李郁

（大慶石化公司煉油廠，黑龍江 大慶 163711）

應(yīng)用人工神經(jīng)網(wǎng)絡(luò)方法預(yù)測柴油閃點(diǎn)研究

李郁

（大慶石化公司煉油廠，黑龍江 大慶 163711）

精制柴油的閃點(diǎn)是衡量柴油質(zhì)量的重要指標(biāo)，在目前的柴油加氫脫硫生產(chǎn)中，主要根據(jù)操作人員的經(jīng)驗(yàn)來調(diào)整，會(huì)產(chǎn)生較大的人為誤差。文中采用了3種神經(jīng)網(wǎng)絡(luò)方法，研究在反應(yīng)器床層最高點(diǎn)溫度、分餾塔塔壓、分餾塔塔頂溫度、分餾塔塔底溫度、氫油比波動(dòng)時(shí)，預(yù)測柴油的閃點(diǎn)。結(jié)果表明，采用PSO-BP神經(jīng)網(wǎng)絡(luò)方法預(yù)測的柴油閃點(diǎn)均方誤差為5.76×10-4，優(yōu)于其它預(yù)測方法。

BP神經(jīng)網(wǎng)絡(luò)；GA-BP神經(jīng)網(wǎng)絡(luò)；PSO-BP神經(jīng)網(wǎng)絡(luò)；柴油閃點(diǎn)；預(yù)測

近年來中國成品油消費(fèi)結(jié)構(gòu)發(fā)生了明顯的變化，柴油表觀消費(fèi)量的增長逐漸放緩，消費(fèi)柴汽比逐年降低，在挖潛增效的大框架下實(shí)現(xiàn)柴油質(zhì)量提升是目前最大的問題［1］。某石化公司1 300 kt/a柴油加氫脫硫裝置于2014年11月建成投產(chǎn)，主要原料為常二線、焦化柴油，主要產(chǎn)品為精制柴油、石腦油、低凝柴油。裝置采用一反應(yīng)器、兩塔、高低分流程，采用PHF-101催化劑。精制柴油的閃點(diǎn)作為柴油產(chǎn)品質(zhì)量的衡量的重要指標(biāo)，在目前的柴油加氫脫硫生產(chǎn)中，主要根據(jù)操作人員的經(jīng)驗(yàn)來調(diào)整，往往會(huì)產(chǎn)生較大的人為誤差從而影響產(chǎn)品質(zhì)量。文中通過人工神經(jīng)網(wǎng)絡(luò)構(gòu)建柴油脫硫裝置柴油產(chǎn)品質(zhì)量預(yù)測模型，預(yù)測在工藝條件變化時(shí)產(chǎn)品閃點(diǎn)變化情況［2］。

1 柴油產(chǎn)品的閃點(diǎn)模型的變量篩選

柴油產(chǎn)品的閃點(diǎn)是石油產(chǎn)品質(zhì)量檢測中的一項(xiàng)重要安全指標(biāo)，它不僅可反映出油品發(fā)生火災(zāi)的危險(xiǎn)性，還可以通過它判斷商品油品中有無摻入易揮發(fā)物質(zhì)的情況。柴油加氫脫硫裝置中的精制柴油和低凝柴油的閃點(diǎn)的測量儀器為法國ISL公司生產(chǎn)的FP935G2全自動(dòng)TAG，儀器包括油樣杯、控制主機(jī)，其中油樣杯蓋上包括點(diǎn)火器、溫度傳感器、閃火傳感器、攪拌器［3］。

文中采用的數(shù)據(jù)均來源于1 300 kt/a柴油加氫脫硫裝置生產(chǎn)運(yùn)行臺(tái)賬，時(shí)間自2014年10月至2015年4月共180組數(shù)據(jù)，將工藝參數(shù)作為自變量選取，見表1。

在柴油加氫脫硫反應(yīng)中，由于催化劑裝填在密閉的反應(yīng)器中，硫化后的催化劑遇空氣會(huì)被氧化，所以無法對(duì)其表征測定其活性，系統(tǒng)壓力由于恒定在6.4 MP，雖然由于儀表控制的波動(dòng)會(huì)在小范圍內(nèi)改變，但是不符合正態(tài)分布，故不納入自變量，在裝置流程中的H2S汽提塔塔吹器1.0 MPa蒸汽主要出去反應(yīng)中的無機(jī)硫，但由于全廠蒸汽用量平穩(wěn)維持用量在2.0 t/h，故不納入選取自變量的范圍內(nèi)。

