基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于高含硫天然氣脫硫生產(chǎn)過程中智能節(jié)能增產(chǎn)技術(shù)，涉及一種基于無跡 卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法。
【背景技術(shù)】
[0002] 高含硫天然氣工業(yè)流程復(fù)雜，過程工藝參數(shù)眾多，受溫度、壓力、流量、設(shè)備老化和 原料氣處理量等不確定因素影響，是典型的復(fù)雜非線性動態(tài)特性化工系統(tǒng)。高含硫天然氣 凈化脫硫過程主要包括以下部分：主吸收塔MDEA溶液吸收酸性組分H2S和C02,水解反應(yīng) 器脫除（C0S)，再生塔MDEA溶液的循環(huán)再生以及換熱過程，具體工藝流過程如圖2所示。如 何建立精確可靠的高含硫天然氣凈化脫硫工業(yè)過程模型是提高成品氣產(chǎn)量，降低脫硫過程 能耗的基礎(chǔ)和前提，對指導(dǎo)實際工業(yè)生產(chǎn)具有重要的現(xiàn)實意義。
[0003] 高含硫天然氣凈化脫硫過程的機(jī)理模型可描述生產(chǎn)中重要變量的變化趨勢，反映 生產(chǎn)過程的機(jī)理知識。然而，高含硫天然氣凈化脫硫生產(chǎn)過程是一個復(fù)雜的物理、化學(xué)過 程，一般具有結(jié)構(gòu)復(fù)雜、多變量、非線性、時滯、不確定性等特點，傳統(tǒng)的機(jī)理建模方法很難 滿足精確建模的要求。神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network, ANN)以其強大非線性逼近 能力，與傳統(tǒng)機(jī)理建模方法相比，屬于統(tǒng)計建模方法，具有能建立不依賴于精確過程原理 和能以任意精度逼近任何非線性映射的特點。
[0004] ANN在處理復(fù)雜系統(tǒng)的建模問題上顯示出獨特的優(yōu)越性，被廣泛用于工業(yè)過程建 模。然而目前，應(yīng)用神經(jīng)網(wǎng)絡(luò)建立高含硫天然氣凈化脫硫生產(chǎn)過程模型時，忽略了環(huán)境變 量和內(nèi)部狀態(tài)變量對模型的影響，假設(shè)其環(huán)境噪聲和內(nèi)部狀態(tài)變量是相對穩(wěn)定的。往往只 是對輸入輸出變量進(jìn)行簡單的靜態(tài)映射，是一種靜態(tài)建模方法，對高含硫天然氣凈化脫硫 生產(chǎn)過程建模效果有限。如何建立高含硫天然氣凈化脫硫過程的高精度模型成為難點。
[0005] UKF神經(jīng)網(wǎng)絡(luò)采用具有自適應(yīng)動態(tài)跟蹤能力UKF濾波算法對靜態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn) 行調(diào)整，將神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值作為UKF的狀態(tài)變量，神經(jīng)網(wǎng)絡(luò)的輸出作為UFN的測量變 量。通過狀態(tài)參數(shù)估計建立動態(tài)實時濾波效果的模型，使其能夠反映系統(tǒng)的實際變化情況， 以得到精確的模型。
[0006] 天然氣凈化脫硫生產(chǎn)過程中，能耗和產(chǎn)量是兩個重要的考核指標(biāo)。然而產(chǎn)量和能 耗間又存在相互制約關(guān)系，對其中一個目標(biāo)優(yōu)化必須以犧牲另一個目標(biāo)作為代價，而且各 目標(biāo)的單位又往往不一致，因此很難客觀地評價兩個目標(biāo)問題解的優(yōu)劣性。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天 然氣凈化工藝建模優(yōu)化方法，它能夠建立精確可靠的高含硫天然氣凈化脫硫工業(yè)過程模 型，能夠以此為基礎(chǔ)提高成品氣產(chǎn)量，降低脫硫過程能耗，對指導(dǎo)實際工業(yè)生產(chǎn)具有重要的 現(xiàn)實意義。
[0008] 本發(fā)明的目的是這樣實現(xiàn)的：
