（工商管理专业论文）神经网络技术在炼油企业的应用.pdf

中文摘要 炼油工业的发展对任何国家的国民经济发展都具有重大影响。随着科学技术 的发展和管理观念的创新，世界各国的炼油企业都在积极地寻找有效的炼油工艺 过程控制与优化方法。一些国家已开始采用高新技术改造，加快炼油工业的发展。 近些年来，为了确保炼油过程的安全性、经济性、稳定性和满足可持续发展的要 求，国内许多炼油企业开始致力于将科学的先进过程控制、优化及管理方法引入 石油炼化过程中，以期获得最佳的经济效益。 本文针对目前我国炼油企业在工艺过程控制中存在的不足，引入神经网络技 术，并将其与模糊控制等方法相结合，对炼油过程中的部分工艺过程控制及优化 进行研究，主要研究内容如下； 首先，针对炼油过程特点及现存问题，指出传统研究中存在的不足。通过对 神经网络技术特点及主要应用领域的阐述，提出神经网络技术在炼油企业应用的 适用性。 其次，阐述神经网络技术的基础理论，其中包括人工神经网络的结构及分类、 多层b p 网络技术、径向基函数网络、遗传算法等。 再次，分别对神经网络技术在常减压蒸馏装置、催化裂化装置及油品储运系 统中的应用进行较深入研究。利用神经网络技术及一些辅助技术( 如模糊技术) 进行建模与仿真，其中包括静电脱盐系统的建模与优化、原油常压蒸馏过程中汽 油干点和柴油倾点控制的建模、催化裂化过程中粗汽油干点控制的建模、催化裂 化重整的优化控制，催化裂化装置自整定p i d 控制器的设计、油罐计量装置的 优化、汽油调舍的优化控制、柴油调合的优化控制，并对一些仿真结果进行讨论 和分析。 最后，对神经网络技术在炼油企业管理中的应用进行探讨，其中包括对炼油 公司股价预测和原油评价进行建模和仿真。 关键词：炼油；前向神经网络；径向基函数；遗传算法；建模：优化 a b s t r a c t 1 f 1 圯d e v e l o p i n go fo i lr e f i n i n gi n d u s t r yh a sg r e a ti n f l u e n c eo nt h en a t i o n a l e c o n o m i c d e v e l o p m e n to fa n yc o u n t r y w i t h t h e d e v e l o p m e n to fs c i e n c ea n d t e c h n o l o g ya n di n n o v a t i o no f t h em a n a g e m e n ti d e a , t h eo i lr e f i n i n g 锄t e r p 矗辩so f t h e c o u n t r i e sa l lo v e tt h ew o r l da r ea c t i v e l yl o o k i n gf o rc o n t r o l l i n ge f f e c t i v e l yt h eo i l r e f i n i n gc r a 缸c o u r s ea n do p t i m i z i n gt h ec o u r s o m ec o u n t r i e sh a v ea l r e a d yb e g u n t o a d o p th i g h - n e wt e c h n o l o g i c a lt r a n s f o r m a t i o na n dh a v eq u i c k e n e d t h ed e v e l o p m e n to f o i lr e f i n i n gi n d u s m y i nt h el a s tf e w y e a r s ，i no r d e r t og u a r a n t e et h es e c u r i t y , e c o n o m y , s t a b i l i t yo f t h eo i lr e f i n i n gc o u i s ca n dm e e tt h ed e m a n df o rs u s t a i n a b l ed e v e l o p m e n t , a l o to f o i lr e f i n i n ge n t e r p r i s e sa r ed e v o t i n gt h e m s e l v e st oi n t r o d u c es c i e n t i f i cc o n t r o lo f a d v a n c e dc o u r s e 、o p t i m i z a t i o na n dm a n a g e m e n tm e t h o d si n t ot h ee o u l _ s eo fo i l r e f i n i n g ，i nt h eh o p eo f o b t a i n i n gt h eb e s te c o n o m i cb e n e f i t s a i m i n ga tt h ed