汽油辛烷值神经网络预测模型的设计_秦秀娟

汽油辛烷值神经网络预测模型的设计
X
秦秀娟　陈宗海
(中国科学技术大学自动化系·合肥,230027)摘　要　针对催化重整工艺仿真数学模型中遇到的汽油辛烷值预测方面的困难,提出一种将定
量计算与神经网络计算相结合的催化重整工艺汽油辛烷值的预测模型。

此预测模型综合考虑了
反应器温度、压力和进料空速比等对汽油辛烷值的影响。

关键词　串、并联BP 神经网络,汽油辛烷值,重量平均入口温度
分类号　T P 391.9
1　引 言
随着国内、国际石化市场竞争的日益加剧,提高产品质量和企业人员的生产素质是各石化企业增强自身竞争力的关键因素。

企业的这种需求要求以培训普通操作工为最初目的的仿真器向以培训高素质的优化操作员为目的的智能仿真器发展。

此类智能仿真器加载有产品质量预测器以及过程优化器等。

经智能仿真器训练过的优化操作员能充分发挥现有生产装置的生产能力,提高企业的生产力。

对于以生产高辛烷值汽油(重整油)为目的的催化重整工艺,其汽油质量的预测以及据此优化调整操作点显得尤为重要。

目前国内外比较成熟的汽油辛烷值预测模型是莫比尔公司的13集总催化重整[1]模型。

但由于此模型中的动力学参数需要经过一些严格的动力学实验才能测定,这在实际应用中很难做到,并且13集总模型的计算量大,难以满足仿真器的实时性要求。

近年来,神经网络理论的发展为数据拟合提供了一种智能化的方法,使我们能够利用神经网络的串联和并联结构来拟合某些难以定量计算的工艺变量对汽油辛烷值的影响。

本文从反应机理的定性分析入手,介绍了将定量计算和神经网络技术相结合的汽油辛烷值预测模型的建立过程,并给出运行结果。

2　工艺背景
石脑油催化重整的目的是生产高辛烷值的汽油(重整油),供芳烃生产使用,或用作汽油调合的主要成分以及产生富氢气体。

其主要设备如图1
所示。

图1　催化重整工艺反应器部分流程图
V ol.14N o.2CON T ROL A N D D ECI SI ON M ar.1999X 1997-11-03收稿,1997-12-15修回
经过预处理的精制石脑油经过反应器各自加热炉的预热,变成油气经过装有一定比例催化剂的反应器。

在催化剂的作用下,石脑油中的烃类分子重新排列组成新的分子结构——高辛烷值的汽油及芳烃。

汽油辛烷值的提高主要是在催化重整反应器中完成的。

反应器中进行的主要化学反应有
:
4)异构化反应
n C 7H 16Z i C 7H 16
5)加氢裂化反应
n C 7H 16+H 2Z C 3H 8+i C 4H 10
上述反应中,1)～4)是提高汽油辛烷值的反应。

3　汽油辛烷值预测模型
为了得到随反应系统操作条件变化的汽油辛烷值预测模型,根据生产工艺的特点和工业生产的许可,认为前段进料准备工艺运行正常,即假定进料的组分、温度及压力不变。

3.1　汽油辛烷值预测模型的结构
前面述及汽油的辛烷值很难从反应器的机理模型中计算出来,然而人们在催化重整企业的生产实践过程中积累了大量的经济数据,再经过应用化学专家们的数据处理,得到了一些主要工艺变量与辛烷值的数据关系,诸如:重量平均入口温度(WAIT )与辛烷值(RON )的关系,重量平均入口温度对重时空速比(WHSV)的校正关系,以及重量平均温度对压力(P )的校正关系。

这些数据为神经网络的学习提供了验前知识和指导经验。

其中:
1)重量平均入口温度(WAIT )被认为是反应器温度的代表。

定义为
WAIT =∑4
i =1(催化剂R
i 的重量×T i )催化剂的总重量
(1)式中,T i 为反应器R i 的入口温度,R i 为反应器R i 中的催化剂重量。

