基于PCA-SS-LSSVM的循環(huán)冷卻水腐蝕預(yù)測

董 超，胡艷珍，李晨光

（1.天津理工大學(xué) 天津市復(fù)雜系統(tǒng)控制理論及應(yīng)用重點(diǎn)實(shí)驗(yàn)室，天津 300384；2.中國石油化工股份有限公司天津分公司，天津 300271）

0 引言

隨著循環(huán)冷卻水的不斷重復(fù)利用，受到水源、工藝條件和工藝介質(zhì)等的影響，循環(huán)冷卻水水質(zhì)會(huì)不斷惡化，容易導(dǎo)致設(shè)備形成水垢、產(chǎn)生腐蝕，進(jìn)而影響設(shè)備壽命、安全生產(chǎn)和經(jīng)濟(jì)運(yùn)行[1]。循環(huán)冷卻水系統(tǒng)的腐蝕預(yù)測一直是研究領(lǐng)域的熱點(diǎn)問題。

國外最早的學(xué)者通過某一特定參數(shù)判斷腐蝕傾向。1936年朗格利爾（Langelier）根據(jù)水中碳酸溶解平衡理論通過計(jì)算水中實(shí)際PH值與飽和PH值的差值來判斷腐蝕結(jié)垢趨勢，稱為朗格利爾指數(shù)[2]。1944年雷茲納（Ryznar）提出了雷茲納（Ryznar）指數(shù)RSI。1972年法特諾（Feitler）提出了臨界指數(shù)[3]。1979年帕科雷卡斯（Puckorius）通過對朗格利爾指數(shù)和雷茲納指數(shù)的修改，提出了在實(shí)際應(yīng)用中更為準(zhǔn)確的純經(jīng)驗(yàn)指數(shù)PSI[4]。隨后國內(nèi)外學(xué)者們提出了一系列模型。1998年日本學(xué)者武田均, 丸屋剛利用神經(jīng)網(wǎng)絡(luò)對鋼筋的腐蝕進(jìn)行了預(yù)測，奠定了后來神經(jīng)網(wǎng)絡(luò)的廣泛使用[5]。2010年Lason T.E.和Skold R.V提出拉森腐蝕指數(shù)，通過大量的研究得出水質(zhì)對鐵的腐蝕性與氯離子、硫酸根離子和堿度有關(guān)[6]。2013年AliChamkalani, MiladArablooNareh’ei,RezaChamkalani, MohammadHadizargari, MohammadReza Dehestani-Ardakani和Mansoor Farzam初次基于神經(jīng)網(wǎng)絡(luò)方法的流程線研究了CO2腐蝕預(yù)測軟計(jì)算方法[7]。2014年東北電力大學(xué)曹生現(xiàn)等根據(jù)由循環(huán)冷卻水在線監(jiān)控系統(tǒng)監(jiān)測得到的某電廠實(shí)際運(yùn)行數(shù)據(jù)，應(yīng)用范數(shù)灰色關(guān)聯(lián)法得到腐蝕的主要影響因素，然后應(yīng)用基于粒子群算法的小波神經(jīng)網(wǎng)絡(luò)預(yù)測腐蝕速率[8]。2015年天津理工大學(xué)董超等人利用小波神經(jīng)網(wǎng)絡(luò)對循環(huán)水腐蝕建立了預(yù)測模型[9]。2016年Sobhan Hatami, Alireza Ghaderi-Ardakani,Mohammad Niknejad, Farzan Karim, Mohammad R. Rasaei和Amir H. Mohammadi使用基于最小二乘支持向量機(jī)（LSSVM）混合模型建立了一個(gè)預(yù)測CO2腐蝕率的模型。結(jié)果表明，高斯核函數(shù)是所需的功能，可以提供高的精度預(yù)測在石油和天然氣行業(yè)的二氧化碳腐蝕[10]。但是由于腐蝕是一個(gè)典型的非線性問題[11]，學(xué)者們所提出的模型均有一定的局限性，由此本文旨在提出一個(gè)會(huì)更加精確且應(yīng)用廣泛的模型。PCA-SS-LSSVM算法是一個(gè)可以解決非線性并且對輸入數(shù)據(jù)沒有要求的具有自學(xué)習(xí)能力的算法，其可以很好地進(jìn)行腐蝕預(yù)測，本文利用這一算法取得了相應(yīng)的預(yù)測結(jié)果。

1 PCA-SS-LSSVM

PCA-SS-LSSVM是一種標(biāo)準(zhǔn)支持向量機(jī)的改進(jìn)組合算法[12,13]。采用最小二乘線性方程代替?zhèn)鹘y(tǒng)標(biāo)準(zhǔn)向量機(jī)中ε不敏感損失函數(shù)，從而將原來的非線性約束轉(zhuǎn)變?yōu)榫€性約束[14,15]。利用分散搜索算法（SS）對懲罰因子和核函數(shù)寬度進(jìn)行尋優(yōu)，從而找到最優(yōu)組合來提高模型的精度[16,17,18]。由此就形成了擴(kuò)展的向量機(jī)SS-LSSVM。由于結(jié)垢問題受到眾多因素影響，因此引入了主成分分析（PCA）對其進(jìn)行了降維處理，以達(dá)到不影響模型精度的條件下提高計(jì)算速度的目的[19,20]。其算法結(jié)構(gòu)框圖如圖1所示。

