引用本文
闫乃锋, 王晨. BP神经网络在加氢裂化装置航煤性质软测量中的应用[J]. 工业催化, 2020,28(8): 65-69.
Yan Naifeng, Wang Chen. Application of BP neural network in soft sensing of kerosene properties in hydrocracking unit[J]. Industrial Catalysis, 2020,28(8): 65-69.  
DOI:10.3969/j.issn.1008-1143.2020.08.013
Permissions
Copyright©2020, 《工业催化》编辑部
《工业催化》编辑部 所有
BP神经网络在加氢裂化装置航煤性质软测量中的应用
闫乃锋*, 王晨
中海油惠州石化有限公司,广东 惠州 516086
通讯联系人:闫乃锋。

作者简介:闫乃锋,1968年生,男,山东省荷泽市人,高级工程师,主要研究方向为重整、加氢、芳烃工艺技术。

收稿日期: 2020-03-11
摘要

应用Matlab软件构建单隐层BP神经网络,并对中压加氢裂化装置航煤性质进行软测量应用。以700组样本数据作为训练集,对预测航煤闪点、终馏点模型进行训练。结果表明,在152组验证数据集上模型对闪点、终馏点预测分别取得1.57 ℃和2.74 ℃的均方误差(RMSE),随之在80组测试数据集上模型取得的泛化RMSE分别为1.87 ℃和1.98 ℃。以300组样本数据作为训练集,对预测航煤密度的模型进行训练。结果表明,在100组验证集上模型RMSE为2.18 kg·m-3,随之在70组测试数据集上的泛化RMSE为2.72 kg·m-3。BP神经网络的泛化RMSE表明,通过合理选择特征变量和设计网络结构,单隐层BP神经网络能够满足航煤性质的工业软测量要求。

关键词: BP神经网络; 加氢裂化; 航煤性质; 软测量; 泛化
中图分类号:TP183;TE626.23    文献标志码:A    文章编号:1008-1143(2020)08-0065-05
Application of BP neural network in soft sensing of kerosene properties in hydrocracking unit
Yan Naifeng*, Wang Chen
CNOOC Huizhou Petrochemical Co.,Ltd.,Huizhou 516086,Guangdong,China
Abstract

BP neural network with single hidden layer was constructed by using Matlab,and the soft-sensing application of kerosene properties in the medium pressure hydrocracking unit was carried out.The model was trained to predict kerosene flash point and final boiling point(FBP) with a training set of 700 sample data,and respectively a mean square error (RMSE) of 1.57 ℃ and 2.74 ℃for flash point and FBP prediction were obtained by using BP model on a validated set with 152 sample data,furtherly a generalized RMSE of 1.87 ℃and 1.98 ℃on a test set with 80 sample data was achieved. Another model was trained to predict kerosene density with a training set of 300 sample dataand a RMSE of 2.18 kg·m-3 was obtained by using BP model on a validated set with 100 sample data,furtherly a generalized RMSE of 2.72 kg·m-3 on a test set with 70 sample data was achieved respectively.The generalized RMSEs demonstrated that the BP neural network with single hidden layer could meet the requirements of industrial soft sensing of kerosene properties by reasonably selecting characteristic variables and designing network architecture.

Keyword: BP neural network; hydrocracking; kerosene properties; soft sensing; generalization

人工神经网络是类似于生物大脑神经突触结构且能能够进行信息处理的数学模型, 应用三层神经网络(输入层、隐藏层、输出层)就可实现任意Rn空间到Rm空间的非线性函数逼近[1, 2], 在工业界已普遍应用于变量预测、图形识别等方面。在化工领域神经网络擅长用于装置参数软测量、产物收率预测等。张笑天等[3]利用模糊C均值聚类和多BP神经网络构建了具有良好预测能力的初顶石脑油软测量模型。钱欣瑞等[4]构建了基于NARX神经网络的油品性质软测量模型, 通过动态神经网络取得了良好预测效果。本文拟构建单隐层BP神经网络, 用以对加氢裂化装置的航煤产品性质进行预测, 评估单隐层BP网络对航煤的闪点、终馏点、密度的预测效果。

1 BP神经网络构建
1.1 BP神经网络拓扑结构与训练流程

惠州石化中压加氢裂化装置以直馏煤柴油和催化柴油的混合油作原料, 采用双剂串联一次通过的加氢裂化工艺流程, 在中压下生产优质轻重石脑油、航煤、柴油[5, 6]。图1为BP神经网络的一般训练流程, 图2为基于航煤性质软测量业务需求构建的BP网络示意图。

