基于神经网络法的气化炉炉温软测量建模研究_李乐伦.pdf

基于神经网络法的气化炉炉温软测量建模研究 李乐伦1, 李 娜2 1. 兖矿新疆煤化工有限公司; 2. 新疆大学资源与环境科学学院, 新疆 乌鲁木齐 830000 摘 要 气化炉内是高温一般均超过 1 050 ℃、 高压约 6. 0 MPa、 强腐蚀环境, 并伴 随着高强度的气流冲刷, 使得测温元件高温热电偶的工作寿命很短, 无法对气化炉炉膛温度进 行实时监测; 通过变量选择、 数据采集与处理并采用 BP 神经网络法和 RBF 神经网络法分别建 立气化炉炉膛温度软测量模型, 并进行效果验证; 误差对比分析表明, 基于 RBF 神经网络法建 立的炉膛温度软测量模型能够有效指导气化操作和化工生产。 关键词 多喷嘴气化炉; 炉温; 神经网络; 软测量; 建模 中图分类号 TP399 TE963. 2 文献标识码 A 文章编号 1005-8397202010-0060-05 收稿日期 2020-05-09 DOI 10. 16200/ j. cnki. 11-2627/ td. 2020. 10. 016 作者简介 李乐伦1990, 男, 陕西城固人, 2019 年毕业于新疆大学控制工程专业, 工程硕士, 兖矿新疆煤化工有限公司 生产技术科 调度室 科长助理、 中级工程师, 注册安全工程师。 引用格式 李乐伦, 李 娜. 基于神经网络法的气化炉炉温软测量建模研究 [J]. 煤炭加工与综合利用, 202010 60-64. 兖矿新疆煤化工有限公司 60 万 t/ a 醇氨联产 项目以准东地区烟煤为原料, 采用华东理工大学 与兖矿集团共同研发的具有自主知识产权的多喷 嘴对置式水煤浆加压气化技术, 设置 3 台气化 炉, 采用两开一备运行模式, 其中单台气化炉煤 处理能力为 1 500 t/ a, 操作温度 1 150 1 400 ℃, 操作压力 3. 5 6. 5 MPa, 设计产能甲醇 30 万 t/ a、 尿素 52 万 t/ a、 合成氨 30 万 t/ a。 据不完全统计, 自 2014 年 7 月至今, 公司 气化系统非计划停车多达 50 次, 不仅消耗大量 的人力、 财力、 物力, 而且加速了装置设备的损 坏, 严重影响经济效益。 而造成气化系统停车的 主要因素是气化炉渣堵、 炉壁超温、 烧嘴损坏 等, 这些因素均与气化炉操作温度有密切关系。 理论与实践均表明, 对气化炉炉温测量、 监控 差, 会造成一系列的问题, 除了影响工况或者造 成堵渣, 迫使生产系统停车, 还会对气化炉的烧 嘴、 下降管、 耐火砖以及相关设备包括高温热 电偶, 造成不同程度的损坏或损毁。 目前气化炉炉膛温度测量主要是采用高温热 电偶进行实时监测, 并将信号远传至中央控制 室, 为操作人员提供操作依据。 此法虽然能够解 决气化炉炉膛温度的监测问题, 但是高温热电偶 寿命极短, 主要原因是不能适应使用环境高温、 高压、 强冲刷, 无法满足化工生产的长周期运 行。 一般情况下, 在系统开车前安装的高温热电 偶, 其寿命长则半个月, 短则三五天, 更有甚 者, 开车完毕就会损坏失效。 此外, 高温热电偶 在正常运行时会因为系统工况波动出现故障, 造 成温度波动大, 从而失去在线测温的意义, 且气 化装置系统开车正常运行之后, 现场不再具备更 换热电偶的条件。 于是, 高温热电偶仅仅供开车 期间和系统运行初期观察温度变化使用, 失去了 监测监控炉温、 指导生产运行的重要作用。 因 此, 建立一个气化炉炉膛温度软测量模型成为有 效指导气化炉操作的迫切需求。 1 软测量技术简介 软测量技术是寻求一种方法软件来替代现场 仪表的间接测量方法。 其基本思路是将自动控制 理论与生产实际经验知识相结合, 以计算机技术 为依托, 对仪表仪器难以直接测量或不具备测量 条件的变量称之为主导变量选择一些方便测量 或者现有的数据辅助变量来评估、 衡量或推断 06 煤炭加工与综合利用 COAL PROCESSING COMPREHENSIVE UTILIZATION No. 10, 2020 主导变量的变化情况, 并建立主导变量与辅助变 量之间的数学关系, 从而实现直接测量向间接测 量的转变。 软测量技术主要包括 主导变量和辅助变量 的选择、 样本数据采集、 数据预处理、 建立模型 以及工程测试和校正等。 