圖1 算法結(jié)構(gòu)框圖

由上圖可知該算法的輸入變量在經(jīng)過PCA降維處理之后得到主成分，并將其作為模型的輸入進(jìn)行訓(xùn)練建模。其中模型的參數(shù)尋優(yōu)由SS得到。經(jīng)過SS-LSSVM的建模預(yù)測之后輸出變量，當(dāng)輸出變量的誤差允許值超過設(shè)定范圍，則返回輸入重新計(jì)算。該算法的流程圖如圖2所示（Pr為PCA降維以后得到的成分）。

2 基于PCA的腐蝕因素相關(guān)性分析

主成分分析是把各變量之間互相關(guān)聯(lián)的復(fù)雜關(guān)系進(jìn)行簡化分析的方法。在力求數(shù)據(jù)信息丟失最少的原則下，對高維的變量空間降維。本文的預(yù)測數(shù)據(jù)來源于某石化企業(yè)循環(huán)冷卻水系統(tǒng)近幾年的生產(chǎn)運(yùn)行數(shù)據(jù)。其中對腐蝕有影響的水質(zhì)因素有15個(gè)，具體如表1所示。

圖2 算法流程圖

本文實(shí)驗(yàn)研究中選取了其中200天的實(shí)際生產(chǎn)數(shù)據(jù)，初始樣本如表2所示。

對表中原始數(shù)據(jù)進(jìn)行歸一化處理后，使用PCA算法隨其進(jìn)行降維處理分析，得到的主成分貢獻(xiàn)率如表3所示，圖3為特征值的碎石分布。

圖3 碎石分布

表2 初始樣本數(shù)據(jù)表

表3 特征值及其累計(jì)貢獻(xiàn)率

從表3可以看出，前6個(gè)主成分的累計(jì)貢獻(xiàn)率已超過90%，另外在圖3中，主成分?jǐn)?shù)在m=2處有明顯拐點(diǎn)，但要求提取的主成分包涵原信息的90%以上，為此提取的主成分個(gè)數(shù)為6，其中F1～F6為降維后的6個(gè)新變量，通過特征值向量表示為如下表達(dá)式：

由上式主成分因子可以得到在15個(gè)水質(zhì)因素中pH值、總磷、電導(dǎo)率、鈣離子、氯離子、濁度對腐蝕速率的影響較大，與實(shí)際生產(chǎn)中結(jié)論一致。

3 基于SS-LSSVM的預(yù)測模型

3.1 SS優(yōu)化LSSVM模型

SS算法是一種功能等同于GA、PSO等的優(yōu)化算法，其目的是為了尋找懲罰因子與核函數(shù)寬度的最優(yōu)化解。SS算法較之GA有實(shí)現(xiàn)動(dòng)態(tài)跟蹤功效，較之PSO可以避免局部尋優(yōu)弊端。本文利用SS算法優(yōu)化LSSVM模型中，就是要尋找懲罰因子C與核函數(shù)寬度γ，使得LSSVM訓(xùn)練集中預(yù)測均方差E最小、決定系數(shù)R最大。在訓(xùn)練LSSVM中，關(guān)于解的編碼，是通過令個(gè)體I=(C,γ)，其中懲罰因子C=(0.01,1000)，核函數(shù)γ=[0.100]，另外SS算法參數(shù)設(shè)置為：初始解集的大小N=100，參考集中高質(zhì)量解集和多樣性解集的個(gè)數(shù)分別為10、10；局部搜索過程中迭代次數(shù)最多為30，終止參考集更新的迭代次數(shù)為200。在保證E最小，R最大的條件下，一次迭代計(jì)算，得到最優(yōu)的懲罰因子C=8.2751，核函數(shù)γ=0.0326。此時(shí)SS算法的收斂曲線如圖4所示。

圖4 SS算法收斂曲線

3.2 實(shí)例仿真結(jié)果

基于SS優(yōu)化后的LSSVM模型，利用PCA降維后的數(shù)據(jù)分別進(jìn)行SS-LSSVM與GA-SS-LSSVM進(jìn)行腐蝕速率預(yù)測，得到仿真曲線如圖5、圖6所示。

