郭惠娟, 李奇安
(遼寧石油化工大學 信息與控制工程學院, 遼寧 撫順 113001)
油品的質量直接決定了煉油廠的整體經濟效益[1],目前,對于油品相關質量指標的檢測,尚缺乏實時在線測量設備,只能通過離線分析獲得,滯后時間長[2]。為了準確實時地獲得影響油品質量的重要指標,需要采用軟測量技術解決這一實際問題。軟測量技術將難測變量與生產過程中的易測變量(例如溫度、壓力等)建立數學關系,構造軟測量模型[3],進而估計難以直接測量的變量。
基于數據驅動的軟測量建模主要包括傳統的回歸方法、神經網絡和支持向量機[4]。金思毅等[5]采用BP神經網絡建立汽油干點的估計模型,模型能夠滿足工藝控制要求,較好地估計常壓塔塔頂汽油干點值,但個別預測結果存在較大誤差。在多層前向神經網絡的基礎上,文獻[6]利用微粒群優化算法訓練權值和閾值,將優化后的模型應用于汽油干點軟測量建模。模型能夠有效地搜索到神經網絡的最優權值和閾值,提高了網絡的收斂速度。在此基礎上,趙瑞娟[7]提出將主元分析與微粒群神經網絡結合的動態建模方法,所得模型消除了輸入變量之間的相關性,將微粒群算法用于神經網絡的學習過程,提高模型的預測精度。但貢獻率小的主成分可能含有反映樣本差異的重要信息,不如原始樣本完整。朱樹強等[8]將分餾塔頂油氣假設成一種純組分,通過機理分析擬合得到粗汽油干點的經驗公式,雖然不是通用模型,但針對不同裝置可以對參數加以調整,所模擬的粗汽油干點與實際觀測值吻合較好,為常壓塔塔頂汽油干點的預測提供了思路。
綜上所述,針對常壓塔塔頂汽油干點預測研究的特點,考慮到神經網絡自適應、自學習、自組織能力強[9-10],而T-S模糊邏輯易于表達人的思維。本文提出將T-S模糊系統與神經網絡系統結合的方法,通過梯度下降法不斷修正隸屬度函數的參數,建立TS-FNN軟測量模型應用于常壓塔塔頂汽油干點的估計。
通過對某煉油廠的常壓塔工藝機理分析可知,原油經電脫鹽罐進入初餾塔進行油、水、氣分離,后經過常壓爐進行加熱,由塔頂到進料段之間的溫度呈現不斷上升狀態。由于各分餾過程沸點范圍的不同,常壓塔塔頂流出汽油,而常壓塔塔底沒有經過汽化的重油,經水蒸氣提煉出輕組分后,通過轉油線作為進料輸送到減壓塔中[11]。圖1為常壓塔示意圖。
圖1 常壓塔
汽油干點是油品重要的質量指標之一,實際工業生產中,每6~8 h對塔頂汽油干點進行一次采樣[12]。通過離線分析存在很大的滯后性,因此,對汽油干點的在線估計具有重要意義。
神經網絡具有很強的學習能力,但不能描述模糊知識,而T-S模型可以很好地表達模糊知識,因此,建立T-S模型的模糊神經網絡既能發揮二者的優勢,也能補充不足[13]。
基于T-S模型的模糊神經網絡(TS-FNN)主要由2部分組成[14],如圖2所示。前件網絡主要對應模糊規則的IF部分,后件網絡用來表達模糊規則的THEN部分。
圖2 基于T-S模型的模糊神經網絡模型
1) 前件網絡。
輸入層 輸入數據x=[x1,x2,…xi,…,xn]T,每個xi均為模糊語言變量,并設
(1)
(2)
規則層 計算模糊規則的適應度αj,即
(3)
反模糊化層 采用重心法進行歸一化計算,N4=N3=m,即
(4)
2) 后件網絡。
第一層x0=1為THEN部分提供常數項,該層節點數為n+1。
第二層 產生模糊規則的THEN部分,節點數為m,即
(5)
第三層 計算模型的輸出y,即
(6)
取誤差代價函數為
(7)
式中,y′和y分別表示實際輸出和模型的預測輸出。
采用誤差反傳的梯度下降法進行參數辨識,權值pjk修正為
式中:j=1,2,…,m,k=0,1,2,…,n;l表示該時刻;l+1表示下一時刻。
隸屬度函數的中心ciji修正為
隸屬度函數的寬度σiji修正為
式中,λ>0為學習率,i=1,2,…,n,ji=1,2,…,mi。
