RBF神經(jīng)網(wǎng)絡(luò)在催化裂化汽油加氫裝置中的應(yīng)用

肖 強(qiáng)，國(guó) 慶，李義一，卜曉玲

（中國(guó)海油 中海油石化工程有限公司，山東 青島 266101）

近年來(lái)，隨著霧霾天氣狀況的逐漸增多，保護(hù)大氣環(huán)境的呼聲日益高漲，然而社會(huì)汽車保有量的大幅增長(zhǎng)卻使排入大氣的尾氣量逐年遞增。為了降低汽車尾氣中含硫氧化物對(duì)大氣環(huán)境的影響，我國(guó)對(duì)車用油品制定了嚴(yán)格的標(biāo)準(zhǔn)，車用汽油國(guó)Ⅴ標(biāo)準(zhǔn)要求汽油硫含量降至10 μg/g以下。為了適應(yīng)市場(chǎng)要求，國(guó)內(nèi)某煉廠對(duì)原生產(chǎn)國(guó)Ⅳ標(biāo)準(zhǔn)汽油的250 kt/a催化裂化汽油選擇性加氫脫硫裝置的參數(shù)進(jìn)行調(diào)整，以生產(chǎn)符合國(guó)Ⅴ標(biāo)準(zhǔn)的汽油產(chǎn)品。為了對(duì)調(diào)整生產(chǎn)參數(shù)后的裝置進(jìn)行工藝條件的優(yōu)化，達(dá)到節(jié)能降耗的目的，采用在線優(yōu)化和先進(jìn)控制是最有效的手段［1-3］。對(duì)于加氫脫硫系統(tǒng)，關(guān)鍵是建立一個(gè)能夠預(yù)測(cè)汽油產(chǎn)品硫含量或工藝條件的預(yù)測(cè)模型，但影響加氫脫硫系統(tǒng)的條件較多，作為一個(gè)復(fù)雜的多維非線性系統(tǒng)，求解較為困難［4-8］。

本工作基于國(guó)內(nèi)某煉廠250 kt/a催化裂化汽油選擇性加氫脫硫裝置的實(shí)際生產(chǎn)數(shù)據(jù)，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對(duì)該裝置的催化裂化汽油重餾分加氫系統(tǒng)進(jìn)行建模，在給定反應(yīng)條件下對(duì)得到的重汽油產(chǎn)品的硫含量進(jìn)行了預(yù)測(cè)，并對(duì)所建模型的泛化能力進(jìn)行了考察。

1 裝置概況

國(guó)內(nèi)某煉廠250 kt/a催化裂化汽油選擇性加氫脫硫裝置采用的是中國(guó)石化石油化工科學(xué)研究院開(kāi)發(fā)的第二代催化裂化汽油選擇性加氫脫硫RSDS-Ⅱ技術(shù)，該技術(shù)的工藝路線如圖1所示。RSDS-Ⅱ技術(shù)是根據(jù)原料性質(zhì)和產(chǎn)品目標(biāo)，選擇合適的切割點(diǎn)將催化裂化汽油分為輕、重兩個(gè)餾分，輕餾分進(jìn)行堿抽提脫硫醇得到輕汽油產(chǎn)品，重餾分進(jìn)行選擇性加氫脫硫得到重汽油產(chǎn)品，輕汽油和重汽油產(chǎn)品混合后進(jìn)行氧化脫硫醇得到全餾分產(chǎn)品。

圖1 RSDS-Ⅱ技術(shù)工藝路線Fig.1 Schematic diagram of RSDS-Ⅱ process.

