RBF神经网络在催化裂化汽油加氢装置中的应用

肖 强，国 庆，李义一，卜晓玲

（中国海油 中海油石化工程有限公司，山东 青岛 266101）

近年来，随着雾霾天气状况的逐渐增多，保护大气环境的呼声日益高涨，然而社会汽车保有量的大幅增长却使排入大气的尾气量逐年递增。为了降低汽车尾气中含硫氧化物对大气环境的影响，我国对车用油品制定了严格的标准，车用汽油国Ⅴ标准要求汽油硫含量降至10 μg/g以下。为了适应市场要求，国内某炼厂对原生产国Ⅳ标准汽油的250 kt/a催化裂化汽油选择性加氢脱硫装置的参数进行调整，以生产符合国Ⅴ标准的汽油产品。为了对调整生产参数后的装置进行工艺条件的优化，达到节能降耗的目的，采用在线优化和先进控制是最有效的手段［1-3］。对于加氢脱硫系统，关键是建立一个能够预测汽油产品硫含量或工艺条件的预测模型，但影响加氢脱硫系统的条件较多，作为一个复杂的多维非线性系统，求解较为困难［4-8］。

本工作基于国内某炼厂250 kt/a催化裂化汽油选择性加氢脱硫装置的实际生产数据，应用RBF神经网络对该装置的催化裂化汽油重馏分加氢系统进行建模，在给定反应条件下对得到的重汽油产品的硫含量进行了预测，并对所建模型的泛化能力进行了考察。

1 装置概况

国内某炼厂250 kt/a催化裂化汽油选择性加氢脱硫装置采用的是中国石化石油化工科学研究院开发的第二代催化裂化汽油选择性加氢脱硫RSDS-Ⅱ技术，该技术的工艺路线如图1所示。RSDS-Ⅱ技术是根据原料性质和产品目标，选择合适的切割点将催化裂化汽油分为轻、重两个馏分，轻馏分进行碱抽提脱硫醇得到轻汽油产品，重馏分进行选择性加氢脱硫得到重汽油产品，轻汽油和重汽油产品混合后进行氧化脱硫醇得到全馏分产品。

图1 RSDS-Ⅱ技术工艺路线Fig.1 Schematic diagram of RSDS-Ⅱ process.

该装置的原料来源于该炼厂催化裂化装置的全馏分汽油，从2016年9月1日开始，该装置调整工艺运行参数，开始试生产国Ⅴ标准汽油。采集2016年9月1日至2016年12月31日的生产数据，筛选出生产过程中易波动工艺参数，随机选取90组生产数据。生产国Ⅴ标准汽油期间，部分原料汽油的性质如表1所示，部分轻汽油产品性质如表2所示。由表2可看出，轻汽油产品硫含量在8.5～13.0 μg/g之间。考虑到氧化脱硫醇过程对汽油硫含量的降低很少，为了保证轻、重汽油混合脱硫醇后形成的全馏分汽油的硫含量低于10 μg/g，要求重汽油的硫含量必须低于10 μg/g。为此，采用RBF神经网络对催化裂化汽油重馏分加氢系统进行建模，以预测重汽油产品的硫含量，并优化操作参数，指导生产。催化裂化汽油重馏分加氢流程如图2所示。由图2可见，重馏分加氢系统由反应器Ⅰ、加热炉和反应器Ⅱ构成。不同工艺条件下重汽油产品的硫含量如表3所示。

表1 部分原料汽油性质Table 1 Part properties of feed gasoline

表2 部分轻汽油产品的性质Table2 Part properties of light gasoline products

图2 催化裂化汽油重馏分加氢的流程Fig.2 Schematic diagram of hydrogenation of heavy fraction of FCC gasoline.

表3 不同工艺条件下重汽油产品的硫含量Table3 Sulfur content of heavy gasoline products under different process conditions

2 模型的建立

采用RBF神经网络建立用于预测重汽油产品硫含量的模型。RBF神经网络即径向基函数网络，是在高维空间进行差值的一种技术［9-12］。RBF神经网络一般由输入层、隐层和输出层三层构成，其中最主要的是隐层和输出层。RBF神经网络隐层选用高斯基函数作为传递函数，输出层选用线性函数作为传递函数。相比于全局逼近的BP神经网络，RBF作为一种局部逼近的神经网络，在逼近能力、分类能力和学习速度等方面更具优势［13-15］。