e f i c i e n c ye x i s t i n gi nt h eo i lr e f i n i n gc r a f tc o u r s eo fo u rc o u n t r y s o i le n t e r p r i s ea tp r e s e n t ，t h et h e s i si n t r o d u c et h en e u r a ln e t w o r kt e c h n o l o g y , a n d c o m b i n e si tw i t hm e t h o d so ff u r yc o n t r o lc t c t oc a r r yo nt h er e s e a r c ho nt h ec o n t r o l a n do p t i m i z a t i o no fs o m ec r a f tc o u r s e si nt h eo i lr e f i n i n gc o u l e e ，t h em a i nr e s e a r c h c o n t e n t sa r ea sf o l l o w s f i r s to fa l l ，t oc h a r a c t e r i s t i co ft h eo i lt e r m i n gc o u r s ea n de x t a n tq u e s t i o n , p o i n t o u tt h ed e f i c i e n c ye x i s t i n gi nt r a d i t i o n a lr e s e a r c h t h r o u g ht h ee x p o s i t i o no ft h e n e u r a ln e t w o r kt e c h n o l o g yc h a r a c t e r i s t i ca n dt h ep r i m a r ya p p l i c a t i o nd o m a i n , p u t f o r w a r dt h es u i t a b i l i t yt h a tt h en e u r a ln e t w o r kt e c h n o l o g yu s e si no i lr e f i l l i n g e n t e r p r i s e s s e c o n d l y , e x p l a i nt h eb a s i ct h e o r yo ft h en e u r a ln e t w o r kt e c h n o l o g y , i n c l u d i n g s t r u c t u r ea n dc l a s s i f i c a t i o n , m u l t i - l a y e rb pn e t w o r kt e c h n o l o g y , r a d i a lb a s i sf u n c t i o n n e t w o r k , g e n e t i ca l g o r i t h mo f t h ea r t i f i c i a ln e u r a ln e t w o r k s ，e r e t h i r d l y , f t h e l i n v e s t i g a t et h ea p p l i c a t i o n so fn e u r a ln e t w o r kt e c h n o l o g yi nt h e d i s t i l l a t i o nd e v i c eu n d e rc o n s t a n td e c o m p r e s s i o n , t h ec a t a l y t i cc r a c k i n gd e v i c ea n dt h e o i l w a r e h o u s i n g a n dt r a n s p o r t a t i o ns y s t e ms e p a r a t e l y u t i l i z en e u r a ln e t w o r k t e c h n o l o g ya n ds e i n ea u x i l i a r yt e c h n o l o g y ( s u c ha st h ef u z z yt e c h n o l o g y ) ，t om o d e l a n ds i m u l a t et h ea b o v ed e v i c e s ，m o r e o v e r , d i s c u s sa n da n a l y z es o m es i m u l a t i o n r e s u l t s f i n a l l y , c a r r yo nt h ed i s c u s s i o nt ot h ea p p l i c a t