重量平均入口温度(WAIT )与辛烷值(RON)的数据关系为:WAIT 高,则RON 提高,但不是严格的线性关系。

2)重时空速比(W HSV )是进料量的代表。

定义为
WHSV =进料重(1h)催化剂重量(2)
重时空速比(WHSV )与重量平均入口温度(WAIT )的校正关系为:重时空速比降低,要保持辛烷值不变,需降低重量平均入口温度。

即升高WHSV,会导致RON 降低。

3)压力(P )是反应器压力的代表。

通常由最后一台反应器的入口压力来确定。

压力(P )与重量平均入口温度(WAIT)的校正关系为:降低压力,要保持辛烷值不变,需152控 制 与 决 策1999年
降低重量平均入口温度。

即升高压力(P ),会导致辛烷值(RON)降低。

WAIT 、WHSV 和P 是反应动力学的3个主要变量。

预测模型结构如图2
所示。

图2　预测模型的结构示意图
图中,神经网络NN 0($W AIT )用来记忆$WAIT 与辛烷值RON 的关系,NN 1(WHSV)用来记忆重时速WH SV 与$WAIT 的关系,NN 2(P )用来记忆压力P 与$W AIT 的关系。

这样通过3个BP 神经网络的并、串联,影响汽油辛烷值的3个主要反应动力学变量就包括在预测模型中。

根据以上分析,辛烷值预测模型有如下形式
RON =NN 0($WAIT -H 1õNN 1(WHSV)-H 2õNN 2(P ))(3)
式中,NN i (A )是一输入变量为A ,输出神经元只有一个的前向BP 神经网络;$WAIT 是根据式(1)计算出的重量平均入口温度(WAIT )与508℃的差值;H 1,H 2是修正因子,根据专家经验或实际数据辨识确定。

3.2　辛烷值预测模型中的神经网络
辛烷值预测模型中的神经网络结构如图3所示(以NN 0($WAIT )为例)。

图3　辛烷值预测模型中
的神经网络结构网络具有一个输入层,一个隐含层和一个输出层。

隐
含层有5个神经元,输入、输出层分别有一个神经元。

对
于输入信号,要先向前传播到隐节点,经过作用函数后,
再把隐节点的输出信息传播到输出节点,最后得到输出
结果。

节点的作用函数取为S 型函数,即
f (x )=11+e -x (4)
神经网络的学习采用BP 算法,即具有自适应学习速率的误差反向传播算法调整网络的权重值和阀值。

当训练达
到某一事先指定的循环次数或误差达到一定的误差指标
后结束。

但由于基本BP 学习算法存在一些缺点,我们采用了一种附加记忆法来改进BP 学习算法。

在基本BP 算法中,权值和阀值的修正公式为
$W ij (p )=G õD j (p )õy i (p )
(5)$H j (p )=G õD j (p )(6)
而在附加记忆法中,并不对每一个样本逐个修正,而是将所有样本产生的修正量进行累加,学习一次,修正一次,而且这次学习的权及阀值的更新要适当考虑到上一次的权及阀值的更新值。

因此我们采用新的权、阀值更新量,即
第14卷第2期秦秀娟等:汽油辛烷值神经网络预测模型的设计153
$W ij (p )=G ∑n
D j (n )õy i (n )+m $W ij (p -1)
(7)$H j (p )=G ∑n D j (n )(8)
W ij (p )=W ij (p -1)+$W ij (p )(9)
H
j (p )=H j (p -1)+$H j (p )(10)式中,p 为学习次数,n 为样本总数,m 为记忆因子(一般选取0.0～0.9之间的某一值)。

