团论文网
团论文网
-
摘要：为了通过控制过程参数提高石油炼化产品的质量，需要针对加氢裂化工艺构建多采样率软测量模型。研究过程构建了多采样率堆栈自编码器算法模型，介绍了该模型的网络结构、训练方法和软测量建模流程。在性能测试阶段，采集43个加氢裂化过程变量，针对柴油产品设置十六烷值和50%回收温度两个质量变量，通过实验确定了网络结构，与对照组算法进行性能对比，发现此次建立的算法模型达到了最低的均方根误差，质量预测效果最佳。
关键词：加氢裂化；多采样率数据；软测量建模
0引言
石油炼化工艺较为复杂，反应过程涉及众多的运行参数，如温度、压力、介质流量，其产品质量的评价指标也较多。在生产实践中，需要建立软测量模型，将反应过程的控制参数输入模型，根据特定的数学原理预测产品的质量变量，从而提高油品质量，研究相关的建模方法具有重要的应用价值。
1加氢裂化多采样率数据建模难点
1.1加氢裂化工艺原理
加氢裂化是石油炼化的重要工序，在实际生产过程中，加氢裂化的工艺条件为H2、高温、高压以及催化剂，重质原油经过催化剂的作用，与H2发生化学反应，进而转化为汽油、柴油等产品。从工艺流程来看，原油经过管道注入缓冲罐，H2通过管路进入加热炉→原油和预热后的H2送入加氢精制反应器→反应产物进入加氢裂化反应器→反应产物进入分离塔→反应产物进入脱硫脱氢反应装置→分馏塔→采集柴油、航空煤油、石脑油和尾油[1]。
1.2加氢裂化多采样率数据
为了精确控制反应过程、预防安全风险，在加氢裂化工艺中通过传感器采集反应数据，并且传感器的数量可达到上百个，重点采样数据为温度、压力、反应介质的流量、反应装置中的液位、产品组分以及各组分的含量[2]。因此，过程变量和质量变量呈现出多采样率的特征。
对于软测量建模过程，将过程变量作为模型的输入数据，质量变量作为模型的输出数据。过程变量主要为反应条件相关的数据，如温度和压力。质量变量主要和产品相关，如产品油的组分、含量。在实际生产过程中，两类变量的采样周期存在差异，过程变量通常按照5 min一次的频率进行采集，质量变量的采样周期为kh，其中k为正整数，并且k≥1。显然，质量变量的采样周期为过程变量的12 k倍。在质量变量的一个采样周期内，可得到两类变量序列，其表示方法如式（1）：
式中：X为过程变量的采样序列；Y为质量变量的采样序列；x(1，1)，…，x(1，12k)为质量变量单个采样周期内，第一个过程变量的采样序列集合；x(2，1)，…，x(2，12k)为质量变量单个采样周期内，第二个过程变量的采样序列集合；y1、y2、…、yT为质量变量采样序列中的不同样本；T为质量变量的样本总数。
1.3软测量建模难点分析
软测量的目的是建立过程参数和质量参数之间的数学关系，从而通过控制过程参数来提高产品质量，软测量建模是构建相关数据模型的关键步骤。在简单的多采样数据建模中，通常采用堆栈自编码模型。但加氢裂化工艺的多采样数据较多，增加了建模的难度，其建模难点包括无标签样本利用率低、反向传播计算失效、采样时间难以整合。
2基于MR-SAE质量变量多采样率MIMO软测量建模
2.1多采样率堆栈自编码器（MR-SAE）
多采样率堆栈自编码器能够解决传统堆栈自编码器的缺陷，克服反向传播算法失效和质量变量标签样本数量不一致的问题。该编码器模型的网络结构包括两个部分，分别为质量特定网络和共享网络，分别用于实现并行和串行功能。基于该编码器，过程变量输入到网络模型的输入层，通过共享网络提取公共隐层特征。共享网络的顶部与质量特定网络相连接，在质量特定网络中设计有若干个子网络，每一个子网络预测一个质量变量[3]。
2.1.1多采样率堆栈自编码器的网络结构
在一个典型的MR-SAE网络中，假设其共享网络含有M个隐层，质量特定网络含有Q层，将两个网络的参数总量记为PN，计算方法见式（2）。
式中：将共享网络中第i层的神经元数量记为di；共享网络中第i层的神经元数量记为di+1；N为待预测质量变量的数量；dq，i+1为质量特定网络中子网络第i层的神经元数量；dq，i+1为质量特定网络中子网络第i+1层的神经元数量。
2.1.2多采样率堆栈自编码器的训练方法
多采样率堆栈自编码器的训练过程分为三个步骤，具体的实施过程如下。
1）共享网络逐层预训练：在训练共享网络层时，将过程变量序列X输入网络模型，分层提取隐层特征序列h，同时产生编码器的重要参数θe。由于共享网络为M层，因此序列h为一个集合，并且有h=｛h1，h2，…，hj，…｝，j=1，2，3，…，M。hj为共享网络中第j层的特征量。
2）网络全局微调：在网络全局微调阶段，主要目的是优化编码器共享网络的关键参数θe和质量特定网络层的关键参数θq。实际上，θe和θq为网络中各层对应参数的集合，每一个集合中都包括若干对参数，每一对参数由一个权重值和偏置项组成。优化过程需要使用到最小化多采样率损失函数，计算方法见式（3）。
式中：J（θe，θq）为最小化多采样率损失函数；Ti为第i个质量变量的样本总数量；j为第i个质量变量的第j个采样数值；Pi为质量变量数据的序号；yi·Pi)为第i个质量变量、第j个采样数据、第Pi个编号的实际采样结果[4]；yi'·Pi)为yi·Pi)的预测值。
