2022年渣油裂解装置的软测量建模研究 .pdf

《2022年渣油裂解装置的软测量建模研究 .pdf》由会员分享，可在线阅读，更多相关《2022年渣油裂解装置的软测量建模研究 .pdf（33页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、目录中文摘要： . I英文摘要 . II1 概述. 11.1 实习目的 . 11.2 实习单位概况 . 11.3 实习內容概述 . 22 实习内容 . 3绪论 . 3渣油的定义 . 3渣油裂解原理与工艺 . 3国外渣油加氢处理技术简介. 4国内炼油行业技术路线 . 5国内渣油加氢处理沸腾床技术发展现状. 5软测量技术概况 . 62.2 RBF神经网络软测量方法 . 92.2.1 RBF神经网络原理 . 10RBF神经网络结构 . 102.2.3 RBF神经网络算法 . 112.2.4 RBF神经参数优化设计 . 112.2.5 基于MATLAB 的RBF神经网络实现 . 152.3 RBF神经

2、网络应用于渣油裂解的在线估计. 152.3.1 渣油裂解裂解炉工艺流程. 16RBF神经网络结构与算法设计. 172.3.3 RBF神经网络在线估计 . 172.3.4 结果与讨论 . 21精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 1 页，共 33 页3 实习总结 . 27致谢. 28参考文献 . 29精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 2 页，共 33 页I 渣油裂解装置的软测量建模研究学生：鲍杰杰指导教师：成忠浙江科技学院生物与化学工程学院摘 要：为提高渣油裂解产物在线预测的插值精

3、度，本文建立了径向基函数神经网络 ( RBFNN) 预测模型，并简单介绍了遗传网络优化RBF 参数。并建立基于MATLAB 的 RBF 神经网络。通过 MATLAB编程，对渣油裂解工艺过程中产生的数据进行了调试比较，为了到达一个精确稳定的在线估计与预测， 并比照 BP 神经网络分析其优缺点。关键词 ：渣油裂解；神经网络；MATLAB ；RBF；BP 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 3 页，共 33 页II Residual cracking unit, a soft sensor modeling study Student s n

4、ame:Bao jiejie Advisor: Cheng zhong School of Biological and Chemical Engineering Zhejiang University of Science and Technology Abstract: In order to improve the cracking of the online prediction product residue interpolation accuracy, this paper established the radial basis function neural network

5、(RBFNN) prediction model, and introduced the genetic network optimization RBF parameters. And based on MATLAB RBF neural network. Through the MATLAB programming, cracking process of residual data generated in the commissioning more, in order to achieve a precise stable on-line estimation and predict

6、ion, and contrast the BP neural network their advantages and disadvantages are analyzed. Keywords ：Residual cracking；Neural network； MATLAB ；RBF；BP 精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 4 页，共 33 页1 1 概述1.1 实习目的针对渣油裂解生产过程中需要连续稳定生产，为了在反应中能及时监测调整数据，使得渣油裂解反应能连续稳定进行，所以监测和预测显得尤为重要，本实验通过软测量的建模对数据进

7、行进一步分析与预测，为缩小误差而努力。1渣油裂解生产工艺在国内外的影响力及发展，过程过程的在线检测的必要性、重要性的国内外文献调研；2常用软测量方法，如神经网络，最小向量机等的的原理及实现方式，关键参数的优化选择；3渣油裂解的工艺分析，影响因素和优化目标的选择与确定，数据分析方法确实定；4实施 RBF 神经网络和 MATLAB 软件的试验优化研究与比较分析。1.2 实习单位概况实习单位 浙江科技学院。 浙江科技学院是一所以工科为主，集工、理、文、经济、管理、教育为一体的多学科全日制省属本科院校，其前身为成立于1980年的浙江大学附属杭州工业专科学校。学校坚定不移地走特色办学之路，逐步形成借鉴德

8、国应用科学大学FH办学经验，结合中国国情，培养具有创新精神、实践能力和国际素养的高素质应用型人才的办学特色。学校被列为教育部首批“ 卓越工程师教育培养计划 ” 实施高校。作为浙江科技学院最早建立的学科院系之一的生物与化学工程学院自建于1980 年，创建前期依托与浙江大学的教学和科研紧密纽带关系，秉承了浙江大学“ 求是” 精神和办学理念， 20 余年来依托中德合作办学，借鉴了德国应用科学大学 FH高等工程教育办学经验，30 年来的发展历程中，特别是近年来，倡导科学精神，培植人文素养，孕育和谐心灵，激发创新思维，凝练和培育了“ 科精选学习资料 - - - - - - - - - 名师归纳总结 -

