基于RBF神經網絡法的氣化爐爐膛溫度軟測量建模研究與設計

李樂倫,祝祥年,侯倩倩，趙亞芳

(兗礦新疆煤化工有限公司，烏魯木齊 830000)

煤化工在我國化工板塊具有重要地位，包含了甲醇、合成氨、尿素、煤制油、煤制氣以及一系列的下游工業鏈。其中,煤氣化技術是所有依賴水煤氣發展下游產業的核心技術。國內在建的大型煤制烯烴、煤制油等裝置，均體現出了對煤氣化技術的需求。

兗礦新疆煤化工有限公司60萬t/a醇氨聯產項目正是煤氣化技術在新疆準東地區的應用。該項目主要以準東地區煙煤為原料，采用華東理工大學與兗礦集團共同研發的具有自主知識產權的多噴嘴對置式水煤漿加壓氣化技術，項目設置3臺氣化爐，采用2開1備的運行模式，其中單臺氣化爐處理能力為1 500 t/d，操作溫度為1 150～1 400 ℃，操作壓力為3.5～6.5 MPa，年設計產能30萬t甲醇、52萬t尿素和30萬t合成氨[1]。

自2014年7月至今，該項目氣化系統非計劃停車多達50次，不僅消耗大量的人、財、物、力，而且加速裝置設備的損壞，嚴重影響經濟效益，形成惡性循環。造成氣化系統停車的主要因素是氣化爐堵渣、氣化爐壁溫超溫、燒嘴損壞等，這些因素均與氣化爐操作溫度有重要關系。由此可見氣化系統運行的正常與否與氣化爐操作溫度有著直接關系。

1 爐膛溫度的重要性

眾所周知，氣化反應是水煤漿與氧氣在氣化爐中,在一定的溫度、壓力條件下發生的劇烈的化學反應，爐膛溫度是氣化爐操作的關鍵指標，關系著氣化爐乃至整個生產系統的安全、穩定、長周期運行。

理論與實踐均表明，對氣化爐爐膛溫度操作把控不好，會造成一系列的問題，除了會影響工況或者造成堵渣，迫使生產系統停車，還會對氣化爐的燒嘴、下降管、耐火磚及高溫熱電偶等相關設備造成不同程度的損壞。因此在日常生產運行中，如何實現氣化爐爐膛溫度的精準把控是目前所有煤化工企業遇到的共性問題。

2 存在的問題

目前氣化爐爐膛溫度測量主要是采用高溫熱電偶進行實時監測，并將信號遠傳至中央控制室，為操作人員提供操作依據。該方法能夠解決氣化爐爐膛溫度的監測問題，但是高溫熱電偶壽命極短，主要原因是使用環境惡劣(高溫、高壓、強沖刷)，無法滿足化工生產的長周期運行。

一般情況下，在系統開車前安裝的高溫熱電偶，其壽命長則半個月，短則三五天，更有甚者，開車完畢就會損壞失效。此外，高溫熱電偶在正常運行時會因為系統工況波動出現故障，造成溫度波動大，從而失去在線溫度監測的意義，且氣化裝置系統開車正常運行之后，現場不再具備更換高溫熱電偶的條件，于是高溫熱電偶僅僅供開車期間和系統運行初期觀察溫度變化使用，失去了監測監控爐膛溫度、指導生產運行的重要作用。

3 軟測量技術簡述

軟測量技術就是尋求一種方法軟件來替代現場儀表的間接測量方法,其基本思想是將自動控制理論與生產實際經驗相結合，以計算機技術為依托，對儀表儀器難以直接測量或不具備測量條件的變量(主導變量)，選擇一些方便測量或者現有的數據(輔助變量)來評估、衡量或推斷主導變量的變化情況，并建立主導變量與輔助變量之間的數學關系，從而實現直接測量向間接測量的轉變。

軟測量技術主要包括：主導變量和輔助變量的選擇、樣本數據采集、數據預處理、建立模型、工程測試和校正等。數據預處理和建立模型是軟測量技術的核心,建模步驟見圖1。

圖1 軟測量建模的步驟

4 人工神經網絡

人工神經網絡是一種通過自身的學習訓練，掌握某種規則，就能夠對輸入的數據輸出一個與期望值非常接近結果的技術手段，而實現這個過程并不需要事先確定輸入與輸出之間的函數關系。人工神經網絡實現這種功能，其算法是最為重要的，也是它的關鍵。常見的人工神經網絡主要有BP神經網絡法和RBF神經網絡法。

5 RBP神經網絡法的氣化爐溫度軟測量建模

圖2 RBF神經網絡圖

RBF神經網絡的主要特點是：在網絡的輸入空間的局部區域范圍內，一般只有幾個連接權對網絡的輸出有影響，這種特點使得RBF神經網絡具有學習速度快的優點。RBF神經網絡主要是利用徑向基函數作為單元的“基”構成隱含層空間，然后將輸入矢量直接映射到隱含層空間，因而不需要連接權，所以確定了中心點后，就相當于確定了映射關系。將隱含層單元的輸出函數作為逼近函數的基函數，然后利用輸出層進行任意精度的擬合，最終完成函數的整個逼近，這就是RBF神經網絡的逼近原理。

