应用人工神经网络方法预测柴油闪点研究

李郁

（大庆石化公司炼油厂，黑龙江 大庆 163711）

应用人工神经网络方法预测柴油闪点研究

李郁

（大庆石化公司炼油厂，黑龙江 大庆 163711）

精制柴油的闪点是衡量柴油质量的重要指标，在目前的柴油加氢脱硫生产中，主要根据操作人员的经验来调整，会产生较大的人为误差。文中采用了3种神经网络方法，研究在反应器床层最高点温度、分馏塔塔压、分馏塔塔顶温度、分馏塔塔底温度、氢油比波动时，预测柴油的闪点。结果表明，采用PSO-BP神经网络方法预测的柴油闪点均方误差为5.76×10-4，优于其它预测方法。

BP神经网络；GA-BP神经网络；PSO-BP神经网络；柴油闪点；预测

近年来中国成品油消费结构发生了明显的变化，柴油表观消费量的增长逐渐放缓，消费柴汽比逐年降低，在挖潜增效的大框架下实现柴油质量提升是目前最大的问题［1］。某石化公司1 300 kt/a柴油加氢脱硫装置于2014年11月建成投产，主要原料为常二线、焦化柴油，主要产品为精制柴油、石脑油、低凝柴油。装置采用一反应器、两塔、高低分流程，采用PHF-101催化剂。精制柴油的闪点作为柴油产品质量的衡量的重要指标，在目前的柴油加氢脱硫生产中，主要根据操作人员的经验来调整，往往会产生较大的人为误差从而影响产品质量。文中通过人工神经网络构建柴油脱硫装置柴油产品质量预测模型，预测在工艺条件变化时产品闪点变化情况［2］。

1 柴油产品的闪点模型的变量筛选

柴油产品的闪点是石油产品质量检测中的一项重要安全指标，它不仅可反映出油品发生火灾的危险性，还可以通过它判断商品油品中有无掺入易挥发物质的情况。柴油加氢脱硫装置中的精制柴油和低凝柴油的闪点的测量仪器为法国ISL公司生产的FP935G2全自动TAG，仪器包括油样杯、控制主机，其中油样杯盖上包括点火器、温度传感器、闪火传感器、搅拌器［3］。

文中采用的数据均来源于1 300 kt/a柴油加氢脱硫装置生产运行台账，时间自2014年10月至2015年4月共180组数据，将工艺参数作为自变量选取，见表1。

在柴油加氢脱硫反应中，由于催化剂装填在密闭的反应器中，硫化后的催化剂遇空气会被氧化，所以无法对其表征测定其活性，系统压力由于恒定在6.4 MP，虽然由于仪表控制的波动会在小范围内改变，但是不符合正态分布，故不纳入自变量，在装置流程中的H2S汽提塔塔吹器1.0 MPa蒸汽主要出去反应中的无机硫，但由于全厂蒸汽用量平稳维持用量在2.0 t/h，故不纳入选取自变量的范围内。

表1 选取的自变量

利用spss软件检验自变量和因变量之间的相关性，结果见表2。

从表2可以看出，对于柴油的闪点模型采取X2、X5、X6、X7、X8于Y1的相关性较大，分别为-0.20**、-0.210**、-0.08**、0.331**为防止在与测试出现过拟合现象，故将因变量个数定为5个，Y1为因变量，模型变量名称见表3。

2 分析模型的建立及质量预测

2.1 基于BP神经网络构建模型和分析预测

精制柴油闪点的影响因素为5个，输出因变量为1个，故该模型中输入神经元节点为5个，输出神经元节点为1个，隐层神经节点的选取按照经验公式进行尝试，隐层神经元节点选取数目为25个［4～7］。评价采用均方误差（Mean Squared Error）进行评价。该模型设置迭代最大次数为100次，最小均方误差为0.00 001，学习速度为0.1，柴油闪点预测运行结果见图1。

图1 柴油闪点预测运行结果

表2 自变量筛选

表3 柴油产品闪点模型变量的选取

从图1可以看出，该次运行进行了8次迭代便终止了，模型的预测均方误差为0.00 399。预测结果见图2。

图2 柴油闪点预测运行结果与实际数据对比

从图2可以看出，在[0,10]、[10,20]、[30,40]、[70, 80]区间内存在在工艺参数改变时柴油闪点预测值与实际值偏差较大的情况，其它点可以从图中看出也存在偏差，虽然均方误差为0.00 399，但从中可以看出预测数值与实际数值相差较大，效果并不理想[8～10]。

2.2 基于GA-BP神经网络构建模型和分析预测

精制柴油闪点模型输入自变量共5个，输入因变量共1个，故输入神经元节点数为5，输出神经元节数为1，隐层函数神经元个数根据经验公式选择为25个，数据分类模式为random，训练函数采用levenberg-marquardt，评价预测模型采用均方误差(mean squared error)进行，进化代数设置为20次，种群规模设置为10，交叉概率设置为0.2，变异概率设置为0.1，运行结果见图3。

从图3可知，模型模拟过程进行了11次迭代，模型预测的均方误差为0.00 647。柴油闪点预测与实际数据对比见图4。

由图4可见，利用GA-BP神经网络在操作参数变动时对于柴油闪点的预测情况在[0,10]、[10, 20]、[60,70]、[70,80]、[80,90]范围内，存在几点预测值和实际值的偏离情况，且偏差较大，大部分预测情况和实际值较为贴切，且误差大部分在5%以下。比较均方误差数据可得利用BP神经网络模型对柴油闪点的预测效果优于GA-BP神经网络对柴油闪点的预测情况[11-15]。

