基于RBF神經(jīng)網(wǎng)絡(luò)法的氣化爐爐膛溫度軟測(cè)量建模研究與設(shè)計(jì)

李樂倫,祝祥年,侯倩倩，趙亞芳

(兗礦新疆煤化工有限公司，烏魯木齊 830000)

煤化工在我國(guó)化工板塊具有重要地位，包含了甲醇、合成氨、尿素、煤制油、煤制氣以及一系列的下游工業(yè)鏈。其中,煤氣化技術(shù)是所有依賴水煤氣發(fā)展下游產(chǎn)業(yè)的核心技術(shù)。國(guó)內(nèi)在建的大型煤制烯烴、煤制油等裝置，均體現(xiàn)出了對(duì)煤氣化技術(shù)的需求。

兗礦新疆煤化工有限公司60萬(wàn)t/a醇氨聯(lián)產(chǎn)項(xiàng)目正是煤氣化技術(shù)在新疆準(zhǔn)東地區(qū)的應(yīng)用。該項(xiàng)目主要以準(zhǔn)東地區(qū)煙煤為原料，采用華東理工大學(xué)與兗礦集團(tuán)共同研發(fā)的具有自主知識(shí)產(chǎn)權(quán)的多噴嘴對(duì)置式水煤漿加壓氣化技術(shù)，項(xiàng)目設(shè)置3臺(tái)氣化爐，采用2開1備的運(yùn)行模式，其中單臺(tái)氣化爐處理能力為1 500 t/d，操作溫度為1 150～1 400 ℃，操作壓力為3.5～6.5 MPa，年設(shè)計(jì)產(chǎn)能30萬(wàn)t甲醇、52萬(wàn)t尿素和30萬(wàn)t合成氨[1]。

自2014年7月至今，該項(xiàng)目氣化系統(tǒng)非計(jì)劃停車多達(dá)50次，不僅消耗大量的人、財(cái)、物、力，而且加速裝置設(shè)備的損壞，嚴(yán)重影響經(jīng)濟(jì)效益，形成惡性循環(huán)。造成氣化系統(tǒng)停車的主要因素是氣化爐堵渣、氣化爐壁溫超溫、燒嘴損壞等，這些因素均與氣化爐操作溫度有重要關(guān)系。由此可見氣化系統(tǒng)運(yùn)行的正常與否與氣化爐操作溫度有著直接關(guān)系。

1 爐膛溫度的重要性

眾所周知，氣化反應(yīng)是水煤漿與氧氣在氣化爐中,在一定的溫度、壓力條件下發(fā)生的劇烈的化學(xué)反應(yīng)，爐膛溫度是氣化爐操作的關(guān)鍵指標(biāo)，關(guān)系著氣化爐乃至整個(gè)生產(chǎn)系統(tǒng)的安全、穩(wěn)定、長(zhǎng)周期運(yùn)行。

理論與實(shí)踐均表明，對(duì)氣化爐爐膛溫度操作把控不好，會(huì)造成一系列的問題，除了會(huì)影響工況或者造成堵渣，迫使生產(chǎn)系統(tǒng)停車，還會(huì)對(duì)氣化爐的燒嘴、下降管、耐火磚及高溫?zé)犭娕嫉认嚓P(guān)設(shè)備造成不同程度的損壞。因此在日常生產(chǎn)運(yùn)行中，如何實(shí)現(xiàn)氣化爐爐膛溫度的精準(zhǔn)把控是目前所有煤化工企業(yè)遇到的共性問題。

2 存在的問題

目前氣化爐爐膛溫度測(cè)量主要是采用高溫?zé)犭娕歼M(jìn)行實(shí)時(shí)監(jiān)測(cè)，并將信號(hào)遠(yuǎn)傳至中央控制室，為操作人員提供操作依據(jù)。該方法能夠解決氣化爐爐膛溫度的監(jiān)測(cè)問題，但是高溫?zé)犭娕級(jí)勖鼧O短，主要原因是使用環(huán)境惡劣(高溫、高壓、強(qiáng)沖刷)，無法滿足化工生產(chǎn)的長(zhǎng)周期運(yùn)行。

