基于優(yōu)化RVFLN模型的延遲焦化開(kāi)工線H2S濃度預(yù)測(cè)

許霖風(fēng)一， 偶國(guó)富， 金浩哲

(浙江理工大學(xué) 流動(dòng)腐蝕研究所， 浙江 杭州 310018)

隨著原油資源趨緊，石油化工企業(yè)進(jìn)口含硫和高硫劣質(zhì)原油比例的逐年增加，延遲焦化成為當(dāng)今煉油廠渣油尤其是劣質(zhì)渣油處理的主要方式[1]。但是焦化裝置腐蝕環(huán)境不斷惡化，設(shè)備、管線的硫腐蝕已經(jīng)成為影響焦化裝置安穩(wěn)、長(zhǎng)周期運(yùn)行的主要危害之一[2]。延遲焦化裝置處理原料的硫含量過(guò)高，裝置內(nèi)部管線的濕H2S腐蝕和高溫硫腐蝕已成腐蝕防控重點(diǎn)對(duì)象。劉宏波等[3]研究了單相流和多相流中的H2S電化學(xué)腐蝕與應(yīng)力腐蝕開(kāi)裂，得出了不同H2S濃度下N80鋼的腐蝕規(guī)律；Sun等[4]用玻璃細(xì)胞實(shí)驗(yàn)分析了X65碳鋼在高、低H2S濃度下形成的表面腐蝕產(chǎn)物，證明不同濃度的H2S會(huì)形成不同的金屬表面腐蝕產(chǎn)物；王軍等[5]針對(duì)我國(guó)高硫原油大型煉油廠設(shè)備的H2S腐蝕展開(kāi)研究，分析了H2S腐蝕的主要影響因素并提出了相關(guān)的防護(hù)措施。

濕H2S與高溫硫腐蝕的腐蝕速率都與管線內(nèi)的H2S濃度密切相關(guān)，焦化裝置處理原料硫濃度較大，運(yùn)行過(guò)程中產(chǎn)生的H2S在管線死區(qū)堆積，與富含水氣的管道發(fā)生化學(xué)反應(yīng)，因此裝置受到嚴(yán)重的濕H2S腐蝕危害。但是目前尚缺少測(cè)量封閉管道內(nèi)部H2S濃度準(zhǔn)確、實(shí)時(shí)的傳感器；另外，石化企業(yè)現(xiàn)場(chǎng)工況運(yùn)行數(shù)據(jù)庫(kù)的大量歷史數(shù)據(jù)尚未得到信息挖掘和有效利用。在工業(yè)環(huán)境中，廣義線性模型如邏輯回歸、偏最小二乘回歸(PLSR)被廣泛應(yīng)用于過(guò)程變量的預(yù)測(cè)[6]，因?yàn)榇祟惸Ｐ洼斎胫苯樱Y(jié)構(gòu)簡(jiǎn)單，可擴(kuò)展性強(qiáng)，所以有快速的計(jì)算能力與特征保持功能。但是化工現(xiàn)場(chǎng)過(guò)程數(shù)據(jù)往往是高度非線性相關(guān)的，PLSR等線性模型無(wú)法處理變工況復(fù)雜環(huán)境下的高度非線性數(shù)據(jù)[7]，而神經(jīng)網(wǎng)絡(luò)在處理非線性數(shù)據(jù)方面有一定的優(yōu)勢(shì)，如典型誤差反傳神經(jīng)網(wǎng)絡(luò)(BPNN)，已被廣泛應(yīng)用于分類、預(yù)測(cè)[8]、回歸等領(lǐng)域，然而B(niǎo)PNN算法權(quán)重更新較慢，且易陷入局部最小誤差。