i o no f n e u r a ln e t w o r kt e c h n o l o g y i nt h eo i lr e f i n i n ge n t e r p r i s e sm a n a g e m e n t , i n c l u d i n gm o d e l i n ga n ds i m u l a t i o nt o f o r e c a s to f c o m p a n y ss t o c kp r i c ea n dt h ec r u d eo i la p p r a i s a l w o l d s ：o i lr e f i n i n g ；b pn e u r a ln e t w o r k ；r a d i a lb a s i sf u n c t i o n ；g e n e t i ca l g o r i t h m ； m o d e l i n g ；o p t i m i z e 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得叁茎盘茎或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者躲州l 刹签字吼f 卧肼日 学位论文版权使用授权书 本学位论文作者完全了解苤鲞盘翌有关保留、使用学位论文的规定。 特授权墨注盘茎可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名：多。l 牛钐夥s 签字日期：，硝年，月从日 导师签名： 签字日期：埘年工月胁日 第一章绪论 1 1 研究背景及选题意义 第一章绪论 炼油工业的发展对任何国家的国民经济发展都有着重大的影响。随着世界 经济的全球化发展趋势，炼油工业的过程控制除了需要满足安全性、经济性和 稳定性外，还越来越需要实现环保要求、可持续发展要求等。世界各国都在注 重石化工业在国民经济中的地位，采用高新技术改造和加快炼油工业连续过程 的发展【l 】【2 】。 炼油过程通常伴随着物理化学反应、相变过程、物质与能量的转换和传递， 是一个十分复杂的大工业系统。炼油工业生产过程强调实时性、整体性，各生 产装置间存在复杂的耦合、制约关系，要求生产过程全局协调，以求整个生产 装置运行平稳、高效【3 j 。这些都对炼油过程控制、优化与集成提出了新的要求。 现代炼油工业过程的先进控制、软测量、过程优化、调度与管理等都是以模型 为基础的。炼油过程的大型化、综合化、复杂化、使得建模难度愈来愈大。不 仅涉及到工业对象的非线性、不确定性、大时滞、参数分布性和时变性等内在 的复杂机理问题，而且涉及到客观环境和“人为”环境的作用问题。从系统的 观点来看，具有稳态系统与动态系统的结合、离散事件系统与连续时间系统的 结合、符号系统等与数值系统的结合、人机系统等特点。因而对其建模也应当 突破传统的机理建模和统计建模等框架，从较为广阔的视野综合运用先进的控 制理论和优化技术来实现过程建模。 在许多情况下，普遍存在着一大类这样的变量：它们由于技术或经济的原 因，目前尚难咀或无法通过传感器进行检测；但同时又是需要加以严格控制的、 与产品质量密切相关的重要过程参数，如精馏塔的产品组份浓度、催化裂化装 置反应系统中催化剂循环量等。软测量技术是解决这类难以在线测量变量估计 问题的有效方法。软测量的基本思想是把自动控制理论与生产工艺过程有机结 合起来，应用计算机技术，对于一些难以测量或暂时不能测量的重要变量( 主 导变量) ，选择另外一些容易测量的变量( 二次变量或辅助变量) ，通过构成某 种数学关系来推断和估计，以软件来代替硬件( 传感器) 功能，这类方法具有 响应迅速，连续给出主导变量信息，且投资低、维护简单等优点。克服了人工 分析及使用在线分析仪表的诸多不足，是实现在线质量控制及先进控制、优化 控制的前提和基础。软测量技术的核心是建立工业对象的精确可靠的模型。目 第一章绪论 前，建立软测量模型的主要方法是非线性回归、偏最小二乘回归、神经网络、 模糊控制、主元回归等。以软测量为基础的质量估计反馈构成质量控制系统。 当前，用于质量控制系统的控制策略主要有改进的p i d 控制、多变量协调控制、 多变量预测控制等。 炼油过程稳态优化是系统取得经济效益的重要保证。传统的基于模型的稳 态优化方法的基础是系统的精确数学模型，而许多过程对象呈现很大程度的非 线性、内在机理复杂，很难直接从机理揭示其内在规律，如催化裂化反应提升 管中原料油在提升蒸汽作用下上升，并与催化剂颗粒发生摩擦，进而传质和传 热，在催化剂表面完成大分子裂化小分子的反应，而这些反应对于不同结构和 族组成的原料又有不同产物；催化提升管内部和出口沉降器部分的油气返混等 流体流动现象等。如果能通过结合一定的非机理的基于数据统计建模方法的半 机理建模方法对复杂系统建模和优化控制有很大益处。 二十世纪九十年代以后，国内外企业在国际市场剧烈竞争的刺激下，节能 降耗，少投入多产出的高效生产和减少污染的洁净生产成为企业的生产模式， 企业把提高综合自动化水平作为挖潜增效、提高竞争力的重要途径1 4 1 。