圖5 SS-LSSVM仿真結(jié)果

圖6 GA-LSSVM仿真結(jié)果圖

SS-LSSVM和GA-LSSVM預(yù)測的均方差和標(biāo)準(zhǔn)方差如表4所示。

表4 各算法誤差表

由上表可知SS-LSSVM預(yù)測精度更高，優(yōu)于GALSSVM。

4 結(jié)論

本文利用某石化實(shí)際的生產(chǎn)數(shù)據(jù)，基于PCA-SSLSSVM算法對循環(huán)冷卻水進(jìn)行了腐蝕預(yù)測。通過對模型的訓(xùn)練得到了模型最優(yōu)的參數(shù)懲罰因子和核函數(shù)，并對SS-LSSVM與GA-LSSVM進(jìn)行了預(yù)測精度比較，得出了SS-LSSVM的精度更高的結(jié)論。本文的研究結(jié)論為循環(huán)冷卻水生產(chǎn)運(yùn)行提供了可靠地測趨勢，可以及時(shí)處理腐蝕問題，具有很重要的工程使用價(jià)值。

[1]張凌峰.工業(yè)循環(huán)冷卻水智能輔助分析平臺(tái)的關(guān)鍵技術(shù)研究[D].天津:天津理工大學(xué),2012.

[2]Langeiler W. F.The Analytical Control of Anticorrosive Water Treatment[J].American Water Works Association,1936,28(10):1500-1505.

[3]Stiff.H.A Davis.L.E. A method of predicting the tendency of oilfield water to deposit calcium sulfate[J].Petro.Trans.AIME,1952(195):25-32.

[4]Stiff.H.A Davis.L.E. A method of predicting the tendency of oilfield water to deposit calcium sulfate[J].Petro.Trans.AIME,1952(195):220-230.

[5]Kern D Q,Seaton R E. A theoretical analysis of thermal surface fouling[J].Chem Eng Prog,1959,4(5):258-262.

[6]Sheikh A K,Zubair S M,Younas M,et al.Some Remarks on the Probabilistic Basis for Charaeterizing Fouling Data[A].Understanding Heat Exehanger Fouling and its Mitigation[C].New YOrk:Begell House,1999,393-400.

[7]I. Y. Suleiman,O. B. Oloche,S. A. Yaro,Q. Qu,E. Stupnisek-Lisac.The Development of a Mathematical Model for the Prediction of Corrosion Rate Behaviour for Mild Steel in 0.5 M Sulphuric Acid[J]. ISRN Corrosion,2013,vol.2013.

[8]曹生現(xiàn),李思博,劉學(xué)冰,徐秀國,張素燕.基于水質(zhì)監(jiān)測的換熱器結(jié)垢、腐蝕預(yù)測模型[J].工程熱物理學(xué)報(bào),2014,02:324-328.

[9]董超,王冠蘭,李晨光,羅丹.基于小波神經(jīng)網(wǎng)絡(luò)的循環(huán)冷卻水腐蝕研究預(yù)測[J].化工自動(dòng)化及儀表,2016,06:599-603.

[10]Inamullah Khan,Raoul Fran?ois,Arnaud Castel. Prediction of reinforcement corrosion using corrosion induced cracks width in corroded reinforced concrete beams[J].Cement and Concrete Research,2014,56.

[11]董超,張凌峰,李榮,等.循環(huán)冷卻水系統(tǒng)腐蝕速率的預(yù)測模型[J].化工自動(dòng)化及儀表,2011,06:676-678.

[12]Gorjaei R G, Songolzadeh R, Torkaman M, et al. A novel PSOLSSVM model for predicting liquid rate of two phase flow through wellhead chokes[J].Journal of Natural Gas Science and Engineering,2015,24:228-237.

[13]Gao J, Yu J, Leng Z. The application of PSO-LSSVM in fault diagnosis of subway auxiliary inverter[J].ICIC express letters.Part B,Applications: an international journal of research and surveys,2013,4(3):777-784.

[14]顧燕萍,趙文杰,吳占松.最小二乘支持向量機(jī)的算法研究[J].清華大學(xué)學(xué)報(bào),2010,50(07):1063-1066,1071.

[15]Wei Huang, Fengchen Huang, Jing Song. Water Quality Retrieval and Performance Analysis Using Landsat Thermatic Mapper Imagery Based on LS-SVM[J].Journal of Software,2011,6(8):411-422.

[16]王曉晴,唐加福,韓毅.分散搜索算法研究進(jìn)展[J].系統(tǒng)仿真學(xué)報(bào),2009,21(11):3155-3159.

[17]郭希旺,劉士新,王大志.多目標(biāo)拆卸序列優(yōu)化問題的分散搜索算法[J].東北大學(xué)學(xué)報(bào)（自然科學(xué)版）,2012,3(11):56-59.

[18]朱文興,程泓.VISI電路劃分問題的分散搜索算法[J].電子學(xué)報(bào),2012,40(6):1207-1212.

[19]周松林,茆美琴,蘇建徽.基于主成分分析與人工神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率預(yù)測[J].電網(wǎng)技術(shù),2011,35(9):128-132.

[20]孫劉平,錢吳永.基于主成分分析法的綜合評價(jià)方法的改進(jìn)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2009,39(18):15-20.