因此筆者采用一種單層前饋神經(jīng)網(wǎng)絡(luò)——隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)(RVFLN)作為基礎(chǔ)算法進(jìn)行優(yōu)化，提出了小規(guī)范權(quán)重內(nèi)隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)(SNRVFL)的數(shù)據(jù)驅(qū)動(dòng)方法，并集成分析工業(yè)現(xiàn)場(chǎng)分布式控制系統(tǒng)(DCS)、實(shí)驗(yàn)室信息管理系統(tǒng)(LIMS)等數(shù)據(jù)庫(kù)長(zhǎng)期運(yùn)行下的歷史數(shù)據(jù)，建立關(guān)于H2S濃度的實(shí)時(shí)預(yù)測(cè)模型。最后在前期研究的基礎(chǔ)上，通過(guò)分析延遲焦化系統(tǒng)的工藝流程，研究裝置開(kāi)工線管道的硫腐蝕機(jī)理，建立一種基于隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)算法的H2S濃度預(yù)測(cè)模型，模型的測(cè)試效果良好，適用于延遲焦化開(kāi)工線的H2S濃度預(yù)測(cè)，為裝置內(nèi)壓力管道的智能腐蝕防控與腐蝕風(fēng)險(xiǎn)評(píng)估提供數(shù)據(jù)基礎(chǔ)。

1 延遲焦化裝置工藝關(guān)聯(lián)過(guò)程分析

1.1 延遲焦化裝置流程

某煉油廠2#延遲焦化裝置原料為減壓渣油，其流程如圖1所示。首先原料經(jīng)過(guò)換熱器(E-101A-F)換熱后，進(jìn)入原料油緩沖罐(D-101)，然后由原料油泵(P-101A/B)抽出，經(jīng)換熱器(E-105A-F)換熱后(301℃)與焦化分餾塔底循環(huán)油(360℃)混合(318℃)進(jìn)入加熱爐進(jìn)料緩沖罐(D-102)。然后由加熱爐進(jìn)料泵(P-102A/B)抽出進(jìn)入焦化加熱爐(F-101A/B)并加熱至500℃，再經(jīng)過(guò)四通閥進(jìn)入焦炭塔(C-101A-D,圖中僅顯示C-101A/B兩裝置)底部，然后通過(guò)2臺(tái)焦炭塔進(jìn)行生產(chǎn)。4臺(tái)焦炭塔成對(duì)操作，一臺(tái)運(yùn)轉(zhuǎn)24 h后，分別經(jīng)過(guò)小吹氣、大吹氣、給水、溢流、生焦、清焦等工藝過(guò)程，將焦炭從塔底排除，焦炭塔塔頂?shù)臍饬骼^續(xù)進(jìn)入分餾塔完成循環(huán)。停工再生產(chǎn)時(shí)，原料通過(guò)四通閥從焦炭塔塔底和開(kāi)工線同時(shí)進(jìn)入塔內(nèi)進(jìn)行預(yù)熱，其余工況下物料均從焦炭塔底進(jìn)入。

開(kāi)工線僅在停工生產(chǎn)時(shí)輸入進(jìn)料預(yù)熱，其余工況下混雜著一定濃度H2S的氣體均滯留在開(kāi)工線管道頂部無(wú)法排除，故開(kāi)工線頂部(圖1中紅框部分)是焦化裝置腐蝕程度最嚴(yán)重的區(qū)域。停工檢修時(shí)拍下的開(kāi)工線內(nèi)濕H2S腐蝕形貌圖如圖2所示。

1.2 濕硫化氫腐蝕機(jī)理研究

裝置在給水、吹起、溢流、清焦等工藝過(guò)程中會(huì)產(chǎn)生大量水氣，且開(kāi)工線內(nèi)部溫度長(zhǎng)期處于30～120℃之間，在此種低溫、潮濕環(huán)境下，高濃度的H2S極易引起設(shè)備管線的低溫濕H2S腐蝕，腐蝕反應(yīng)總化學(xué)式為：

xFe+yH2S→FexSy+yH2

(1)

圖1 延遲焦化裝置工藝流程圖Fig.1 Flow chart of the delayed coking plant1—Heat exchangers E-101A-F；2—Feed buffer tank D-101；3—Feed pumps P-101A/B；4—Heat exchangers E-105A-F；5—Furnace feed buffer tanks D-102；6—Furnace feed pumps P-102A/B；7—Furnaces F-101A/B；8—Coke drum C-101A；9—Coke drum C-102A；10—Fractionator T-101；11—Recycle oil pumps P-103A/B

圖2 延遲焦化裝置開(kāi)工線內(nèi)壁腐蝕照片F(xiàn)ig.2 Picture of corroded start-up pipeline inner wall of a delayed coking unit