2.1 模型变量的选取

重汽油产品的硫含量由催化裂化汽油重馏分的性质和选择性加氢脱硫的工艺条件决定，而重汽油产品的性质与原料汽油以及轻重汽油切割点密切相关。催化裂化汽油重馏分加氢系统中反应器Ⅰ进口温度、反应器Ⅱ一段进口温度、反应器Ⅱ二段进口温度、循环氢量和进料量对重汽油产品的硫含量影响较大。由于较难脱除的硫大多分布在重馏分中，因而原料油的90%馏出点对重汽油产品硫含量的影响较大。因此，选取原料汽油的进料量、原料汽油的硫含量、90%馏出点、分馏塔底温度、反应器Ⅰ进口温度、反应器Ⅱ一段进口温度、反应器Ⅱ二段进口温度和循环氢量共8个变量作为RBF神经网络的输入变量，重汽油产品的硫含量作为单一输出变量。

2.2 模型结构的确定

应用MATLAB神经网络工具箱中的newrb函数创建RBF神经网络。在网络建立过程中，最重要的是径向基函数的分布常数spread的选取，spread越大，网络的预测性能越平滑。但并不是越大越好，过大的spread可能导致计算出现问题。为了确定最佳的spread值，应用newrb函数建立RBF神经网络，训练精度设为0.000 1，隐层最大神经元数为60，每次训练增加的神经元数为1，考察训练误差，不同spread下的均方误差见表4。由表4可看出，当spread为1.25时，均方误差最小，训练精度最高，所以选定spread为1.25。

表4 不同spread下的均方误差Table 4 The mean square error under different spread

2.3 网络的训练

从90组生产数据中随机选出80组作为训练集，其余10组作为预测集。采用MATLAB软件进行编程，通过调用newrb函数建立RBF神经网络，对各项参数进行设定，spread设为1.25，训练精度设为0.000 1，隐层最大神经元数为60，每次训练增加的神经元数为1。对80组训练集数据进行训练，RBF神经网络的误差逼近曲线如图3所示，训练结果如图4所示。由图3可看出，当隐层神经元数达到55时，网络的精度达到要求。由图4可看出，训练结果较好，参数设置较为理想。

图3 RBF神经网络误差逼近曲线Fig.3 Convergence curve of RBF neural network.

图4 RBF神经网络对重汽油产品硫含量的训练结果Fig.4 Training results of the sulfur content of heavy gasoline product with RBF neural network.

2.4 网络的预测

调用MATLAB中的sim函数对预测集10组数据进行仿真预测，并通过postmnmx函数完成对数据的反归一化，得到预测结果。预测结果与实际值的偏差见表5。由表5可见，10组数据中预测值与实验值的最大相对偏差为4.39%，最小相对偏差为0.10%，平均相对偏差为1.32%。表明所建立的RBF神经网络对重汽油产品硫含量的预测精度较高，是预测重汽油产品硫含量的理想模型。

表5 RBF神经网络对重汽油产品硫含量的预测结果Table 5 Predicted results of the sulfur content of heavy gasoline product with RBF neural network

2.5 模型的对比

与建立RBF神经网络模型相同，选取原料汽油的进料量、原料汽油的硫含量、90%馏出点、分馏塔底温度、反应器Ⅰ进口温度、反应器Ⅱ一段进口温度、反应器Ⅱ二段进口温度和循环氢量共8个变量作为输入变量，重汽油产品的硫含量作为单一输出变量，通过神经网络工具箱中的newff函数调用trainlm函数建立LMBP神经网络。对网络的参数进行设置，最大迭代次数设为1 000，最大迭代误差为0.001，输入层与隐层之间的传递函数选为tansig，隐层与输出层之间的传递函数选为purelin。通过网络优化，建立8×6×1单隐层LMBP神经网络。将随机选出的80组训练数据（与建立RBF神经网络时相同）归一化后，首先对LMBP神经网络进行训练；然后调用sim函数对预测集10组数据（与建立RBF神经网络时相同）进行仿真预测，并通过postmnmx函数完成对数据的反归一化，得到预测结果。LMBP神经网络对重汽油产品硫含量的预测结果见表6。由表6可见，10组数据中预测值与实验值的最大相对偏差为5.27%，最小相对偏差为-0.65%，平均相对偏差为2.50%。与RBF神经网络相比，LMBP神经网络的预测精度较低。因此，RBF神经网络对重汽油产品硫含量的预测性能优于LMBP神经网络。

表6 LMBP神经网络对重汽油产品硫含量的预测结果Table 6 Predicted results of the sulfur content of heavy gasoline product with LMBP neural network