而数据预处理和建立模 型是重中之重, 也是其核心。 见图 1。 图 1 软测量建模的步骤 2 人工神经网络 人工神经网络是一种通过自身的学习训练, 掌握某种规则, 就能够对输入的数据输出一个与 期望值非常接近的结果的技术手段, 而实现这个 过程并不需要事先确定输入与输出之间的函数关 系。 人工神经网络实现这种功能, 其算法是最为 重要的, 也是它的关键。 常见的人工神经网络主 要有 BP 神经网络法和 RBF 神经网络法。 3 BP 神经网络法的气化炉温度软测量建模 BP 神经网络back propagation是目前应用 最广泛的神经网络。 它是 1986 年提出的概念, 其思想是梯度下降法, 利用此法最终实现预测值 与真实值误差、 均方差达到最小。 BP 算法主要 有两个主要过程, 一个是信号的前向传播, 另一 个是误差的反向传播。 通常在数据处理或模拟过 程中需要计算误差, 此时则按照从输入到输出的 方向进行, 而在数据处理过程中需要对权值和阈 值进行调整时, 则从输出到输入的方向进行。 图 2 为 BP 神经网络结构图。 3. 1 BP 神经网络建立流程 本文主要介绍使用 BP 神经网络法的多喷嘴 气化炉炉温软测量建模。 选取辅助变量作为神经 网络输入数据构成输入层, 多喷嘴气化炉炉膛温 度作为神经网络目标输出数据构成输出层。 BP 神经网络的建立主要有 6 步, 分别是数 图 2 BP 神经网络图 据的选择、 建立数据库、 数据处理、 初始化神经 网络、 计算和测试, 如图 3 所示。 图 3 BP 神经网络模型建立流程 3. 2 变量的选择、 采集 鉴于气化炉主要运行时间集中分布在 6. 0 MPa, 因此本文主要研究 6. 0 MPa 下多喷嘴水煤 浆气化炉的炉膛温度软测量技术, 其主导变量即 输出变量就是气化炉炉膛温度。 输出变量辅助 变量是与气化炉炉膛温度相关的一些变量因素。 主要有 煤浆压力、 流量、 温度, 氧气压力、 流 量、 温度, 氧/ 煤比, 气化炉操作负荷炉膛压 力、 渣口压差、 合成气各组分含量等。 根据气化工艺机理、 系统工艺流程及实际运 行状况, 并结合相关系数法计算, 最终确定 6 个 辅助变量 氧/ 煤比, 中心氧、 有效气、 甲烷、 二氧化碳体积分数、 煤质。 选取气化炉 6. 0 MPa 负荷下工况运行正常时 的工业运行数据, 从 DCS 系统中实时采集 100 组 16 2020 年第 10 期李乐伦, 等 基于神经网络法的气化炉炉温软测量建模研究 数据作为样本集, 采用拉依达准则来剔除异常数 据, 确保原始数据的准确性、 可靠性。 3. 3 样本预处理 辅助变量氧/ 煤比、 中心氧、 有效气、 甲烷、 二氧化碳体积分数、 煤质这些数据的量纲不同, 致使单位范围误差很大, 就会造成训练时间较 长、 收敛速度较慢, 波动范围小的数据产生的作 用就偏小, 波动范围大的数据产生的作用就偏 大。 此外, 为了满足激励函数, 需要将神经网络 这些数据映射到激励函数的有限范围内。 因此, 需要对这些数据进行预处理。 本节采用归一化方 法进行处理。 首先确定输入样本和输出样本, 并将输入样 本和输出样本细化分为训练集和测试集, 进行归 一 化 处 理。 采 用 MATLAB 软 件 实 现。 用 mapminmax函数将其变换为[0, 1]区间。 函数 形式为 [Y, PS] mapminmaxX, Ymin, Ymax Y mapminmax‘apply’, X, PS, X mapminmax‘reverse’, Y, PS 函数过程中 X 是需要规划的数据集, Ymin、 Ymax是规划的范围界限, 缺省值默认是[-1, 1], Y 是返回规划后的值, PS 是在结果反归一化中需 要调用的参数。 计算公式为 y∗ y - ymin ymax - y min 1 利用上述方法分别对输入层训练集、 输出层 训练集、 输入层测试集进行归一化处理。 那么, 当得到原始预测数据后, 就需要对其进行反归一 化处理, 最终才能得到实际的预测值。 3. 4 评价模型性能的参数指标 通常需要对所建模型的拟合和预测效果进行 分析评价, 其均方差和绝对误差平均值的数学描 述分别如下。 3. 4. 1 均方差 均方差mean square error, MSE是误差平方 和的平均值。 