集常规 控制、先进控制、过程优化、生产调度、企业管理、经营决策等功能于一体的 综合自动化成了当前过程控制发展的趋势。因此，将一些先进的优化控制技术 引入石油炼化企业是十分必要和有现实意义的。 目前对于神经网络在炼油企业的应用只在一些科技文献里做了零星的介 绍，很少有人将神经网络在炼油企业的应用系统化阐述【l5 1 ，本课题将神经网络 在炼油企业不同生产装置上软测量与先进控制的应用进行系统的研究，并在油 品储运管理、计量及炼油企业经营决策方面作了一些探讨。 1 2 炼油企业生产的特点 1 2 1 生产装置大型化 目前，世界各国石油化工生产装置的规模越来越向大型化发展，规模的扩 大可以降低单位产品的投资和生产成本。普通化工装置投资决定于产品和建设 原材料的成本，规模对效益影响不大。石化装置却服从“规模决定效益”规律， 即采用固定技术生产特定产品、装置规模只有达到“最小经济规模”时，经济 效益才为最佳【2 】。本世纪6 0 年代，3 万t 乙烯、l o 万t 级炼油装置是很普遍的， 但后来纷纷扩建，发展到现在的3 0 万t 以上的乙烯和百万吨、甚至千万吨炼油 装置。我国乙烯装置规模已达4 5 万吨年以上，涤纶生产装置规模已达4 8 万吨 年以上，合成氨生产装置采用了3 5 万吨年以上的规模，炼油生产装置的年加 工能力已达5 0 0 万吨以上1 2 1 。通过挖掘潜力和技术改造，生产装置还会向更大 2 第一章绪论 的规模发展。 1 2 2 生产过程具有高度的连续陛 炼油生产过程中，装置开车投产后将不断地投料，从原料输入到产品的输 出都具有高度的连续性，前后单元息息相关，相互制约，某一环节发生故障常 常会影响到整个生产的正常进行。由于装置规模大且工艺流程长，因此使用的 设备种类和数量是相当多的。 1 2 3 工艺过程和辅助系统庞大复杂 石油化工生产从原料到产品，要经过许多工序和复杂的加工单元，通过多 次的化学反应和物理处理过程才能完成，因而生产过程既复杂又庞大。为了满 足石油化工生产的要求，需要设有供电、供水、供热等庞大的辅助系统。生产 过程使用的各种反应器、塔、槽、罐、压缩机、泵等均以管道相连通，从而形 成了工艺过程复杂和工艺流程长的一系列生产线。例如，炼油生产的催化裂化 装置，从原料到产品要经过8 个复杂的加工单元；乙烯生产装置从原料到产品 要经过1 4 个复杂的加工单元；化肥生产从原料到产品要经过1 2 个复杂的加工 单元。此外，石油化工生产过程对工艺参数要求相当严格和苛刻，往往需要在 高温高压或深冷负压的条件下进行操作。这种生产的特殊性，给安全生产带来 了很大的困难。例如，以柴油为原料裂解生产乙烯的过程中，最高操作温度接 近1 0 0 0 ，最低为1 7 0 ；最高操作压力为1 1 2 8 m p a ，最低为0 0 7 - 4 0 8 m p a 。 高压聚乙烯的生产最高压力达3 0 0 m p a 左右【3 】。这样的操作条件，再加上许多 介质具有强烈的腐蚀性，在温度应力、交变应力等的作用下，受压容器常常因 此而遭到破坏。有一些反应过程工艺条件要求很苛刻，如丙烯酸的生产采用丙 稀和空气直接氧化，在反应过程中各物料比就处于爆炸范围附近，且反应温度 超过中间产品丙稀醛的自燃点，控制上稍有偏差就会发生化学爆炸。 1 2 4 生产过程自动化程度高 随着科学技术的发展，加之石油化工生产本身特殊性的需要，石油化工生 产装置大量采用了先进的技术，如自动控制、安全联锁、信号报警装置和电视 监视等 6 j 。自动化系统按其功能分为自动检测、自动调节、自动操纵和自动讯 号四类。 第一章绪论 1 2 5 生产过程危险性大 由于石油化工具有潜在的危险性，一旦操作条件发生变化，工艺受到干扰 产生异常，或因人为因素、素质欠佳等原因造成误操作，潜在的危险就会发展 成为灾害性事故。 1 2 6 姿金集中 石化工业规模大，原料、中间产物( 若有的话) 、产品多呈液态，用于储备 原料和产品的罐、输送的管线和泵、分离及提纯的塔就异常地多，决定了装置 的投资很大，如一套乙烯裂解装置( 1 5 万t ) ，要投资5 0 亿元 0 3 。 1 3 国内外研究现状 1 3 1 国际炼油企业的发展趋势 1 3 1 1 世界炼油企业全面进入成熟期 炼油企业经过1 4 0 余年的发展，成为规模最大的行业，资产、销售收入、 从业人员列各行业之首。技术十分完备，已形成专业化、系统化：产品高度系 列化、多样化，应用领域极其广泛；勘探、开发的难度和风险很大，获利空间狭 小，经常出现亏损，连大公司也在所难免【l 】。 1 - 3 1 2 新技术被广泛采用 炼油企业属于资金、技术双密集型的行业。各种新技术一经出现。就立即被 引进吸收。高性能大型计算机、纳米技术、生物电子、通讯信息技术在炼油过 程中的应用，提高了产品的品质和产量，增加了许多高附加值的产品。现代行 为科学、管理科学成果的采用，带动了企业管理水平的提高，国外大石油公司 一般都建立起了与高度发达的市场经济相适应的现代企业制度，有效地保证公 司高效运转和国际经营战略的实现。 1 3 1 3 轻质油品的需求日益增长 全世晃重质燃料占整个油品市场的份额大致将由7 0 年代的4 成降至本世纪末 的2 成，而轻质和中间馏分油的需求均将由3 成增加到4 成【2 】。 