3 模型的泛化能力

泛化能力是人工神经网络用于对未知数据预测的能力。已建立的神经网络是基于已采集的生产操作数据，但实际生产过程中不可能再现已有的生产数据，而且还可能超出已有数据所覆盖的范围。因此，为了更准确地指导和优化操作，人工神经网络必须具有良好的泛化能力。

为了考察所建立的RBF神经网络的泛化能力，以反应器Ⅱ一段进口温度为例进行分析。加氢脱硫反应主要在反应器Ⅱ中进行，因而反应器Ⅱ一段进口温度直接影响产品的硫含量。为此，重新采集10组生产数据，该10组数据中反应器Ⅱ一段进口温度在275～277 ℃之间（原训练集生产数据中反应器Ⅱ一段进口温度在262～272 ℃之间），而其他神经网络输入变量与原训练集几乎无偏差。

将重新采集的10组生产数据代入原RBF神经网络中，通过神经网络的仿真预测得到如表7所示的结果。由表7可看出，反应器Ⅱ一段进口温度提高后，相对应的重汽油产品硫含量随之降低，硫含量的预测值与实际值的相对误差最大为4.35%，平均相对误差达2.27%，均小于5%，说明该模型对反应器Ⅱ一段进口温度具有较好的泛化能力。

表7 另外采集的10组数据的重汽油产品硫含量的预测结果Table7 Predicted results of the sulfur content of heavy gasoline product from other 10 sets of data collected

4 结论

1）应用RBF神经网络建立了用于预测重汽油产品硫含量的模型，所建模型对产品硫含量预测的平均相对误差达到1.32%，预测偏差较小，具有较好的仿真效果。

2）与LMBP神经网络相比，RBF神经网络的预测精度更高，对重汽油产品硫含量的预测性能更佳。

3）通过反应器Ⅱ一段进口温度对所建立的RBF神经网络的泛化能力进行了考察，结果表明，RBF神经网络具有较强的泛化能力。

4）所建立的RBF神经网络具有较好的预测能力，可对加氢反应系统进行在线优化和先进控制的指导。

［1］ 邓毅，江青茵，曹志凯，等. 催化裂化装置的人工神经网络建模［J］.计算机与应用化学，2011，28（9）：1163-1166.

［2］ 郭彦，李初福，何小荣，等. 采用神经网络和主成分分析方法建立催化重整装置收率预测模型［J］.过程工程学报，2007，7（2）：366-369.

［3］ Enrique A，Jose I. Artificial neural network modeling techniques applied to the hydrodesulfurization process［J］.Mathem Comput Model，2009，49（1/2）：207-214.

［4］ Bellos G D，Kallinikos L E，Gounaris C E，et al. Modeling of the performance of industrial HDS reactors using a hybrid neural network approach［J］.Chem Eng Process，2005，44（5）：505-515.

［5］ 张孔远，肖强，刘宾，等. 人工神经网络在汽柴油混合加氢脱硫中的应用［J］.石油化工，2013，42（8）：870-874.

［6］ Gharagheizi F，Eslamimanesh A，Moammadi A H，et al.Use of artificial neural network-group contribution method to determine surface tension of pure compounds［J］.J Chem Eng Data，2011，56（5）：2587-2601.

［7］ Jorjani E，Chehreh C S，Mesroghli Sh. Application of arti ficial neural networks to predict chemical desulfurization of tabas coal［J］.Fuel，2008，87（12）：2727-2734.

［8］ 周开利，康耀红. 神经网络模型及其MATLAB仿真程序设计［M］.北京：清华大学出版社，2005：69.

［9］ 夏彬彬. 径向基函数神经网络在环境化学和药物化学中的应用［D］.兰州：兰州大学，2008.

［10］ 郑明文. 径向基神经网络训练算法及其性能研究［D］.青岛：中国石油大学（华东），2009.

［11］ 牟洪波. 基于BP和RBF神经网络的木材缺陷检测研究［D］.哈尔滨：东北林业大学，2010.

［12］ 华琇，陈继红. 基于RBF神经网络的销售预测模型的研究与应用［J］.南通工学院学报：自然科学版，2004，3（4）：84-86.

［13］ Kumer S. Neural Network［M］.北京：清华大学出版社，2006：26-50.

［14］ 韩力群. 人工神经网络教程［M］.北京：北京邮电大学出版社，2006：16.

［15］ 董长虹. Matlab神经网络与应用［M］.第2版. 北京：国防工业出版社，2007：64.