从公式表现形式可以看出, 它主要 是表示各数据偏离平均数的距离平方的平均值。 对于气化炉炉膛温度软测量模型而言, 只是一个 评价指标, 用于描述误差的分布状况。 见式2 MSE 1 n ∑ n 1 t - y 2 2 式中, n 代表样本总数, t 代表真实值, y 代 表预测值。 3. 4. 2 平均绝对误差 平均绝对误差mean absofute ermr, MAE就 是指各次测量值的绝对误差绝对值的平均值, 主 要是衡量预测值与真实值之间的平均差。 在此可 以作为软测量模型的另一个评价指标。 MAE 1 n ∑ n 1 t - y3 式中, n 代表样本总数, t 代表真实值, y 代 表预测值。 3. 5 模型建立与分析 本节主要是利用神经网络法进行气化炉炉膛 温度的软测量模型的建立。 首先, 从原样本集中 选取 60 组数据源作为建模的数据库, 选前 40 组 作为训练数据库, 剩余的 20 组用来验证预测效 果。 对所选数据均经过归一化处理后, 分别在不 同的网络结构下进行三次实验, 结果见表 1、 表 2、 表 3。 表 1 第一次实验 BP 神经网络的 均方差与平均绝对误差均值 项目 次 12345 训练样本均方差MSE3.463.453.453.453.46 训练样本平均绝对误差MAE1.761.871.861.801.77 检验样本均方差MSE32.2637.6330.2630.1532.47 检验样本平均绝对误差MAE2.202.172.202.482.95 表 2 第二次实验 BP 神经网络的 均方差与平均绝对误差 项目 次 12345 训练样本均方差MSE3.453.443.453.443.44 训练样本平均绝对误差MAE1.741.801.841.821.87 检验样本均方差MSE37.9833.9835.5036.1137.70 检验样本平均绝对误差MAE2.292.132.582.052.15 表 3 第三次实验 BP 神经网络的 均方差与平均绝对误差 项目 次 12345 训练样本均方差MSE3.463.453.443.463.42 训练样本平均绝对误差MAE1.751.711.741.721.79 检验样本均方差MSE31.1037.3430.6338.5634.15 检验样本平均绝对误差MAE2.102.322.162.422.16 26 煤炭加工与综合利用2020 年第 10 期 对比分析表 1表 3 数据, 如表 3, 训练样本 的均方差 MSE 是 3. 46, 平均绝对误差 MAE 是 1. 75, 预测样本的均方差 MSE 是 31. 10, 平均绝 对误差 MAE 是 2. 10。 结合图表进行分析, 认为 利用该方法建立模型, 其最终效果与选取的数据 源有着非常大的关系, 即训练样本的选择会对多 喷嘴水煤浆气化炉炉膛温度软测量模型的效果产 生显著的影响, 但是整个预测结果是趋于稳定 的, 而且数值波动较小, 且在误差范围之内。 图 4 是 BP 神经网络建模效果。 图 4 BP 神经网络法的气化炉炉温软测量建模效果 从上面的实验结果可以看出, 在相同的参数 下进行神经网络训练, 得到的结果会发生变化, 说明了神经网络的训练结果与初始值选取有很大 关系, 这也是影响整个四喷嘴气化炉炉温软测量 效果的重要因素。 图 5 是利用 MATLAB 实现 BP 神经网络法实 现多喷嘴水煤浆气化炉炉膛温度软测量模型的程 序内容和 MATLAB 中 BP 神经网络运行照片某 一次。 图 5 BP 神经网络法运行照片 4 RBF 神经网络法的气化炉温度软测量建模 RBF 神经网络是一种模仿人脑中局部调整、 相互覆盖接收的一种神经网络结构, 也就是所谓 的径向基函数神经网络。 它是一种高效的前馈式 神经网络。 具有最佳的逼近性能和全局最优特典 型, 这些特性都是其他前馈型神经网络所不具备 的。 此外, 这种网络结构比较简单, 仅具有单隐 层, 是三层前馈网络, 有较快的训练学习速度。 图 6 是 RBF 神经网络结构。 图 6 RBF 神经网络结构示意 4. 1 RBF 神经网络数据预处理 此处的数据预处理与 BP 神经网络数据预处理 方法相同, 采用 MATLAB 软件用 mapminmax函 数将样本数据进行归一化处理。 