4 第一章绪论 1 3 1 4 油品质量要求洁净化、高档化，升级换代速度加快 由于用油机具性能的不断改进和全球环保意识的增强，对炼油技术和油品质 量提出越来越苛刻的要求。“绿色环保”的呼声正在主导当代和今后油品质量的 发展方向。要求炼油厂生产洁净的燃料，不断提高油品质量，减少排放有害物质， 保护生态环境，这是今后发展炼油技术必须考虑的问题。 1 ，3 1 5 采用新工艺、新技术、新设备来消除“瓶颈” 本世纪，估计世界炼油厂投资将达2 0 0 0 亿美元，为9 0 年代的两倍。预计 美国炼油工业将为实施清洁空气法修正案投资2 2 0 2 5 0 亿美元，为继续改造炼 油厂，本世纪初将花费1 5 1 0 亿美元。阿莫科公司的樱桃角炼油厂由7 0 年代5 0 0 万t a 的加工能力改造到现在的1 0 5 0 万妇，只花费3 0 0 0 万美元，如要新建至少 要1 亿美元【2 】。采用新技术消除“瓶颈”，不断对装置进行改造，是美国石化 公司的普遍作法。 1 3 2 国内炼油企业发展现状及存在的问题 1 3 2 1 发展现状 我国的石油工业，在解放前几乎是一片空白。经过5 0 余年的发展，中国 石化、中国石油和中国海洋石油三大石油石化集团己成为门类齐全、技术先进、 集石油勘探开发、炼油、化工及产品营销一体化的大型能源化工公司。2 0 0 1 年， 固定资产已达6 0 0 0 多亿元，从业人员2 0 0 多万人，生产原油1 6 4 亿吨，加工 原油2 1 亿吨，年销售成品油6 8 0 0 万吨。中石化和中石油控制着中国大陆9 0 的炼油市场。仅中国石化就生产原油3 7 9 1 万吨、天然气4 6 亿立方米，加工原油 1 0 1 亿吨，生产乙烯2 1 5 万吨，成品油经营量约占全国的6 0 ，经营收入达3 1 8 5 亿元，净利润1 6 0 亿元1 3 】。公司整体经营形势良好，资本负债率、现金流、石 油操作成本、投资回报率、每股赢利率、分红比率等众多衡量公司资产运作水 平和赢利能力的指标，已经和国际上著名的大石油公司相接近。 1 3 2 2 存在的问题 2 0 0 0 年我国大陆的原油加工总能力在世界排名第三，但9 7 家炼油厂一次 加工平均规模只有4 4 0 万吨年，而且生产负荷亦低，使得装置的生产能力和原 油加工的效益难以发挥。我国炼油二次加工以催化裂化为主，占一次加工能力 的3 3 5 l ，加氢裂化及催化重整比例只有4 9 1 和5 6 6 ，加氢精制占1 3 3 5 【3 】。 由于装置结构不合理，炼油企业二次加工手段缺乏灵活性，造成汽油硫含量和 烯烃含量高，柴油硫含量高及安定性差，柴汽比低的矛盾一直是炼油生产的突 出问题，装置结构很不适应市场对产品结构的需要。 炼油是技术密集型、资金密集型的行业，规模经济效益十分明显。在市场 第一章绪论 竞争中，大型炼油厂具有多个方面的优势。目前我国炼油行业总体上是一次加 工能力过剩，发展方向不是大规模地另行兴建炼油企业，应是对现有的企业进 行重组和改造，抓紧现有企业装置结构的调整，控制催化裂化加工能力增长， 重点改扩建和新建一批加氢裂化装置，加快加氢精制装置建设，积极发展催化 重整装置，进一步扩大延迟焦化能力，这样才能对重质的和高含硫的原油有灵 活的选择性和适应性，生产出各种优质产品，并符合环保法规规定。从优化资 源配置角度出发，对规模小、技术落后的企业应尽早安排其退出；对具有一定 规模，装置结构合理、区域市场广阔、管理基础较好的企业，通过技术改造、 完善配套，使综合能力达到千万吨级以上，形成经济规模，以此来保证我国炼 油工业整体水平的提升。 另外，一个显著的问题是生产成本居高不下。全国平均单位原油完全成本 约为1 2 美元桶，除大庆油田外，其他油田的平均单位原油完全成本约为1 3 5 美元桶，国外石油公司生产成本普遍低于l o 美元桶，我国的炼厂生产成本也 大大高于亚太地区石化业平均水平。因此，即使在目前国际油价上涨的情况下， 与国际水平相比，获利空间还较小。国外石化产品利用成本低、质量高的优势， 在国内市场低价销售，抢占国内市场，占据了较大份额。如美、日、英等国石 油公司在中国兴建了数十家润滑油调和厂，生产能力达到4 0 5 0 万吨，占据了 国内约3 0 的市场份额【4 】。 1 3 3 国内炼油企业面临的挑战 目前，面临国际市场激烈的竞争和国内需求的不稳定，我国炼油企业均面 临严重的挑战，与国际上发达国家的炼油企业相比，我国的炼油企业在质量、 成本、规模、效益等方面尚存在较大的差距。我国炼油工业将面l 临大量加工进 口含硫原油、大幅度提高加工深度、增产中间馏分、提高油品质量、降低生产 成本的多种挑战。产品质量要与国际接轨还有相当距离，而更大的挑战是缺乏 竞争力，一旦油品市场全部开放、没有关税保护，很多企业将面临难于生存的 严峻局面。 1 3 4 神经网络技术的应用现状 从8 0 年代初神经网的研究再次复苏并形成热点以来，发展非常迅速，到目 前为止，人们对人工神经网络模型的研究与应用工作已经进行了几十年。在理 论上，对它的计算能力、对任意连续映射的逼近能力、学习理论及动态网络的 稳定性分析等都取得了丰硕的成果【刀。