3）质量特定网络子网络训练：子网络用于输出质量变量，决定了多采样率堆栈自编码器的预测质量。在模型训练过程中，需要对子网络进行微调。调节过程将共享网络顶层隐藏层的输出结果作为输入量，利用损失函数进行微调。
2.2基于MR-SAE的MIMO软测量建模
多采样率堆栈自编码器基于多输入多输出（Mul-tiple-Input Multiple-Output，MIMO）建立软测量模型，因为过程变量和质量变量均含有多个参数。建模过程分为三个步骤，具体如下。
2.2.1数据预处理
在数据预处理阶段，根据加氢裂化工业的特点，从中选取适宜的过程变量，重点评估过程变量对油品质量的影响。确定过程参数之后，利用传感器采集相关数据，检查数据质量，对数据进行归一化处理。将处理后数据划分为训练集、验证集和测试集。
2.2.2模型训练
模型训练的完整实施流程为：选定初始网络结构和超参数组合→预训练共享网络→针对整个网络模型进行微调→微调质量特定网络的子网络→检验模型的预测性能→选择下一个网络结构和超参数→选择验证集上性能最佳的组合[5]。
2.2.3模型测试
将测试集数据输入经过训练的MR-SAE模型，经过前向传播，得到有关产品的质量变量，如产品中的组分以及各个组分的含量。
3实例仿真与分析
3.1加氢裂化过程—柴油50%回收温度和十六烷指数
3.1.1过程变量和质量变量选取
经过加氢裂化，原油转化为多种产品，柴油是主要产品之一。针对该产品选取两个质量变量，作为模型预测的目标。这两个质量变量分别为十六烷指数和50%回收温度。十六烷指数对柴油的发火性能具有重要的影响，50%回收温度与柴油的蒸发性存在密切的关联。模型的过程变量较多，总数量达到43个，包括温度、液位、压力、原油的质量流量、H2的预热温度、H2的质量流量等。
3.1.2数据采集
柴油50%回收温度的采样频率为2次/d，第一次采样为早上8点，第二次采样为晚上8点，采样序列记为Y1。柴油十六烷指数的采样频率为1次/d，采样时间为每天晚上8点，采样序列记为Y2。经过700 d的连续采样，Y1和Y2的数据分别达到1 400、700个。前500 d的数据用于训练模型，第501~第600 d的数据用于模型检验，利用剩余的数据进行模型测试。
3.2实验结果与分析
3.2.1网络结构实验及分析
在RM-SAE模型中，共享网络、质量特定网络的层数和神经元数量具有不同的选择，进而形成不同的网络结构，影响质量变量的预测结果。研究过程将共享网络的结构表示为[a-（b）-c]的形式，a表示共享网络输入层神经元数量；b表示共享网络隐藏层神经元数量，如果隐藏层为多个，各层可设置不同的数量；c表示共享网络输出层神经元数量。质量特定子网络的结构可表示为[c-（d）-e]形式，c为子网络输入层神经元的数量，与共享网络的输出层神经元数量相等；d为子网络中隐藏层的神经元数量，若存在多个隐藏层，可设计不同的神经元数量。e为子网络输出层神经元的数量。在不同的网络结构下，对两个质量变量进行预测，并且计算预测值的均方根误差，结果见表1。均方根误差越小，说明预测效果越好，显然，在9种网络结构中，应选取第5种。
3.2.2不同模型预测效果对比实验
研究过程针对RM-SAE模型选取两个对照组，分别为深度信念网络算法（DBN）和传统的堆栈自编码器（SAE），以相同的数据源进行模型训练，对比两个质量变量的均方根误差，结果见表2。从测试结果可知，MR-SAE模型对两个质量变量的整体均方误差最小，预测精度最高。
4结语
加氢炼化工艺软测量模型用于提高石油炼化产品的质量，将过程变量作为输入参数，质量变量作为输出结果，通过特定的数学模型，通过控制工艺参数来优化产品质量变量。此次建立的算法模型为多采样率堆栈自编码器，由共享网络和质量特定网络组成。研究过程选取43个过程变量和柴油产品的2个质量变量，对模型的预测效果进行检验，发现其均方根误差非常低，达到了良好的预测效果。
参考文献
[1]管家伟.加氢裂化装置处理催化柴油工业实践[J].石油化工应用，2024，43（2）：108-112.
[2]李济辰，薛楠，李明.加氢裂化装置大型化的优化设计与应用研究[J].当代化工，2023，52（11）：2689-2693.
[3]曹跃，余冲，李智，等.工业数据驱动的加氢裂化装置多工况切换过渡状态检测[J].化工学报，2023，74（9）：3841-3854.
[4]王晨，陆鹏飞，阮冰，等.大数据驱动建模平台技术在加氢裂化工艺预测上的应用[J].石油炼制与化工，2023，54（3）：120-126.
[5]熊伟庭.加氢裂化装置产品分馏过程模拟及优化[J].广东石油化工学院学报，2023，33（1）：18-23.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
加氢裂化过程多采样率数据建模方案研究论文
人参与 2025-01-09 09:47:41 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索