9、- - - - - -第 5 页，共 33 页2 学、人文、和谐、创新 ” 生化学院文化和精神，率先提出和实践了“实学实效 教学，强化 三基 培养，造就做人实在、做事实干、做学问实用的 三实 人才” 的办学理念，选择农产品化学与生物加工特色学科建设作为攻坚突破口，在国内同类院系中率先提出和培育实践的“ 农产品化学与生物加工 ” 创新特色学科方向。 学院拥有“ 浙江省农产品化学与生物加工技术重点实验室” 、 浙江省重点科技创新团队农副产品生化制造创新团队 、浙江省 “ 应用化学 ” 重点学科、首批浙江省法人科技特派员、 首批浙江省团队科技特派员、 校中德农产品加工工业研究院和中德ZEHN 联合研

10、究院中德四校合作 ，2009 年“ 化学工程与技术 ” 学科被列为校首批硕士学位授权建设一级学科， “ 化学工程与工艺 ” 为国家特色专业和浙江省重点专业。实习內容概述人工神经网络是一种高度非线性的动力学系统，可以模拟人脑思维， 通过直觉和经验来处理现实系统中难以处理的知识。近几年，人工神经网络大量应用于石油及天然气生产的在线监控中。 尽管 BP 神经网络具有很好的非线性映射能力和灵活的网络结构等优点，但存在着收敛速度慢和局部极小等缺点；而RBF 神经网络无论在逼近能力、分类能力和学习速度等方面均优于BP 神经网络。在故障诊断中， RBF 神经网络的应用能准确、快速地判断影响因素，对及早发现突

11、然的变量做出调节原因发挥了很好的作用。本章将详细介绍RBF 神经网络原理及算法，优化设计以及基于Matlab 的 RBF 的网络实现。本次技术实习主要从裂解数据的角度，用MATLAB 对渣油裂解进行仿真模拟实验，用神经网络中的RBF 网络对数据进行参数优化，并分析该方法的有缺点。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 6 页，共 33 页3 2 实习内容绪论渣油固定床加氢处理技术在处理劣势渣油时，会由于高放热反应引起催化剂床层结焦、固体物积聚引起床层压降增大， 以及催化剂中毒等原因造成装置频繁停车换机，影响炼油企业长周期、平稳、连续运行。为

12、了在反应中能及时监测调整数据，使得渣油裂解反应能连续稳定进行，所以监测和预测显得尤为重要。神经网络作为人工智能的一种表达，依靠其高度的并行结构和实现能力，具有高效率寻找最优解的能力， 能够发挥电脑的高速运算能力，很快地找到优化解。 根据神经网络模拟人的思维有助于非线性处理的特性，通过对大量已知数据的学习，训练出一个具有能够基本满足全部数据规律的特定的神经网络。本文以渣油裂解反应数据为对象，搜集数据，尝试运用神经网络算法中的RBF 算法建立神经网络来研究渣油裂解反应中的影响因素。其中包括对影响裂解反应的定性和定量的分析 BP 算法作了简要比照，从中选择较优的算法。最后用MATLAB建模实现神经网

13、络分析渣油裂解， 将神经网络算法运用到渣油裂解的监测和预测中是现实技术进步的必然有着实用价值。渣油的定义原油经减压蒸馏所得的残余油。 又称减压渣油。 有时将从常压蒸馏塔底所得的重油称为常压渣油。色黑粘稠，常温下呈半固体状。其性质与原油性质有关。在石油炼厂中，渣油常用于加工制取石油焦、残渣润滑油、石油沥青等产品，或作为裂化原料。在石油化工生产中，渣油可通过部分氧化法生产合成气或氢气，或作为蓄热炉裂解制乙烯的原料。渣油另一重要用途是用作燃料油。渣油裂解原理与工艺原理：催化裂化， 实在催化剂存在的条件下， 对石油烃类进行高温裂解来生产乙烯，丙烯等低碳烯烃，并同时兼产轻质芳烃的过程。由于催化剂的存在，

14、催化裂解可以降低反应温度， 增加低碳烯烃产率和轻质芳香烃产率，提高裂解产品精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 7 页，共 33 页4 分布的灵活性。催化裂解的反应机理： 一般来说， 催化裂解过程既发生催化裂化反应，也发生热裂解反应， 是碳正离子和自由基两种反应机理共同作用的结果，但是具体的裂解反应机理随催化剂的不同和裂解工艺不同而有所差异。在 Ca-Al 系列催化剂上的高温裂解过程中， 自由基反应机理占主导地位， 在酸性沸石分子筛裂解催化剂上的低温裂解过程中， 碳正离子反应机理占主导地位，而在具有双酸性中心的沸石催化剂上的中温裂解过程中

