神經(jīng)網(wǎng)絡技術在煉油廠節(jié)能方面的應用

宋 揚，阿福東

（中國石油大慶煉化公司信息中心，黑龍江 大慶 163400）

在智慧煉化的建設規(guī)劃中，熱效率利用情況成為衡量企業(yè)經(jīng)濟效益和環(huán)保評估的重要影響因素。某公司汽油加氫裝置F101加熱爐是汽油加氫裝置分餾塔底再沸爐，燃氣，負荷大，采用經(jīng)典PID控制，沒有經(jīng)過優(yōu)化整定，爐熱效率較低，回路不穩(wěn)定，經(jīng)常切換到手動控制，不利于企業(yè)生產(chǎn)自控率控制。通過采集F101加熱爐實時數(shù)據(jù)，利用神經(jīng)網(wǎng)絡深度學習建立加熱爐工藝模型，根據(jù)模型采用梯度下降全局搜索方式對加熱爐PID控制參數(shù)進行優(yōu)化整定，優(yōu)化排煙溫度和煙氣氧含量控制，達到提升加熱爐熱效率0.1%~1%，從而降低了廢氣排放。

1 項目簡介

該項目依托神經(jīng)網(wǎng)絡建模及深度學習訓練，建立加熱爐熱效率控制模型并進行學習訓練，實現(xiàn)對大型煉化企業(yè)加熱爐控制系統(tǒng)回路的PID優(yōu)化整定。通過大型煉化企業(yè)生產(chǎn)系統(tǒng)控制回路的PID優(yōu)化整定，對基于神經(jīng)網(wǎng)絡學習建模的優(yōu)化方法、技術特點進行研究，從而實現(xiàn)智慧煉化建設中對熱效率和節(jié)能工作的提升。

2 PID整定模型建立和深度學習訓練

2.1 神經(jīng)網(wǎng)絡的建立

在現(xiàn)代的控制過程中，由于系統(tǒng)越來越復雜，被控對象的實際數(shù)學模型已經(jīng)無法進行精確的給定與描述，故需要1門控制理論，在掌握被控對象的變化規(guī)律下，由另1種方法確定1個近似的、易于描述與控制的數(shù)學模型來近似代替該不可知的復雜模型［1］。

神經(jīng)網(wǎng)絡對非線性函數(shù)的逼近能力非常好，當神經(jīng)網(wǎng)絡滿足一定條件時，可以以任意精度逼近任意非線性連續(xù)的函數(shù)或者分段連續(xù)的函數(shù)。因此，利用MATLAB專業(yè)軟件神經(jīng)網(wǎng)絡軟件來完成非線性系統(tǒng)模型建立是很好的選擇。

2.2 非線性PID整定控制

PID控制是發(fā)展最早的經(jīng)典控制算法之一，而且PID控制器一直是控制領域的基本控制方式，其算法簡單，可靠性高，利用系統(tǒng)的偏差，基于比例（P）、積分（I）、微分（D）來進行控制。神經(jīng)網(wǎng)絡所具有的任意非線性表達能力，可以通過對系統(tǒng)性能的學習來實現(xiàn)具有最佳組合的PID控制。因此基于神經(jīng)網(wǎng)絡的PID整定不僅能適應環(huán)境變化，且有較強的魯棒性［2］。

2.3 BP神經(jīng)網(wǎng)絡模型

建立1個3層神經(jīng)網(wǎng)絡模型，以Ur作為輸入信號，給定3個輸入節(jié)點（U1，U2，U3它們分別代表神經(jīng)元的輸入數(shù)據(jù)。），3個隱含層節(jié)點，3個輸出節(jié)點，分別對應 的是Kp，Ki，Kd。激發(fā)函數(shù)為非負Sigmiod函數(shù)，其網(wǎng)絡結構見圖1。

圖1 3層神經(jīng)網(wǎng)絡結構

圖1中Vji—隱含層加權系數(shù)，Wji—輸出層加權系數(shù)。

根據(jù)輸入層、隱含層、輸出層的傳遞關系可以得到系統(tǒng)的性能指標函數(shù)見式（1）。

式中e（k）—系統(tǒng)的時刻誤差；r（k）—系統(tǒng)k時刻控制給定值；y（k）—k時刻系統(tǒng)輸出。

經(jīng)典增量式數(shù)字PID控制算式見式（2）。

式中u（k）—k時刻PID輸出；u（k-1）—k-1時刻PID輸出；Δe（k）—k時刻誤差的增量；Δe2（k）—k-1時刻誤差的增量。

2.4 基于深度學習的神經(jīng)網(wǎng)絡PID控制器

2.4.1 基于深度學習的神經(jīng)網(wǎng)絡算法分析深度學習的神經(jīng)網(wǎng)絡是指通過深度學習算法來優(yōu)化神經(jīng)網(wǎng)絡的初始權值和閾值。從而得到更好的網(wǎng)絡預測輸出。在優(yōu)化神經(jīng)網(wǎng)絡的權值和閾值時，通過適應度函數(shù)來計算個體適應度值。用優(yōu)化后得到的最優(yōu)個體對初始權值和閾值進行賦值，訓練網(wǎng)絡預測輸出。

