基于GA-Bp算法的煉油化工機械性能建模與仿真研究

孫鳳，尹曉麗

（中國石油大學勝利學院機械與控制工程學院，東營 257061）

引言

因為遺傳算法（Gentic Algorithm，簡稱“GA算法”）對最優解的搜索范圍大，而且GA算法的魯棒性較強。而神經網絡算法（Back Propagation，簡稱“Bp算法”）在神經網絡中屬于較常用到的算法，Bp算法具有較強的泛化能力、容錯能力和非線性映射能力，是一種基于誤差逆向的傳播算法，還因為神經網絡屬于前饋網絡的一種，所以可以對此理解為Bp神經網絡算法作用于人工神經網絡，即Bp算法與人工神經網絡的結合[1]。但是由于Bp算法在實際操作時的局限性、收斂速度慢等缺點而導致無法得到最優解。本文將這兩個算法的優點相結合，把Bp算法和遺傳算法通過混合訓練學習之后加入到神經網絡的優化中，可以大幅度地改善效率差、搜索不到最優解等缺點[2]。

1 基于GA-Bp算法的煉油化工機械性能建模

由于原油的粘度范圍很大，凝固點差別大，沸點范圍為常溫到500 ℃以上，因此原油的煉化過程極為復雜[3]。原油的煉化工作主要如圖1所示，圖1為煉油化工流程圖。

想要對Bp神經網絡發出的信息做出分析，首先要將信號正向傳遞到目標點，本文在這里假設這個最初的信號為X1。接著當信號想要通過輸入層進入隱含層的時候，這個過程就可以用非線性函數（Sigmoid線形函數和Purelin線性函數）對隱含層內的權值進行調整，不斷增加或減少最后得出一個值。之后應按照以上步驟對信號進行反向傳遞，再次得到一個信號反向傳遞的值，將兩個值相減，得到一個差值。通過不斷重復以上訓練，最后使Bp神經網絡建模得到最優解。如圖2，為GA-Bp神經網絡基本拓撲結構[4]。

結束以上的訓練之后，將得到的數值進行輸出，此時可以選擇使用Sigmoid線形函數作為輸入層通過隱含層向輸出層傳遞數據的函數，最后再用Purelin線性函數對從上一級傳遞過來的數值確定區間并對其進行調整[5]。如圖3，為Bp神經網絡結構模型。

Bp神經網絡的傳播方式主要分為兩種，其中的反向傳播本次實驗基本不會涉及到。比較常用的正向傳播的方式比較簡單，先對實驗樣本的數據進行采集和整理，然后將數據由輸入層輸入，再傳送到隱含層。因為有著權值的約束，所以數據會在傳遞過程中被不斷調整，等到傳送到隱含層的時候就可以直接將信息傳送到輸出層進行輸出[6]。而這個過程會被Bp神經網絡記錄下來，形成Bp神經網絡建模模型，之后Bp神經網絡算法會對這個過程不斷解讀，計算差值，直到計算出最適合此Bp神經網絡建模模型的最優解，這時就可以結束學習訓練，如果一直沒有找到最優解，就會一直搜索。因此，一開始要準確收集與建模模型相關的各項參數[7]。除此以外還可以對權值的變化進行監測，確保各項數值按照復合建模模型的既定規律進行變化。所以如果想要增加活性就可以增大輸入神經元的權值，反之，則縮小權值。反復重復這個流程，在隱含層內不斷地變化權值，就可以快速的在區間內搜索到最優解[8]。如圖4，為Bp學習算法的流程圖。

圖1 煉油化工流程圖

圖2 GA-Bp神經網絡基本拓撲結構

圖3 Bp神經網絡結構模型

得出以上結論后，基于GA-Bp算法對煉油化工機械性能模型的優化提出主要思路：利用Bp算法先對原油的煉油化工過程用到的數據進行預先處理，然后將處理后的數據作為神經網絡的輸入值與輸出期望，最后得出了基于GA-Bp算法做出的原油煉化機械工作的建模模型[9]。如圖5，為 GA-Bp神經網絡算法的基本結構圖。

因為傳統的Bp神經網絡算法仍然具有搜索效率差、效率差、自動學習速度慢等缺點，因此本文對于Bp算法做出了改善，將Bp算法和GA算法作用于神經網絡時進行混合訓練學習，這樣就可以使Bp算法更適用于煉油化工機械工作[10]。本文提出了以下幾種改進方法：①自動完善學習速率法：這個辦法主要是針對于Bp神經網絡在傳遞數據信息的過程中會產生誤差而提出的，學習算法主要依賴于學習率，所以不斷調整提高學習率可以有效改善傳遞信息過程中會產生誤差的情況。②帶動量下降法：此方法可以使目標函數在遇到負梯度的時候快速收斂，從而避免在趨近邊緣的時候下降速度太快而導致的抖動。③陡度因子法：因為訓練的不斷搜索，函數誤差曲面可能會顯示網絡的收斂被緩和帶影響，相應的網絡節點的輸出也是如此。這種情況會影響網絡的正常收斂，這時就可以借助陡度因子優化幫助訓練走出緩和帶[11]。