15、， 碳正离子机理和自由基机理均发挥着重要的作用。沸腾床渣油加氢技术的工艺过程为： 富氢气体和液体渣油原料分别和混合后进入位于沸腾床反应器底部的高压室，然后沿着反应器轴线向上流动经气液分布盘进入沸腾床反应器的有效反应区。 反应器床层中的固体催化剂颗粒由向上的气液流速提升，维持催化剂颗粒处于随即的沸腾状。进入沸腾床反应器底部的氢气沿着分布盘的横断面均匀分布，维持反应器适当的入口氢分压和足够的气体流速以提供传质所需的必要界面膜区，保证足够的氢气传质速率。 沸腾床反应器中的气含率与气液速率差由直接关系。如果气速太高，超过了传质所需的需要氢分压和搅动气泡区德要求，则增加气含率， 降低液含率，缩短加氢反应

16、的停留时间。国外渣油加氢处理技术简介沸腾床加氢工艺最早由美国烃研究公司HRI和城市服务公司共同开发3，其后衍生出了H-Oil 工艺和 LC-Fining 工艺。目前，H-Oil 工艺许可证由 Axens 颁发， LC-Fining 工艺许可证由美国Chevron 公司颁发。沸腾床渣油加氢具有反应器内温度均匀，运转周期长，装置操作灵活等特点，是加工高硫、高残炭、高金属重质原油的重要技术。 对于解决固定床渣油加氢空速低、催化剂失活快、系统压降大、易结焦、装置运行周期短等问题，具有明显的优势。自2000 年以来， 为满足劣质重质原油深度加工的需要，国外新建的渣油加氢装置中，沸腾床式装置要多于固定床式

17、装置。经过40 多年的开发和工业应用实践，渣油沸腾床加氢裂化技术在工艺、 催化剂、工程、材料设备以及工业运转等方面的许多技术问题都已得到完善和解决， 装置的安全性和可靠性大大提高。由于沸腾床反应精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 8 页，共 33 页5 器可以频繁更换催化剂，因此可以加工NiV大于 300g/g、康氏残炭可达20%25%的原料。国内外已建和在建的渣油沸腾床加氢裂化装置共有22 套。国内炼油行业技术路线1国内外炼油行业开发的渣油加工技术路线可概括归纳总结为加氢术路线和脱碳技术路线两种2；其中，渣油加氢技术在渣油加工技术中具

18、有明显的技术特点，主要有固定床加氢处理技术、沸腾床加氢裂化技术、 悬浮床加氢裂化技术以及移动床重油加氢技术等。这4 项技术的主要工艺条件有所不同，技术的成熟程度也不一样， 固定床技术最为成熟， 沸腾床技术发展较快， 悬浮床和移动床重油加氢技术尚处于工业实验及研究开发阶段。2固定床渣油加氢技术最成熟，当原料中金属含量小于200g/g，残炭小于 20%，转化率小于50%时常选用固定床渣油加氢工艺。固定床渣油加氢投资低，产品质量好，是迄今为止工业应用最多、 技术最成熟的渣油加氢工艺之一。3渣油沸腾床加氢裂化技术是加工高硫、高残炭、高金属重质或超重质原油的重要技术，工业应用进入增长期。4悬浮床加氢裂化

19、技术迈向工业化，将为劣质重质油加工增加新的途径。5移动床重油加氢技术，优点突出，缺点也突出，技术尚不成熟，虽操作难度大，但产品质量好，可加工较为劣质的原料。6采用渣油加氢技术处理高硫、中等金属含量和残炭的原料油，处理后的康氏残炭可降到6% 以下，有害金属含量也能降到催化裂催化剂允许的水平，可直接作为催化裂化装置的原料。此外，该工艺由于渣油加工深度高， 虽然一次性投资稍高， 但防止了其他工艺所带来的二次环境污染，是一种资源利用和环境友好型工艺，值得研究开发、推广应用。国内渣油加氢处理沸腾床技术发展现状现有技术：近年来，中国石化抚顺石油化工研究院和洛阳石油化工工程公司合作，现已开发出具有完全自主知