[0009] -種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法，其特征在于該方 法按如下步驟進(jìn)行：
[0010] 步驟1 :確定高含硫天然氣凈化脫硫工藝過程模型的輸入變量：選擇高含硫天然 氣凈化脫硫工藝生產(chǎn)過程中能被有效控制的m個工藝操作參數(shù)作為模型輸入變量，其中， m = 10,輸入變量分別為表示脫硫吸收塔胺液入口流量，X 2表示尾氣吸收塔胺液入口流 量，X3表示原料氣處理量，X 4表示半富胺液循環(huán)量，X 5表示一級吸收塔胺液入口溫度，X 6表 示二級吸收塔胺液入口溫度，X7表示閃蒸罐壓力，X 8表示重沸器A 口蒸汽消耗量，X 9表示重 沸器B 口蒸汽消耗量，Xltl表示蒸汽預(yù)熱器流量；
[0011] 步驟2 :采集高含硫天然氣凈化脫硫工藝生產(chǎn)數(shù)據(jù)，所得數(shù)據(jù)為[Xmxi^Y1, Y2]，其 中：m為輸入變量數(shù)，N為采集樣本數(shù)量，X為輸入變量空間，Y1S H 2S含量，￥2為CO 2含量；
[0012] 采集高含硫天然氣凈化脫硫生產(chǎn)過程中的工藝參數(shù)，并采集對應(yīng)工藝參數(shù)下生產(chǎn) 的天然氣當(dāng)中的H2S含量和C02含量，用于后續(xù)建模、優(yōu)化。
[0013] 步驟3 :對步驟2所得的高含硫天然氣凈化脫硫工藝生產(chǎn)數(shù)據(jù)進(jìn)行預(yù)處理，得到最 能反映出生產(chǎn)過實際特性的有效數(shù)據(jù)；
[0014] 3. 1剔除采集數(shù)據(jù)中缺失參數(shù)的樣本，并保證樣本滿足企業(yè)凈化氣技術(shù)指標(biāo)，得到 新數(shù)據(jù)為[Xmxn，Y 1, Y2]，η為處理后樣本數(shù)量，η < N ;
[0015] 3. 2對輸入變量數(shù)據(jù)進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，樣本減少為 [Xnffl, Y1, Y2] (Η ^ η)；
[0016] 通過剔除采集數(shù)據(jù)中缺失參數(shù)的樣本以及粗大誤差數(shù)據(jù)能夠得到最能反映出生 產(chǎn)過程實際特性的有效數(shù)據(jù)。
[0017] 3. 3對輸入變量數(shù)據(jù)進(jìn)行3 σ準(zhǔn)則處理，3 σ準(zhǔn)則處理后，樣本減少為[XA，Y1, Y2] (h ^ Η)；
[0018] 3 〇準(zhǔn)則處理的基本思想為：通常數(shù)據(jù)上控制限UCL和下控制限LCL與中心線的 距離為3 〇以內(nèi)的數(shù)據(jù)是較好的。因此，將在上、下控制線以外的數(shù)據(jù)刪除，保證數(shù)據(jù)為最 優(yōu)數(shù)據(jù)。其中，中心線與上、下控制線的公式如下：
[0019] UCL = μ +3 σ，CL = μ，LCL = μ _3 σ
[0020] 其中：μ :總體數(shù)據(jù)的平均值；σ :總體數(shù)據(jù)的標(biāo)準(zhǔn)差。
[0021] 對數(shù)據(jù)[Xnffl, Y1, Y2] (Η彡η)中的各輸入變量，采用上述公式進(jìn)行計算，確定 UCL，CL, LCL。若某輸入變量的取值在該上、下控制線外，則剔除該數(shù)據(jù)樣本點，通過對系統(tǒng) 分析。
[0022] 如果某變量的大量正常取值位于控制線外，則擴(kuò)大控制線范圍，以保留該正常取 值的變量，得到新數(shù)據(jù)[X mh，Y1, Y2] (h彡Η)。
[0023] 3. 4進(jìn)行數(shù)據(jù)歸一化處理，得到新數(shù)據(jù)為[X' mh，Y/，Y2' ];
[0024] 采用歸一化方法，得到有效數(shù)據(jù)，提高模型精度。
