基于RBF神经网络法的气化炉炉膛温度软测量建模研究与设计

李乐伦,祝祥年,侯倩倩，赵亚芳

(兖矿新疆煤化工有限公司，乌鲁木齐 830000)

煤化工在我国化工板块具有重要地位，包含了甲醇、合成氨、尿素、煤制油、煤制气以及一系列的下游工业链。其中,煤气化技术是所有依赖水煤气发展下游产业的核心技术。国内在建的大型煤制烯烃、煤制油等装置，均体现出了对煤气化技术的需求。

兖矿新疆煤化工有限公司60万t/a醇氨联产项目正是煤气化技术在新疆准东地区的应用。该项目主要以准东地区烟煤为原料，采用华东理工大学与兖矿集团共同研发的具有自主知识产权的多喷嘴对置式水煤浆加压气化技术，项目设置3台气化炉，采用2开1备的运行模式，其中单台气化炉处理能力为1 500 t/d，操作温度为1 150～1 400 ℃，操作压力为3.5～6.5 MPa，年设计产能30万t甲醇、52万t尿素和30万t合成氨[1]。

自2014年7月至今，该项目气化系统非计划停车多达50次，不仅消耗大量的人、财、物、力，而且加速装置设备的损坏，严重影响经济效益，形成恶性循环。造成气化系统停车的主要因素是气化炉堵渣、气化炉壁温超温、烧嘴损坏等，这些因素均与气化炉操作温度有重要关系。由此可见气化系统运行的正常与否与气化炉操作温度有着直接关系。

1 炉膛温度的重要性

众所周知，气化反应是水煤浆与氧气在气化炉中,在一定的温度、压力条件下发生的剧烈的化学反应，炉膛温度是气化炉操作的关键指标，关系着气化炉乃至整个生产系统的安全、稳定、长周期运行。

理论与实践均表明，对气化炉炉膛温度操作把控不好，会造成一系列的问题，除了会影响工况或者造成堵渣，迫使生产系统停车，还会对气化炉的烧嘴、下降管、耐火砖及高温热电偶等相关设备造成不同程度的损坏。因此在日常生产运行中，如何实现气化炉炉膛温度的精准把控是目前所有煤化工企业遇到的共性问题。

2 存在的问题

目前气化炉炉膛温度测量主要是采用高温热电偶进行实时监测，并将信号远传至中央控制室，为操作人员提供操作依据。该方法能够解决气化炉炉膛温度的监测问题，但是高温热电偶寿命极短，主要原因是使用环境恶劣(高温、高压、强冲刷)，无法满足化工生产的长周期运行。

一般情况下，在系统开车前安装的高温热电偶，其寿命长则半个月，短则三五天，更有甚者，开车完毕就会损坏失效。此外，高温热电偶在正常运行时会因为系统工况波动出现故障，造成温度波动大，从而失去在线温度监测的意义，且气化装置系统开车正常运行之后，现场不再具备更换高温热电偶的条件，于是高温热电偶仅仅供开车期间和系统运行初期观察温度变化使用，失去了监测监控炉膛温度、指导生产运行的重要作用。

3 软测量技术简述

软测量技术就是寻求一种方法软件来替代现场仪表的间接测量方法,其基本思想是将自动控制理论与生产实际经验相结合，以计算机技术为依托，对仪表仪器难以直接测量或不具备测量条件的变量(主导变量)，选择一些方便测量或者现有的数据(辅助变量)来评估、衡量或推断主导变量的变化情况，并建立主导变量与辅助变量之间的数学关系，从而实现直接测量向间接测量的转变。

软测量技术主要包括：主导变量和辅助变量的选择、样本数据采集、数据预处理、建立模型、工程测试和校正等。数据预处理和建立模型是软测量技术的核心,建模步骤见图1。

图1 软测量建模的步骤

4 人工神经网络

人工神经网络是一种通过自身的学习训练，掌握某种规则，就能够对输入的数据输出一个与期望值非常接近结果的技术手段，而实现这个过程并不需要事先确定输入与输出之间的函数关系。人工神经网络实现这种功能，其算法是最为重要的，也是它的关键。常见的人工神经网络主要有BP神经网络法和RBF神经网络法。

5 RBP神经网络法的气化炉温度软测量建模

图2 RBF神经网络图

RBF神经网络的主要特点是：在网络的输入空间的局部区域范围内，一般只有几个连接权对网络的输出有影响，这种特点使得RBF神经网络具有学习速度快的优点。RBF神经网络主要是利用径向基函数作为单元的“基”构成隐含层空间，然后将输入矢量直接映射到隐含层空间，因而不需要连接权，所以确定了中心点后，就相当于确定了映射关系。将隐含层单元的输出函数作为逼近函数的基函数，然后利用输出层进行任意精度的拟合，最终完成函数的整个逼近，这就是RBF神经网络的逼近原理。