20、识产权的STRONG 沸腾床渣油加氢技术并解决了许多工程技术方面的难题，已申报相关工艺专利28 项。在 4 L 的热模装置上，进行了多次的长周期工艺实验。多种典型的渣油原料的实验结果说明，采精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 9 页，共 33 页6 用自行研发的微球形脱金属和脱硫催化剂，在单反应器工艺流程采用金属催化剂时，脱金属率达 40%85%， 脱硫率达 20%42%， 转化率达20%50%。在双反应器流程采用脱金属脱硫催化剂时，脱金属率达62%90%，脱硫率达68%90%，转化率达40%80%。运转过程相当平稳，无生焦现象发生，催

21、化剂带出量控制在小于1 g/g 以内， 充分说明了STRONG 工艺的可靠性和对不同渣油的适应性。目前已完成了“5 万吨/年沸腾床渣油加氢工艺包”的编制工作，正与洛阳分公司三家合作攻关进行5 万吨 /年沸腾床渣油加氢工业示范装置的建设与实验工作。发展前景：渣油加氢处理技术将在我国含硫原油尤其是含硫渣油加工中发挥更大作用随着国民经济的发展和原油市场的变化，我国将逐年增加含硫和高硫原油的加工量5，渣油固定床加氢处理技术将发挥越来越大的作用。抚顺石油化工研究院针对我国含硫原油特别是含硫渣油加工的实际，在加快技术创新步伐的同时， 研究开发具有我国自主知识产权的新一代渣油加氢处理工艺技术及配套催化剂，不

22、断满足我国炼化企业加工含硫原油特别是含硫渣油的需要。由于渣油加氢处理装置的投资较大， 加工费用较高， 应不断优化加工方案， 提高装置运转效率和负荷率。因此，我国渣油加氢处理技术发展方向应该是通过催化剂的改良和工艺条件的优化，来缓和装置的操作条件，尤其是提高空速和适当降低操作压力，延长装置的运转周期以及开发新的联合工艺，以到达降低渣油加氢处理装置的投资和操作费用， 加快渣油加氢处理技术的推广应用步伐。我国渣油加氢处理技术正处在发展阶段 ,渣油加氢处理技术必将得到更大的发展。软测量技术概况当今工业界对过程控制系统的要求越来越高，不仅希望控制指标能保持平稳或快速跟踪， 而且常常希望控制指标能够以一定

23、方式显示出来。然而由于工业过程生产系统涉及物理、化学、生化反应，物质及能量的转换和传递，系统的复杂性、不确定性导致了过程参数检测的困难，虽然过程检测己有长足的进步，但目前实际工业过程中许多重要过程参数，无法或难以直接用传感器或过程检测仪表进行测量， 如炼油工业中的流化催化裂化装置的烧焦比、产率分布化反应热等。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 10 页，共 33 页7 下面简单介绍下集中常见的软测量方法和原理。人工神经网络 ( ar tificial neural network, ANN) ，亦称为神经网络 ( neural netw

24、ork,，NN) ，是由大量处理单元 (神经元 )广泛互连而成的网络 ,是对人脑的抽象、简化和模拟 ,反映人脑的基本特性。其中，神经元的数学模型、神经网络的连接方式以及神经网络的学习方式是决定神经网络信息处理性能的三大要素,对神经网络起至关重要的作用。BP 神经网络是一种多层前馈型神经网络,是由 Rumelhart 等人于 1985 年提出的一种人工神经网络技术。 构成神经网络的的基本三要素是神经元、网络结构和学习算法。神经网络可以把N 个分量的输入矢量转换成一个具有P 个分量的输出矢量,在学习算法上,其权值的调整采用反向传播(Backpropagation)训练算法 ,很好地解决了输入和输出

25、之间的关系和复杂的非线性问题,为储层参数的预测提供了一种有效的途径。RBF 神经网络由输入层、径向基层 (也称隐含层 )和输出层三层组成 ,是以径向基函数 ( RBF) 做为隐单元的“基” ,构成隐含层空间 ;隐含层对输入矢量进行变换将低维的模式输入数据变换到高维空间内,使得在低维空间内的线性不可分问题在高维空间内线性可分。输入层由一些感知点组成, 用于感知输入信息 , 将网络与外界环境相互联系起来。隐含层直接与所有输入节点相连接, 该层采用径向基函数作为网络的激活函数。支持向量机 ( support vector machine,简称 SVM)是一种基于统计学习理论的新型机器学习算法。 统计

26、理论是一种专门研究小样本情况下机器学习规律得基本理论和数学框架， 也是目前针对小样本统计和预测学习的最正确理论。它从理论上系统地研究了经验风险最小化原则成立的条件、有限样本下经验风险与期望风险的关系及如何利用这些理论找到新的学习原则。Apnik 等人从 20 世纪六七十年代开始致力于此方面的研究，20 世纪 90 年代中期，随着该理论的不断发展和成熟，产生了基于统计学习理论体系的新的通用的机器学习方法。支持向量机(support vector machine : SVM)方法是建立在SL T(statistic learn theory)的 VC(vapnik2chervonenkis)维理论