图1 神经网络建模一般流程Figure 1 General process of neural network modeling

装置的生产参数是模型特征变量, 位于神经网络输入层, 航煤性质数据是模型目标变量, 位于网络模型输出层, 两者蕴含的非线性规律通过隐藏层的多个神经节点自动计算提取。层与层之间通过权值实现全连接。

图2 用于航煤性质软测量的单隐层全连接前馈神经网络Figure 2 Full connection feedforward neural network with single hidden layer for soft sensing kerosene properties

1.2 样本数据

根据加氢工艺流程特点, 确定BP网络模型5个特征变量为装置掺炼催化柴油比例、处理量、裂化反应温度、航煤收率、航煤抽出塔板温度, 目标变量为航煤闪点、终馏点和密度。整个样本数据集按照神经网络建模原则, 分割为3部分:训练集、验证集和测试集。其中训练集和验证集来自同一批样本数据, 通过随机抽样确定训练集和验证集数据, 测试集取自建模之后装置持续运转一段时间内的连续工况数据, 旨在测试模型的泛化性能。样本数据取自中压加氢裂化2017年11月1日~2019年2月10日正常生产数据, 受不同性质数据化验分析频次影响, 闪点、终馏点样本数据集各取932组, 其中训练集700组, 验证集152组, 测试集80组, 如表1所示。密度分析频次较低, 共取数据470组, 其中训练集300组, 验证集100组, 测试集70组, 如表2所示。

表1 航煤闪点、终馏点建模样本数据 Table 1 Data samples of neural network modeling for kerosene flash point and FBP
表2 航煤密度建模样本数据 Table 2 Data samples of neural network modeling for kerosene density

样本数据选取后, 利用式(1)、式(2)所示的MATLAB函数进行样本数据归一化和预测结果的反归一化[7]。

归一化函数:[I, IS] = mapminmax(input) (1)

反归一化函数:O=mapminmax('reverse', output, OS) (2)

式中, I为特征变量input矩阵经过归一化后的矩阵, IS存储归一化过程参数, O为目标变量output矩阵经过反归一化后的矩阵, OS存储反归一化过程参数, reverse为函数mapminmax的参数, 表示反归一化。

1.3 BP神经网络设计

应用MATLAB 神经网络工具箱(nnTool)构建了单隐层BP网络, 具体网络设计如表3所示。其中, 隐藏层节点数的确定由经验公式(3)[8]结合试验法得出。模型评价指标为均方差(RMSE), 量纲同预测的目标变量, 如公式(4)所示。

表3 神经网络结构参数 Table 3 Neural network structure and parameters

H=n+m+k(3)

式中H为隐藏层节点数; n为输入层节点数; m为输出层节点数; k为常数, 1≤ k≤ 10。

RMSE = 1N∑i=1N(Xobs, i-Xmodel, i)2(4)

式中N为样本数, Xobs, i为目标变量真实值, Xmode, il为目标变量预测值。为消除BP网络模型稳定性导致的误差, 每个案例评价结果以BP模型连续预测10次的平均RMSE表示。

2 航煤性质软测量应用
2.1 验证集性能评估

按照1.2中所属样本数据集分割策略, 首先随机获取700组训练数据并以此对闪点、终馏点预测模型进行训练, 随之在剩余152组验证数据上进行闪点、终馏点预测并评估模型性能, 同理随机获取300组训练数据以此对密度预测模型进行训练, 随之在剩余100组验证数据上进行密度预测并评估模型性能, 结果如图3所示。

图3 航煤闪点、终馏点和密度在验证集上的预测性能评估Figure 3 Estimation of kerosene flash point, FBP and density trained models on validation dataset

由图3可知, 在验证集上, 单隐层BP神经网络模型对航煤闪点、终馏点和密度预测的平均RMSE分别为1.57 ℃、2.74 ℃和2.18 kg·m-3, 且在整个验证集上性能较为稳定, 预测效果良好。

2.2 测试集性能评估

测试集数据取自装置连续运转一段时间的工业生产数据, 通过在测试集上进行目标变量预测, 可充分评估神经网络模型的泛化能力。图4为模型在测试集上的预测性能, 由图4可以看出, 除终馏点RMSE为1.98 ℃小于验证集2.74 ℃外, 闪点、密度RMSE值分别为1.87 ℃和2.72 kg·m-3, 均略大于验证集RMSE, 但整体RMSE趋势仍然能够维持稳定。

图4 航煤闪点、终馏点和密度在测试集上的预测性能评估Figure 4 Estimation of kerosene flash point, FBP and density trained models on test dataset