由以上的Bp神經網絡的結構、原理、改進方法可以更好的做出基于GA-Bp算法的煉油化工機械性能的模型，通過以下實驗驗證了基于GA-Bp算法的煉油化工機械建模的準確性[12]。

圖4 Bp學習算法的流程圖

圖5 GA-Bp神經網絡算法的基本結構圖

2 基于GA-Bp算法的煉油化工機械性能仿真實驗

本次實驗主要是通過對GA-Bp神經網絡模型進行混合訓練學習，并根據學習訓練好的模型對煉油化工機械性能工作中的參數進行了預測。在原油煉化的過程中，為了維持煉化過程的效率和煉化的安全，一定要將原油保持在固定的溫壓下進行。就要合理有效地對原油進行傳熱[13]。如圖6，為逆流流動時Δt的計算。

Δt進=T1-t2

Δt出=T2-t1

如圖7，為并流流動時的Δt的計算。

Δt進=T1-t1

Δt出=T2-t2

Δt均=（Δt進-Δt出）/ln（Δt進/Δt出）

原油原料投入催化裂化設備后，要進行二次加工處理出其中的重質油，重質油通過催化裂化處理就可以變成輕質油。原油的催化裂化過程一般為：二次反應、重質油與輕質油分流、重質油再生、吸收這幾個步驟。經過這些處理步驟后將得到的重質油加熱到400 ℃，然后將加熱后的重質油和輕質油倒入提升反應器里，攪拌使其混合，最后將混合物與催化劑繼續攪拌混合，此時就會產生氣化反應。當石油產生了氣化反應之后，使用完善后的GA-Bp算法重新訓練原油煉化的過程，然后使用Bp混合訓練和單純Bp訓練分別對神經網絡的數據進行預測。本次可以得出以下結論：Bp混合訓練后的神經網絡的預測結果誤差遠小于單純Bp訓練后的神經網絡的預測結果誤差，結果達到了本次實驗的目的[14]。如圖8，為Bp混合訓練與單純Bp訓練對照圖。

圖6 逆流流動時Δt的計算

圖7 并流流動時Δt的計算

圖8 Bp混合訓練與單純Bp訓練對照圖

結合以上實驗，可以得出以下結論：①煉油化工機械極為復雜,影響其性能的因素很多,除了裝置的結構參數等可控因素外還有原油種類等一些不可控因素。目前采用研究原油煉化裝置性能的一些方法很難刻劃描述這種多輸入多輸出、復雜非線性以及不確定性等特征[15]。②Bp神經網絡的特點：可以大范圍搜索和并行計算、自動學習、容錯率高、泛化能力強、對非線性函數無限逼近等。因此用Bp神經網絡來對煉油化工機械性能建模可以很好的刻畫以上特征。③Bp神經網絡所采用的Bp混合訓練和誤差逆傳播學習訓練是根據神經網絡的誤差因變量梯度數據降低的。簡單來說，這種算法是由點到點的，還因為Bp神經網絡中的全局誤差數據連接組成的連接權值空間是根據擁有無數極值點的超曲面和Bp神經網絡混合訓練一開始的基礎權值隨機構成的，所以Bp神經網絡算法容易局限于一個極小點。將Ga算法與Bp算法結合起來的GA-Bp算法應用于神經網絡時，先利用GA遺傳算法和Bp神經網絡搜索出最優解和局部權值分布空間，接著根據Bp算法在此空間內搜索最優解，這樣就可以克服單純Bp訓練算法在權值分布空間和最優解的搜索上產生的局限性和不準確性等缺點，因此GA-Bp神經網絡算法是一種根據自然選擇和遺傳規律而產生變化的全局優化算法，這也大大增加了GA-Bp神經網絡算法的實用性和泛用性。

3 結束語

本文通過對影響原油煉化過程的各項參數進行了縝密計算和研究，通過不斷訓練學習調整權值的大小，確定最優解的區間范圍，并再次進行縮小搜索范圍，從而能更精確地得到Bp神經網絡的模型，最后做出了基于GA-Bp算法的煉油化工機械性能的建模。本文還對Bp神經網絡訓練學習的過程進行了調整與完善，通過調整后的新算法相較于經典算法在預測精準度、訓練效率、范圍準確度等方面都有了極大的提高。用基于與相結合算法的神經網絡對煉油化工機械性能模型進行優化,不僅可以很好原油煉化的多輸入多輸出、復雜非線性以及不確定性等特征,而且利用該方法優化的神經網絡模型還具有良好的實時性,所以基于GA-Bp算法的煉油化工機械性能建模與仿真研究有著廣泛的應用前景。