BP神經網絡在中壓加氫裂化裝置多方面預測中的應用研究

王 晨

(中海油惠州石化有限公司，廣東 惠州 516086)

人工神經網絡技術作為一種應用類似于生物大腦神經突觸結構進行信息處理的數學模型，在計算機技術、數學理論日益發展的今天，已在非線性變量預測、模式識別、聯想記憶等眾多領域煥發出強大生命力。BP神經網絡由于其能借助眾多樣本數據經過三層神經網絡就可良好實現Rn空間到Rm空間的高度非線性映射[1-2]，已在各工程計算中獲得廣泛應用。

加氫裂化等煉油裝置工藝變量多，機理復雜，難以建立完善數學機理模型，但得益于DCS 積累的海量運行數據，完全可以利用BP神經網絡技術建立裝置的預測模型，實現裝置變量的準確預測。張忠洋等[3]利用GA-BP神經網絡預測了催化裂化裝置的汽油產率，結果表明經過GA遺傳算法優化的BP網絡的預測數據均方差為4.92。王天宇等[4]等利用BP網絡建立了蠟油加氫裂化反應體系模型，用以預測產品分布和反應器各段出口溫度，平均相對誤差只有0.483%。蘇鑫等[5]應用GA-BP網絡預測催化裂化裝置焦炭產率，證明了GA-BP網絡預測模型的準確性。本研究應用BP神經網絡技術對中海油惠州石化有限公司(惠州石化)3.6 Mta中壓加氫裂化裝置建模，對轉化率、噴氣燃料終餾點、高壓換熱器壓降進行預測，探究BP網絡模型在加氫裂化裝置不同應用方面的預測效果。

1 BP神經網絡的構建與實現

1.1 BP神經網絡拓撲結構與構建流程

惠州石化中壓加氫裂化裝置以直餾煤油、直餾柴油和催化裂化柴油(催柴)的混合油作原料采用雙劑串聯一次通過的加氫裂化工藝流程，在中壓下生產優質輕重石腦油、噴氣燃料、柴油[6-7]。圖1是基于裝置構建的BP網絡示意圖，圖2展示了BP神經網絡構建的一般流程。裝置的輸入參數位于神經網絡輸入層，待預測的參數位于輸出層，兩者蘊含的對應規律通過隱藏層的多個節點自動計算得出。層與層之間通過傳遞函數實現全連接，本研究中傳遞函數選用對數S型Sigmoid函數。

圖1 中壓加氫裂化BP網絡拓撲示意

圖2 BP神經網絡構建的一般流程

1.2 樣本數據的選取與預處理

能否成功構建神經網絡強烈依賴于BP網絡輸入變量的選擇，且加氫裂化裝置流程復雜，輸入變量與輸出變量的對應關系在時間維度上存在一定的時間遲滯，故在選取BP網絡變量時一要準確提取與輸出變量密切相關的輸入變量，防止變量選取冗余，二是要合理調整輸入、輸出變量的采集時間，最大限度還原各變量在加氫裂化流程時間維度上的對應關系。根據以上原則對裝置2017年度的數據進行采集，列于表1～表3。其中，中壓加氫裂化第一反應器(一反)為精制反應器，第二反應器(二反)為裂化反應器，而裂化反應器三床層(二反三床層)兼具裂化和后精制作用，在裝置運行中反應最為激烈，溫度波動最為敏感，其平均溫度可很好地表征反應深度。裝置進料以直餾煤油、直餾柴油餾分為主，并摻煉一定比例催柴，經日常操作分析，裝置進料量和催柴摻煉量顯著影響床層溫度分布和產品質量，故在以上樣本數據選取中，二反三床層平均溫度、裝置進料量、催柴摻煉量視為基本關鍵輸入變量。

表1 噴氣燃料終餾點預測的數據采集方案

表2 加氫裂化轉化率預測的數據采集方案

噴氣燃料終餾點預測中選取了進料量、催柴摻煉量、二反三床層平均溫度、分餾塔噴氣燃料抽出量、抽出溫度5個參數作為輸入變量，共采集305組。在轉化率預測中經過分析將輸入變量降為3個，共采集數據915組。高壓換熱器殼程壓降主要與管程入口溫度和系統循環氣總量關系密切，共采集數據1 729組。

