本期内容由湖南天一奥星泵业有限公司冠名

Pearson相关系数-BP神经网络法用于加氢装置高压换热器结盐分析

王晨 赵晨曦 杨杰

(中海油惠州石化有限公司,广东 惠州 )

摘要:以换热器压差作为表征结盐变量,基于Pearson相关系数-BP神经网络法建立了加氢裂化装置高压换热器结盐预测模型,首先通过计算装置进料量、循环氢量等各特征变量与换热器压差(目标变量)的Pearson相关系数定量考察了各变量间的线性相关性,得出循环氢量、装置进料量、换热器管程入口温度分别与换热器压差存在极强相关、强相关和中等相关关系。基于得到的特征变量对目标变量构建三层BP神经网络并优化隐层节点数为8。利用4400组无结盐工况样本数据对网络模型进行学习训练,并基于训练收敛的BP网络模型对换热器进行结盐分析。结果表明在换热器未结盐阶段模型预测压差与实际工业值吻合良好,均方根误差仅为0.015MPa,随着换热结盐现象的出现,工业值与模型理论预测值逐步出现偏差,以所得偏差值作为等效结盐厚度,可实时预测换热器结盐状况,并挖掘结盐规律,得出换热器结盐初期盐垢厚度迅速增长,若采取降低装置处理量和循环氢量等措施可有效缓解结盐速度,同时发现每次更换脱氯剂后盐垢均能有效消除,但随着结盐周期的累积除垢速度逐渐变慢,即换热器反复结盐不利于换热器盐垢的彻底脱除。

关键词:Pearson相关系数;BP神经网络;高压换热器;结盐;预测

人工神经网络是类似于生物大脑神经突触结构且能能够进行信息处理的数学模型,借助三层神经网络就可实现任意Rn空间到Rm空间的非线性函数逼近[1-2],目前在工业生产领域已普遍应用于变量预测,同时与其它人工智能算法相结合,可实现更好的预测效果。张忠洋等[3]利用GA-BP神经网络预测了催化裂化装置的汽油产率,结果表明经过GA遗传算法优化的BP网络的预测数据均方差为4.92。欧阳福生等[4]将催化裂化集总动力学与神经网络相结合实现了催化裂化产物收率预测。本研究拟在神经网络模型构建初期的特征工程阶段应用Pearson相关系数法进行特征变量优选,同时结合BP神经网络实现加氢装置换热器结盐分析。

中海油惠州石化煤柴油加氢裂化装置以重整氢作为加氢原料,因重整催化剂氯化工艺要求导致重整氢气含有氯离子,需经脱氯剂脱氯后送往煤柴油加氢裂化装置作为补充氢气。实际运行中受脱氯剂失效周期影响,加氢装置循环氢中氯离子含量经常升高,导致热高分气与循环氢换热器(E105)壳程结盐严重,压差过大,不仅损坏设备甚至导致装置降量,影响长周期运行。为此需建立E105结盐预测模型,预判重整氢脱氯剂失效并及时换剂。

图1 加氢裂化装置热高分气与循环氢高压换热器流程示意图

从工艺角度考虑影响E105压差(目标变量)的特征变量有装置进料量、循环氢量、循环氢压缩机转速、重整氢氯含量等,但受限于氢气氯含量难以定量检测,缺乏数据记录,故基于工艺-数据驱动相结合的方法,采用Pearson相关系数法(Matlab函数见式1)求解每个特征变量对于目标变量的Pearson相关系数,评估变量间的线性相关性,Pcoeff≥0.8为极强相关,0.8>Pcoeff≥0.6为强相关,0.6>Pcoeff≥0.4为中等相关(Pcoeff为相关性系数,1≥Pcoeff≥-1)[5],结果如图2所示,循环氢量、装置处理量、E105管程入口温度分别与E105压差的Pearson系数为0.8211、0.6895、0.5626,即对应存在极强相关、强相关和中等相关关系,故取以上三个特征变量构建BP神经网络模型,即网络模型输入层节点数为3(特征变量),输出层节点数为1(目标变量)。

Result = corr(A,B)     (1)

其中A、B为任意两个特征变量向量,corr(A,B)为Matlab的Pearson相关系数函数式,Result为所得到的Pearson相关系数。

图2 各特征变量与E105压差间的线性相关性

图3 神经网络建模一般流程

本案例拟构建三层BP神经网络模型(输入层、隐藏层和输出层),输入层特征变量选择方案和样本数据分组方案列于表1。

表1 特征变量选择与样本数据分配方案

BP模型样本数据分为训练数据和测试数据两部分,取数频率1小时,其中训练数据为装置2017年5月1日至2017年10月31日运行数据共4400,测试数据为装置2017年11月1日至2019年2月11日运行数据共11200组。模型损失函数采用均方根误差(RMSE)式,用来衡量预测值与真实值的偏差程度,量纲与目标变量相同(MPa),定义见式2,其中N为数据组数,Xobs,i为目标变量真实值,Xmode,il为目标变量预测值。为消除BP模型稳定性带来的误差,每个案例评价结果以BP模型连续预测10次的平均RMSE表示。

