常減壓裝置腐蝕速率的灰色組合預(yù)測模型

鐘 鳴，李啟銳

(廣東石油化工 學(xué)院，廣東省石化裝備故障診斷重點(diǎn)實(shí)驗室，廣東 茂名 525000)

常減壓裝置腐蝕速率的灰色組合預(yù)測模型

鐘 鳴，李啟銳

(廣東石油化工 學(xué)院，廣東省石化裝備故障診斷重點(diǎn)實(shí)驗室，廣東 茂名 525000)

石化企業(yè)中的煉化裝置結(jié)構(gòu)復(fù)雜，影響因素眾多，設(shè)備腐蝕程度難以控制，采用建立腐蝕預(yù)測模型的方法成為常減壓裝置腐蝕研究的新趨勢。論文對灰色GM（1,1）模型和神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了分析，在此基礎(chǔ)上使用一種復(fù)合灰色和神經(jīng)網(wǎng)絡(luò)的組合模型對設(shè)備腐蝕速率進(jìn)行預(yù)測。實(shí)例檢驗表明，組合模型的預(yù)測值比灰色模型更接近實(shí)測值，具有推廣價值。

常減壓裝置；灰色模型；神經(jīng)網(wǎng)絡(luò)模型；組合模型；腐蝕速率

在整個原油加工裝置中，常減壓裝置是首套裝置，它為后面的二次加工提供原料，決定著煉油廠的正常運(yùn)行和產(chǎn)量。近年來我國進(jìn)口原油劣質(zhì)化嚴(yán)重，加重了對設(shè)備的腐蝕[1]。對常減壓裝置各種設(shè)備涉及到的參數(shù)進(jìn)行總結(jié)，HCl、H2S、水溶液是常減壓裝置腐蝕的主要因素。腐蝕的因素眾多且相互影響，各腐蝕因素的內(nèi)在關(guān)聯(lián)尚未發(fā)現(xiàn)，而通過腐蝕模型可挖掘關(guān)鍵的腐蝕因素，并通過模擬各腐蝕因素與腐蝕速率之間復(fù)雜的非線性關(guān)系預(yù)測腐蝕結(jié)果，因此建立腐蝕速率預(yù)測模型的方法將成為常減壓裝置腐蝕速率預(yù)測研究的新方向[2]。目前，預(yù)測常減壓裝置管道腐蝕速率的方法很多，如灰色模型、人工神經(jīng)網(wǎng)絡(luò)等。經(jīng)典灰色模型預(yù)測精度較低，人工神經(jīng)網(wǎng)絡(luò)預(yù)測精度相對較高，但各種神經(jīng)網(wǎng)絡(luò)預(yù)測模型基本上都是通過揭示腐蝕影響因素與腐蝕速率之間存在的內(nèi)在關(guān)聯(lián)來進(jìn)行預(yù)測的，在影響因素未明，輸入樣本少的情況下，預(yù)測精度仍然較差[3]。

常減壓裝置的腐蝕是各種因素互相制約、綜合影響的結(jié)果，要準(zhǔn)確地描述這些因素與裝置腐蝕速率的內(nèi)在關(guān)系是極其不易的。每一種預(yù)測模型均存在一定局限性和缺陷，任何單個模型都難以系統(tǒng)地反映相關(guān)因素的內(nèi)在關(guān)聯(lián)，因此僅使用上述模型中的一種模型，難以建立準(zhǔn)確的數(shù)學(xué)模型對常減壓的腐蝕趨勢進(jìn)行預(yù)測。如果能綜合多種預(yù)測模型的優(yōu)點(diǎn)，利用多種有用信息，就可更全面地挖掘系統(tǒng)的內(nèi)部聯(lián)系，提高預(yù)測準(zhǔn)確性[4]。

1 組合模型

在眾多預(yù)測模型當(dāng)中灰色預(yù)測方法和BP神經(jīng)網(wǎng)絡(luò)方法較為突出，本文嘗試在將兩種模型進(jìn)行組合的基礎(chǔ)上，將原有模型進(jìn)行優(yōu)化，提高對目標(biāo)變量的預(yù)測精度。

1.1 灰色預(yù)測模型

灰色是指信息不完全、不充分，灰色系統(tǒng)就是部分信息已知，部分信息未知的系統(tǒng)?；疑到y(tǒng)適于研究“小樣本，貧信息，外延明確而內(nèi)涵不明確”的對象。常減壓裝置的腐蝕正是各種因素對其影響的綜合結(jié)果，但各種影響因素的內(nèi)在關(guān)系不明確，屬灰色量。根據(jù)灰色理論，將設(shè)備的腐蝕程度及時間序列看作灰色系統(tǒng)，某測試點(diǎn)在一定時間度的腐蝕減薄量為灰色變量，可建立GM(1,1)模型。

1.2 神經(jīng)網(wǎng)絡(luò)預(yù)測模型

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural network，ANN）采用物理可實(shí)現(xiàn)的系統(tǒng)來模擬人腦神經(jīng)網(wǎng)絡(luò)，它實(shí)質(zhì)上是由大量的基本元件互相連接，通過模擬人的大腦神經(jīng)處理信息的方式，進(jìn)行信息并行處理和非