樣本數據選取后，經降噪處理剔除離群點，利用MATLAB將樣本數據隨機劃分訓練組和預測組，并利用式(1)、式(2)所示的MATLAB函數進行樣本數據歸一化和預測結果的反歸一化[8]。

歸一化函數：[I，IS]=mapminmax(input)

(1)

反歸一化函數：O=mapminmax(‘reverse’，output，OS)

(2)

式中：I為輸入變量input矩陣經過歸一化后的矩陣；IS為存儲對歸一化過程描述的相關變量；O為輸出變量output矩陣經過反歸一化后的矩陣；OS為存儲對反歸一化過程描述的相關變量；reverse為函數mapminmax的參數，表示反歸一化。

1.3 BP神經網絡實現

MATLAB神經網絡工具(nnTool)箱提供了豐富的神經網絡函數和訓練、評價方法[9]，本文利用MATLAB nnTool構建BP網絡，迭代次數為200，學習速率為0.1，誤差目標為0.000 04，節點傳遞函數為對數S型Sigmoid，訓練函數為Trainlm，學習函數為Learndm(帶動量項)。BP網絡模型的節點數如表4所示。其中，隱藏層節點數的確定由經驗公式(3)[10]結合試驗法得出。

表4 MATLAB構建BP網絡模型的節點數

(3)

式中：H為隱藏層節點數；n為輸入層節點數；m為輸出層節點數；k為常數，1≤k≤10。

表4中隱藏層節點數的選擇對BP網絡模擬結果精度有重要影響，以預測加氫裂化轉化率為例，按照上述方法用MATLAB建立BP網絡，按照式(3)確定隱藏層節點數為2～12，分別建立BP網絡模擬結果如圖3所示，結果精度用均方差值MSE表示，其計算公式見式(4)。

根據企業典型工作任務，確定課程教學內容為以下五個方面：平臺店鋪注冊及產品發布；交易磋商的程序；貿易術語及價格核算；合同條款 （品名品質條款、數量條款、包裝條款、運輸條款、保險條款、支付條款、爭議預防與處理條款）；合同履約流程。對照教學內容，教學團隊結合實訓軟件、設置實訓工作任務，開展項目教學，以達到干中學。

(4)

式中：yi為預測值；yip為實際值；s為樣本個數。

圖3 神經網絡隱藏層節點數優化

由圖3可以看出，節點數為3時MSE值最小，為0.15，故加氫裂化轉化率BP網絡的隱藏層節點確定為3。同理，噴氣燃料性質預測BP網絡和高壓換熱器殼程壓降預測BP網絡隱藏層節點數分別為7和6。

2 BP網絡應用

2.1 加氫裂化轉化率預測

中壓加氫裂化裝置中轉化率的定義為產物輕、重石腦油量總和與進料量之比。轉化率反映了加氫裂化深度，與產品質量密切相關。BP網絡對轉化率的預測結果如圖4和圖5所示。由圖4和圖5可以看出，本裝置中對轉化率預測絕對誤差在±2%，由于裝置轉化率一般控制在28%～30%，故BP網絡對轉化率預測的相對誤差達到了±5%，個別點達到±10%以上，與其它方面預測相比，轉化率預測精度相對偏低。由于轉化率受輕、重石腦油收率影響，故石腦油分餾塔的操作波動會影響樣本數據的質量，進而影響BP網絡的訓練精確度。

圖4 BP網絡預測加氫裂化轉化率

圖5 BP網絡預測加氫裂化轉化率誤差分析

2.2 噴氣燃料終餾點在線預測

加氫裂化產品質量指標要求高，控制嚴格，以BP網絡建模可實現加氫裂化產品的連續預測，對及時控制產品質量有重要意義。產品質量預測受干擾因素較多，除裝置工藝參數波動外，產品采樣時間、質量、化驗分析結果準確度等均對BP網絡預測質量有影響，同時采樣化驗數據量有限，易導致神經網絡訓練不足難以充分獲取變量間的非線性映射關系。