電離過(guò)程：

Fe→Fe2++2e-, H2S→HS-+ H+

(2)

腐蝕反應(yīng)式：

HS-+Fe2+→FeS↓+H+, 2H++2e-→H2

(3)

當(dāng)液相介質(zhì)呈現(xiàn)一定酸性時(shí)，F(xiàn)eS保護(hù)膜會(huì)被破壞，設(shè)備材料表面重新暴露易腐蝕環(huán)境中，促進(jìn)了氫去極化腐蝕反應(yīng)[9]：

Fe2++H2S→FeS↓+2H+

(4)

這些反應(yīng)產(chǎn)生的氫離子容易滲入金屬內(nèi)部四處擴(kuò)散，當(dāng)遇到氫陷阱(如在晶界或相界上缺陷、位錯(cuò)、三軸拉伸應(yīng)力區(qū)等)時(shí)，堆積增多的氫離子會(huì)重新結(jié)合生成氫氣，引起陷阱處的高氫壓力，使金屬在內(nèi)部產(chǎn)生細(xì)微裂紋，進(jìn)一步加劇腐蝕。

根據(jù)以上分析，操作人員根據(jù)開(kāi)工線內(nèi)部溫度以及H2S濃度來(lái)對(duì)設(shè)備進(jìn)行腐蝕防控是可行且必要的，但由于濕H2S腐蝕機(jī)理復(fù)雜，焦化流程冗長(zhǎng)且工況變化頻繁，封閉管線內(nèi)部難以測(cè)量，操作人員無(wú)法根據(jù)實(shí)時(shí)變化的H2S濃度采取相關(guān)防腐措施，因此建立開(kāi)工線內(nèi)H2S濃度的實(shí)時(shí)預(yù)測(cè)模型具有重要意義。

2 隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)算法介紹

2.1 影響因子選取及主成分分析降維

焦化裝置開(kāi)工線內(nèi)H2S濃度受眾多工業(yè)過(guò)程變量的影響，如果將裝置所有相關(guān)的過(guò)程數(shù)據(jù)作為模型的輸入，會(huì)造成大量數(shù)據(jù)信息的冗余，高維度的輸入變量將會(huì)大大增加算法的計(jì)算量，影響數(shù)據(jù)的使用效率和運(yùn)算速率。主成分分析法(PCA)對(duì)于處理高維非線性相關(guān)數(shù)據(jù)有較好的表現(xiàn)。因?yàn)閷?shí)際工業(yè)相關(guān)數(shù)據(jù)中總是存在噪聲擾動(dòng)，且高維度的過(guò)程變量之間通常存在一定相關(guān)性，相關(guān)變量之間所反映的某一信息就會(huì)有所重疊。因此PCA通過(guò)正交變換將原先收集的所有變量，轉(zhuǎn)化為一組線性不相關(guān)的變量，特征值大的相關(guān)成分被認(rèn)為是有效的主要成分，小特征值的相關(guān)成分代表信息中的噪音，然后刪除多余重復(fù)的變量(關(guān)系緊密的變量)，建立盡可能少的新變量，從而將獲得的低維主要成分來(lái)代替原始變量，達(dá)到過(guò)濾噪聲、減小維數(shù)的目的[10-11]。PCA作為基礎(chǔ)的數(shù)學(xué)分析方法，在此不再展開(kāi)介紹。

而在回歸領(lǐng)域中，皮爾遜相關(guān)系數(shù)(r)通常被采用，表示輸入和輸出之間的相關(guān)性。分析兩者之間的關(guān)系時(shí)，篩選相應(yīng)特征作為模型的輸入，其公式見(jiàn)式(5)。

(5)

為了降低模型維度，減小計(jì)算量，提高運(yùn)算速率，可采用主成分分析法對(duì)4組不同焦炭塔的H2S濃度進(jìn)行降維，提取主特征；然后用皮爾遜相關(guān)系數(shù)篩選與輸出相關(guān)性大的過(guò)程變量，作為模型的輸入。筆者采取工業(yè)現(xiàn)場(chǎng)DCS、LIMS數(shù)據(jù)庫(kù)中某一段時(shí)間內(nèi)(大于延遲焦化裝置的生產(chǎn)周期)的焦化裝置實(shí)際生產(chǎn)數(shù)據(jù)，根據(jù)延遲焦化裝置實(shí)際運(yùn)行工況，計(jì)算了數(shù)據(jù)樣本中各類數(shù)據(jù)特征與H2S濃度之間的皮爾遜相關(guān)系數(shù)，結(jié)果如表1所示。