一般情況下，在系統(tǒng)開車前安裝的高溫?zé)犭娕迹鋲勖L(zhǎng)則半個(gè)月，短則三五天，更有甚者，開車完畢就會(huì)損壞失效。此外，高溫?zé)犭娕荚谡＿\(yùn)行時(shí)會(huì)因?yàn)橄到y(tǒng)工況波動(dòng)出現(xiàn)故障，造成溫度波動(dòng)大，從而失去在線溫度監(jiān)測(cè)的意義，且氣化裝置系統(tǒng)開車正常運(yùn)行之后，現(xiàn)場(chǎng)不再具備更換高溫?zé)犭娕嫉臈l件，于是高溫?zé)犭娕純H僅供開車期間和系統(tǒng)運(yùn)行初期觀察溫度變化使用，失去了監(jiān)測(cè)監(jiān)控爐膛溫度、指導(dǎo)生產(chǎn)運(yùn)行的重要作用。

3 軟測(cè)量技術(shù)簡(jiǎn)述

軟測(cè)量技術(shù)就是尋求一種方法軟件來替代現(xiàn)場(chǎng)儀表的間接測(cè)量方法,其基本思想是將自動(dòng)控制理論與生產(chǎn)實(shí)際經(jīng)驗(yàn)相結(jié)合，以計(jì)算機(jī)技術(shù)為依托，對(duì)儀表儀器難以直接測(cè)量或不具備測(cè)量條件的變量(主導(dǎo)變量)，選擇一些方便測(cè)量或者現(xiàn)有的數(shù)據(jù)(輔助變量)來評(píng)估、衡量或推斷主導(dǎo)變量的變化情況，并建立主導(dǎo)變量與輔助變量之間的數(shù)學(xué)關(guān)系，從而實(shí)現(xiàn)直接測(cè)量向間接測(cè)量的轉(zhuǎn)變。

軟測(cè)量技術(shù)主要包括：主導(dǎo)變量和輔助變量的選擇、樣本數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、建立模型、工程測(cè)試和校正等。數(shù)據(jù)預(yù)處理和建立模型是軟測(cè)量技術(shù)的核心,建模步驟見圖1。

圖1 軟測(cè)量建模的步驟

4 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種通過自身的學(xué)習(xí)訓(xùn)練，掌握某種規(guī)則，就能夠?qū)斎氲臄?shù)據(jù)輸出一個(gè)與期望值非常接近結(jié)果的技術(shù)手段，而實(shí)現(xiàn)這個(gè)過程并不需要事先確定輸入與輸出之間的函數(shù)關(guān)系。人工神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)這種功能，其算法是最為重要的，也是它的關(guān)鍵。常見的人工神經(jīng)網(wǎng)絡(luò)主要有BP神經(jīng)網(wǎng)絡(luò)法和RBF神經(jīng)網(wǎng)絡(luò)法。

5 RBP神經(jīng)網(wǎng)絡(luò)法的氣化爐溫度軟測(cè)量建模

圖2 RBF神經(jīng)網(wǎng)絡(luò)圖

RBF神經(jīng)網(wǎng)絡(luò)的主要特點(diǎn)是：在網(wǎng)絡(luò)的輸入空間的局部區(qū)域范圍內(nèi)，一般只有幾個(gè)連接權(quán)對(duì)網(wǎng)絡(luò)的輸出有影響，這種特點(diǎn)使得RBF神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度快的優(yōu)點(diǎn)。RBF神經(jīng)網(wǎng)絡(luò)主要是利用徑向基函數(shù)作為單元的“基”構(gòu)成隱含層空間，然后將輸入矢量直接映射到隱含層空間，因而不需要連接權(quán)，所以確定了中心點(diǎn)后，就相當(dāng)于確定了映射關(guān)系。將隱含層單元的輸出函數(shù)作為逼近函數(shù)的基函數(shù)，然后利用輸出層進(jìn)行任意精度的擬合，最終完成函數(shù)的整個(gè)逼近，這就是RBF神經(jīng)網(wǎng)絡(luò)的逼近原理。

5.1 RBF神經(jīng)網(wǎng)絡(luò)的建立流程

筆者使用RBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行多噴嘴氣化爐爐溫度軟測(cè)量建模。選取輔助變量作為神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)構(gòu)成輸入層，多噴嘴氣化爐爐膛溫度作為神經(jīng)網(wǎng)絡(luò)目標(biāo)輸出數(shù)據(jù)構(gòu)成輸出層。

