组合神经网络在脱水干塔精馏软测量中的应用

组合神经网络在脱水干塔精馏软测量中的应用

徐林猛王时胜

(南昌大学信息工程学院，江西南昌330031)

摘要：针对PTA装置溶剂脱水干塔精馏过程中塔釡排出液含水量是衡量精馏过程的重要参数,而其在线实时测量难以实现的状况,采用组合BP神经网络方法对其进行软测量。通过对精馏生产工艺过程的分析,找到影响排出液含水量的过程参数,从现场历史数据中选取样本,建立软测量模型。仿真结果表明：新方法可以避免使用单个BP网络带来的不稳定性和不精确性，能加快全局收敛速度，对排出液含水量的软测量效果更好。

关键字：排出液含水量；组合BP神经网络；软测量

中图分类号： TP206 文献标志码：A

在工业过程中，为保证产品质量的连续平稳，需要对与产品质量密切相关的过程变量

进行实时监视和控制。然而在实际过程中存在一类变量无法或难以用传感器直接检测，只

能通过采样离线人工化验的方法得到，如分馏塔组分浓度、化学反应器的反应物浓度和产

品组分等。这些参数直接或间接地反映了生产过程的状态和产品质量，是工业生产过程中

必须加以严格监视和控制的参数。为解决这类变量的测量问题，产生了软测量技术，这是

一门有广阔发展前景的新兴工业技术。软测量技术作为一种解决不可测或难测量的产品质

量指标的估计方法，成为目前和将来过程控制研究的一个重点方向[1]。在这方面，神经网

络软测量的应用有污水水质指标的实时检测[2]，高炉铁水温度测量[3]，，精馏塔优化控制[4]。

1 软测量模型的建立

1.1 软测量简介

所谓软测量就是根据可以检测的过程变量(或辅助变量，如温度、流量、压力等)推断某些难以检测或根本无法检测的工艺参数（主导变量）。软测量技术的使用节省了在线质量分析仪的高额投资，另一方面基于软测量模型构成的实时质量反馈控制，对提高过程控制水平起着巨大的作用。建立软测量模型的方法通常有机理分析方法、对象数学模型方法、回归分析方法、人工神经网络方法、模式识别方法、模糊数学方法等。由于回归分析方法、人工神经网络能够充分逼近任意复杂非线性系统，所以回归分析方法、人工神经网络方法的软测量技术得到了广泛的应用[3]。采用建立塔低排出液含水量的软测量模型。

1.2 塔精馏软测量模型

本文以某石化公司PTA装置溶剂脱水干塔精馏过程为研究对象,其过程如图1所示。目前公司对塔釡排出液含水量采用定时离线分析的方法，每隔8小时得到一组数据，时效性差，难以保证生产过程的稳定运行和产品质量的有效控制。针对此，采用PTA装置溶剂脱水干塔精馏的组合神经网络的软测量建模。由工艺与机理分析，确定再沸蒸汽流量、塔顶

回流液量、塔顶产品采出量、不同液相位置的进料（3个）、塔底馏出物流量、塔釜温度、塔顶温度、塔段不同位置的温度（4个）、塔底馏出物温度、回流液温度、塔顶压力、塔底压力等17个因素构成模型的输入变量，以排出液含水量为辅助变量。样本数270组，其部分数据如表１和表2所示。主导变量以n1到n17表示，输出变量以u表示。

对输入变量和输出变量进行MA TLAB仿真时，先对数据进行归一化，以便对这些数据进行有效的训练。如果从提高网络精度的角度出发，一方面可以增加网络的训练样本的数目，另一方面还可以增加主导变量的维数。

2 组合BP神经网络设计

2.1 单一BP神经网络

单一BP神经网络的结构如图2所示。其主要缺点为：待寻优的参数多，收敛速度慢；目标函数存在多个极值点，按梯度下降法进行学习，很容易陷入局部极小值；难以确定隐层及隐层节点的数目。针对此，可采用加动量及自调整学习率来改进BP算法[5]，

2.2 组合神经网络

组合神经网络是用有限个神经网络对一个问题进行学习，且组合在某个输入实例下的输出是由构成组合的各个子网在该问题下的输出共同决定的。线性组合神经网络是用线性组合的方式将这些已训练过的不同网络组合起来，线性组合神经网络的输出是各个子网输出相应的加权和。组合神经网络能够显著地提高系统的泛化能力。组合神经网络模型如图3所示[5]。

图1 PTA装置溶剂脱水干塔精馏过程

Fig.1 PTA Device Solvent Dehydration Dry-bed Distillation Process

表１样本数据

Table.1Sampled data

表2 样本数据

Table.2Sampled data

为了得到性能较好的组合网络，先对不同节点数的单一神经网络进行训练，再对不同子网网络进行训练。对数据取前面200组为训练数据，后面的为测试数据。训练函数采用trainlm,它可实现快速训练。

不同节点数训练。分别对隐含层节点数为15、20、25、30、35时进行训练，观察性能并进行比较，检验不同节点数对网络性能的影响，当网络的预测误差最小时，网络中间层的神经元数目就是最佳值。不同节点数的训练误差和测试误差的比较如表3。

图2 三层BP网络图3 组合神经网络

Fig.1 Three BP network Fig.2 Combined neural network

表3 MSE比较

Table.3 MSE comparisons

由表3可知，节点数的不同对网络性能的影响甚大，节点数为30和35时，训练MSE 虽然比较小，但是测试MSE却比较大，这对预测不利，比较节点数15、20、25可知，当节点数为20时，训练MSE较小，而由训练误差曲线知训练误差可以很好的控制在±0.05范围内，测试MSE也很小，训练误差也可以很好的控制在±0.2范围内。因此，我们可以认为节点数为20时神经网络可以最优的实现预测，20个节点也为最佳节点数。

组合神经网络比单个神经网络的性能更优，可以通过比较节点数为20时的单个神经网络的MSE和误差曲线，如表4。

表4 组合与单个BP网的MSE(节点20)

Table.4 Combinations and single BP net's MSE (node 20)

通过表4可以看出组合神经网络的优点，组合神经网络控制衰弱和测试误差方面都比单个神经网络强。

以下比较不同子网数的性能，子网数取15、20、25、30、35，对节点数为20时的不同子网数网络进行训练。不同子网时的MSE如表5，子网数为25时的训练误差和测试误