圖6和圖7為對35組噴氣燃料終餾點的預測結果。由圖6和圖7可知，除極個別點外，預測的絕對誤差均為±3 ℃，相對誤差為±(0.15%～2.0%)，表明BP神經網絡可以很好地對噴氣燃料性質預測進行建模并通過關聯相關操作條件準確預測其終餾點。

圖6 BP網絡預測噴氣燃料終餾點

圖7 BP網絡預測噴氣燃料終餾點誤差分析

2.3 高壓換熱器殼程壓降預測

裝置氫氣來源為重整氫，經高壓換熱器殼程預熱后進入高壓反應流程，自裝置投產以來，重整氫帶氯問題時有發生，造成高壓換熱設備殼程結鹽，壓降增大甚至應力腐蝕開裂，嚴重影響裝置平穩運行。以殼程循環氣量、管程入口溫度為輸入變量構建BP網絡預測其殼程壓降變化，結果如圖8和圖9所示。由圖8和圖9可知，BP網絡可準確預測殼程壓降變化趨勢，預測絕對誤差為±0.03 MPa以內，相對誤差基本控制在±5%，滿足換熱器狀態監測要求。

圖8 BP網絡預測E105殼程壓降

圖9 BP網絡預測E105殼程壓降誤差分析

3 結 論

(1)BP神經網絡在工藝參數、產品性質、設備狀態預測方面均取得了滿意的預測結果，對工業裝置操作具有指導意義。其中，對加氫裂化轉化率預測的準確度最低，相對誤差為±(5%～10%)；對噴氣燃料終餾點預測的準確度較高，相對誤差為±(0.15%～2.0%)，對高壓換熱器殼層壓降預測的絕對誤差為±0.03 MPa以內，滿足換熱器狀態監測要求。

(2)樣本數據質量直接影響BP網絡的訓練程度，繼而影響BP網絡預測質量。加氫裂化工藝流程復雜，樣本數據相關性密切，數據采集需考慮時間遲滯、變量冗余、數據置信度等因素，故在對轉化率、產品性質預測建模時應運用多種手段對樣本數據降噪，保證數據質量。

(3)鑒于BP神經網絡訓練方法屬貪心算法范疇，為解決網絡初始權值隨機性和訓練不收斂問題，采取多次訓練取最優結果和帶動量項的學習函數learndm策略，若結合GA遺傳算法、粒子群等算法優化其訓練準確度仍有提升空間。

參考文獻

[1] 張孔遠，肖強，劉晨光，等.人工神經網絡在汽柴油加氫脫氮中的應用[J].石油煉制與化工，2013，44(3)：83-87

[2] Su Xin，Wu Yingya，Pei Huajian，et al.Prediction of coke yield of FCC unit using different artificial neural network models[J].China Petroleum Processing and Petrochemical Technology，2016，18(3)：102-109

[3] 張忠洋，李澤欽，李宇龍，等.GA輔助BP神經網絡預測催化裂化裝置汽油產率[J].石油煉制與化工，2014，45(7)：91-96

[4] 王天宇，劉忠保，黃明富，等.采用人工神經網絡方法建立加氫裂化反應體系模型[J].石油煉制與化工，2015，46(8)：90-95

[5] 蘇鑫，裴華健，吳迎亞，等.應用經遺傳算法優化的BP神經網絡預測催化裂化裝置焦炭產率[J].化工進展，2016，35(2)：389-396

[6] 楊杰.中壓加氫改質催化劑再生及其反應性能評價[J].石油煉制與化工，2017，48(1)：67-71

[7] 王慶波，張毓瑩，胡志海，等.煤柴油加氫裂化裝置摻煉重凝析油工藝研究[J].石油煉制與化工，2010，41(12)：1-5

[8] 王小川，史峰，郁磊，等.Matlab神經網絡43個案例分析[M].北京：北京航空航天大學出版社，2013：3-10

[9] 陳明，等.MATLAB神經網絡原理與實例精講[M].北京：清華大學出版社，2013：45-46

[10] 馬銳.人工神經網絡原理[M].北京：機械工業出版社，2014：140-141