根据图3建模流程,BP网络隐层的节点数目需要经过优化得出,然而目前并无严格数学理论指导,本例应用经验式3结合代入法选取200组验证数据通过实验得出隐层最佳节点数目,式3中H为隐藏层节点数; n为输入层节点数;m为输出层节点数;k为常数,1≤k≤10。结果如图4(a)和(b)所示。

图4(a) 隐层节点为3~7的BP网络模型预测效果

图4(b) 隐层节点为8~12的BP网络模型预测效果

由图4(a)、(b)可得隐层节点数目对模型预测效果影响显著,根据经验式3当隐层节点为8时模型预测精度最高,RMSE平均只有0.0093MPa。同时考虑到工业应用中样本数据分布较为集中,可近似地把模型在训练集上的精度作为模型泛化能力和预测效果的唯一指标。故最终确定BP网络的模型结构为3-8-1。

图5 BP神经网络模型预测E105压差工业测试

基于训练收敛的BP神经网络模型对11200组数据进行工业测试,结果如图5,可见在2018年3月之前,模型预测值与工业值吻合良好,平均RMSE误差只有0.015MPa,而2018年3月之后,工业值与预测值有3次较大偏离,分别对应着E105压差的3次显著增长,同时重整装置分别于2018年3月8日、6月7日、11月3日更换重整氢气脱氯剂,使加氢装置循环氢氯含量逐渐降低,E105结盐逐步得到缓解,工业值曲线逐步向预测值曲线靠拢,但始终再难以重合,说明E105仍有结盐现象导致存在额外压差。

图6 BP神经网络近似等效结盐厚度

等效结盐厚度 = 工业值 – 实际值     (4)

以工业实际值与模型预测值作差,可得由结盐引起的额外压差(式4),可视为等效结盐厚度,由此可深入挖掘E105周期性结盐规律。如图6可得2018年E105受重整氢带氯影响有3次显著结盐现象,其中前两次在结盐初期盐垢厚度迅速增长,第3次结盐时通过降低装置处理量和循环氢量有效缓解了结盐速度。同时注意到每次更换脱氯剂后E105盐垢均能有效消除,但除垢速度逐渐变慢,即随着周期性结盐的积累不利于换热器盐垢的脱除。

(1)通过Pearson相关系数法考察了各工艺变量与加氢装置换热器压差之间的线性相关性,得出循环氢量、装置进料量、换热器管程入口温度分别与换热器压差存在极强相关、强相关和中等相关关系。

(2)基于Pearson相关系数法所得特征变量构建三层BP神经网络,以RMSE均方差作为目标函数,经模型验证得到隐层最优节点数为8,最终BP网络结构为3-8-1,RMSE值仅为0.0093MPa。

(3)以4400组样本数据对BP网络进行训练并在11200组数据集进行工业测试,结果表明BP神经网络有效预测了3次换热器结盐现象。以工业值与预测值之差作为等效结盐厚度,得到换热器周期性结盐规律:结盐初期盐垢厚度迅速增长,若采取降低装置处理量和循环氢量等措施可有效缓解结盐速度,同时可得每次更换脱氯剂后盐垢均能有效消除,但随着结盐周期的累积除垢速度逐渐变慢,即换热器反复结盐不利于换热器盐垢的彻底脱除。

(4)BP神经网络结合Pearson相关系数法等统计学方法,可构建具有良好特征变量和预测效果的智能模型,对加氢裂化换热器结盐现象进行可靠预测与规律挖掘。

参考文献:

[1] 张孔远,肖强,刘晨光,等.人工神经网络在汽柴油加氢脱氮中的应用[J]. 石油炼制与化工,2013,44(3):83-87;

[2] Su Xin,Wu Yingya,Pei Huajian,et al.Prediction of Coke Yield of FCC Unit Using Different Artificial Neural Network Models[J]. China Petroleum Processing and Petrochemical Technology,2016,18(3):102-109;

[3] 张忠洋,李泽钦,李宇龙,等.GA辅助BP神经网络预测催化裂化装置汽油产率[J].石油炼制与化工,2014,45(7):91-96;

[4] 欧阳福生,刘永吉.集总动力学模型结合神经网络预测催化裂化产物收率[J].石油化工,2017,46(1):9-16;

[5] 贾俊平. 统计学[M]. 北京:中国人民大学出版社,2018:133.;

作者简介:王晨,男,硕士研究生,中海油惠州石化有限公司,从事炼油技术管理,工作领域:工艺流程模拟,智能算法应用、数据挖掘。

本文内容来源于中海油惠州石化有限公司,石化缘整理发布,供大家参考了解,如有疑问欢迎留言交流。与石化缘合作投稿请点击下方图片了解详情!