2.4.2 深度學習優(yōu)化神經(jīng)網(wǎng)絡模型過程神經(jīng)網(wǎng)絡PID控制器框圖見圖2。

圖2 基于遺傳算法的神經(jīng)網(wǎng)絡PID控制框圖

深度學習優(yōu)化的神經(jīng)網(wǎng)路PID控制算法歸納為2點［4~6］。

（1）生成實數(shù)編碼；

（2）確定及計算適應度函數(shù)，見式（3）。

式中Jk（N）—適應度函數(shù)。

網(wǎng)絡訓練目標函數(shù)值見式（4）。

在MATLAB工具中經(jīng)過算法的多次進行可得到最終的系統(tǒng)階躍響應曲線［7］，見圖3。

圖3 無PID整定與經(jīng)深度學習優(yōu)化神經(jīng)網(wǎng)絡控制

3 仿真結果對比分析

分析圖3可知，經(jīng)過深度學習優(yōu)化的神經(jīng)網(wǎng)絡PID控制器能快速達到穩(wěn)定，控制精度相對較高，對PID的整定更加精確，能夠在更短時間內(nèi)達到穩(wěn)定，魯棒性更好，且?guī)缀鯚o超調(diào)量。將該種改進后的方法應用到PID整定，能使加熱爐控制系統(tǒng)系統(tǒng)更快達到穩(wěn)態(tài)效果，提高加熱爐熱效率［4，5］。

根據(jù)模型，采用梯度下降全局搜索方式對加熱爐PID控制參數(shù)進行優(yōu)化整定，優(yōu)化目標為直接影響熱效率的排煙溫度（TI3602）和煙氣氧含量（AIC3611）。

模型輸入共7個PID控制回路，經(jīng)過模型優(yōu)化計算，其中“加熱爐介質溫度控制TIC2101”和“加熱爐燃料氣流量控制FIC2402”2個控制回路的4個PID控制參數(shù)對加熱爐熱效率影響顯著，根據(jù)計算出的2組優(yōu)化參數(shù)，模型輸出“排煙溫度（TI3602）”呈 現(xiàn) 平 穩(wěn) 下 降，“煙 氣 氧 含 量（AIC3611）”降低；經(jīng)過熱效率計算［8］，結果見表1。

表1 優(yōu)化后的熱效率提升效果

表1中TIC2101_Ti為加熱爐介質出口溫度控制回路積分，F(xiàn)IC2401_P為加熱爐燃料氣流量控制回路比例，F(xiàn)IC2402_Ti為加熱爐燃料氣流量控制回路積分，F(xiàn)IC2402_Td為加熱爐燃料氣流量控制回路微分。優(yōu)化前熱效率計算采用的是2019年11月20日8：30分現(xiàn)場實時數(shù)據(jù)，優(yōu)化1為只對排煙溫度進行優(yōu)化的輸出結果，優(yōu)化2為對排煙溫度和氧含量共同優(yōu)化的輸出結果。

根據(jù)柴油加氫裝置F101加熱爐的熱效率提升效果，在該裝置投入PID位號進行整定，見表2。

表2 目前正在測試中的PID位號

4 結束語

采用優(yōu)化后的PID參數(shù)經(jīng)過熱效率計算，能在不改變介質出口溫度及流量的情況下提升加熱爐熱效率0.24%~0.34%。

（1）經(jīng)實際投用，回路穩(wěn)定性得到提高，能夠穩(wěn)定的投入串級自動控制。

（2）提高加熱爐熱效率0.25%~0.46%，預計加熱爐每年可節(jié)約燃料成本3~5萬元。

減少排放CO2達50 t，SO2為300 kg。同時穩(wěn)定了加熱爐出口介質溫度，為裝置后續(xù)生產(chǎn)單元穩(wěn)定生產(chǎn)創(chuàng)造了條件。

通過神經(jīng)網(wǎng)絡深度學習（AI人工智能）對加熱爐PID控制參數(shù)進行優(yōu)化整定，優(yōu)化排煙溫度和煙氣氧含量控制，進而提高加熱爐熱效率，減少污染物排放，降低裝置能耗，降本增效，具有較大的經(jīng)濟和社會效益，為智慧煉廠建設提供助力。