5.1 RBF神经网络的建立流程

笔者使用RBF神经网络法进行多喷嘴气化炉炉温度软测量建模。选取辅助变量作为神经网络输入数据构成输入层，多喷嘴气化炉炉膛温度作为神经网络目标输出数据构成输出层。

RBF神经网络的建立主要有六步，分别是数据的选择、建立数据库、数据处理、初始化神经网络、计算和测试。

5.2 变量的选择、采集

鉴于气化炉主要运行时间集中分布在6.0 MPa负荷条件下，因此笔者主要研究的是6.0 MPa下多喷嘴水煤浆气化炉的炉膛温度软测量技术，主导变量(即输出变量)为气化炉炉膛温度,辅助变量(即输入变量)是与气化炉炉膛温度相关的一些变量因素，主要有：煤浆的压力、流量、温度，氧气的压力、流量、温度，氧煤比，气化炉操作负荷(炉膛压力)、渣口压差,合成气各组分含量等。

根据气化工艺机理、系统工艺流程及实际运行情况，并结合相关系数法计算，最终确定6个辅助变量，即氧煤比、中心氧体积分数、有效气体积分数、甲烷体积分数、二氧化碳体积分数、煤质。

选取气化炉6.0 MPa负荷下工况运行正常时的工业运行数据，从集散控制系统(DCS)中实时采集100组数据作为样本集，采用拉依达准则剔除异常数据，确保原始数据的准确性、可靠性。

4.3 样本预处理

6个辅助变量的量纲不同，导致单位范围误差很大，造成训练时间较长、收敛速度较慢。因此,波动范围小的数据产生的作用偏小，而波动范围大的数据产生的作用偏大。此外,为了满足激励函数，需要将神经网络的数据映射到激励函数的有限范围内。笔者采用归一化方法对这些数据进行预处理[3-4]。

首先确定输入样本和输出样本，并将输入样本和输出样本细化分为训练集和测试集，进行归一化处理,并采用MATLAB软件进行实现。用mapminmax( )函数将训练集和测试集数据变换为[0,1]区间。函数形式为：

[Y,PS]=mapminmax(X,Ymin,Ymax)

(1)

Y=mapminmax(‘apply’,X,PS)

X=mapminmax(‘reverse’,Y,PS)

式中：X是需要规划的数据集；Ymin、Ymax是规划的范围界限，缺省值默认是[-1,1]；Y是返回规划后的值；PS是在结果反归一化中需要调用的参数。转换系数Y*的计算公式为：

(2)

利用上述方法分别对输入层训练集、输出层训练集、输入层测试集进行归一化处理。当得到原始预测数据后，就需要对其进行反归一化处理，最终才能得到实际的预测值。

4.4 评价模型性能的参数指标

通常需要对所建模型的拟合和预测效果进行分析评价，评价模型性能的参数指标为均方差和平均绝对误差。

4.4.1 均方差

均方差(MSE)是误差平方和的平均值，从其公式的表现形式可以看出它主要是表示各数据偏离平均数的距离平方的平均值。对于气化炉炉膛温度软测量模型而言，MSE只是一个评价指标，用于描述误差的分布情况。

(3)

式中：n为样本总数；t为真实值；y为预测值。

4.4.2 平均绝对误差

平均绝对误差(MAE)是指各次测量值的绝对误差绝对值的平均值，主要是衡量预测值与真实值之间的平均相差的大小。MAE可以作为软测量模型的另一个评价指标。

(4)

4.5 模型建立与分析

利用RBF神经网络法进行气化炉炉膛温度的软测量模型的建立。从原样本集中选取60组数据源作为建模的数据库，选前40组数据作为训练数据库，剩余的20组数据用来进行预测效果验证分析。

具体实施步骤为：首先,确定最大中心数之外的其他网络参数，设置累计误差平方目标为0.05，径向基函数目标为8；其次，进行仿真实验，选取最优的最大中心数。

表1为在不同的中心数下，进行的基于RBF神经网络建模的软测量结果。由表1可以看出：当设置累计误差平方目标为0.05，径向基函数目标为8时，RBF神经网络模型训练效果最好时对应的最大中心数为12。在最大中心数为12时建立的软测量模型，训练样本的均方差为8.40，预测样本的均方差为10.15，训练样本平均绝对误差为1.59，预测样本平均绝对误差为1.76。

表1 RBF神经网络的均方差与绝对误差均值

图3为RBF神经网络法的气化炉炉膛温度软测量建模效果图(中心数为12)。

图3 RBF神经网络法的气化炉炉温软测量建模效果图

由图3可以看出:基于RBF神经网络法建立的气化炉炉膛温度的软测量模型训练结果较为平稳，并未产生突兀的波动点，整体的预测效果较好。

5 结语

针对气化炉测温元件高温热电偶损坏率高、寿命短这一现象，以及气化炉炉温对整个气化装置乃至气化系统安全稳定运行的重要意义,通过变量选择、数据采集与处理,采用RBF神经网络法建立气化炉炉膛温度软测量模型，并进行效果验证。通过误差分析表明:基于RBF神经网络法建立的炉膛温度软测量模型能够有效地指导气化操作和化工生产，可为今后气化炉炉膛温度软测量的发展做出一定的指导和参考。