表1 各影響因子與H2S濃度間相關(guān)系數(shù)(r)分析Table 1 Correlation analysis between correlation coefficient(r) and H2S concentration

T—Temperature；p—Pressure；F—Flow；φ—Volume fraction；TR—Distillation range；OG—Oil gas line；SL—Start-up line；TT—Top of coke drum；TI—Tower inlet；OF—Overflow line；DG—Dry gas；LG—Liquefied gas；R—Residuum；WO—Wax oil；DO—Diesel oil；P—Petrol

由表1可知，開(kāi)工線溫度、開(kāi)工線壓力、干氣H2S體積分?jǐn)?shù)、干氣流量、液化氣H2S體積分?jǐn)?shù)、液化氣流量、油氣線總管流量、油氣線總管溫度這8個(gè)因子的相關(guān)系數(shù)絕對(duì)值明顯要大于其余影響因子，證明開(kāi)工線內(nèi)H2S濃度受此8種因素的影響最大，且開(kāi)工線溫度一項(xiàng)與H2S濃度的相關(guān)系數(shù)為負(fù)值，說(shuō)明在低溫情況下H2S濃度反而較高，H2S管道的腐蝕程度也隨之上升，與案例實(shí)際腐蝕情況相符。

2.2 RVFLN算法結(jié)構(gòu)簡(jiǎn)介

RVFLN是一種單層隱層前饋網(wǎng)絡(luò)(SLFN)，最早由Pao和Takefuji于1992年[12]在函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)(FLNN)的基礎(chǔ)上[13]提出的，其性能已經(jīng)在各種應(yīng)用領(lǐng)域得到證實(shí)。與典型3層BP神經(jīng)網(wǎng)絡(luò)不同，RVFLN的輸入層經(jīng)過(guò)拓展后形成新的隱含層，和原始輸入一起作為新的輸入集進(jìn)行模型訓(xùn)練[14]。M維輸入X=[x1,x2,…,xM] 和L維輸出Y=[y1,y2,…,yL]的RVFLN結(jié)構(gòu)如圖3所示。

圖3中iM、hK、oL分別為輸入層、隱含層、輸出層各層節(jié)點(diǎn)的值，輸入層原始輸入變量X=[x1,x2,…,xM]經(jīng)過(guò)附著隨機(jī)權(quán)重后，得到第k個(gè)隱含層拓展節(jié)點(diǎn)的值為：

(6)

式(6)中，hk表示第k個(gè)隱含層拓展節(jié)點(diǎn)的輸出值；wmk是連接第m個(gè)輸入層節(jié)點(diǎn)到第k個(gè)隱含層節(jié)點(diǎn)的權(quán)重；bi,k是第k個(gè)隱含層節(jié)點(diǎn)的輸入偏置；fk是第k個(gè)隱含層節(jié)點(diǎn)的非線性拓展函數(shù)，其一般使用sigmoid邏輯函數(shù)、三角多項(xiàng)式[15]以及切比雪夫多少項(xiàng)式[16]等，sigmoid邏輯函數(shù)如式(7)所示。

(7)

在隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)中，wmk、bi,k均在模型初始化時(shí)隨機(jī)產(chǎn)生且固定不變，無(wú)須進(jìn)行更新。Bartlett[17]和Huang等[18]指出，相較輸入特征直接放入模型用于進(jìn)行算法訓(xùn)練，給輸入附著上[0,1]小規(guī)范內(nèi)的權(quán)重會(huì)使算法有更好的泛化性能，本文中的wmk、bi,k均取[0,1]內(nèi)的隨機(jī)數(shù)。結(jié)合輸入與隱含層節(jié)點(diǎn)的輸出，則圖3中輸出層節(jié)點(diǎn)的值(yl)可以表示為：

l∈{1,2,…,L}

(8)