線性轉(zhuǎn)換的抽象數(shù)學(xué)模型。由于神經(jīng)網(wǎng)絡(luò)能夠建立從網(wǎng)絡(luò)輸入到網(wǎng)絡(luò)輸出的非線性映射過程，并且具有大規(guī)模計算的能力，能通過神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)反映腐蝕影響因素和腐蝕結(jié)果的非線性關(guān)系。BP神經(jīng)網(wǎng)絡(luò)即反向傳播網(wǎng)絡(luò)，由于結(jié)構(gòu)簡單，且數(shù)學(xué)理論已證明其具有實(shí)現(xiàn)任何的非線性映射的能力，因此在各種領(lǐng)域得到廣泛的應(yīng)用。典型的BP網(wǎng)絡(luò)由輸入層、隱含層和輸出層組成。同層結(jié)點(diǎn)之間沒有聯(lián)系，不同層結(jié)點(diǎn)之間都實(shí)行全互連，前一層的輸出即為后一層的輸入。其中隱含層的傳遞函數(shù)可選用雙曲切線S型函數(shù)，Sigmoid函數(shù)具有可微分性和非線性特征，加強(qiáng)了網(wǎng)絡(luò)的非線性映射能力。而輸出層的傳遞函數(shù)可以選用其它線性或非線性函數(shù)。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)兩大類，BP神經(jīng)網(wǎng)絡(luò)的誤差反向傳播算法是有導(dǎo)師學(xué)習(xí)法。

1.3 灰色組合模型

單純的灰色理論預(yù)測方法雖然簡單，但是誤差無法控制，且灰色模型只考慮了單一因素的影響，沒有考慮其它因素變化的影響，使模型預(yù)測并不符合設(shè)備腐蝕的復(fù)雜實(shí)際情況。BP神經(jīng)網(wǎng)絡(luò)具有通過訓(xùn)練學(xué)習(xí)逼近任意非線性映射的能力，反映多因素時間序列之間的關(guān)系，為解決非線性問題和模擬未知系統(tǒng)的控制過程提供了新思路。但由于BP算法實(shí)質(zhì)是梯度下降法，所以存在收斂速度慢，易陷入局部極小值而尋找不到全局最優(yōu)解的缺點(diǎn)。且傳統(tǒng)的BP網(wǎng)絡(luò)需要大量的數(shù)據(jù)作為學(xué)習(xí)樣本，不適合少數(shù)據(jù)的腐蝕速率預(yù)測。

灰色組合新模型是在傳統(tǒng)灰色模型基礎(chǔ)上，引入人工神經(jīng)網(wǎng)絡(luò)分析方法，新模型既具有GM模型需要數(shù)據(jù)樣本少，建模簡單的特點(diǎn)，又兼有對數(shù)據(jù)的自適應(yīng)和自學(xué)習(xí)能力，提高了目標(biāo)變量的預(yù)測精度。原始數(shù)據(jù)中常常會存在趨勢性成分、隨機(jī)性成分等多種成分，建模時首先用GM(1，1) 模型預(yù)測一遍，得到數(shù)列的趨勢性成分，然后將預(yù)測結(jié)果和原有數(shù)據(jù)結(jié)合在一起用BP神經(jīng)網(wǎng)絡(luò)模型建模。

灰色組合模型的基本建模步驟如下:設(shè){x(0)(1)，x(0)(2)，…，x(0)(n)} ,是一個非負(fù)的原始序列。

1）用 GM(1, 1) 模型對原始序列x(0)(t)進(jìn)行預(yù)測,得到預(yù)測序列{x(t)} (t=1, 2, …, n)。

2）將x(t)作為輸入值，x(0)(t)作為期望值，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的權(quán)值和閥值，記原始?xì)埐钚蛄衶s(t)}= x(0)(t)-x(t)，根據(jù)原始?xì)埐钚蛄械奶卣? 建立{s(t)}的BP神經(jīng)網(wǎng)絡(luò)模型，得到模擬序列{s(t) }。

3）記二次殘差序列{w(t)}= s(t)-s(t)，在這個序列中，剩下的主要是隨機(jī)性成分，采用步驟2）建立的BP神經(jīng)網(wǎng)絡(luò)模型對隨機(jī)性成分建模，得到模擬序列{w(t)}。

（4）將x(t)序列、s(t)序列以及w(t)序列用最小二乘法算出組合模型的各組成成分的權(quán)重α、β、λ，則灰色組合模型為:

2 組合模型的精度檢驗

任一預(yù)測模型都是對客觀規(guī)律的模擬，為判斷預(yù)測模型是否與客觀規(guī)律相吻合，即模型的預(yù)測值是否準(zhǔn)確可信，還應(yīng)對模型精度進(jìn)行檢驗[5]。下面給出模型精度的計算過程。