27、和结构风险最小原理基础上, 根据有限样本信息在模型的复杂性和学习能力之间寻求最正确折衷，以期获得最好的推广能力。SVM 目前已成功地推广到了函数逼近、信息融合等领域。最小二乘估精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 11 页，共 33 页8 计作为函数回归最基本的工具之一。如果能将最小二乘问题转化为SVM 形式的问题加以解决, 可以保证得到的函数具有最小的预测风险。支持向量机回归建模将低维非线性的输入映射到高维线性的输出，模型简单，具有良好的应用前景。SVM 回归基于最小化结构风险, 而不是传统意义上的经验风险最小化。方法的基本思想是通过一

28、个非线性映射，将数据样本映射到高维特征空间，并在这个空间进行线性回归。由于SVM 的理论较新。目前，多数有关支持向量机的研究仅仅局限于理论和仿真， 而应用于实际较少。 因此将理论应用于解决实际问题的研究具有重要意义10。主成分回归是一种多变量回归方法,首先对数据矩阵 X进行主成分分 (PCA),将得到的变量转换成新的变量， 再对得到的新变量采用多元回归进行建模。主成分回归方法能够有效地解决多元线性回归中遇到的共线问题、变量数使用限制问题和在一定程度上解决了噪音滤除问题。主成分回归方法首先将 X矩阵分解成载荷矩阵P和得分矩阵T：TXTPE(1-1) 载荷矩阵 P是一组两两正交的特征向量，代表了原

29、始数据中包含的不同因素的奉献，而得分矩阵 X则是与之相对应的权重，E为残差。在此基础上将Y和X的得分T进行回归：YTBE(1-2) 回归系数的最小二乘解为：1()TTBT TT Y(1-3) PCR通过对参与回归的主成分的合理选择，去掉了大部分的噪声。由于T的各列互相正交， 解决了多元线性回归中的共线问题。但是，虽然得到了一系列的主成分，但某些主成分和实际含量Y之间不一定有相关关系， 回归结果就不一定合理。总的来说， PCR有如下优点：(1)可以使用整体量测数据原始全部或部分数据，能充分利用数据信息，使用更多的数据则能利用数据的平均效应，增强模型的抗干扰能力。(2)解决了共线问题。(3)适用于

30、复杂分析体系，不需要知道干扰组分的存在就可以预测被测组分。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 12 页，共 33 页9 PCR的缺点有：(4)计算速度要比多元线性慢。(5)模型优化需要 PCA，对模型的理解不如多元线性回归直观。(6)并不能保证参与回归的主成分一定与被测组分或性质相关。主成分回归一方面可以有效地降低数据的维数,另一方面可以得出各个变量对各个主成分的奉献，但回归得到的成分数量可能太多,不能得到精确的模型，下面将介绍的偏最小二乘法可以有效防止这个缺陷,从而提高回归和预测的精度。偏最小二乘法最早由瑞典化学家WOLD9提出，在化

31、学统计学，生物学109等学科中得到广泛应用， 是多元线性回归， 典型相关分析和主成分分析的有机结合，较传统的回归分析、主成分分析有着巨大的优势，从而使模型精度、稳定性和实用性都得到提高。 偏最小二乘法的思路是： 首先,自变量 X中提取相互独立的成分), 2, 1(hth从因变量 Y中提取相互独立的成分), 2, 1(huh然后建立这些成分与自变量的回归方程。 与主成分回归不同的是， 偏最小二乘回归所提取的成分既能较好地概括自变量系统中的信息，又能很好地解释因变量并排除系统中的噪声干扰。因而有效地解决了自变量间多重相关性情况下的回归建模问题11。部分最小二乘(PLS)方法能够通过成分提取和空间压

32、缩技术克服噪声和变量的相关性。并根据正常工况的生产数据，准确捕捉质量变量与过程变量之间的关系，对生产工况进行有效监测该方法不依赖过程机理模型，不需要故障样本；能够弥补主成分分析(Principal Component Analysis ，PCA) 等其他统计方法无法考虑过程变量对质量变量影响的不足，因此近年来在化工过程的质量控制和在线监测等方面得到了广泛重视和研究。2.2 RBF 神经网络软测量方法人工神经网络是一种高度非线性的动力学系统，可以模拟人脑思维， 通过直觉和经验来处理现实系统中难以处理的知识。近几年，人工神经网络大量应用于石油及天然气生产的在线监控中。 尽管 BP 神经网络具有很好