RBF神經(jīng)網(wǎng)絡(luò)的建立主要有六步，分別是數(shù)據(jù)的選擇、建立數(shù)據(jù)庫(kù)、數(shù)據(jù)處理、初始化神經(jīng)網(wǎng)絡(luò)、計(jì)算和測(cè)試。

5.2 變量的選擇、采集

鑒于氣化爐主要運(yùn)行時(shí)間集中分布在6.0 MPa負(fù)荷條件下，因此筆者主要研究的是6.0 MPa下多噴嘴水煤漿氣化爐的爐膛溫度軟測(cè)量技術(shù)，主導(dǎo)變量(即輸出變量)為氣化爐爐膛溫度,輔助變量(即輸入變量)是與氣化爐爐膛溫度相關(guān)的一些變量因素，主要有：煤漿的壓力、流量、溫度，氧氣的壓力、流量、溫度，氧煤比，氣化爐操作負(fù)荷(爐膛壓力)、渣口壓差,合成氣各組分含量等。

根據(jù)氣化工藝機(jī)理、系統(tǒng)工藝流程及實(shí)際運(yùn)行情況，并結(jié)合相關(guān)系數(shù)法計(jì)算，最終確定6個(gè)輔助變量，即氧煤比、中心氧體積分?jǐn)?shù)、有效氣體積分?jǐn)?shù)、甲烷體積分?jǐn)?shù)、二氧化碳體積分?jǐn)?shù)、煤質(zhì)。

選取氣化爐6.0 MPa負(fù)荷下工況運(yùn)行正常時(shí)的工業(yè)運(yùn)行數(shù)據(jù)，從集散控制系統(tǒng)(DCS)中實(shí)時(shí)采集100組數(shù)據(jù)作為樣本集，采用拉依達(dá)準(zhǔn)則剔除異常數(shù)據(jù)，確保原始數(shù)據(jù)的準(zhǔn)確性、可靠性。

4.3 樣本預(yù)處理

6個(gè)輔助變量的量綱不同，導(dǎo)致單位范圍誤差很大，造成訓(xùn)練時(shí)間較長(zhǎng)、收斂速度較慢。因此,波動(dòng)范圍小的數(shù)據(jù)產(chǎn)生的作用偏小，而波動(dòng)范圍大的數(shù)據(jù)產(chǎn)生的作用偏大。此外,為了滿足激勵(lì)函數(shù)，需要將神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)映射到激勵(lì)函數(shù)的有限范圍內(nèi)。筆者采用歸一化方法對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理[3-4]。

首先確定輸入樣本和輸出樣本，并將輸入樣本和輸出樣本細(xì)化分為訓(xùn)練集和測(cè)試集，進(jìn)行歸一化處理,并采用MATLAB軟件進(jìn)行實(shí)現(xiàn)。用mapminmax( )函數(shù)將訓(xùn)練集和測(cè)試集數(shù)據(jù)變換為[0,1]區(qū)間。函數(shù)形式為：

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

(1)

Y=mapminmax(‘a(chǎn)pply’,X,PS)

X=mapminmax(‘reverse’,Y,PS)

式中：X是需要規(guī)劃的數(shù)據(jù)集；Ymin、Ymax是規(guī)劃的范圍界限，缺省值默認(rèn)是[-1,1]；Y是返回規(guī)劃后的值；PS是在結(jié)果反歸一化中需要調(diào)用的參數(shù)。轉(zhuǎn)換系數(shù)Y*的計(jì)算公式為：

(2)

利用上述方法分別對(duì)輸入層訓(xùn)練集、輸出層訓(xùn)練集、輸入層測(cè)試集進(jìn)行歸一化處理。當(dāng)?shù)玫皆碱A(yù)測(cè)數(shù)據(jù)后，就需要對(duì)其進(jìn)行反歸一化處理，最終才能得到實(shí)際的預(yù)測(cè)值。

4.4 評(píng)價(jià)模型性能的參數(shù)指標(biāo)

通常需要對(duì)所建模型的擬合和預(yù)測(cè)效果進(jìn)行分析評(píng)價(jià)，評(píng)價(jià)模型性能的參數(shù)指標(biāo)為均方差和平均絕對(duì)誤差。