人工神经网络模型多种多样，各种模型 从不同的角度对生物神经系统进行不同层次的描述和模拟，其中具有代表性的 6 第一章绪论 网络模型有感知器、多层映射b p 网络，r b f 网络，双向联想记忆、h o p f i e l d 模型等等。运用这些神经网络模型可以实现函数逼近、数据聚类，模式识别、 优化计算以及预测预报等功能t t 。因此，神经网络被广泛应用于人工智能、自 动控制、统计学等领域的信息处理。人工神经网络的主要应用领域有以下几个 方面。 ( 1 ) 模式识别。模式识别涉及两个主要问题：模式预处理变换和模式识别。 神经网络在处理复杂环境下的模式识别问题时表现出了非凡的能力。目前，它 在连续语音信号识别方面的研究取得了令人满意的结果，最为成功的方案是将 反向传播神经网络用于连续语音信号的识别，其识别率高达9 7 。 ( 2 ) 信号处理。人工神经网络被广泛应用于信号处理，如目标检测、消除 噪音、畸变波形的复原、雷达回波的多目标分类，运动目标的速度估计及多目 标跟踪等。它还被应用于自适应信号处理和非线性信号处理等领域。 ( 3 ) 控制与优化。化工过程控制，机械手运动控制，电弧炉电极控制，半 导体生产中掺杂控制，石油精炼和食品工业中优化控制，v l s i ( 超大规模集成 电路) 布线设计等。 ( 4 ) 预测与管理。股票市场预测，有价证券管理，借贷风险分析，信用卡 管理，机票管理。 ( 5 ) 通信。自适应均衡，回波抵消，路由选择，a t m 网络中的呼叫接纳 识别及控制等。 其它应用如导航，光学望远镜聚焦，运载体轨迹控制，电机故障检测以及 多媒体技术等也有不俗的表现。 1 3 5 人工神经网络在炼油企业中应用的适应性 炼油生产系统中的许多问题都是非线性问题，各个变量之间的关系十分复 杂，很难使用确切的数学表达式来进行描述。在传统的研究中，常常采用的是 线性的、局部的和确定型的分析方法对研究对象进行分析，由于研究手段的局 限，往往将非线性问题转化为线性问题进行研刭州。但是，由于非线性系统与 简化后的线性系统的拓扑结构不一定同胚，因此这种简化可能会使得出的结果 与实际情况产生较大的偏差。 另外，人工神经网络方法具有很强的非线性动态处理问题的能力，在建模 时可以不必事先假设数据必须服从何种分布，数据之间符合什么规律或满足怎 样的关系 6 1 。神经网络方法在处理问题的过程中采用了类似“黑箱”的方法， 它是通过不断的学习和记忆而不是通过假设找出输入变量与输出变量之间的关 系。在对问题进行求解时，将数据输入已经训练完成的网络，根据网络学到并 储存于其中的知识进行演绎和推理，从而得到问题的解决方案。在对神经网络 7 第章绪论 的训练过程中，网络对各因素的权重进行智能化的调整，从而实现了各因素权 重根据历史和现在确定将来的状态或趋势的动态、变权问题的解决。 原油常压蒸馏过程是大型炼油厂及石化企业的首要生产环节，常压蒸馏过程 直接处理原油，经蒸馏塔将原油切割成不同的馏份，这些馏份将成为直接产品或 成为后续加工装置的进料，该生产过程是一个关联强。非线性程度高的大型复杂 系统。 常压蒸馏作为石油加工的关键环节，其侧线馏出产品的质量直接影响全厂的 经济效益，在实际生产过程中各段油品质量的检测是通过抽取成品油样本，进行 离线试验分析，这样，很难适应在线质量控制和在线指导生产过程操作的需要， 因此，实现油品质量的在线估计具有重要的意义。 1 4 本文研究内容 本文根据炼油企业生产过程具有高度复杂，高度非线性以及约束条件复杂 的特点，引入神经网络技术对炼油过程中的一些工艺进行优化控制。以期在现 有的工艺条件下，通过对过程对象的充分了解，调整操作条件，在不增加投资 或投资很小的情况下取得很大的经济效益。 本文首先对神经网络技术进行简要的阐述。在此基础上分别对神经网络技 术在常减压蒸馏装置、催化裂化装置、油品储运系统及炼油企业管理中的应用 进行较深入的研究。利用神经网络技术及一些辅助技术( 如模糊技术) 进行建 模与仿真，其中包括静电脱盐系统的建模与优化、原油常压蒸馏过程中汽油干 点和柴油倾点控制的建模、催化裂化过程中粗汽油干点控制的建模、催化裂化 重整的优化控制、催化裂化装置自整定p i d 控制器的设计、油罐计量装置的优 化、汽油调合的优化控制、柴油调合的优化控制、以及对炼油股价预测和原油 评价进行建模，并对一些仿真结果进行讨论和分析。 第二章人工神经网络基础 2 1 引言 第二章人工神经网络基础 人工神经网络( 心小，a r t i f i e i a ln e u r a ln e t w o r k ) 以简单非线性神经元为处 理单元，通过广泛连接构成大规模分布式并行处理的非线性动力学系统。它从仿 生学角度对人脑的神经系统进行模拟，具有存储并能利用经验知识的能力，在以 下两方面很像人脑：( 1 ) 网络通过学习获取知识；( 2 ) 知识存储在用以描述神经 元之间连接强度的权值中。以这些实现人脑所具有的感知、学习和推理等智能。 由于人们对神经网络有不同的功能要求和实现要求，目前存在的神经网络千差万 别。神经网络需完成的特定信息处理功能要求有与之相适应的网络。在智能模拟 工程系统中，希望神经网络能予以实现的功能主要是推理功能、联想存储功能、 学习功能和模式识别功能等。