表1 選取的自變量

利用spss軟件檢驗(yàn)自變量和因變量之間的相關(guān)性，結(jié)果見表2。

從表2可以看出，對(duì)于柴油的閃點(diǎn)模型采取X2、X5、X6、X7、X8于Y1的相關(guān)性較大，分別為-0.20**、-0.210**、-0.08**、0.331**為防止在與測試出現(xiàn)過擬合現(xiàn)象，故將因變量個(gè)數(shù)定為5個(gè)，Y1為因變量，模型變量名稱見表3。

2 分析模型的建立及質(zhì)量預(yù)測

2.1 基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型和分析預(yù)測

精制柴油閃點(diǎn)的影響因素為5個(gè)，輸出因變量為1個(gè)，故該模型中輸入神經(jīng)元節(jié)點(diǎn)為5個(gè)，輸出神經(jīng)元節(jié)點(diǎn)為1個(gè)，隱層神經(jīng)節(jié)點(diǎn)的選取按照經(jīng)驗(yàn)公式進(jìn)行嘗試，隱層神經(jīng)元節(jié)點(diǎn)選取數(shù)目為25個(gè)［4～7］。評(píng)價(jià)采用均方誤差（Mean Squared Error）進(jìn)行評(píng)價(jià)。該模型設(shè)置迭代最大次數(shù)為100次，最小均方誤差為0.00 001，學(xué)習(xí)速度為0.1，柴油閃點(diǎn)預(yù)測運(yùn)行結(jié)果見圖1。

圖1 柴油閃點(diǎn)預(yù)測運(yùn)行結(jié)果

表2 自變量篩選

表3 柴油產(chǎn)品閃點(diǎn)模型變量的選取

從圖1可以看出，該次運(yùn)行進(jìn)行了8次迭代便終止了，模型的預(yù)測均方誤差為0.00 399。預(yù)測結(jié)果見圖2。

圖2 柴油閃點(diǎn)預(yù)測運(yùn)行結(jié)果與實(shí)際數(shù)據(jù)對(duì)比

從圖2可以看出，在[0,10]、[10,20]、[30,40]、[70, 80]區(qū)間內(nèi)存在在工藝參數(shù)改變時(shí)柴油閃點(diǎn)預(yù)測值與實(shí)際值偏差較大的情況，其它點(diǎn)可以從圖中看出也存在偏差，雖然均方誤差為0.00 399，但從中可以看出預(yù)測數(shù)值與實(shí)際數(shù)值相差較大，效果并不理想[8～10]。

2.2 基于GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建模型和分析預(yù)測

精制柴油閃點(diǎn)模型輸入自變量共5個(gè)，輸入因變量共1個(gè)，故輸入神經(jīng)元節(jié)點(diǎn)數(shù)為5，輸出神經(jīng)元節(jié)數(shù)為1，隱層函數(shù)神經(jīng)元個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式選擇為25個(gè)，數(shù)據(jù)分類模式為random，訓(xùn)練函數(shù)采用levenberg-marquardt，評(píng)價(jià)預(yù)測模型采用均方誤差(mean squared error)進(jìn)行，進(jìn)化代數(shù)設(shè)置為20次，種群規(guī)模設(shè)置為10，交叉概率設(shè)置為0.2，變異概率設(shè)置為0.1，運(yùn)行結(jié)果見圖3。

從圖3可知，模型模擬過程進(jìn)行了11次迭代，模型預(yù)測的均方誤差為0.00 647。柴油閃點(diǎn)預(yù)測與實(shí)際數(shù)據(jù)對(duì)比見圖4。