式(8)中，wml、wkl分別為輸入層、隱含層到輸出節(jié)點(diǎn)的權(quán)重系數(shù)；bi,l、bh,l為第l個(gè)輸出節(jié)點(diǎn)的輸入層、隱含層偏置；g為輸出層節(jié)點(diǎn)激活函數(shù)，筆者采用sigmoid邏輯函數(shù)。由于輸入層到隱含層的權(quán)重?zé)o需更新，將輸入層和隱含層的節(jié)點(diǎn)均視為模型輸入，式(8)可簡(jiǎn)寫(xiě)為：

(9)

因此，為了使算法達(dá)到預(yù)置誤差要求，只需要更新輸出層的連接權(quán)重wj以及輸出節(jié)點(diǎn)的偏置bl即可，保證了模型的計(jì)算速率。

2.3 SNRVFL模型的建立

在經(jīng)過(guò)PCA降維和相關(guān)性因子的選取后，建模的具體步驟如下：

(1)首先采用離差歸一化對(duì)樣本數(shù)據(jù)歸一化：

(10)

式(10)中，S為原始樣本集；Smax、Smin是樣本S中每列特征數(shù)據(jù)最大值、最小值組成的矩陣；Sample表示歸一化后的樣本數(shù)據(jù)集。然后將樣本隨機(jī)地分成訓(xùn)練集Str、驗(yàn)證集Sva和測(cè)試集Ste，訓(xùn)練集用于模型訓(xùn)練，驗(yàn)證集用于網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)選取，最后測(cè)試集用于評(píng)估模型的性能。

(2)隨機(jī)產(chǎn)生一組[0,1]之間的拓展權(quán)重，連接輸入層節(jié)點(diǎn)與隱含層節(jié)點(diǎn)；然后將隱含層視為拓展節(jié)點(diǎn)，與原始輸入一起構(gòu)成最終的輸入矩陣I。

(3)初始化輸出層權(quán)重W在[-1,1]區(qū)間內(nèi)。

(11)

與實(shí)際輸出間的誤差記為E，

(12)

(5)用誤差反傳的方法更新權(quán)重W，l是模型的學(xué)習(xí)率，取l=0.7：

(13)

式(13)中，Wold表示更新前的權(quán)重矩陣；Wnew表示更新后新得到的權(quán)重矩陣。

(6)判斷更新后的權(quán)重是否達(dá)到誤差要求，如果達(dá)到，記下當(dāng)前權(quán)重，模型建立完成；如果未達(dá)到，則繼續(xù)進(jìn)行第(4)步至第(5)步，直到模型滿足要求。

3 SNRVFL模型預(yù)測(cè)H2S濃度性能評(píng)估

3.1 實(shí)例數(shù)據(jù)采集預(yù)處理

由于4臺(tái)焦化塔成對(duì)操作流程一致，此章節(jié)僅以C-101A焦化塔為考察對(duì)象作為示范，建立塔C-101A內(nèi)的H2S濃度實(shí)時(shí)在線預(yù)測(cè)模型。結(jié)合2.1節(jié)中的影響因子相關(guān)系數(shù)分析，選取了8個(gè)相關(guān)性較大的影響因子作為模型的輸入變量，分別為C-101A開(kāi)工線溫度、C-101A開(kāi)工線壓力、出口干氣H2S體積分?jǐn)?shù)、出口干氣摩爾流量、出口液化氣H2S體積分?jǐn)?shù)、出口液化氣摩爾流量、油氣線總管流量、油氣線總管溫度；輸出變量為焦化塔C-101A開(kāi)工線的H2S濃度。其中輸入數(shù)據(jù)的過(guò)程變量均可從現(xiàn)場(chǎng)DCS和LIMS數(shù)據(jù)庫(kù)中采集得到，模型輸出變量H2S濃度數(shù)據(jù)來(lái)自課題組前期開(kāi)發(fā)的測(cè)量軟件，部分歷史數(shù)據(jù)如圖4所示。

圖4 現(xiàn)場(chǎng)測(cè)量軟件焦化塔管線內(nèi)H2S質(zhì)量濃度變化曲線圖Fig.4 Real historical curve of H2S mass concentration in the coking drum pipeline by field measurement software