一个人工神经网络的神经元模型和结构描述了一个 网络如何将它的输入向量转化为输出向量的过程。这个转化过程从数学角度来看 就是一个计算的过程。也就是说，人工神经网络的实质体现了网络输入和其输出 之间的一种函数关系。通过选取不同的模型结构和激励函数，可以形成各种不同 的人工神经网络，得到不同的输入输出关系式，并达到不同的设计目的，完成不 同的任务。 a n n 具有独特的非传统表达方式和固有的学习能力，引起了控制界的普遍 重视，迄今已覆盖了控制理论中的绝大多数问题，如系统建模与辨识、p i d 参数 整定、极点配置、内模控制、优化设计、预测控制、最优控制、自适应控制、滤 波与预测、容错控制、模糊控制、专家控制、学习控制以及数据分析、故障诊断 等方面。现代工业过程内在机理复杂，而且存在严重非线性和不确定性问题，依 据传统方法建立的软测量模型难以真实地描述过程特性，而采用a n n 方法可以 在不需要了解过程稳态和动态的先验知识的情况下很方便地建立软测量模型。而 且随着工业过程内部特性的变化，软测量模型可以通过学习及时地得到修正，这 使得a n n 成为软测量和推断控制的主要工具。a n n 的主要吸引力在于： ( 1 ) 能够以任意精度逼近任意非线性映射，给建模带来一种非传统的表达 工具： ( 2 ) 具有自适应性能力，包括自学习能力、自组织推理能力等； ( 3 ) 并行结构和并行处理，它不但结构上是并行的，处理顺序也是并行的， 因此处理速度快，能快速实现大量复杂的控制算法，进行实时处理； ( 4 ) 分布式信息存储与处理结构，使其具有独特的容错性； 9 第二章人工神经网络基础 ( 5 ) 能够同时融合定量与定性数据，使其能够利用连接主义的结构，与传 统控制方法及符号主义的人工智能相结合： 2 2 人工神经网络 2 2 1 人工神经网络结构 2 2 1 1 神经元模型 神经元是人工神经网络的基本处理单元，它一般是一个多输入单输出的非线 性元件嘲。神经元输出除受输入信号的影响外，同时也受到神经元内部其它因素 的影响，所以在人工神经元的建模中，常常还加有一个额外输入信号，称为偏置 ( b i a s ) ，有时也称为阈值或门限值。 一个具有，个输入分量的神经元如图2 1 所示。其中，输入分量 ， 0 ( ，= l ，2 ，r ) 通过与和它相乘的权值分量( _ ，= 1 , 2 ，) 相连，以髟弓的 j ，l 形式求和后，形成激励函数，( ) 的输入。激励函数的另一个输入是神经元的偏置 茎 三 权值 b 阐值 圈2 1 单个神经兀模型图 权值形和输入c 的矩阵形式可以由形的行向量以及p 的列向量来表示： = 阮，彬】 p = 阮，昱，p 】r 神经元模型的输出向量可表示为： a = f ( w p + 6 ) = 厂( 只+ 1 - 1 可以看出偏置被简单地加在矿p 上作为激励函数的另一个输入分量。对偏置 1 0 第二章人工神经网络基础 通常这么看：认为它也是一个输入，但其连接权为l 。在网络的设计中，偏置起 着重要的作用，它使得激励函数的图形可以左右移动而增加了解决问题的可能 性。 2 2 1 2 激励函数 激励函数( a c t i v a t i o nf u n c t i o n ) 是一个神经元及网络的核心。网络解决问题 的能力与功效除了与网络结构有关，在很大程度上取决于网络所采用的激励函 数。 激励函数的基本作用是： ( 1 ) 控制输入对输出的激励作用； ( 2 ) 对输入、输出进行函数转换； ( 3 ) 将可能无限域的输入变换成指定的有限范围内的输出。 下面是几种常用的激励函数： ( 1 ) 阈值型( 硬限制型) 这种激励函数将任意输入转化为0 或l 的输出，函数，( ) 为单位阶跃函数， 具有此函数的神经元的输入输出关系为： 爿= f ( w - p + b ，= 器z ：三： ( 2 ) 线性型 线性激励函数使网络的输出等于加权输入和加上偏差，此函数的输入输出 关系为： a = l q v p 七砩= w p 4 - b ( 3 ) s 型( s i g m o i d ) s 型激励函数将任意输入值压缩到( o ，1 ) 的范围内。此种激励函数常用对 数或双衄正切等一类s 形状的曲线来表示，如对数s 型激励函数关系为： 1 f 2 = 1 + e x p - a v 其中：v = 罗p ；参数a 0 可控制其斜率。 而双曲正切s 型曲线的函数关系为： 厂= 蛐( 手而i - e x p ( - v i ) s 型激励函数具有非线性放大增益，对任意输入的增益等于在输入，输出曲线 中该双曲正切输入点处的曲线斜率值。当输入由一0 0 增大到0 时，其增益由0 增 第二章人工神经网络基础 至最大；然后当输入由0 增加至+ o o 时，其增益又由最大逐渐降低至0 ，并总为 正值。利用该函数可以使同一神经网络既能处理小信号，也能处理大信号。因为 该函数的中间高增益区解决了处理小信号的问题，而在伸向两边的低增益区正好 适用于处理大信号的输入。 一般地，称一个神经网络是线性或非线性是由网络神经元中所具有的激励函 数的线性或非线性来决定的。 