排序為加氫裂化反應器入口溫度、加氫異構反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構常壓分餾塔塔頂溫度、加氫異構反應器壓力、加氫后精制反應器入口溫度、加氫裂化反應器壓力。

在潤滑油實際生產中，潤滑油加氫裝置需要根據不同的生產產品性能目標改變在線操作參數，使裝置目標產品的性能滿足生產需求，可以根據7個實際操作參數與4個主要的輕質潤滑油產品變量之間的相關性分析，按照相關性由高到低的順序依次調整操作參數，實現潤滑油加氫裝置操作的在線優化，從而改進當前主要依賴于操作員自身經驗的方式。

a1—Temperature of HCR;a2—Temperature of IDW;a3—Temperature of HDF;a4—Temperature of C1-1;a5—Temperature of C2-1;a6—Pressure of HCR;a7—Pressure of IDW(1)F(Oil)；(2)v40；(3)TFlash；(4)TPour圖8 特征變量與目標變量的相關性Fig.8 The correlation between characteristic variables and target variable

4 結 論

(1)根據某煉油廠潤滑油加氫裝置的生產工藝及生產數據，利用Aspen HYSYS軟件對潤滑油加氫裝置生產過程進行了流程模擬。并參考操作參數的實際范圍擴展了潤滑油加氫裝置數據范圍，運行機理模型擴充了裝置的產品預測數據集。

(2)基于擴充的潤滑油加氫裝置產品預測數據集，以加氫裂化反應器入口溫度、加氫異構反應器入口溫度、加氫后精制反應器入口溫度、加氫裂化后常壓分餾塔塔頂溫度、加氫異構常壓分餾塔塔頂溫度、加氫裂化反應器壓力、加氫異構反應器壓力為7個輸入特征變量，以數據集中的輕質潤滑油的流量、40 ℃的運動黏度、閃點和傾點為4個目標變量，建立了3層LSTM神經網絡產品預測模型。并與3層BP神經網絡產品預測模型比較，以MAE和RMSE性能指標來評價產品預測模型，結果表明，LSTM模型的預測精度遠遠優于BP神經網絡模型。

(3)采用隨機森林模型對輸入特征變量與輸出目標變量進行了相關性分析，確定了特征變量對每一個目標變量的相關性，從而得到了操作參數根據不同生產目標的優化操作方案。