33、的非线性映射能力和灵活的网络结构等优点，但存在着收敛速度慢和局部极小等缺点；而RBF 神经网络无论在逼近能力、分类能力和学习速度等方面均优于BP 神经网络。在故精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 13 页，共 33 页10 障诊断中， RBF 神经网络的应用能准确、快速地判断影响因素，对及早发现突然的变量做出调节原因发挥了很好的作用。本章将详细介绍RBF 神经网络原理及算法，优化设计以及基于Matlab 的 RBF 的网络实现。RBF 神经网络原理RBF 神经网络的基本思想是：把径向基函数作为隐单元的基, 构成隐含层空间， 隐含层对输入

34、矢量进行变换， 将低维的模式输入数据变换到高维空间内，使得在低维空间内的线性不可分问题在高维空间内线性可分。.2 RBF 神经网络结构径向基函数 ( RBF) 神经网络是 J Moody 和 C Darken于 20 世纪 80年代末提出的以函数逼近理论为基础的一种前向网络，由输入层、隐含层和输出层组成。RBF 神经网络也称径向基神经网络, 它具有单隐层的三层前馈网络,由于它模拟了人脑中局部调整、相互覆盖接收域的神经网络结构。因此，RBF 网络是一种局部逼近网络， 利用径向基函数方法在高维空间进行插值拟合，以任意精度逼近任意连续函数。此网络可看做是三层前馈神经网络，隐含层由一组计算基节点组成，

35、 每个节点含一个称为变换中心矢量和控制径向基函数的形状参数。该节点计算中心与网络输入向量构成欧几里得距离，并通过非线性函数传递到输出层，输出层是一个 线 性 组 合 器 ， 整 个 网 络 实 现 一 个 映 射 关 系 。 在RBF 网 络 结 构 中 ，TnxxxX,.,21为 网 络 的 输 入 向 量 ， 设RBF网 络 的 径 向 基 向 量TmjhhhhhH,.,.,321， 其中jh 为高斯基函数：222expjjjbCXh；j= 1，2，3，m (2-1) 式 中 , | . | 表 示 欧 几 里 得 距 离 , 网 络 第j个 节 点 的 中 心 向 量 为?ccccCTn

36、jjjjj,.,321jbni,.,2, 1为控制基函数的形状参数6精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 14 页，共 33 页11 则输出：mmhwhwhwu.22112-22. RBF 神经网络算法RBF 神经网络的设计包括结构设计和参数设计。结构设计主要解决如何确定网络隐节点数的问题。参数设计一般包括3 种参数：各基函数的数据中心和扩展常数 ,以及输出节点的权值。 在 RBF 网络训练中， 传统确实定隐节点数的做法是使其与输入向量的元素相等。显然，这样会造成隐含层单元数过多。为此，一种改良方法是从0 个神经元开始训练，通过检查输出误

37、差使网络自动增加神经元。每次循环使用，使网络产生的最大误差所对应的输入向量作为权值向量，产生一个新的隐含层神经元,然后检查新网络的误差，重复此过程直到到达误差要求或最大隐含层神经元数为止。由此可见 , RBF 网络具有结构自适应确定、输出与初权值无关等特点。RBF 网络的学习过程分为两个阶段。第一阶段为无教师学习，是根据所有的输入样本决定隐含层各节点的中心向量iC 和标准化常数i。第二阶段是有教师学习。在决定好隐含层的参数后，根据样本，利用最小二乘原理，求出隐含层和输出层的权值。训练RBF 网络的相应算法也是围绕这两方面展开的。RBF 网络的学习算法大体可以分为两类：第一类算法隐节点数据中心随

38、机选取，如OLS，第二类算法是数据中心的位置在学习过程中动态调整，如 K means聚类等各种动态聚类算法。 第一类算法比较容易实现， 且能在权值学习的同时确定隐节点的数目。 第二类算法计算过程简单， 计算量小， 并且能实时地动态确定网络的结构，但当输入向量属于某一个中心聚类进而对该中心进行更新时，要用到属于该中心的所有的全部向量，对于一个规模较大的问题,所占用的存储空间很大，聚类过程速度较慢8。、RBF 神经参数优化设计文中采用 GA 把隐节点数、每一个隐节点的中心参数ci和宽度参数 R i编成染色体，把网络中这些参数的集合看成一个个体，在初始化阶段产生大量的个体群体。精选学习资料 - -

