BP神經網絡在加氫裂化裝置航煤性質軟測量中的應用

閆乃鋒，王 晨

(中海油惠州石化有限公司，廣東 惠州 516086)

人工神經網絡是類似于生物大腦神經突觸結構且能能夠進行信息處理的數學模型，應用三層神經網絡(輸入層、隱藏層、輸出層)就可實現任意Rn空間到Rm空間的非線性函數逼近[1-2]，在工業界已普遍應用于變量預測、圖形識別等方面。在化工領域神經網絡擅長用于裝置參數軟測量、產物收率預測等。張笑天等[3]利用模糊C均值聚類和多BP神經網絡構建了具有良好預測能力的初頂石腦油軟測量模型。錢欣瑞等[4]構建了基于NARX神經網絡的油品性質軟測量模型，通過動態神經網絡取得了良好預測效果。本文擬構建單隱層BP神經網絡，用以對加氫裂化裝置的航煤產品性質進行預測，評估單隱層BP網絡對航煤的閃點、終餾點、密度的預測效果。

1 BP神經網絡構建

1.1 BP神經網絡拓撲結構與訓練流程

惠州石化中壓加氫裂化裝置以直餾煤柴油和催化柴油的混合油作原料，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、航煤、柴油[5-6]。圖1為BP神經網絡的一般訓練流程，圖2為基于航煤性質軟測量業務需求構建的BP網絡示意圖。

圖1 神經網絡建模一般流程Figure 1 General process of neural network modeling

裝置的生產參數是模型特征變量，位于神經網絡輸入層，航煤性質數據是模型目標變量，位于網絡模型輸出層，兩者蘊含的非線性規律通過隱藏層的多個神經節點自動計算提取。層與層之間通過權值實現全連接。

圖2 用于航煤性質軟測量的單隱層全連接前饋神經網絡Figure 2 Full connection feedforward neural network with single hidden layer for soft sensing kerosene properties

1.2 樣本數據

根據加氫工藝流程特點，確定BP網絡模型5個特征變量為裝置摻煉催化柴油比例、處理量、裂化反應溫度、航煤收率、航煤抽出塔板溫度，目標變量為航煤閃點、終餾點和密度。整個樣本數據集按照神經網絡建模原則，分割為3部分：訓練集、驗證集和測試集。其中訓練集和驗證集來自同一批樣本數據，通過隨機抽樣確定訓練集和驗證集數據，測試集取自建模之后裝置持續運轉一段時間內的連續工況數據，旨在測試模型的泛化性能。樣本數據取自中壓加氫裂化2017年11月1日～2019年2月10日正常生產數據，受不同性質數據化驗分析頻次影響，閃點、終餾點樣本數據集各取932組，其中訓練集700組，驗證集152組，測試集80組，如表1所示。密度分析頻次較低，共取數據470組，其中訓練集300組，驗證集100組，測試集70組，如表2所示。

表1 航煤閃點、終餾點建模樣本數據

表2 航煤密度建模樣本數據

樣本數據選取后，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[7]。

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為特征變量input矩陣經過歸一化后的矩陣，IS存儲歸一化過程參數，O為目標變量output矩陣經過反歸一化后的矩陣，OS存儲反歸一化過程參數，reverse為函數mapminmax的參數，表示反歸一化。

1.3 BP神經網絡設計

應用MATLAB 神經網絡工具箱(nnTool)構建了單隱層BP網絡，具體網絡設計如表3所示。其中，隱藏層節點數的確定由經驗公式(3)[8]結合試驗法得出。模型評價指標為均方差(RMSE)，量綱同預測的目標變量，如公式(4)所示。

表3 神經網絡結構參數

(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。

(4)

式中N為樣本數，Xobs，i為目標變量真實值，Xmode，il為目標變量預測值。為消除BP網絡模型穩定性導致的誤差，每個案例評價結果以BP模型連續預測10次的平均RMSE表示。

2 航煤性質軟測量應用

2.1 驗證集性能評估

按照1.2中所屬樣本數據集分割策略，首先隨機獲取700組訓練數據并以此對閃點、終餾點預測模型進行訓練，隨之在剩余152組驗證數據上進行閃點、終餾點預測并評估模型性能，同理隨機獲取300組訓練數據以此對密度預測模型進行訓練，隨之在剩余100組驗證數據上進行密度預測并評估模型性能，結果如圖3所示。

圖3 航煤閃點、終餾點和密度在驗證集上的預測性能評估Figure 3 Estimation of kerosene flash point， FBP and density trained models on validation dataset

由圖3可知，在驗證集上，單隱層BP神經網絡模型對航煤閃點、終餾點和密度預測的平均RMSE分別為1.57 ℃、2.74 ℃和2.18 kg·m-3，且在整個驗證集上性能較為穩定，預測效果良好。

2.2 測試集性能評估

測試集數據取自裝置連續運轉一段時間的工業生產數據，通過在測試集上進行目標變量預測，可充分評估神經網絡模型的泛化能力。圖4為模型在測試集上的預測性能，由圖4可以看出，除終餾點RMSE為1.98 ℃小于驗證集2.74 ℃外，閃點、密度RMSE值分別為1.87 ℃和2.72 kg·m-3，均略大于驗證集RMSE，但整體RMSE趨勢仍然能夠維持穩定。

圖4 航煤閃點、終餾點和密度在測試集上的預測性能評估Figure 4 Estimation of kerosene flash point，FBP and density trained models on test dataset

測試集的數據獲取來自一段連續生產區間，與訓練集、驗證集保持獨立，而訓練集和驗證集數據取自同一生產區間經隨機抽樣分割而來，故在裝置工況、催化劑活性等因素方面，測試集相比驗證集具有更多的不確定性。在測試集工況中裝置實施了多產重石腦油加工方案，測試集航煤汽提塔工況變化及分餾塔航煤側線抽出工況變化如圖5所示。由圖5可知，分餾塔降低了航煤抽出量，導致部分航煤進入塔底柴油組分，降低了柴油10%餾出溫度，航煤汽提塔也由于航煤進料降低而塔底熱負荷、塔頂返塔溫度相應升高，這種工況在模型訓練集中未曾出現過，故模型在測試集預測中部分結果出現了偏差(圖4標注)，不利于RMSE值降低，但整體上單隱層BP神經網絡在測試集方面仍能保持較好的預測性能(較低的RMSE值)和良好的穩定性。故在用于工業生產軟測量時，需及時對模型進行新一輪訓練更新，保持模型良好泛化能力。

圖5 測試集航煤汽提塔工況變化及分餾塔航煤側線抽出工況變化Figure 5 Operating variation with respective to kerosene stripper and fractionator side line on test dataset

3 結 論

(1) 通過Matlab建立了單隱層BP神經網絡，并對加氫裂化航煤產品性質進行了預測應用，結果表明單隱層BP神經網絡可以自動識別裝置操作參數與航煤產品性質間的非線性映射關系，得到了較好預測效果。

(2) 將樣本數據集分割為訓練集、驗證集和測試集，模型在驗證集上對航煤閃點、終餾點和密度預測的RMSE分別為1.57 ℃、2.74 ℃和2.18 kg·m-3，在測試集上的RMSE值分別為1.87 ℃、1.98 ℃和2.72 kg·m-3，均取得了良好的預測精度和穩定性。

(3) 模型在測試集上良好的預測精度和穩定性表明單隱層BP神經網絡可用于加氫裂化過程航煤產品性質軟測量，但需及時用新的工業數據訓練更新模型，保持模型良好泛化能力。