[0025] 步驟4 :采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)[X' Λ，Y/，Υ2' ]進(jìn)行建模，以 得到高含硫天然氣凈化脫硫過程產(chǎn)能的精確模型，通過無跡卡爾曼濾波對神經(jīng)網(wǎng)絡(luò)權(quán)值、 閾值進(jìn)行估計，將神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值作為無跡卡爾曼濾波的狀態(tài)變量，神經(jīng)網(wǎng)絡(luò)的輸出作 為無跡卡爾曼濾波的測量變量，從而得到高含硫天然氣凈化脫硫過程產(chǎn)能的精確模型；
[0026] 所述無跡卡爾曼神經(jīng)網(wǎng)絡(luò)為三層神經(jīng)網(wǎng)絡(luò)，其中：隱含層傳遞函數(shù)為S型函數(shù)，輸 出層傳遞函數(shù)為Purelin函數(shù)，該三層神經(jīng)網(wǎng)絡(luò)函數(shù)表達(dá)式如下：
[0027]
【主權(quán)項】
1. 一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法，其特征在于該方法 按如下步驟進(jìn)行： 步驟1 :確定高含硫天然氣凈化脫硫工藝過程模型的輸入變量：選擇高含硫天然氣凈 化脫硫工藝生產(chǎn)過程中能被有效控制的m個工藝操作參數(shù)作為模型輸入變量，其中，m = 10,輸入變量分別為=X1表示脫硫吸收塔胺液入口流量，X2表示尾氣吸收塔胺液入口流量， X3表示原料氣處理量，X 4表示半富胺液循環(huán)量，X 5表示一級吸收塔胺液入口溫度，X 6表示二 級吸收塔胺液入口溫度，X7表示閃蒸罐壓力，X 8表示重沸器A 口蒸汽消耗量，X 9表示重沸器 B 口蒸汽消耗量，Xltl表示蒸汽預(yù)熱器流量； 步驟2:采集高含硫天然氣凈化脫硫工藝生產(chǎn)數(shù)據(jù)，所得數(shù)據(jù)為[Xmxi^Y1, Y2]，其中：m 為輸入變量數(shù)，N為采集樣本數(shù)量，X為輸入變量空間，Y1S H 2S含量，￥2為CO 2含量； 步驟3 :對步驟2所得的高含硫天然氣凈化脫硫工藝生產(chǎn)數(shù)據(jù)進(jìn)行預(yù)處理，得到最能反 映出生產(chǎn)過實際特性的有效數(shù)據(jù)； 3. 1剔除采集數(shù)據(jù)中缺失參數(shù)的樣本，并保證樣本滿足企業(yè)凈化氣技術(shù)指標(biāo)，得到新數(shù) 據(jù)為[Xmxn，Y1, Y2]，η為處理后樣本數(shù)量，η < N ; 3. 2對輸入變量數(shù)據(jù)進(jìn)行粗大誤差數(shù)據(jù)剔除，粗大誤差數(shù)據(jù)剔除后，樣本減少為 [Xnffl, Y1, Y2] (Η ^ η)； 3.3對輸入變量數(shù)據(jù)進(jìn)行3〇準(zhǔn)則處理，3〇準(zhǔn)則處理后，樣本減少為[XnfcY 11Y2] (h ^ Η)； 3. 4進(jìn)行數(shù)據(jù)歸一化處理，得到新數(shù)據(jù)為[X' mh，Y/，Y2' ]; 步驟4 :采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)[X' mh，Y/，Υ2' ]進(jìn)行建模，以得到 高含硫天然氣凈化脫硫過程產(chǎn)能的精確模型，通過無跡卡爾曼濾波對神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值 進(jìn)行估計，將神經(jīng)網(wǎng)絡(luò)權(quán)值、閾值作為無跡卡爾曼濾波的狀態(tài)變量，神經(jīng)網(wǎng)絡(luò)的輸出作為無 跡卡爾曼濾波的測量變量，從而得到高含硫天然氣凈化脫硫過程產(chǎn)能的精確模型； 所述無跡卡爾曼神經(jīng)網(wǎng)絡(luò)為三層神經(jīng)網(wǎng)絡(luò)，其中：隱含層傳遞函數(shù)為S型函數(shù)，輸出層 傳遞函數(shù)為Purelin函數(shù)，該三層神經(jīng)網(wǎng)絡(luò)函數(shù)表達(dá)式如下：