39、- - - - - - - 名师归纳总结 - - - - - - -第 15 页，共 33 页12 将网络结构优化和参数学习分两个阶段进行，即训练和进化。首先随机生成 N 个个体，组成群体，然后用最小二乘法学习网络的线性权值jw ，再用遗传进行算法优化隐节点数， 通过这两个过程的交替进行， 得到隐节点数最小满足误差要求的基函数且具有不同宽度参数的RBF 网络。为 了 用 遗 传 算 法 解 决RBF 网 络 结 构 优 化 问 题 , 引 入 布 尔 向 量MTuuU,.,u21，其中iu0，1 ，iu = 1 表示对应的隐节点存在，iu = 0 表示对应的隐节点不存在。GA 中的适应度函数，

40、由下式构造。构造能量函数，使其最小值对应域问题的最优解：2kp)p21pkpkotEEE（2-3式中p ： 训练样本数；k ： 输出层神经元的个数；pkt： 第 k 神经元关于第 p 个样本的期望输出；pko：第 k 神经元关于第 p 个样本的 RBF 输出。适应度函数：maxmaxmaxm0CEifCEifECP2-4式中，maxC可取进化过程中E 的最大值。对应每个布尔向量TU生产 2 条染色体：1 条中心参数染色体， 1 条宽度参数染色体。中心参数染色体TcU都采用实数编码。具体实现步骤如下：1) 随机产生N 组TU及对应的中心参数ic 和宽度参数iR 在不同实数区间内取值的网络参数，作

41、为种群。其中，TU的元素为 0 或 1。设最优个体为种群精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 16 页，共 33 页13 中第一个个体，最优适应度值为fmax= - 100。2) 利用梯度下降法对这N 组初始参数分别进行预训练，即利用ic( t+ 1)和iR( t + 1)学习网络中心参数和宽度参数，但要求执行有限次梯度下降法，然后用最小二乘法学习网络的线性权值iw 。计算种群中每个个体的适应度f，并将不满足可行域条件的隐节点删除(可行域约束条件是： 当tu = 1 时对应的权重iw fmax，并保留fnew-ma x对应的个体为最优个体

42、。 否则fmin= f new-max并保留fnew-ma x对应的个体为最优个体，保留f max不变。4) 如果种群中大多数个体的隐节点数即1 的个数相同，并将此相同的隐节点数记为m， 则选出最大的适应度对应的个体，转到步骤6)，否则执行步骤5)。5) 对这 N 组权值进行选择、 交换、变异等自适应遗传操作。 对应选择操作，采用适应度比例法 ( 赌轮法 )生成新一代 ;对应交换操作，采用单点交换操作，以交换概率P c对新生产的新一代进行交换操作，交换操作对TU进行，TcU和TRU跟着同步变化 ;对于变异操作，以变异概率mP 对交换够的新种群中的每一个体TU的每一位进行变异操作：即1 变 0，

43、0 变 1。回转到步骤 4)。6) 对选出最大的适应度对应的个体继续执行梯度下降法假设干次，直到得到满足精度要求的中心参数和宽度参数;或以步骤 4)求得的 m 为分类个数。算法的具体流程图如图1 所示。精选学习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 17 页，共 33 页14 开始计算是否有 95%以上隐节点个数相同遗传算法梯度下降法求网络中心、宽度参数算法结束初始化产生 N 组网络参数梯度下降训练网络中心， 宽度参数，最小二乘法训练线性权值计算个体适应度是否满足或行域条件删除对应隐节点最优保留机制精选学习资料 - - - - - - - - -

44、名师归纳总结 - - - - - - -第 18 页，共 33 页15 2. 基于 MATLAB 的 RBF 神经网络实现径向基函数 ( RBF) 神经网络是一种性能良好的前向网络，其既有生物背景，又与函数逼近理论相吻合，适合于多变量函数逼近,并且还具有唯一最正确逼近点的优点。 RBF 从总体上看由输入到输出的映射是非线性的，这样对任意非线性函数都能进行很好的逼近， 而网络输出对可调参数而言却是线性的，从而大大加快学习速度并防止局部极小问题。网络结构的输出一权值的线性关系，使得训练方法快速易行， 其收敛时间较BP 神经网络要短的多， 而且 RBF 神经网络采用最近聚类学习算法是一种自适应聚类算