由圖4可見，利用GA-BP神經(jīng)網(wǎng)絡(luò)在操作參數(shù)變動(dòng)時(shí)對(duì)于柴油閃點(diǎn)的預(yù)測情況在[0,10]、[10, 20]、[60,70]、[70,80]、[80,90]范圍內(nèi)，存在幾點(diǎn)預(yù)測值和實(shí)際值的偏離情況，且偏差較大，大部分預(yù)測情況和實(shí)際值較為貼切，且誤差大部分在5%以下。比較均方誤差數(shù)據(jù)可得利用BP神經(jīng)網(wǎng)絡(luò)模型對(duì)柴油閃點(diǎn)的預(yù)測效果優(yōu)于GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油閃點(diǎn)的預(yù)測情況[11-15]。

2.3 基于PSO-BP神經(jīng)網(wǎng)絡(luò)建立模型和分析預(yù)測

利用PSO-BP對(duì)精制柴油閃點(diǎn)進(jìn)行模擬，模型中輸入變量為5個(gè)，輸出變量為1個(gè)，故輸入層神經(jīng)元節(jié)點(diǎn)為5個(gè)，輸出層神經(jīng)元節(jié)點(diǎn)為1個(gè)，隱層神經(jīng)元節(jié)點(diǎn)按照經(jīng)驗(yàn)公式選擇為15個(gè)[16～18]。初始化粒子群規(guī)模N=40，粒子VMAX=0.5，模型最小誤差為0.001，慣性權(quán)重ωmax取值為0.9，ωmin取值為0.3，學(xué)習(xí)因子C1、C2去2，最大迭代次數(shù)200次，隨機(jī)初始化位置，隨機(jī)出示化速度，運(yùn)行結(jié)果顯示隨著進(jìn)化代數(shù)的增加，模型的適應(yīng)度是逐漸變小的，在37代以后適應(yīng)度變化趨于平緩，見圖5。

圖3 柴油閃點(diǎn)預(yù)測運(yùn)行結(jié)果

圖4 柴油閃點(diǎn)預(yù)測與實(shí)際數(shù)據(jù)對(duì)比

圖5 柴油閃點(diǎn)預(yù)測誤差

從圖5可以看出，有幾點(diǎn)分布在距離0較遠(yuǎn)的位置上，在實(shí)際預(yù)測中可能出現(xiàn)偏離實(shí)際較大的現(xiàn)象。

預(yù)測結(jié)果的均方誤差為5.76×10-4誤差較小，利用PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)柴油閃點(diǎn)的預(yù)測值與實(shí)際值吻合，不存在偏離較大的情況，PSO-BP神經(jīng)網(wǎng)絡(luò)能夠準(zhǔn)確預(yù)測操作參數(shù)變化時(shí)的柴油產(chǎn)品閃點(diǎn)，能夠指導(dǎo)實(shí)際生產(chǎn)操作。

3 結(jié)論

對(duì)于工藝操作參數(shù)改變時(shí)精制柴油閃點(diǎn)的預(yù)測模型，通過比較均方誤差可得:GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方誤差6.47×10-3＞BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方誤差3.99×10-3＞PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測的均方誤差5.76×10-4，雖然3種模型均可以預(yù)測柴油產(chǎn)品閃點(diǎn)，但利用PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測在操作參數(shù)改變時(shí)對(duì)精制柴油閃點(diǎn)預(yù)測最準(zhǔn)確，可以作為生產(chǎn)的指導(dǎo)工具。

［1］丁少恒，葛雁冰.對(duì)中國成品油市場的幾點(diǎn)認(rèn)識(shí)［J］.石油規(guī)劃設(shè)計(jì)，2016（1）:46-49.

［2］王國榮.神經(jīng)網(wǎng)絡(luò)技術(shù)在加氫裂化產(chǎn)品收率預(yù)測模型中的應(yīng)用［J］.工業(yè)技術(shù)，2015，33（7）:349-353.

［3］景肖，朱建軍.淺談石油產(chǎn)品閃點(diǎn)測定影響因素及改進(jìn)［J］.化工管理，2015（1）:12-14.

［4］吳海，孫永雄，韓偉，等.多核環(huán)境下的粒子群算法［J］.吉林大學(xué)學(xué)報(bào)（信息科學(xué)版），2012（5）:549-554.