該裝置的原料來(lái)源于該煉廠催化裂化裝置的全餾分汽油，從2016年9月1日開(kāi)始，該裝置調(diào)整工藝運(yùn)行參數(shù)，開(kāi)始試生產(chǎn)國(guó)Ⅴ標(biāo)準(zhǔn)汽油。采集2016年9月1日至2016年12月31日的生產(chǎn)數(shù)據(jù)，篩選出生產(chǎn)過(guò)程中易波動(dòng)工藝參數(shù)，隨機(jī)選取90組生產(chǎn)數(shù)據(jù)。生產(chǎn)國(guó)Ⅴ標(biāo)準(zhǔn)汽油期間，部分原料汽油的性質(zhì)如表1所示，部分輕汽油產(chǎn)品性質(zhì)如表2所示。由表2可看出，輕汽油產(chǎn)品硫含量在8.5～13.0 μg/g之間?？紤]到氧化脫硫醇過(guò)程對(duì)汽油硫含量的降低很少，為了保證輕、重汽油混合脫硫醇后形成的全餾分汽油的硫含量低于10 μg/g，要求重汽油的硫含量必須低于10 μg/g。為此，采用RBF神經(jīng)網(wǎng)絡(luò)對(duì)催化裂化汽油重餾分加氫系統(tǒng)進(jìn)行建模，以預(yù)測(cè)重汽油產(chǎn)品的硫含量，并優(yōu)化操作參數(shù)，指導(dǎo)生產(chǎn)。催化裂化汽油重餾分加氫流程如圖2所示。由圖2可見(jiàn)，重餾分加氫系統(tǒng)由反應(yīng)器Ⅰ、加熱爐和反應(yīng)器Ⅱ構(gòu)成。不同工藝條件下重汽油產(chǎn)品的硫含量如表3所示。

表1 部分原料汽油性質(zhì)Table 1 Part properties of feed gasoline

表2 部分輕汽油產(chǎn)品的性質(zhì)Table2 Part properties of light gasoline products

圖2 催化裂化汽油重餾分加氫的流程Fig.2 Schematic diagram of hydrogenation of heavy fraction of FCC gasoline.

表3 不同工藝條件下重汽油產(chǎn)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神經(jīng)網(wǎng)絡(luò)建立用于預(yù)測(cè)重汽油產(chǎn)品硫含量的模型。RBF神經(jīng)網(wǎng)絡(luò)即徑向基函數(shù)網(wǎng)絡(luò)，是在高維空間進(jìn)行差值的一種技術(shù)［9-12］。RBF神經(jīng)網(wǎng)絡(luò)一般由輸入層、隱層和輸出層三層構(gòu)成，其中最主要的是隱層和輸出層。RBF神經(jīng)網(wǎng)絡(luò)隱層選用高斯基函數(shù)作為傳遞函數(shù)，輸出層選用線性函數(shù)作為傳遞函數(shù)。相比于全局逼近的BP神經(jīng)網(wǎng)絡(luò)，RBF作為一種局部逼近的神經(jīng)網(wǎng)絡(luò)，在逼近能力、分類能力和學(xué)習(xí)速度等方面更具優(yōu)勢(shì)［13-15］。

2.1 模型變量的選取

重汽油產(chǎn)品的硫含量由催化裂化汽油重餾分的性質(zhì)和選擇性加氫脫硫的工藝條件決定，而重汽油產(chǎn)品的性質(zhì)與原料汽油以及輕重汽油切割點(diǎn)密切相關(guān)。催化裂化汽油重餾分加氫系統(tǒng)中反應(yīng)器Ⅰ進(jìn)口溫度、反應(yīng)器Ⅱ一段進(jìn)口溫度、反應(yīng)器Ⅱ二段進(jìn)口溫度、循環(huán)氫量和進(jìn)料量對(duì)重汽油產(chǎn)品的硫含量影響較大。由于較難脫除的硫大多分布在重餾分中，因而原料油的90%餾出點(diǎn)對(duì)重汽油產(chǎn)品硫含量的影響較大。因此，選取原料汽油的進(jìn)料量、原料汽油的硫含量、90%餾出點(diǎn)、分餾塔底溫度、反應(yīng)器Ⅰ進(jìn)口溫度、反應(yīng)器Ⅱ一段進(jìn)口溫度、反應(yīng)器Ⅱ二段進(jìn)口溫度和循環(huán)氫量共8個(gè)變量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入變量，重汽油產(chǎn)品的硫含量作為單一輸出變量。