45、法，不需要事先确定隐含层个数， 具有学习时间短，计算量小，网络性能好等优点，与BP 网络相比， RBF 有更强的逼近能力与逼近速度。神经网络工具箱是在MATLAB 环境下开发出来的许多工具箱之一。它以神经网络理论为基础利用MATLAB 脚本语言构造出典型神经网络的激活函数，使对所选定网络输出的计算， 转变为对激活函数的调用。 它还提供了多种学习算法以及 170余种相关的工具箱函数，借助它们可直观、方便地进行。神经网络的应用设计、 分析、计算等。神经网络工具箱为构建网络提供了丰富的工具函数。 根据需要可以构建不同类型的神经网络，并可应用不同的传递函数和算法对设计进行改良及优化，利用训练样本可进行

46、网络的学习与训练，利用断样本可对所得网络进行验证， 还可以根据需要用工具箱中有关神经网络的设计与训练的程序RBF 网络常用的函数有：网络创建函数、神经元递函数、转换函数 11。2.3 RBF 神经网络应用于渣油裂解的在线估计裂解炉是整个渣油装置的主要核心部分，其能耗占整个装置能耗的70-85%左右，要对其实施模型化、 操作优化以及先进控制策略，本章首先介绍了 SW 型裂解炉工艺流程，将通过RBF 神经网络对实际生产过程中的在线估计，预测渣油裂解的产品的收率，通过MALAB分析几个辅助变量，并通过数据的比较得出隐节点数和扩展常数。精选学习资料 - - - - - - - - - 名师归纳总结 -

47、 - - - - - -第 19 页，共 33 页16 2. 渣油裂解裂解炉工艺流程裂解炉几个组成：(l)原料预热：界外来的裂解原料渣油首先经过加压、预热后，通过进料管进入对流段，来自初分馏系统的稀释蒸汽经过热盘管，在原料过程与原料油混合，并使得原料油被完全汽化后进一步预热，使其温度升至稍低于裂解反应的温度后，经横跨管进入辐射段。(2)原料裂解 :为使每组辐射炉管中物料流量相同，在每组炉管的辐射段入口装有文氏管。在辐射段，炉管内物料迅速升温，通过800一 900高温裂解反应。(3)急冷部分：在辐射段炉管中进行完全裂解反应的物料，进入急冷换热器(SLE)中和汽包来的锅炉给水进行换热，冷却。精选学

48、习资料 - - - - - - - - - 名师归纳总结 - - - - - - -第 20 页，共 33 页17 (4)燃料气系统：进入裂解炉的燃料气被分成两路，一路去炉膛的点火器烧嘴，一路到燃料气烧嘴。 裂解炉侧壁烧嘴负荷维持不变，调整底部烧嘴的负荷控制裂解炉管出口温度。(5)高压蒸汽系统：进入SW 裂解炉的锅炉给水分成两路，一路在对流段中经锅炉给水预热盘管， 被加热后进入高儿汽包V-111， 另一路去高压蒸汽调温器。本章将在以上裂解炉为渣油裂解加工装置的基础上，针对渣油粘度，密度，残炭，出口温度，反应温度，反应时，蒸汽流量和循环比等八个影响因素的用RBF 拟合函数，并通过 MATLAB

49、软件对部分数据进行模拟分析，最终分析这种方法的优缺点2. RBF 神经网络结构与算法设计裂解炉操作过程中， 反应管出口沥青收率在线检测是非常困难的工作，易造成结焦，堵塞采样装置。 即使有些裂解装置通过引进先进的分析仪表，来完成出口产品收率的在线检测， 但由于裂解炉出口沥青在线色谱分析仪存在十几分钟的纯滞后，一个流路要 5 分钟左右， 而裂解炉反应停留时间相对非常短暂，假设直接采用在线分析仪的测量信息控制裂解炉的操作，则相当于使用数十分钟之前的测量值，控制数十分钟之后的工艺参数，其控制效果往往不够理想。 传统的机理模型只能用于离线模拟操作， 不能实时描述裂解炉的操作特性。另外机理模型不具备自适应

50、能力， 当油品特性、 动力学参数等操作条件发生变化时，不能反映这些变化特征。针对化工过程中各种不确定的干扰因素多，以及复杂的物理化学反应机理，近年来，神经网络技术己被广泛应用于化工过程中的模型化研究。建立神经网络RBF 模型，沥青的产率从渣油粘度、密度、残炭、出口温度、反应温度、反应时间、蒸汽流量和循环比等八个个辅助变量来建模。本节将以资料的前50 个数据的实测资料为训练样本， 然后对剩下的 16 个数据进行预测。 由前面的 RBF 网络理论，利用软件对网络进行训练，经过训练，网络误差到达理想要求。2. RBF 神经网络在线估计Matlab 模型的建立精选学习资料 - - - - - - -