5.1 RBF神經網絡的建立流程

筆者使用RBF神經網絡法進行多噴嘴氣化爐爐溫度軟測量建模。選取輔助變量作為神經網絡輸入數據構成輸入層，多噴嘴氣化爐爐膛溫度作為神經網絡目標輸出數據構成輸出層。

RBF神經網絡的建立主要有六步，分別是數據的選擇、建立數據庫、數據處理、初始化神經網絡、計算和測試。

5.2 變量的選擇、采集

鑒于氣化爐主要運行時間集中分布在6.0 MPa負荷條件下，因此筆者主要研究的是6.0 MPa下多噴嘴水煤漿氣化爐的爐膛溫度軟測量技術，主導變量(即輸出變量)為氣化爐爐膛溫度,輔助變量(即輸入變量)是與氣化爐爐膛溫度相關的一些變量因素，主要有：煤漿的壓力、流量、溫度，氧氣的壓力、流量、溫度，氧煤比，氣化爐操作負荷(爐膛壓力)、渣口壓差,合成氣各組分含量等。

根據氣化工藝機理、系統工藝流程及實際運行情況，并結合相關系數法計算，最終確定6個輔助變量，即氧煤比、中心氧體積分數、有效氣體積分數、甲烷體積分數、二氧化碳體積分數、煤質。

選取氣化爐6.0 MPa負荷下工況運行正常時的工業運行數據，從集散控制系統(DCS)中實時采集100組數據作為樣本集，采用拉依達準則剔除異常數據，確保原始數據的準確性、可靠性。

4.3 樣本預處理

6個輔助變量的量綱不同，導致單位范圍誤差很大，造成訓練時間較長、收斂速度較慢。因此,波動范圍小的數據產生的作用偏小，而波動范圍大的數據產生的作用偏大。此外,為了滿足激勵函數，需要將神經網絡的數據映射到激勵函數的有限范圍內。筆者采用歸一化方法對這些數據進行預處理[3-4]。

首先確定輸入樣本和輸出樣本，并將輸入樣本和輸出樣本細化分為訓練集和測試集，進行歸一化處理,并采用MATLAB軟件進行實現。用mapminmax( )函數將訓練集和測試集數據變換為[0,1]區間。函數形式為：

[Y,PS]=mapminmax(X,Ymin,Ymax)

(1)

Y=mapminmax(‘apply’,X,PS)

X=mapminmax(‘reverse’,Y,PS)

式中：X是需要規劃的數據集；Ymin、Ymax是規劃的范圍界限，缺省值默認是[-1,1]；Y是返回規劃后的值；PS是在結果反歸一化中需要調用的參數。轉換系數Y*的計算公式為：

(2)

利用上述方法分別對輸入層訓練集、輸出層訓練集、輸入層測試集進行歸一化處理。當得到原始預測數據后，就需要對其進行反歸一化處理，最終才能得到實際的預測值。

4.4 評價模型性能的參數指標

通常需要對所建模型的擬合和預測效果進行分析評價，評價模型性能的參數指標為均方差和平均絕對誤差。

4.4.1 均方差

均方差(MSE)是誤差平方和的平均值，從其公式的表現形式可以看出它主要是表示各數據偏離平均數的距離平方的平均值。對于氣化爐爐膛溫度軟測量模型而言，MSE只是一個評價指標，用于描述誤差的分布情況。

(3)

式中：n為樣本總數；t為真實值；y為預測值。

4.4.2 平均絕對誤差

平均絕對誤差(MAE)是指各次測量值的絕對誤差絕對值的平均值，主要是衡量預測值與真實值之間的平均相差的大小。MAE可以作為軟測量模型的另一個評價指標。

(4)

4.5 模型建立與分析

利用RBF神經網絡法進行氣化爐爐膛溫度的軟測量模型的建立。從原樣本集中選取60組數據源作為建模的數據庫，選前40組數據作為訓練數據庫，剩余的20組數據用來進行預測效果驗證分析。

具體實施步驟為：首先,確定最大中心數之外的其他網絡參數，設置累計誤差平方目標為0.05，徑向基函數目標為8；其次，進行仿真實驗，選取最優的最大中心數。

表1為在不同的中心數下，進行的基于RBF神經網絡建模的軟測量結果。由表1可以看出：當設置累計誤差平方目標為0.05，徑向基函數目標為8時，RBF神經網絡模型訓練效果最好時對應的最大中心數為12。在最大中心數為12時建立的軟測量模型，訓練樣本的均方差為8.40，預測樣本的均方差為10.15，訓練樣本平均絕對誤差為1.59，預測樣本平均絕對誤差為1.76。

表1 RBF神經網絡的均方差與絕對誤差均值

圖3為RBF神經網絡法的氣化爐爐膛溫度軟測量建模效果圖(中心數為12)。

圖3 RBF神經網絡法的氣化爐爐溫軟測量建模效果圖

由圖3可以看出:基于RBF神經網絡法建立的氣化爐爐膛溫度的軟測量模型訓練結果較為平穩，并未產生突兀的波動點，整體的預測效果較好。

5 結語

針對氣化爐測溫元件高溫熱電偶損壞率高、壽命短這一現象，以及氣化爐爐溫對整個氣化裝置乃至氣化系統安全穩定運行的重要意義,通過變量選擇、數據采集與處理,采用RBF神經網絡法建立氣化爐爐膛溫度軟測量模型，并進行效果驗證。通過誤差分析表明:基于RBF神經網絡法建立的爐膛溫度軟測量模型能夠有效地指導氣化操作和化工生產，可為今后氣化爐爐膛溫度軟測量的發展做出一定的指導和參考。