依據某煉油廠常減壓裝置的采樣數據,建立多指標的常壓塔塔頂汽油干點預測方法,并對其應用效果進行分析。選定影響塔頂汽油干點的5個輔助變量,并在DCS系統上采集相應的數據,輔助變量的控制范圍如表1所示。
表1 影響汽油干點的相關變量及控其制范圍
在T-S模糊系統中,還沒有確定模糊分割數的方法,仍依靠經驗和試湊[15]。根據過程數據確定網絡結構,輸入為5維,輸出為1維,試湊法確定模糊分割數為2,即中間層節點數為10,網絡結構為5-10-1。選擇6組加權系數p0~p5,隨機確定ciji和σiji,基于誤差平方和最小的思想訓練網絡,通過梯度下降法找到隸屬度函數中心ciji和寬度σiji的最優值。常壓塔塔頂汽油干點估計網絡模型如圖3所示。
圖3 基于TS-FNN的汽油干點估計模型
對采集到的數據進行粗大誤差和隨機誤差處理后,選取621組實驗樣本數據,設置最大訓練次數為1 000次,學習率為0.01,將571組樣本數據作為訓練樣本進行網絡訓練,剩余50組數據對觀測模型進行測試。利用MATLAB編程(.m文件)實現模糊神經網絡汽油干點的預測軟測量仿真,汽油干點預測算法流程圖如圖4所示。
圖4 汽油干點預測算法流程圖
將571組樣本數據輸入到網絡中進行訓練,訓練得到的汽油干點值與實際汽油干點值的相對誤差曲線如圖5所示。
圖5 訓練樣本的預測相對誤差曲線
由圖5可知,TS-FNN訓練得到的汽油干點與實際化驗汽油干點的相對誤差較小,汽油干點的相對誤差波動范圍在-3.86%~4.50%之間,表明模型具有可靠性。同時,為了檢驗該模型的實際預測效果,將50組沒參加訓練的測試樣本對該預測模型進行測試。
預測結果如圖6所示,預測汽油干點曲線與實際汽油干點曲線基本一致,干點的最大絕對誤差為3.668 6 ℃,在工程可接受范圍之內。圖7為TS-FNN預測值的相對誤差曲線,汽油干點的相對誤差波動范圍在-2.49%~2.41%,表明了TS-FNN預測模型的可靠性。
圖6 TS-FNN模型預測曲線
圖7 測試樣本的預測相對誤差曲線
為了進一步驗證模型的有效性,在相同的訓練樣本下,用BP神經網絡(BPNN)對汽油干點進行了估計,BPNN預測模型的參數設置為:網絡結構為3層,輸入為5維,輸出為1維,隱層為8個節點,學習率為0.01,最大迭代次數為1 000,預測結果如圖8所示。
圖8 BPNN、TS-FNN預測值和實際值對比
BPNN模型預測的汽油干點最大絕對誤差為4.446 9 ℃,大多數干點估計值高于實際樣本值,最大相對誤差為2.5%,結果可知,基于T-S模型模糊神經網絡的模型在常壓塔塔頂汽油干點預測應用中誤差波動范圍更小,預測結果更趨于實際值。
為了保證汽油干點軟測量模型能實時準確估計當前時刻的干點,采用下面3種評價標準評價模型的性能,計算結果如表2所示。
表2 BPNN和TS-FNN的性能對比
1) 均方根誤差(RMSE)
(14)
2) 平均絕對誤差(MAE)
(15)
3) 平均相對誤差(MRE)
(16)
對比表2的數據,基于TS-FNN模型預測的汽油干點平均相對誤差為0.68%,而BP神經網絡預測結果為0.77%,表明了基于TS-FNN模型的汽油干點預測可靠性有所提高。因此,基于TS-FNN的軟測量模型性能相對較好,優于BPNN模型,具有更好的預測精度和應用前景。
本文利用T-S模糊控制系統和神經網絡系統優劣互補的特點,針對常壓塔塔頂汽油干點預測建立了T-S模糊神經網絡軟測量模型,網絡中的各個節點及所有參數均有明顯物理意義,同時它具有神經網絡的結構,因而參數的學習和調整比較容易,為實時預測常壓塔塔頂汽油干點提供了理論依據。通過模型的仿真結果對比,將處理后的數據分別輸入到BP神經網絡和T-S模糊神經網絡預測模型中,T-S模糊神經網絡的估計結果更接近真實值,有較高的數據跟蹤能力,具有一定的優化效果。