2.2 模型結(jié)構(gòu)的確定

應(yīng)用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱中的newrb函數(shù)創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)。在網(wǎng)絡(luò)建立過(guò)程中，最重要的是徑向基函數(shù)的分布常數(shù)spread的選取，spread越大，網(wǎng)絡(luò)的預(yù)測(cè)性能越平滑。但并不是越大越好，過(guò)大的spread可能導(dǎo)致計(jì)算出現(xiàn)問(wèn)題。為了確定最佳的spread值，應(yīng)用newrb函數(shù)建立RBF神經(jīng)網(wǎng)絡(luò)，訓(xùn)練精度設(shè)為0.000 1，隱層最大神經(jīng)元數(shù)為60，每次訓(xùn)練增加的神經(jīng)元數(shù)為1，考察訓(xùn)練誤差，不同spread下的均方誤差見(jiàn)表4。由表4可看出，當(dāng)spread為1.25時(shí)，均方誤差最小，訓(xùn)練精度最高，所以選定spread為1.25。

表4 不同spread下的均方誤差Table 4 The mean square error under different spread

2.3 網(wǎng)絡(luò)的訓(xùn)練

從90組生產(chǎn)數(shù)據(jù)中隨機(jī)選出80組作為訓(xùn)練集，其余10組作為預(yù)測(cè)集。采用MATLAB軟件進(jìn)行編程，通過(guò)調(diào)用newrb函數(shù)建立RBF神經(jīng)網(wǎng)絡(luò)，對(duì)各項(xiàng)參數(shù)進(jìn)行設(shè)定，spread設(shè)為1.25，訓(xùn)練精度設(shè)為0.000 1，隱層最大神經(jīng)元數(shù)為60，每次訓(xùn)練增加的神經(jīng)元數(shù)為1。對(duì)80組訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，RBF神經(jīng)網(wǎng)絡(luò)的誤差逼近曲線如圖3所示，訓(xùn)練結(jié)果如圖4所示。由圖3可看出，當(dāng)隱層神經(jīng)元數(shù)達(dá)到55時(shí)，網(wǎng)絡(luò)的精度達(dá)到要求。由圖4可看出，訓(xùn)練結(jié)果較好，參數(shù)設(shè)置較為理想。

圖3 RBF神經(jīng)網(wǎng)絡(luò)誤差逼近曲線Fig.3 Convergence curve of RBF neural network.

圖4 RBF神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的訓(xùn)練結(jié)果Fig.4 Training results of the sulfur content of heavy gasoline product with RBF neural network.

2.4 網(wǎng)絡(luò)的預(yù)測(cè)

調(diào)用MATLAB中的sim函數(shù)對(duì)預(yù)測(cè)集10組數(shù)據(jù)進(jìn)行仿真預(yù)測(cè)，并通過(guò)postmnmx函數(shù)完成對(duì)數(shù)據(jù)的反歸一化，得到預(yù)測(cè)結(jié)果。預(yù)測(cè)結(jié)果與實(shí)際值的偏差見(jiàn)表5。由表5可見(jiàn)，10組數(shù)據(jù)中預(yù)測(cè)值與實(shí)驗(yàn)值的最大相對(duì)偏差為4.39%，最小相對(duì)偏差為0.10%，平均相對(duì)偏差為1.32%。表明所建立的RBF神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)精度較高，是預(yù)測(cè)重汽油產(chǎn)品硫含量的理想模型。

表5 RBF神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)結(jié)果Table 5 Predicted results of the sulfur content of heavy gasoline product with RBF neural network