经过归一化处理, 使得这些数据变换到[0,1]区间。 同理, 该预测的 数据需要反归一化进行显示。 4. 2 RBF 神经网络模型的创建 在 BP 神经网络建模的基础上采用 RBF 网络 建立多喷嘴气化炉炉膛温度的软测量模型。 研究 发现, 建立 RBF 神经网络最主要的是确定最大 中心数, 本节就如何选择最优最大中心数进行分 析讨论。 继续使用 BP 神经网络建模时采集并进行归 一化处理的 60 组数据作为数据源, 其中前 40 组 作为训练样本, 剩余的 20 组则作为预测检验样 本。 为了对所建立的模型进行评价和检验模型的 预测效果, 评价标准本节继续采用均方差和平均 绝对误差。 具体实施步骤为 首先确定最大中心数之外 的其他网络参数, 设置累计误差平方目标为 0. 05, 径向基函数目标为 8。 其次进行仿真实验, 选取最优的最大中心数。 表 4 就是在不同的中心 数下, 进行的基于 RBF 神经网络建模的软测量 结果。 建模效果见图 7。 由表 4 实验数据可以看出, 当设置累计误差 平方目标为 0. 05, 径向基函数目标为 8 时, RBF 神经网络模型的训练效果最好时对应的最大中心 36 2020 年第 10 期李乐伦, 等 基于神经网络法的气化炉炉温软测量建模研究 数为 12。 表 4 RBF 神经网络的均方差与绝对误差均值 项目 次 89101112131415 训练样本均方差MSE23. 2219. 4514. 4310. 108. 408. 408. 408. 40 训练样本平均绝对误差MAE4. 753. 893. 242. 051. 591. 591. 591. 59 检验样本均方差MSE31. 1033. 5425. 2318. 5610. 1510. 1510. 1510. 15 检验样本平均绝对误差MAE5. 105. 323. 162. 011. 761. 761. 761. 76 图 7 RBF 神经网络法的气化炉炉温软测量建模效果 由表 4 和图 7 能够得知, 在最大中心数为 12 时, 建立的软测量模型, 训练样本的均方差为 8. 40, 预测样本的均方差为 10. 15, 训练样本平 均绝对误差为 1. 59, 预测样本平均绝对误差 1. 76。 即基于 RBF 神经网络法建立的气化炉炉 膛温度的软测量模型训练结果较为平稳, 并未产 生突兀的波动点, 整体的预测效果较好。 5 两种神经网络建模的比较 图 8 是两种方法建模的 20 组预测数据对比。 通过此图可以看出, 对相同的 20 组预测数据分 别用两种方法得到预测值是不同的, 整体上 RBF 图 8 两种网络建模效果比较 神经网络模型的预测效果较 BP 神经网络模型的 预测效果要好。 BP 神经网络模型效果与选取的 数据源有着非常大的关系, 同时训练次数对结果 也有较大的影响。 而 RBF 神经网络模型稳定性 较好, 预测数值的波动较小, 数据较为平稳。 6 总 结 本文针对气化炉测温元件高温热电偶损坏率 高、 寿命短这一现象, 以及气化炉炉温对整个气 化装置乃至气化系统安全稳定运行的重要意义, 通过变量选择、 数据采集与处理, 并采用 BP 神 经网络法和 RBF 神经网络法分别建立气化炉炉 膛温度软测量模型, 并进行效果验证。 通过误差 分析, 认为两种方法的拟合效果均不错, 精度较 好, 能够较好进行预测。 特别是基于 RBF 神经 网络所建立的模型稳定性较好, 预测数值的波动 较小, 数据较为平稳, 认为该软件可以进行工程 应用, 用于对炉膛温度的监控, 能够有效指导气 化操作和化工生产, 为今后气化炉炉膛温度软测 量的发展做出一定的指导和建议。 参考文献 [1] 钟伟民, 李 杰, 程 辉, 等. 基于 FCM 聚类的气化炉 温度多模型软测量建模 [J]. 化工学报, 2012, 6312 3951-3955. [2] 李乐伦, 李 娜. 多喷嘴水煤浆气化炉堵渣原因及原料 煤粘温特性浅析 [J]. 中氮肥, 20186 14-16. [3] 杜海亭, 徐 飞.高温热电偶对煤气化炉温度的测量 [J]. 化工管理, 201620 102. [4] 李乐伦, 徐美同, 李家栋, 等.单台气化炉带甲醇、 合 成氨双系统运行总结 [J]. 中氮肥, 20186 22-25. 46 煤炭加工与综合利用2020 年第 10 期