2.3 基于PSO-BP神经网络建立模型和分析预测

利用PSO-BP对精制柴油闪点进行模拟，模型中输入变量为5个，输出变量为1个，故输入层神经元节点为5个，输出层神经元节点为1个，隐层神经元节点按照经验公式选择为15个[16～18]。初始化粒子群规模N=40，粒子VMAX=0.5，模型最小误差为0.001，惯性权重ωmax取值为0.9，ωmin取值为0.3，学习因子C1、C2去2，最大迭代次数200次，随机初始化位置，随机出示化速度，运行结果显示随着进化代数的增加，模型的适应度是逐渐变小的，在37代以后适应度变化趋于平缓，见图5。

图3 柴油闪点预测运行结果

图4 柴油闪点预测与实际数据对比

图5 柴油闪点预测误差

从图5可以看出，有几点分布在距离0较远的位置上，在实际预测中可能出现偏离实际较大的现象。

预测结果的均方误差为5.76×10-4误差较小，利用PSO-BP神经网络对柴油闪点的预测值与实际值吻合，不存在偏离较大的情况，PSO-BP神经网络能够准确预测操作参数变化时的柴油产品闪点，能够指导实际生产操作。

3 结论

对于工艺操作参数改变时精制柴油闪点的预测模型，通过比较均方误差可得:GA-BP神经网络预测的均方误差6.47×10-3＞BP神经网络预测的均方误差3.99×10-3＞PSO-BP神经网络预测的均方误差5.76×10-4，虽然3种模型均可以预测柴油产品闪点，但利用PSO-BP神经网络预测在操作参数改变时对精制柴油闪点预测最准确，可以作为生产的指导工具。

［1］丁少恒，葛雁冰.对中国成品油市场的几点认识［J］.石油规划设计，2016（1）:46-49.

［2］王国荣.神经网络技术在加氢裂化产品收率预测模型中的应用［J］.工业技术，2015，33（7）:349-353.

［3］景肖，朱建军.浅谈石油产品闪点测定影响因素及改进［J］.化工管理，2015（1）:12-14.

［4］吴海，孙永雄，韩伟，等.多核环境下的粒子群算法［J］.吉林大学学报（信息科学版），2012（5）:549-554.

［5］陈良波，郑亚青.粒子群算法在多峰值函数优化中的应用［J］.贵州师范学院学报，2012（12）:23-26.

［6］盛磊.基于改进粒子群算法的S盒优化设计研究［D］.哈尔滨:哈尔滨工程大学，2011.

［7］杨娜.一种混合智能算法的应用研究［D］.哈尔滨:哈尔滨工业大学，2012.

［8］石云.Bp神经网络的Matlab实现［J］.湘南学院学报，2010（5）:86-88.

［9］韩红桂，李淼，乔俊飞.基于模型输出敏感度分析的动态神经网络结构设计［J］.电子学报，2010（3）:731-736.

［10］王天宇，刘忠保，黄明富.采用人工神经网络方法建立加氢裂化反应体系模型［J］.控制与优化，2015，46（8）:89-95.

［11］陈玉龙，杨基和，刘英杰.BP神经网络模型用于芳烃油加氢工艺条件考察［J］.控制与优化，2013（3）:88-92.

［12］李为民，徐春明，高国生，等.基于神经网络-遗传算法优化制氢工艺水碳比［J］.化工进展，2004（9）:998-1000.

［13］王天宇，刘忠保，黄明富.采用人工神经网络方法建立加氢裂化反应体系模型［J］.控制与优化，2015，46（8）:89-95.

［14］罗一帆，郭振飞，朱振宇，等.近红外光谱测定茶叶中茶多酚和茶多糖的人工神经网络模型研究［J］.光谱学与光谱分析，2005，25（8）:1230-1233.

［15］王国荣.神经网络技术在加氢裂化产品收率预测模型中的应用［J］.工业技术，2015，33（7）:349-353.

［16］欧阳磊，黄友锐，黄宜庆.基于模糊RBF神经网络的PID及其应用［J］.计算机工程，2008（12）:231-233.

［17］李长志，杨波，梁代华，等.探析油气储运中ANN技术的应用［J］.科技经济市场，2014（7）:18-19.

［18］高玉明，张仁津.一种GA-PSO算法优化BP网络的网络流量预测［J］.计算机应用与软件，2014（4）:106-110.

Research on application of artificial neural network method in flash point prediction of diesel oil

Li Yu
（Oil Refinery of Daqing Petrochemical Company，Daqing 163711，China）

The flash point of refined diesel oil is an important indicator for measuring the quality of diesel oil.In the diesel oil hydrodesulfurization production at present,the adjustment is mainly made according to the experience of operation stuff,which can produce fairly big error.This paper used 3 kinds of neural network methods to research the prediction of flash points of diesel oil under the conditions of the fluctuation of the highest point temperature of reactor,pressure of fractionating tower,top temperature of the fractionating tower,bottom temperature of fractionating tower,ratio of hydrogen and oil.The result showed that,the mean square error predicted by PSO-BP neural network method is 5.76×10-4,and it’s better than other prediction methods.

BP neural network;GA-BP neural network;PSO-BP neural network;flash point of diesel oil;prediction

TP183

：A

：1671-4962（2017）03-0010-04

2017-04-21

李郁，男，助理工程师，硕士研究生，2016年毕业于齐齐哈尔大学分析化学专业，现从事柴油加氢脱硫工艺技术工作。