2.5 模型的對(duì)比

與建立RBF神經(jīng)網(wǎng)絡(luò)模型相同，選取原料汽油的進(jìn)料量、原料汽油的硫含量、90%餾出點(diǎn)、分餾塔底溫度、反應(yīng)器Ⅰ進(jìn)口溫度、反應(yīng)器Ⅱ一段進(jìn)口溫度、反應(yīng)器Ⅱ二段進(jìn)口溫度和循環(huán)氫量共8個(gè)變量作為輸入變量，重汽油產(chǎn)品的硫含量作為單一輸出變量，通過(guò)神經(jīng)網(wǎng)絡(luò)工具箱中的newff函數(shù)調(diào)用trainlm函數(shù)建立LMBP神經(jīng)網(wǎng)絡(luò)。對(duì)網(wǎng)絡(luò)的參數(shù)進(jìn)行設(shè)置，最大迭代次數(shù)設(shè)為1 000，最大迭代誤差為0.001，輸入層與隱層之間的傳遞函數(shù)選為tansig，隱層與輸出層之間的傳遞函數(shù)選為purelin。通過(guò)網(wǎng)絡(luò)優(yōu)化，建立8×6×1單隱層LMBP神經(jīng)網(wǎng)絡(luò)。將隨機(jī)選出的80組訓(xùn)練數(shù)據(jù)（與建立RBF神經(jīng)網(wǎng)絡(luò)時(shí)相同）歸一化后，首先對(duì)LMBP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；然后調(diào)用sim函數(shù)對(duì)預(yù)測(cè)集10組數(shù)據(jù)（與建立RBF神經(jīng)網(wǎng)絡(luò)時(shí)相同）進(jìn)行仿真預(yù)測(cè)，并通過(guò)postmnmx函數(shù)完成對(duì)數(shù)據(jù)的反歸一化，得到預(yù)測(cè)結(jié)果。LMBP神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)結(jié)果見(jiàn)表6。由表6可見(jiàn)，10組數(shù)據(jù)中預(yù)測(cè)值與實(shí)驗(yàn)值的最大相對(duì)偏差為5.27%，最小相對(duì)偏差為-0.65%，平均相對(duì)偏差為2.50%。與RBF神經(jīng)網(wǎng)絡(luò)相比，LMBP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度較低。因此，RBF神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)性能優(yōu)于LMBP神經(jīng)網(wǎng)絡(luò)。

表6 LMBP神經(jīng)網(wǎng)絡(luò)對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)結(jié)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

泛化能力是人工神經(jīng)網(wǎng)絡(luò)用于對(duì)未知數(shù)據(jù)預(yù)測(cè)的能力。已建立的神經(jīng)網(wǎng)絡(luò)是基于已采集的生產(chǎn)操作數(shù)據(jù)，但實(shí)際生產(chǎn)過(guò)程中不可能再現(xiàn)已有的生產(chǎn)數(shù)據(jù)，而且還可能超出已有數(shù)據(jù)所覆蓋的范圍。因此，為了更準(zhǔn)確地指導(dǎo)和優(yōu)化操作，人工神經(jīng)網(wǎng)絡(luò)必須具有良好的泛化能力。

為了考察所建立的RBF神經(jīng)網(wǎng)絡(luò)的泛化能力，以反應(yīng)器Ⅱ一段進(jìn)口溫度為例進(jìn)行分析。加氫脫硫反應(yīng)主要在反應(yīng)器Ⅱ中進(jìn)行，因而反應(yīng)器Ⅱ一段進(jìn)口溫度直接影響產(chǎn)品的硫含量。為此，重新采集10組生產(chǎn)數(shù)據(jù)，該10組數(shù)據(jù)中反應(yīng)器Ⅱ一段進(jìn)口溫度在275～277 ℃之間（原訓(xùn)練集生產(chǎn)數(shù)據(jù)中反應(yīng)器Ⅱ一段進(jìn)口溫度在262～272 ℃之間），而其他神經(jīng)網(wǎng)絡(luò)輸入變量與原訓(xùn)練集幾乎無(wú)偏差。