為了保持輸入輸出的頻率一致，以輸出變量H2S為最低采樣頻率，從現(xiàn)場(chǎng)數(shù)據(jù)庫(kù)中獲取了一段時(shí)間內(nèi)同時(shí)刻的4000組輸入、輸出作為數(shù)據(jù)樣本，然后利用數(shù)據(jù)樣本根據(jù)2.3節(jié)中所給的步驟建立預(yù)測(cè)模型。采取均方根誤差(RMSE)衡量算法模型，對(duì)于H2S濃度的預(yù)測(cè)精度進(jìn)行計(jì)算，見(jiàn)式(14)。

(14)

3.2 SNRVFL結(jié)構(gòu)確定

當(dāng)隱含層激活函數(shù)選為sigmoid函數(shù)時(shí)，為了確定隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)最優(yōu)的隱含層節(jié)點(diǎn)數(shù)，需要用訓(xùn)練集和驗(yàn)證集對(duì)算法不同隱含層節(jié)點(diǎn)下的擬合程度進(jìn)行模擬，計(jì)算各個(gè)隱含節(jié)點(diǎn)時(shí)算法的最終誤差，模型的誤差隨隱含層節(jié)點(diǎn)數(shù)的變化關(guān)系如圖5所示。

從圖5可知，當(dāng)隱含層節(jié)點(diǎn)小于24時(shí)，驗(yàn)證集誤差和測(cè)試集誤差均隨隱含層節(jié)點(diǎn)數(shù)增加而減小，在此區(qū)域算法屬于欠擬合狀態(tài)。而在隱含層節(jié)點(diǎn)大于24之后，雖然訓(xùn)練集的誤差依然緩慢變小，但驗(yàn)證集的誤差開(kāi)始逐漸增大，模型趨于過(guò)擬合狀態(tài)，因而確定模型隱含層節(jié)點(diǎn)數(shù)為24時(shí)可取得較好的建模效果，可避免節(jié)點(diǎn)過(guò)少時(shí)的擬合程度欠佳與隱含節(jié)點(diǎn)數(shù)過(guò)多導(dǎo)致的過(guò)擬合且降低工作效率，最終建立8-24-1的隨機(jī)權(quán)神經(jīng)網(wǎng)絡(luò)模型。

圖5 SNRVFL模型H2S濃度訓(xùn)練集誤差與驗(yàn)證集誤差隨隱含層節(jié)點(diǎn)數(shù)的變化關(guān)系Fig.5 Variation relationship between errors of the H2S concentration train dataset, validation dataset and numbers of hidden nodes with SNRVFL model

3.3 SNRVFL模型與其他模型效果比較

為了驗(yàn)證所得SNRVFL算法模型在預(yù)測(cè)焦化裝置開(kāi)工線H2S濃度方面的快速性與準(zhǔn)確性，將建模效果與偏最小二乘回歸(PLSR)、支持向量回歸(SVR)、BP神經(jīng)網(wǎng)絡(luò)(BPNN)進(jìn)行比較。對(duì)比PLSR、SVR、BPNN 3種常用算法模型，測(cè)試集的H2S濃度分布計(jì)算效果模擬分布圖和殘差值如圖6所示。由圖6可知，顯然SNVRFL模型的H2S濃度預(yù)測(cè)曲線擬合度最高，PLSR因?yàn)樘幚矸蔷€性數(shù)據(jù)能力較差，預(yù)測(cè)曲線波動(dòng)幅度最大，不太適合于H2S濃度的準(zhǔn)確預(yù)測(cè)。對(duì)比4種算法的殘差值，SNVRFL前65個(gè)測(cè)點(diǎn)的殘差在[-1.5,1.5]之間，均在0誤差標(biāo)準(zhǔn)線附近，說(shuō)明該種算法的預(yù)測(cè)值最接近運(yùn)行工況實(shí)際值，其預(yù)測(cè)性能最佳。

圖6 H2S濃度測(cè)試集在PLSR、BPNN、SVR、SNRVFL 4種算法下的模擬分布圖和殘差圖(前65個(gè)測(cè)試點(diǎn))Fig.6 Analog distribution and residuals for H2S mass concentration testing dataset from PLSR, BPNN, SVR and SNRVFL algorithms (first 65 test points)(a) Analog distribution; (b) Residuals

