神經網絡技術在煉油廠節能方面的應用

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劃中，熱效率利用情況成為衡量企業經濟效益和環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，采用經典PID控制，沒有經過優化整定，爐熱效率較低，回路不穩定，經常切換到手動控制，不利于企業生產自控率控制。通過采集F101加熱爐實時數據，利用神經網絡深度學習建立加熱爐工藝模型，根據模型采用梯度下降全局搜索方式對加熱爐PID控制參數進行優化整定，優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

該項目依托神經網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，實現對大型煉化企業加熱爐控制系統回路的PID優化整定。通過大型煉化企業生產系統控制回路的PID優化整定，對基于神經網絡學習建模的優化方法、技術特點進行研究，從而實現智慧煉化建設中對熱效率和節能工作的提升。

2 PID整定模型建立和深度學習訓練

2.1 神經網絡的建立

在現代的控制過程中，由于系統越來越復雜，被控對象的實際數學模型已經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律下，由另1種方法確定1個近似的、易于描述與控制的數學模型來近似代替該不可知的復雜模型［1］。

神經網絡對非線性函數的逼近能力非常好，當神經網絡滿足一定條件時，可以以任意精度逼近任意非線性連續的函數或者分段連續的函數。因此，利用MATLAB專業軟件神經網絡軟件來完成非線性系統模型建立是很好的選擇。

2.2 非線性PID整定控制

PID控制是發展最早的經典控制算法之一，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，利用系統的偏差，基于比例（P）、積分（I）、微分（D）來進行控制。神經網絡所具有的任意非線性表達能力，可以通過對系統性能的學習來實現具有最佳組合的PID控制。因此基于神經網絡的PID整定不僅能適應環境變化，且有較強的魯棒性［2］。

2.3 BP神經網絡模型

建立1個3層神經網絡模型，以Ur作為輸入信號，給定3個輸入節點（U1，U2，U3它們分別代表神經元的輸入數據。），3個隱含層節點，3個輸出節點，分別對應 的是Kp，Ki，Kd。激發函數為非負Sigmiod函數，其網絡結構見圖1。

圖1 3層神經網絡結構

圖1中Vji—隱含層加權系數，Wji—輸出層加權系數。

根據輸入層、隱含層、輸出層的傳遞關系可以得到系統的性能指標函數見式（1）。

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

經典增量式數字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網絡PID控制器

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

2.4.2 深度學習優化神經網絡模型過程神經網絡PID控制器框圖見圖2。

圖2 基于遺傳算法的神經網絡PID控制框圖

深度學習優化的神經網路PID控制算法歸納為2點［4~6］。

（1）生成實數編碼；

（2）確定及計算適應度函數，見式（3）。

式中Jk（N）—適應度函數。

網絡訓練目標函數值見式（4）。

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

圖3 無PID整定與經深度學習優化神經網絡控制

3 仿真結果對比分析

分析圖3可知，經過深度學習優化的神經網絡PID控制器能快速達到穩定，控制精度相對較高，對PID的整定更加精確，能夠在更短時間內達到穩定，魯棒性更好，且幾乎無超調量。將該種改進后的方法應用到PID整定，能使加熱爐控制系統系統更快達到穩態效果，提高加熱爐熱效率［4，5］。

根據模型，采用梯度下降全局搜索方式對加熱爐PID控制參數進行優化整定，優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，經過模型優化計算，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控制參數對加熱爐熱效率影響顯著，根據計算出的2組優化參數，模型輸出“排煙溫度（TI3602）”呈 現 平 穩 下 降，“煙 氣 氧 含 量（AIC3611）”降低；經過熱效率計算［8］，結果見表1。

表1 優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，FIC2401_P為加熱爐燃料氣流量控制回路比例，FIC2402_Ti為加熱爐燃料氣流量控制回路積分，FIC2402_Td為加熱爐燃料氣流量控制回路微分。優化前熱效率計算采用的是2019年11月20日8：30分現場實時數據，優化1為只對排煙溫度進行優化的輸出結果，優化2為對排煙溫度和氧含量共同優化的輸出結果。

根據柴油加氫裝置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

采用優化后的PID參數經過熱效率計算，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）經實際投用，回路穩定性得到提高，能夠穩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約燃料成本3~5萬元。

減少排放CO2達50 t，SO2為300 kg。同時穩定了加熱爐出口介質溫度，為裝置后續生產單元穩定生產創造了條件。

通過神經網絡深度學習（AI人工智能）對加熱爐PID控制參數進行優化整定，優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，具有較大的經濟和社會效益，為智慧煉廠建設提供助力。