基于GA-BP的轉化反應甲烷含量軟測量建模

佟維妍，魏寶武

（沈陽工業大學 化工過程自動化學院，沈陽 110870）

在我國大中型煉油企業中，制氫裝置在集散控制系統（DCS）平臺上實現了過程的操作監控、實時監測與自動控制，軟硬件條件的改善為實施優化控制技術提供了良好的應用環境。依靠先進控制與優化控制技術并結合軟測量技術，實現制氫過程的節能、降耗、增效目標，具有很大的現實意義[1]。

通過對石油化工企業的制氫工藝及制氫過程自動控制的現狀的分析，針對制氫過程中關鍵參數無法在線監測的問題，提出了基于神經網絡和遺傳算法的優化建模方法，對制氫轉化爐產品的關鍵指標參數進行軟測量研究，同時實現對轉化爐重要控制量的在線優化，能夠實時地根據操作工況的變化在線調節生產過程的控制量，使其達到優化、平穩操作，實現生產過程的實時閉環優化控制，提高生產的經濟效益。其中，建立實時預測模型、進行工藝操作控制量的在線優化是技術關鍵。

1 制氫工藝

轉化爐是制氫工藝中轉化反應的反應器，屬于裝置的“心臟”設備。它以輕石腦油、焦化干氣為混合原料[2]。轉化爐采用頂燒式，燃料器安裝在輻射室頂部，火焰由上往下燃燒，通過引風機強制通風，使火焰垂直往下，煙氣流動方向與爐管內介質流動方向一致[3]。

制氫工藝流程如圖1所示，脫硫預處理后的原料氣在進入轉化爐前，按水烴比4.5（輕石）、4.0（干氣）與3.5 MPa自產中壓蒸汽混合，經轉化爐對流原料預熱段被加熱至500℃，由上集合管進入轉化爐輻射段，在轉化爐爐管內含鎳催化劑Z417/Z418的作用下，烴類與水蒸氣發生轉化反應，轉化氣中含有氫氣、一氧化碳、二氧化碳和部分甲烷[3]。

圖1 制氫工藝流程示意Fig.1 Process of hydrogen production

在轉化爐中進行的制氫轉化反應由多變量相互制約，主要控制參數接近極限值，工藝指標的控制精度要求高，而生產效率與工藝設備安全成矛盾狀態，因此對控制系統提出了很高的要求[4]。

2 制氫轉化反應軟測量模型設計

實施在線優化控制時，需要對產品的質量指標進行控制，由于經濟或技術的原因，難以對其進行在線測量，僅能通過離線實驗室分析得到分析值。而離線實驗室分析往往存在長時間滯后的問題，無法滿足在線實時控制的要求。為了解決這類問題，軟測量技術隨之發展起來。

為建立軟測量模型，必須首先采集數據和對數據進行預處理。對于石化行業大型生產過程，可利用集散控制系統DCS直接獲得實時生產數據。根據現場經驗及DCS組態對影響轉化氣中甲烷含量的諸多因素的分析，確定制氫轉化爐的7個控制量為模型的初次變量。在此，初次變量數據采集工作，是在DCS工程師站上通過編寫OPC客戶端程序，按照指定的時間讀取監測數據來獲得的。此外，通過企業的CIMS信息管理平臺，采集了3個月的甲烷含量化驗數據。

對于制氫轉化爐這種長流程的連續生產來說，實際上某一時刻記錄的工藝控制量和同一時刻產品質量記錄不能完全相對應，存在一定的滯后時間。因此，根據同一時刻的處理量或工藝控制量并不能決定產品質量。根據現場實際情況，轉化氣中甲烷含量的采集分析頻率為8 h/次，工藝操作控制量的采集頻率為2 h/次，由于數據采集頻率的不同，使得轉化氣中甲烷含量的變化不能得到準確地反映。為此，統一了數據采集的頻率，以頻率最慢的為準，同時考慮到工藝過程本身存在滯后問題，在此采樣頻率選為8 h/次，對于采樣頻率大于8 h的變量，求取其在8 h內采樣數據的平均值[5]。

生產現場存在電磁干擾以及儀器儀表的波動、失效現象，通過檢測儀表采集到的過程數據會出現異常的觀測結果，使數據帶有誤差。根據數據處理原則，合理地進行誤差處理，并將數據進行歸一化，共獲得有效數據360組。在此將360組現場數據分為2個集合，即用于軟測量建模的訓練集（300組數據）和用于檢驗己訓練好的網絡的輸出性能的檢驗集（60組數據），如表1所示。

表1 部分樣本數據Tab.1 Data of the sample（part）

根據前述的分析確定，水烴比、轉化爐入口溫度、轉化爐橫跨溫度、爐管四點溫度、入爐原料流量是影響生產操作和全過程經濟效益的主要因素。其中，水烴比不能進行直接測量，它與入爐蒸汽流量、焦化干氣流量以及輕石腦油流量之間有以下確定關系為

故對于制氫轉化爐來說，根據反應機理以及流程工藝分析，考慮到制氫轉化爐中對甲烷含量有影響的各種因素，在實際生產過程中，主要的操作變量和易測變量有7個，由此構成軟測量模型的輸入向量，即：X1為焦化干氣流量，X2為輕石腦油流量，X3為入爐蒸汽流量，X4為轉化爐入口溫度，X5為轉化爐橫跨溫度，X6為爐管四點溫度，X7為入爐原料流量，