從算法結(jié)構(gòu)上說(shuō)，SNRVFL與BPNN均屬于需要更新權(quán)重的神經(jīng)網(wǎng)絡(luò)，由于SNRVFL輸入層到隱含層的權(quán)重是小范圍內(nèi)([-1,1])隨機(jī)確定的，因而只需要更新鏈接輸出層與其上一層之間的權(quán)重即可，迭代速率明顯快于典型的3層BPNN，其比較結(jié)果如圖7所示。

最后為了證明算法在精度與速率方面的優(yōu)勢(shì)并非偶然性，隨機(jī)打亂初始樣本重新分配訓(xùn)練集與測(cè)試集(交叉驗(yàn)證)，用SNRVFL、PLSR、SVR、BPNN 4種算法模型分別模擬10次，計(jì)算各自均方根值(RMSE)與運(yùn)行時(shí)間，結(jié)果見(jiàn)表2。

圖7 BPNN與SNRVFL迭代速率比較(隱含層節(jié)點(diǎn)數(shù)均為24) Fig.7 Comparison of iteration speed between BPNN and SNRVFL(24 hidden layer nodes)

OrderRMSECalculation time/msPLSRSVRBPNNSNRVFLPLSRSVRBPNNSNRVFL111.3757.3758.1077.1341391360413629.7687.5966.9637.05914876592130310.3247.4557.8386.89116924625127410.7897.7418.3247.17711967613284512.0408.1948.2657.35113893587134610.1977.4307.7296.72914901682141711.0067.1627.9147.58214928601135811.9147.8788.4867.23115913579133910.7627.4299.0597.109129576101621012.3077.9387.8027.17813864599149Average11.0487.6208.0497.14414914609153

綜合圖6～7與表2可以看出，SNRVFL較其他3種算法有更好的預(yù)測(cè)能力和泛化性能，在計(jì)算精度上，SNRVFL10次預(yù)測(cè)的均方根誤差平均值為7.1441，是4種算法模型中最小的，說(shuō)明SNRVFL對(duì)該工況下的H2S濃度預(yù)測(cè)最精準(zhǔn)；而且SNRVFL模型的運(yùn)算速率也明顯要快于SVR和BPNN，說(shuō)明SNRVFL模型處理非線性數(shù)據(jù)的能力很好且有快速實(shí)時(shí)的預(yù)測(cè)速率。因而SNRVFL模型的準(zhǔn)確快速與全面性使其可用于焦化系統(tǒng)開(kāi)工線內(nèi)H2S濃度的在線實(shí)時(shí)預(yù)測(cè)。

4 結(jié) 論

針對(duì)煉油企業(yè)延遲焦化裝置管線硫腐蝕嚴(yán)重的問(wèn)題展開(kāi)研究，分析確定延遲焦化裝置開(kāi)工線內(nèi)腐蝕原因?yàn)榈蜏貪馠2S腐蝕，基于SNRVFL優(yōu)化算法建立了延遲焦化裝置開(kāi)工線內(nèi)H2S濃度的預(yù)測(cè)模型，首先對(duì)現(xiàn)場(chǎng)DCS、LIMS數(shù)據(jù)庫(kù)采集的各種數(shù)據(jù)特征進(jìn)行降維預(yù)處理，對(duì)比影響因子相關(guān)系數(shù)大小，結(jié)合濕H2S腐蝕機(jī)理，提取了影響開(kāi)工線內(nèi)H2S濃度的主要因素。然后為提高算法的非線性能力與泛化性能，對(duì)特征變量附著小范圍內(nèi)隨機(jī)權(quán)重并引入非線性函數(shù)拓展模型的輸入特征，用誤差反傳算法對(duì)輸出權(quán)重進(jìn)行更新。計(jì)算結(jié)果表明，與其他算法比較，SNRVFL誤差收斂速率快，運(yùn)算速率良好(僅次于PLS)，預(yù)測(cè)精度高且具有較好的泛化性能。SNRVFL算法模型效率、準(zhǔn)確且全面，故認(rèn)為此方法可作為延遲焦化裝置開(kāi)工線內(nèi)H2S濃度的智能預(yù)測(cè)模型。