將重新采集的10組生產(chǎn)數(shù)據(jù)代入原RBF神經(jīng)網(wǎng)絡(luò)中，通過(guò)神經(jīng)網(wǎng)絡(luò)的仿真預(yù)測(cè)得到如表7所示的結(jié)果。由表7可看出，反應(yīng)器Ⅱ一段進(jìn)口溫度提高后，相對(duì)應(yīng)的重汽油產(chǎn)品硫含量隨之降低，硫含量的預(yù)測(cè)值與實(shí)際值的相對(duì)誤差最大為4.35%，平均相對(duì)誤差達(dá)2.27%，均小于5%，說(shuō)明該模型對(duì)反應(yīng)器Ⅱ一段進(jìn)口溫度具有較好的泛化能力。

表7 另外采集的10組數(shù)據(jù)的重汽油產(chǎn)品硫含量的預(yù)測(cè)結(jié)果Table7 Predicted results of the sulfur content of heavy gasoline product from other 10 sets of data collected

4 結(jié)論

1）應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)建立了用于預(yù)測(cè)重汽油產(chǎn)品硫含量的模型，所建模型對(duì)產(chǎn)品硫含量預(yù)測(cè)的平均相對(duì)誤差達(dá)到1.32%，預(yù)測(cè)偏差較小，具有較好的仿真效果。

2）與LMBP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)精度更高，對(duì)重汽油產(chǎn)品硫含量的預(yù)測(cè)性能更佳。

3）通過(guò)反應(yīng)器Ⅱ一段進(jìn)口溫度對(duì)所建立的RBF神經(jīng)網(wǎng)絡(luò)的泛化能力進(jìn)行了考察，結(jié)果表明，RBF神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力。

4）所建立的RBF神經(jīng)網(wǎng)絡(luò)具有較好的預(yù)測(cè)能力，可對(duì)加氫反應(yīng)系統(tǒng)進(jìn)行在線優(yōu)化和先進(jìn)控制的指導(dǎo)。

［1］ 鄧毅，江青茵，曹志凱，等. 催化裂化裝置的人工神經(jīng)網(wǎng)絡(luò)建模［J］.計(jì)算機(jī)與應(yīng)用化學(xué)，2011，28（9）：1163-1166.

［2］ 郭彥，李初福，何小榮，等. 采用神經(jīng)網(wǎng)絡(luò)和主成分分析方法建立催化重整裝置收率預(yù)測(cè)模型［J］.過(guò)程工程學(xué)報(bào)，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］ 張孔遠(yuǎn)，肖強(qiáng)，劉賓，等. 人工神經(jīng)網(wǎng)絡(luò)在汽柴油混合加氫脫硫中的應(yīng)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］ 周開(kāi)利，康耀紅. 神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)［M］.北京：清華大學(xué)出版社，2005：69.

［9］ 夏彬彬. 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在環(huán)境化學(xué)和藥物化學(xué)中的應(yīng)用［D］.蘭州：蘭州大學(xué)，2008.

［10］ 鄭明文. 徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法及其性能研究［D］.青島：中國(guó)石油大學(xué)（華東），2009.

［11］ 牟洪波. 基于BP和RBF神經(jīng)網(wǎng)絡(luò)的木材缺陷檢測(cè)研究［D］.哈爾濱：東北林業(yè)大學(xué)，2010.

［12］ 華琇，陳繼紅. 基于RBF神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測(cè)模型的研究與應(yīng)用［J］.南通工學(xué)院學(xué)報(bào)：自然科學(xué)版，2004，3（4）：84-86.

［13］ Kumer S. Neural Network［M］.北京：清華大學(xué)出版社，2006：26-50.

［14］ 韓力群. 人工神經(jīng)網(wǎng)絡(luò)教程［M］.北京：北京郵電大學(xué)出版社，2006：16.

［15］ 董長(zhǎng)虹. Matlab神經(jīng)網(wǎng)絡(luò)與應(yīng)用［M］.第2版. 北京：國(guó)防工業(yè)出版社，2007：64.