基于神經網絡的軟測量模型的輸入特征向量，其維數為7。而輸出變量為所關心的狀態量，在此以轉化氣中甲烷含量作為神經網絡的輸出向量。

3 制氫轉化反應軟測量模型驗證

3.1 基于BP神經網絡的數學模型

本節中使用三層網絡結構的BP神經網絡，第一層為輸入層含有7個輸入單元，中間層為隱含層，隱含層單元數通過Kolmogorov定理結合試湊法確定，第三層為輸出層只有1個輸出單元。BP神經網絡為前饋式網絡，在此選擇tansig為隱含層傳遞函數，purelin為輸出層傳遞函數，如圖2，3所示。

圖2 BP神經網絡預測Fig.2 Prediction of BP neural network

圖3 BP神經網絡預測模型誤差Fig.3 Prediction model error of BP neural network

BP神經網絡的學習方法采用了最速下降BP算法，其訓練函數traingd，在訓練時學習速率α是一常數，默認值為0.01。

分別取 5，10，11，15，18，20，25，30，35，40 等 10種情況作為中間層的單元數，分別對BP神經網絡進行訓練。利用網絡輸出的偏差平方和最小 （即MSE）作為判定模型優劣的標準，當MSE越小時，則訓練結果和預期值吻合程度越好，訓練后的模型性能越優良。根據表2，分析不同網絡結構模型的訓練結果，可以看出網絡結構為7-10-1的模型，其偏差平方和為0.3182，是上述10種結構模型中誤差最小的網絡結構，同時也滿足了工藝要求，達到既定的目標。

表2 不同隱層節點數與模型輸出偏差比較表Tab.2 Different number of hidden layer nodes and the output of the model deviation comparison table

3.2 遺傳算法與BP神經網絡結合

遺傳算法優化BP神經網絡是用遺傳算法來優化BP神經網絡的初始權值和閾值，使優化后的BP神經網絡能夠更好地預測函數輸出，如圖4所示。

圖4 遺傳算法BP神經網絡Fig.4 Genetic algorithm BP neural network

采用實數編碼，每個個體均為1個實數串，由輸入層與中間層連接權值、中間層閾值、中間層與輸出層連接權值以及輸出層的閾值四部分組成，染色體編碼串長度為91。

規定種群中遺傳因子個數PopSize=80，最大進化代數MaxGeneration=50。本設計中染色體的目標函數為預測輸出與期望輸出的差值的絕對值和，如圖5所示。

圖5 預測值與真實值誤差Fig.5 Error of predictive value and real value

3.3 與RBF網絡的對比

選擇基于遺傳算法的優化方法作為RBF網絡的學習訓練算法，RBF網絡的隱節點中心和寬度參數利用遺傳算法優化，而連接權值采用正交最小二乘法，如圖6、7所示。

圖6 遺傳算法RBF神經網絡Fig.6 Genetic algorithm RBF neural network

圖7 預測值與真實值誤差Fig.7 Error of predictive value and real value

通過2種建模方法的對比可知，遺傳算法優化BP神經網絡的測試輸出精度與單純BP神經網絡相比提高了很多。這里同樣使用期望值與預測值的偏差平方和來對誤差進行描述，數值為error_sum=0.0566。該網絡的精度比單純BP神經網絡精度提高了10倍。基于遺傳算法與BP相結合的算法，利用遺傳算法所具有的全局搜索能力與BP算法基于梯度信息下降，具有局部搜索能力強等各自優點來優化神經網絡的結構和參數，克服單純BP算法訓練網絡精度差和容易陷入局部極小的缺陷。

對于RBF神經網絡，同樣利用遺傳算法對其進行優化，雖然輸出精度較單純RBF神經網絡的測試輸出精度略有改善，但誤差依然很大。

根據制氫轉化爐的實際生產數據，利用基于遺傳算法的神經網絡技術進行模型建立，建立制氫轉化反應產品質量參數的軟測量模型，較準確地預測轉化氣中甲烷含量。

4 結語

通過對制氫轉化爐的生產工藝以及控制過程的分析，結合智能控制理論，提出了一種基于遺傳算法優化BP神經網絡的軟測量方案。該模型可以對生產過程中難以直接測得的制氫轉化反應產品質量進行在線測量。仿真結果表明通過上述方法建立的神經網絡軟測量模型具有較好的測量精度。

[1]李琦.煉油精餾過程軟測量與綜合優化控制的研究[D].大連：大連理工大學，2008.

[2]中國石油遼陽石化分公司煉油廠.LYSHLY/WJ504—2005制氫裝置操作規程[S].2008.

[3]杜中強.新型制氫轉化爐的應用[J].石油化工設備技術，2005，26（2）：40-42.

[4]錢國濱.淺談硝酸生產過程操作參數優化控制[J].中國科技博覽，2010，60（15）：112.

[5]佟維妍.基于GA_BP網絡的制氫轉化爐生產過程優化的研究[D].阜新：遼寧工程技術大學，2011.