模型預(yù)測結(jié)果的可信度與e值的大小成正比。

3 計算實(shí)例分析

裝置的設(shè)備腐蝕以高溫硫、環(huán)烷酸腐蝕和低溫部位的 HCl +H2S +H2O腐蝕為主，管線、彎頭、三通都會因各種組合因素的影響而出現(xiàn)明顯的腐蝕，下面以塔頂彎頭為實(shí)例驗證預(yù)測模型的準(zhǔn)確度。以文獻(xiàn)[5]中的腐蝕數(shù)據(jù)為例進(jìn)行預(yù)測。將原始數(shù)據(jù)序列用 GM(1,1) 模型篩選出趨勢性成分，減去GM(1,1)模型得到的預(yù)測序列，得到二次殘差序列。利用BP神經(jīng)網(wǎng)絡(luò)模型對二次殘差序列進(jìn)行預(yù)測。最后用最小二乘法計算的權(quán)重累加各預(yù)測數(shù)列即為最后預(yù)測結(jié)果。將本文的模型與文獻(xiàn)[5]中的GM(1,1)模型的預(yù)測結(jié)果進(jìn)行對比，其預(yù)測結(jié)果和誤差對比如表1所示。

表1反映了設(shè)備腐蝕減薄量的實(shí)測值、GM（1,1）模型預(yù)測值、本文模型預(yù)測值和相對殘差。通過表中數(shù)據(jù)可見本文模型預(yù)測值比GM（1,1）模型預(yù)測值精度更高，更接近實(shí)測值，除第6次由于實(shí)測值出現(xiàn)跳變之外，其余每次預(yù)測值相對殘差都在6%之

內(nèi)。平均殘差值是10.719%，總體精度為89.281%。圖1反映了實(shí)測值、GM（1,1）模型預(yù)測值以及本文模型預(yù)測值三者之間的關(guān)系。

表1 2種模型預(yù)測模型的比較

圖1 腐蝕速率實(shí)測值、預(yù)測值比較圖

4 結(jié)語

傳統(tǒng)的預(yù)測模型由于算法理論的缺陷，在工程領(lǐng)域的實(shí)際應(yīng)用中預(yù)測精度不高，集合多種預(yù)測模型優(yōu)點(diǎn)的組合模型是解決復(fù)雜序列預(yù)測的一種新思路。從實(shí)例分析可知灰色組合模型兼?zhèn)淞?種預(yù)測模型的優(yōu)勢，利用灰色組合模型預(yù)測常減壓裝置的腐蝕速率是可行的，其預(yù)測精度高于單純的灰度模型，可為生產(chǎn)管理人員提供檢修決策參考,具有實(shí)際應(yīng)用價值。但灰色組合模型沒有針對灰色理論的趨勢數(shù)據(jù)進(jìn)行優(yōu)化，對輸入樣本中遠(yuǎn)期數(shù)據(jù)和近期數(shù)據(jù)對預(yù)測結(jié)果影響的差異沒有考慮，這將是本課題今后進(jìn)一步研究的方向。

[1] 阮曉剛.常減壓裝置腐蝕機(jī)理研究與可靠性分析[D].成都:西南石油大學(xué)，2005.

[2] 張家強(qiáng)，劉曉宇，常青.常減壓裝置腐蝕預(yù)測模型的研究[J].化工管理，2013(8):145.

[3] 張震，劉曉東，李著信.基于灰色組合模型的管道腐蝕速率預(yù)測[J].中國腐蝕與防護(hù)學(xué)報，2008，28（3）: 173-176.

[4] 張甫仁，張輝.基于組合模型的油氣管道腐蝕速率預(yù)測[J].石油機(jī)械，2010，38（6）:18-20.

[5] 李啟銳，陳曉龍.煉廠常減壓裝置管線腐蝕速率的灰色預(yù)測[J].腐蝕與防護(hù)，2014，35（8）:852-855.

Grey Combining Prediction Model of Corrosion Rate of Grude Oil Distillation Device

ZHONG Ming, LI Qi-rui
(Guangdong University of Petrochemical Technology, Guangdong Provincial Key Laboratory of Petrochemical Equipment Fault Diagrosis, Maoming 525000, China)

Because of complicated petrochemical equipment of petrochemical enterprise and numerous inf uence factors, it was diff cult to control the corrosion degree of device, so it was the new trend that building the prediction model to research the corrosion of grude oil distillation device.The grey GM(1,1) model and neural network model was analyzed, and grey combining model was build.The examined statical data indicated the grey combining model was better than grey model.So the prediction model should be popularized.

grude oil distillation device; grey model; neural network model; combining model;corrosion rate

TG 179

A

廣東高校故障診斷與信息化控制工程技術(shù)開發(fā)中心基金項目（512023）；廣東石油化工學(xué)院自然科學(xué)研究項目（2012qn0104）；茂名市科技計劃（2012B1036）

鐘鳴（1978-），男，廣東石油化工學(xué)院實(shí)驗師，研究方向:計算機(jī)網(wǎng)絡(luò)，智能算法，E-mail:ztolly@163.com，手機(jī): 13824894180

2014-11-11