其中：M = 1U，刃緬八沄神洤兀雙日；q刃歴Tff沄神洤兀雙曰，米用諑/癸法公式 ,i/ = V^TT +Z來確定神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目，K為0-10之間的常數(shù)，通過訓(xùn)練模型效 果比較，選擇最佳的q值作為神經(jīng)網(wǎng)絡(luò)隱含層神經(jīng)元數(shù)目； 采用無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)建立高含硫天然氣凈化脫硫過程產(chǎn)能模型時，無跡卡爾 曼濾波的狀態(tài)初始協(xié)方差、均值，以及無跡卡爾曼濾波中UT變換中擴(kuò)展因子的取值范圍均 在0-1的范圍內(nèi)隨機(jī)給定； 步驟5 :以無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)模型兩個輸出變量設(shè)計偏好函數(shù)，作為適應(yīng)度函 I N 數(shù)A = :Σ _ K，運用多目標(biāo)遺傳算法，對輸入變量Xl，χ2, Xl。 7V M 在各自的上下范圍內(nèi)進(jìn)行優(yōu)化； 步驟6 :將優(yōu)化后的h組輸入變量優(yōu)化解集依次帶入無跡卡爾曼神經(jīng)網(wǎng)絡(luò)模型，計算此 時的模型兩個輸出值H2S含量Y1, CO2含量Y 2，與樣本值平均值進(jìn)行比較，觀察優(yōu)化效果。
2. 根據(jù)權(quán)利要求1所述的基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法， 其特征在于：所述步驟3. 1中企業(yè)凈化氣技術(shù)指標(biāo)凈化氣中為H2S含量低于611^/1113,0)2體 積百分比含量低于3%。
3. 根據(jù)權(quán)利要求1所述的基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法， 其特征在于：所述步驟3. 4中具體歸一化處理方法如下：
其中，Xi為歸一化前的輸入變量，X' i為歸一化后的輸入變量，X min為歸一化前輸入變 量Xi的最小值，Xmax為歸一化前輸入變量的最大值，y i為歸一化前的輸出變量，V i為歸一 化后輸出變量，ymin為歸一化前輸出變量最小值，ymax為歸一化前輸出變量最大值。
4. 根據(jù)權(quán)利要求1所述的基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法， 其特征在于：所述步驟5中設(shè)計3-s類偏好函數(shù)，偏好程度用極好，好，一般，較差，極差五個 等級描述，對應(yīng)的數(shù)值區(qū)間為[〇, 2]，[2, 4]，[4, 6]，[6, 8]，[8, 10]。
【專利摘要】本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于無跡卡爾曼神經(jīng)網(wǎng)絡(luò)的天然氣凈化工藝建模優(yōu)化方法，步驟：確定輸入變量；采集工藝生產(chǎn)數(shù)據(jù)；對數(shù)據(jù)進(jìn)行預(yù)處理；進(jìn)行數(shù)據(jù)歸一化處理；采用無跡卡爾曼神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行建模，得到模型；以無跡卡爾曼濾波神經(jīng)網(wǎng)絡(luò)模型兩個輸出變量設(shè)計偏好函數(shù)，運用多目標(biāo)遺傳算法對輸入變量進(jìn)行優(yōu)化；將優(yōu)化后輸入變量解集依次帶入無跡卡爾曼神經(jīng)網(wǎng)絡(luò)模型，計算此時的模型兩個輸出值，與樣本值平均值進(jìn)行比較，觀察優(yōu)化效果。本方法能夠建立精確可靠的高含硫天然氣凈化脫硫工業(yè)過程模型，能夠以此為基礎(chǔ)提高成品氣產(chǎn)量，降低脫硫過程能耗，對指導(dǎo)實際工業(yè)生產(chǎn)具有重要的現(xiàn)實意義。
【IPC分類】G05B13-04
【公開號】CN104656441
【申請?zhí)枴緾N201410836321
【發(fā)明人】邱奎, 李太福, 張莉婭, 李景哲, 辜小花, 裴仰軍
【申請人】重慶科技學(xué)院
【公開日】2015年5月27日
【申請日】2014年12月29日