4.4.1 均方差

均方差(MSE)是誤差平方和的平均值，從其公式的表現(xiàn)形式可以看出它主要是表示各數(shù)據(jù)偏離平均數(shù)的距離平方的平均值。對(duì)于氣化爐爐膛溫度軟測(cè)量模型而言，MSE只是一個(gè)評(píng)價(jià)指標(biāo)，用于描述誤差的分布情況。

(3)

式中：n為樣本總數(shù)；t為真實(shí)值；y為預(yù)測(cè)值。

4.4.2 平均絕對(duì)誤差

平均絕對(duì)誤差(MAE)是指各次測(cè)量值的絕對(duì)誤差絕對(duì)值的平均值，主要是衡量預(yù)測(cè)值與真實(shí)值之間的平均相差的大小。MAE可以作為軟測(cè)量模型的另一個(gè)評(píng)價(jià)指標(biāo)。

(4)

4.5 模型建立與分析

利用RBF神經(jīng)網(wǎng)絡(luò)法進(jìn)行氣化爐爐膛溫度的軟測(cè)量模型的建立。從原樣本集中選取60組數(shù)據(jù)源作為建模的數(shù)據(jù)庫(kù)，選前40組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)庫(kù)，剩余的20組數(shù)據(jù)用來進(jìn)行預(yù)測(cè)效果驗(yàn)證分析。

具體實(shí)施步驟為：首先,確定最大中心數(shù)之外的其他網(wǎng)絡(luò)參數(shù)，設(shè)置累計(jì)誤差平方目標(biāo)為0.05，徑向基函數(shù)目標(biāo)為8；其次，進(jìn)行仿真實(shí)驗(yàn)，選取最優(yōu)的最大中心數(shù)。

表1為在不同的中心數(shù)下，進(jìn)行的基于RBF神經(jīng)網(wǎng)絡(luò)建模的軟測(cè)量結(jié)果。由表1可以看出：當(dāng)設(shè)置累計(jì)誤差平方目標(biāo)為0.05，徑向基函數(shù)目標(biāo)為8時(shí)，RBF神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果最好時(shí)對(duì)應(yīng)的最大中心數(shù)為12。在最大中心數(shù)為12時(shí)建立的軟測(cè)量模型，訓(xùn)練樣本的均方差為8.40，預(yù)測(cè)樣本的均方差為10.15，訓(xùn)練樣本平均絕對(duì)誤差為1.59，預(yù)測(cè)樣本平均絕對(duì)誤差為1.76。

表1 RBF神經(jīng)網(wǎng)絡(luò)的均方差與絕對(duì)誤差均值

圖3為RBF神經(jīng)網(wǎng)絡(luò)法的氣化爐爐膛溫度軟測(cè)量建模效果圖(中心數(shù)為12)。

圖3 RBF神經(jīng)網(wǎng)絡(luò)法的氣化爐爐溫軟測(cè)量建模效果圖

由圖3可以看出:基于RBF神經(jīng)網(wǎng)絡(luò)法建立的氣化爐爐膛溫度的軟測(cè)量模型訓(xùn)練結(jié)果較為平穩(wěn)，并未產(chǎn)生突兀的波動(dòng)點(diǎn)，整體的預(yù)測(cè)效果較好。

5 結(jié)語(yǔ)

針對(duì)氣化爐測(cè)溫元件高溫?zé)犭娕紦p壞率高、壽命短這一現(xiàn)象，以及氣化爐爐溫對(duì)整個(gè)氣化裝置乃至氣化系統(tǒng)安全穩(wěn)定運(yùn)行的重要意義,通過變量選擇、數(shù)據(jù)采集與處理,采用RBF神經(jīng)網(wǎng)絡(luò)法建立氣化爐爐膛溫度軟測(cè)量模型，并進(jìn)行效果驗(yàn)證。通過誤差分析表明:基于RBF神經(jīng)網(wǎng)絡(luò)法建立的爐膛溫度軟測(cè)量模型能夠有效地指導(dǎo)氣化操作和化工生產(chǎn)，可為今后氣化爐爐膛溫度軟測(cè)量的發(fā)展做出一定的指導(dǎo)和參考。