将$WAIT 与RON 之间,WHSV 与$W AIT 之间和P 与$WAIT 之间的关系分别训练NN 0、NN 1和N N 23个神经网络。

在586/166上需15min 左右(大约学习40万次),神经网络的预测值与实际采集的样本值间的误差小于1%。

最后将得到的神经网络嵌入预测模型中。

4　仿真结果
将辛烷值预测模型嵌入催化重整的模型中,进行仿真实验,其运行结果如图4所示。

图4(a )中,曲线a 为经NN 2预测出的$WAIT (℃)(-3.5～-1.2),b 为反应器压力P (M Pa )(0.3～0.47);图4(b)中,曲线a 为进料空速比(0.5～3.0),b 为经N N 1预测出的$WAIT(℃)(-10～-3.0);图4(c )中,曲线a 为经NN 2预测出的$WA IT (℃)(-4～-0.5),b 为3个$WAIT 之和(℃)(-20～35),c 为经式(1)计算出的$WAIT (℃)(-100～30),d 为经NN 1预测出的$WAIT (℃)(-10～- 3.2);图4(d)中,曲线a 为3个$WAIT 之和(℃)(-20～
35),b 为经NN 0预测出的汽油辛烷值RON (85～106)。

图4　辛烷值与主要工艺变量曲线
(a )　反应器压力和经N N 2预测出的$W A IT (b )　进料空速比和经N N 1预测出的$W A IT
(c)　各个$WA IT (d)　$W AI T 和经N N 0预测出的汽油辛烷值RON
结合本文的研究项目已通过部级组织的鉴定,测试组参照实际生产结果对其进行了完整的测试后认为:模型的预测结果与化验分析结果的误差小于5%。

用户反馈信息是参照预测结154控 制 与 决 策
1999年
第14卷第2期秦秀娟等:汽油辛烷值神经网络预测模型的设计155
果调整操作点,可节能0.8%,产品质量稳定性增强,可带来年效益300万元。

由此可以看出,一方面,BP神经网络对样本学习范围内的数值的预测效果很好,误差小于1%;另一方面,由定量计算和BP神经网络的串、并联结构相结合的辛烷值预测模型的预测结果,很好地反映了重量平均入口温度(WAIT)、重时空速比(WHSV)和压力(P)对汽油辛烷值的影响,并且预测结果与现场数据的误差小于5%(因实际生产中进料不可能不变)。

5　结 论
本文提出了一种神经网络理论在智能仿真器中的应用方法——将神经网络的串、并联结构与模型的定量计算相结合的方法。

这种方法有效地解决了定量计算难以解决的问题,为神经网络在智能仿真器中的大范围应用奠定了实践基础。

参　考　文　献
1　翁惠信,毛信军.石油炼制过程反应动力学.北京:烃加工出版社,1987.202—242
2　J Savkovic-s tevanovic.Neural net controller by inverse modeling for a dis tillation puters Chem E ngng, 1996,20(Suppl):925—930
3　J Savkovic-stevanovic.Neural n etw ork process analysis and op tim ization:M odeling and puters Chem Engng,1994,18(11/12):1149-1155
4　焦李成.神经网络系统理论.西安:西安电子科技大学出版社,1992.34—40
The Design of the Neural Network Model
for Predicting Gasoline RON
Qin X iuj uan,Chen Zong hai
(University of Seince and T ech nology of Chin a)
Abstract　A neur al net wo rk mo del fo r pr edict ing g asoline R ON is pr oposed.A co nca tena te and par ellel BP neur al netw or k co mbined with quantit y co mputation is used in this mo del.T his predicting mo del takes int o account three impo rt ant var ibles t hat affect gaso line R ON——the tempera ture,t he pr essur e and the flo wing ra te of the co ntinuo us r efor ming reacto r.
Key words　concatenate and par ellel BP neural netw o rk,the g asoline R ON,w eight aver ag e inlet temper a-ture
作　者　简　介
秦秀娟　女,1972年生。

1995年毕业于中国科学技术大学自动化系,现为中国科学技术大学自动化系硕士研究生。

主要研究方向是人工智能和基于仿真系统的优化。

陈宗海　1963年生。

1991年毕业于中国科学技术大学自动化系,获硕士学位,现任中国科学技术大学自动化系系副主任,教授。

主要研究方向是人工智能,系统建模与仿真,过程控制和优化等。