［5］陳良波，鄭亞青.粒子群算法在多峰值函數(shù)優(yōu)化中的應(yīng)用［J］.貴州師范學(xué)院學(xué)報(bào)，2012（12）:23-26.

［6］盛磊.基于改進(jìn)粒子群算法的S盒優(yōu)化設(shè)計(jì)研究［D］.哈爾濱:哈爾濱工程大學(xué)，2011.

［7］楊娜.一種混合智能算法的應(yīng)用研究［D］.哈爾濱:哈爾濱工業(yè)大學(xué)，2012.

［8］石云.Bp神經(jīng)網(wǎng)絡(luò)的Matlab實(shí)現(xiàn)［J］.湘南學(xué)院學(xué)報(bào)，2010（5）:86-88.

［9］韓紅桂，李淼，喬俊飛.基于模型輸出敏感度分析的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)［J］.電子學(xué)報(bào)，2010（3）:731-736.

［10］王天宇，劉忠保，黃明富.采用人工神經(jīng)網(wǎng)絡(luò)方法建立加氫裂化反應(yīng)體系模型［J］.控制與優(yōu)化，2015，46（8）:89-95.

［11］陳玉龍，楊基和，劉英杰.BP神經(jīng)網(wǎng)絡(luò)模型用于芳烴油加氫工藝條件考察［J］.控制與優(yōu)化，2013（3）:88-92.

［12］李為民，徐春明，高國生，等.基于神經(jīng)網(wǎng)絡(luò)-遺傳算法優(yōu)化制氫工藝水碳比［J］.化工進(jìn)展，2004（9）:998-1000.

［13］王天宇，劉忠保，黃明富.采用人工神經(jīng)網(wǎng)絡(luò)方法建立加氫裂化反應(yīng)體系模型［J］.控制與優(yōu)化，2015，46（8）:89-95.

［14］羅一帆，郭振飛，朱振宇，等.近紅外光譜測定茶葉中茶多酚和茶多糖的人工神經(jīng)網(wǎng)絡(luò)模型研究［J］.光譜學(xué)與光譜分析，2005，25（8）:1230-1233.

［15］王國榮.神經(jīng)網(wǎng)絡(luò)技術(shù)在加氫裂化產(chǎn)品收率預(yù)測模型中的應(yīng)用［J］.工業(yè)技術(shù)，2015，33（7）:349-353.

［16］歐陽磊，黃友銳，黃宜慶.基于模糊RBF神經(jīng)網(wǎng)絡(luò)的PID及其應(yīng)用［J］.計(jì)算機(jī)工程，2008（12）:231-233.

［17］李長志，楊波，梁代華，等.探析油氣儲(chǔ)運(yùn)中ANN技術(shù)的應(yīng)用［J］.科技經(jīng)濟(jì)市場，2014（7）:18-19.

［18］高玉明，張仁津.一種GA-PSO算法優(yōu)化BP網(wǎng)絡(luò)的網(wǎng)絡(luò)流量預(yù)測［J］.計(jì)算機(jī)應(yīng)用與軟件，2014（4）:106-110.

Research on application of artificial neural network method in flash point prediction of diesel oil

Li Yu
（Oil Refinery of Daqing Petrochemical Company，Daqing 163711，China）

The flash point of refined diesel oil is an important indicator for measuring the quality of diesel oil.In the diesel oil hydrodesulfurization production at present,the adjustment is mainly made according to the experience of operation stuff,which can produce fairly big error.This paper used 3 kinds of neural network methods to research the prediction of flash points of diesel oil under the conditions of the fluctuation of the highest point temperature of reactor,pressure of fractionating tower,top temperature of the fractionating tower,bottom temperature of fractionating tower,ratio of hydrogen and oil.The result showed that,the mean square error predicted by PSO-BP neural network method is 5.76×10-4,and it’s better than other prediction methods.

BP neural network;GA-BP neural network;PSO-BP neural network;flash point of diesel oil;prediction

TP183

：A

：1671-4962（2017）03-0010-04

2017-04-21

李郁，男，助理工程師，碩士研究生，2016年畢業(yè)于齊齊哈爾大學(xué)分析化學(xué)專業(yè)，現(xiàn)從事柴油加氫脫硫工藝技術(shù)工作。