测试集的数据获取来自一段连续生产区间, 与训练集、验证集保持独立, 而训练集和验证集数据取自同一生产区间经随机抽样分割而来, 故在装置工况、催化剂活性等因素方面, 测试集相比验证集具有更多的不确定性。在测试集工况中装置实施了多产重石脑油加工方案, 测试集航煤汽提塔工况变化及分馏塔航煤侧线抽出工况变化如图5所示。由图5可知, 分馏塔降低了航煤抽出量, 导致部分航煤进入塔底柴油组分, 降低了柴油10%馏出温度, 航煤汽提塔也由于航煤进料降低而塔底热负荷、塔顶返塔温度相应升高, 这种工况在模型训练集中未曾出现过, 故模型在测试集预测中部分结果出现了偏差(图4标注), 不利于RMSE值降低, 但整体上单隐层BP神经网络在测试集方面仍能保持较好的预测性能(较低的RMSE值)和良好的稳定性。故在用于工业生产软测量时, 需及时对模型进行新一轮训练更新, 保持模型良好泛化能力。

图5 测试集航煤汽提塔工况变化及分馏塔航煤侧线抽出工况变化Figure 5 Operating variation with respective to kerosene stripper and fractionator side line on test dataset

3 结论

(1) 通过Matlab建立了单隐层BP神经网络, 并对加氢裂化航煤产品性质进行了预测应用, 结果表明单隐层BP神经网络可以自动识别装置操作参数与航煤产品性质间的非线性映射关系, 得到了较好预测效果。

(2) 将样本数据集分割为训练集、验证集和测试集, 模型在验证集上对航煤闪点、终馏点和密度预测的RMSE分别为1.57 ℃、2.74 ℃和2.18 kg·m-3, 在测试集上的RMSE值分别为1.87 ℃、1.98 ℃和2.72 kg·m-3, 均取得了良好的预测精度和稳定性。

(3) 模型在测试集上良好的预测精度和稳定性表明单隐层BP神经网络可用于加氢裂化过程航煤产品性质软测量, 但需及时用新的工业数据训练更新模型, 保持模型良好泛化能力。

参考文献
[1] 张孔远, 肖强, 刘晨光, 等. 人工神经网络在汽柴油加氢脱氮中的应用[J]. 石油炼制与化工, 2013, 44(3): 83-87.
Zhang Kongyuan, Xiao Qiang, Liu Chenguang. Artifical neural network modeling applied to hydrodenitrogenation of gasoline and diesel[J]. Petroleum Processing and Petrochemicals, 2013, 44(3): 83-87. [本文引用:1]
[2] Su Xin, Wu Yingya, Pei Huajian, et al. Prediction of coke yield of FCC unit using different artificial neural network models[J]. China Petroleum Processing and Petrochemical Technology, 2016, 18(3): 102-109. [本文引用:1]
[3] 张笑天, 颜学峰, 钱锋. 基于多神经网络模型的石脑油干点软测量[J]. 控制工程, 2004, 11(z1): 52-54, 64.
Zhang Xiaotian, Yan Xuefeng, Qian Feng. Soft sensor of PDU naphtha dry point based on multiple neural network[J]. Control Engineering of China, 2004, 11(z1): 52-54, 64. [本文引用:1]
[4] 钱欣瑞, 史彬, 鄢烈祥. 基于NARX神经网络的油品性质软测量建模[J]. 计算机与应用化学, 2017, 34(1): 64-68.
Qian Xinrui, Shi Bin, Yan Liexiang. Soft-sensing modeling for crude products properties based on NARX neural network[J]. Computers and Applied Chemistry, 2017, 34(1): 64-68. [本文引用:1]
[5] 杨杰. 中压加氢改质催化剂再生及其反应性能评价[J]. 石油炼制与化工, 2017, 48(1): 67-71.
Yang Jie. Regeneration and reaction performance of catalysts in MHUG process[J]. Petroleum Processing and Petrochemicals, 2017, 48(1): 67-71. [本文引用:1]
[6] 王庆波, 张毓莹, 胡志海, 等. 煤柴油加氢裂化装置掺炼重凝析油工艺研究[J]. 石油炼制与化工, 2010, 41(12): 1-5.
Wang Qingbo, Zhang Yuying, Hu Zhihai, et al. A study of MHC unit processing feedstock blended with heavy condensate oil[J]. Petroleum Processing and Petrochemicals, 2010, 41(12): 1-5. [本文引用:1]
[7] 王小川, 史峰, 郁磊, 等. Matlab神经网络43个案例分析[M]. 北京: 北京航空航天大学出版社, 2013. [本文引用:1]
[8] 马锐. 人工神经网络原理[M]. 北京: 机械工业出版社, 2014. [本文引用:1]