2 2 1 3 单层神经元网络模型结构 将两个或更多的简单的神经元并联起来，使每个神经元具有相同的输入向量 p ，即可组成一个神经元层，其中每一个神经元产生一个输出，图2 - 2 给出一个 具有，个输入分量，s 个神经元组成的单层神经元网络。 图2 - 2 单层神经元网络模型结构 从结构图2 也中可以看出，输入向量尸的每个元素只u = 1 , 2 ，r ) ，通过权 矩阵矿与每个输出神经元相连( 即全联接) ；每个神经元通过一个求和符号，在 与输入向量进行加权求和运算后，形成激励函数的输入向量，并经过激励函数 厂( ) 作用后得到输出向量彳，它可以表示为： a 。l = f ( 以x r & 1 + 毋。) 其中，s 为神经元的个数，( ) 表示激励函数。公式中的字母下标给出了向 量矩阵所具有的维数。一般情况下，输入向量数目，与层神经元数目s 不相等， 即s r 。 第二章人工神经网络基础 网络权矩阵为；蹄i ，= 嵋1w 1 2 w 2 lw 2 2 w 0 2 注意，权矩阵矽元素中的行表示神经元的维数，而列表示输入向量的维数。 当有q 组，个输入元素作为网络的输入时，输入向量，则成为一个维数为 ，。q 的矩阵： = p l ip 1 2 p 2 1p 2 2 p ，lp r 2 此时的输出向量为一个维数为j 鼋矩阵彳。： 2 2 1 4 多层神经网络 4 “口= a l la 1 2 口2 1 a 2 2 口k 口2 口 a j l4 ，2 口w 将两个以上的单层神经网络级联起来则组成多层神经网络。一个人工网络可 以有许多层，每层都有一个权矩阵形，一个偏差向量占和一个输出向量a ，为 了对各层向量矩阵加以区别，可以在各层向量矩阵名称后加上层号来命名各层变 量，例如，对第一层的权矩阵和输出向量分别用暇和4 来表示，对第二层的这 些变量表示为形和以等等依此类推。 在多层网络中，每一隐含层的输出都是下一层的输入，所以可以将层2 看作 一层具有s g 维输入向量4 ，s ：s 。维权矩阵，以及g 维输出向量幺的 神经网络。既然已经分清了层2 的所有向量矩阵，则可以把它作为一个单层神经 网络来处理，按照2 2 1 ，3 节求法来计算输入输出之间的函数关系，并利用此法 可以写出任何一层网络输入输出之间的对应关系式。 2 2 2 人工神经网络分类 人工神经网络按照网络拓扑结构可分为前馈型网络和反馈型动态网络两大 类。 前馈型网络是一类单方向层次型网络模块，它包括输入层、输出层和中间隐 含层。从学习的观点看，前馈型网络是一类强有力的学习系统，其结构简单且易 于编程。而从信息处理观点看，它主要是一类信息“映射”处理系统，可使网络 k 第二章人工神经网络基础 实现特定的刺激反应式的感知、识别和推理等。 反馈型动态网络是一类可实现联想记忆及联想映射的网络，这一颇具吸引力 的特性使得它在智能模拟中被广泛关注。反馈型动态网络可用于信息处理系统在 于它具有其稳定的吸引子。在神经网络理论中，把反馈型动态网络对一个经验模 式或实例的稳定记忆状态称为此神经网络的一个稳定吸引子，而把能激发此吸引 子从而引起预定的联想和回忆的输入条件称为此吸引子的吸引域。神经网络对输 入信息进行处理的过程常常是一个寻找出记忆中的一个对应稳定吸引子的过程。 一旦外界输入进入神经网络中某稳定吸引子的吸引域( 通常，此输入仅为原有记 忆的一部分并带有不精确信息) ，神经网络中神经元的状态最终会稳定在此吸引 子的状态。而其输出即为按预定模式进行联想后原有记忆的内容或预定信息“转 换”的结果。神经网络也即以此来完成要求的识别和推理等“思维”过程。 2 3 多层b p 网络 2 3 1b p 网络的原理 多层网络可以解决非线性可分问题，但由于有隐层后使得学习比较困难，限 制了多层网络的发展。而用于多层前馈网络学习的反向传输( 或称b p ，即b a c k p r o p a g a t i o n ) 算法的出现解决了这一困难，促使多层网络的研究重新得到重视i g 】。 b p 算法是一种有教师的学习算法，其具体学习算法是：输入学习样本，然后将 实际的输出值与已知与其对应的教师值的误差来修改其连接权和阈值，使实际输 出值与要求的教师值尽可能地接近【9 j 。 2 3 2b p 网络的学习算法 在多层前馈网络中有两种信号在流通：( i ) 工作信号，它是旌加输入信号后 向前传播直到在输出端产生实际输出的信号，是输入和权值的函数；( 2 ) 误差信 号，网络实际输出与应有输出间的差值即为误差，它由输出端开始逐层向后传播。 下面具体阐述b p 网络的学习算法。 设在第栉次迭代中输出端的第，个单元的输出为y ，( 力，其对应的教师值为 d j ( 片) ，则该单元的误差信号为： e ，( 玎) = d ，( 栉) 一y ，( 哟 定义单元，的平方误差为去e ( 力，则输出端总的平方误差的瞬间值为： 二 f ( 竹) = 妄e ；( 刀) 1 4 第二章人工神经网络基础 其中c 包括所有输出单元。设训练集中样本总数为 ，个，则平方误差的均值为： ，= 吉孝( 功 乱r 为学习的目标函数，学习的目的应使厶r 达最小，钆，是网络所有权值和阚值 以及输入信号的函数。 反向传输算法的步骤可归纳如下： ( 1 ) 初始化，选定合理的网络结构，置所有可调参数( 权和阙值) 为均匀 分布的较小数值。 ( 2 ) 对每个输