基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
【技术领域】
[0001] 本发明属于高含硫天然气脱硫生产过程中智能节能增产技术，涉及一种基于无迹 卡尔曼神经网络的天然气净化工艺建模优化方法。
【背景技术】
[0002] 高含硫天然气工业流程复杂，过程工艺参数众多，受温度、压力、流量、设备老化和 原料气处理量等不确定因素影响，是典型的复杂非线性动态特性化工系统。高含硫天然气 净化脱硫过程主要包括以下部分：主吸收塔MDEA溶液吸收酸性组分H2S和C02,水解反应 器脱除（C0S)，再生塔MDEA溶液的循环再生以及换热过程，具体工艺流过程如图2所示。如 何建立精确可靠的高含硫天然气净化脱硫工业过程模型是提高成品气产量，降低脱硫过程 能耗的基础和前提，对指导实际工业生产具有重要的现实意义。
[0003] 高含硫天然气净化脱硫过程的机理模型可描述生产中重要变量的变化趋势，反映 生产过程的机理知识。然而，高含硫天然气净化脱硫生产过程是一个复杂的物理、化学过 程，一般具有结构复杂、多变量、非线性、时滞、不确定性等特点，传统的机理建模方法很难 满足精确建模的要求。神经网络（Artificial Neural Network, ANN)以其强大非线性逼近 能力，与传统机理建模方法相比，属于统计建模方法，具有能建立不依赖于精确过程原理 和能以任意精度逼近任何非线性映射的特点。
[0004] ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于工业过程建 模。然而目前，应用神经网络建立高含硫天然气净化脱硫生产过程模型时，忽略了环境变 量和内部状态变量对模型的影响，假设其环境噪声和内部状态变量是相对稳定的。往往只 是对输入输出变量进行简单的静态映射，是一种静态建模方法，对高含硫天然气净化脱硫 生产过程建模效果有限。如何建立高含硫天然气净化脱硫过程的高精度模型成为难点。
[0005] UKF神经网络采用具有自适应动态跟踪能力UKF滤波算法对静态神经网络模型进 行调整，将神经网络权值和阈值作为UKF的状态变量，神经网络的输出作为UFN的测量变 量。通过状态参数估计建立动态实时滤波效果的模型，使其能够反映系统的实际变化情况， 以得到精确的模型。
[0006] 天然气净化脱硫生产过程中，能耗和产量是两个重要的考核指标。然而产量和能 耗间又存在相互制约关系，对其中一个目标优化必须以牺牲另一个目标作为代价，而且各 目标的单位又往往不一致，因此很难客观地评价两个目标问题解的优劣性。
【发明内容】
[0007] 本发明的目的在于克服现有技术的不足，提供一种基于无迹卡尔曼神经网络的天 然气净化工艺建模优化方法，它能够建立精确可靠的高含硫天然气净化脱硫工业过程模 型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的 现实意义。
[0008] 本发明的目的是这样实现的：
[0009] -种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，其特征在于该方 法按如下步骤进行：
[0010] 步骤1 :确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然 气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中， m = 10,输入变量分别为表示脱硫吸收塔胺液入口流量，X 2表示尾气吸收塔胺液入口流 量，X3表示原料气处理量，X 4表示半富胺液循环量，X 5表示一级吸收塔胺液入口温度，X 6表 示二级吸收塔胺液入口温度，X7表示闪蒸罐压力，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表示蒸汽预热器流量；
[0011] 步骤2 :采集高含硫天然气净化脱硫工艺生产数据，所得数据为[Xmxi^Y1, Y2]，其 中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y1S H 2S含量，￥2为CO 2含量；
[0012] 采集高含硫天然气净化脱硫生产过程中的工艺参数，并采集对应工艺参数下生产 的天然气当中的H2S含量和C02含量，用于后续建模、优化。
[0013] 步骤3 :对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最 能反映出生产过实际特性的有效数据；
[0014] 3. 1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到 新数据为[Xmxn，Y 1, Y2]，η为处理后样本数量，η < N ;
[0015] 3. 2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为 [Xnffl, Y1, Y2] (Η ^ η)；
[0016] 通过剔除采集数据中缺失参数的样本以及粗大误差数据能够得到最能反映出生 产过程实际特性的有效数据。
[0017] 3. 3对输入变量数据进行3 σ准则处理，3 σ准则处理后，样本减少为[XA，Y1, Y2] (h ^ Η)；
[0018] 3 〇准则处理的基本思想为：通常数据上控制限UCL和下控制限LCL与中心线的 距离为3 〇以内的数据是较好的。因此，将在上、下控制线以外的数据删除，保证数据为最 优数据。其中，中心线与上、下控制线的公式如下：
[0019] UCL = μ +3 σ，CL = μ，LCL = μ _3 σ
[0020] 其中：μ :总体数据的平均值；σ :总体数据的标准差。
[0021] 对数据[Xnffl, Y1, Y2] (Η彡η)中的各输入变量，采用上述公式进行计算，确定 UCL，CL, LCL。若某输入变量的取值在该上、下控制线外，则剔除该数据样本点，通过对系统 分析。
[0022] 如果某变量的大量正常取值位于控制线外，则扩大控制线范围，以保留该正常取 值的变量，得到新数据[X mh，Y1, Y2] (h彡Η)。
[0023] 3. 4进行数据归一化处理，得到新数据为[X' mh，Y/，Y2' ];
[0024] 采用归一化方法，得到有效数据，提高模型精度。
[0025] 步骤4 :采用无迹卡尔曼神经网络对预处理后的数据[X' Λ，Y/，Υ2' ]进行建模，以 得到高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、 阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作 为无迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型；
[0026] 所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输 出层传递函数为Purelin函数，该三层神经网络函数表达式如下：
[0027]
【主权项】
1. 一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，其特征在于该方法 按如下步骤进行： 步骤1 :确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净 化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m = 10,输入变量分别为=X1表示脱硫吸收塔胺液入口流量，X2表示尾气吸收塔胺液入口流量， X3表示原料气处理量，X 4表示半富胺液循环量，X 5表示一级吸收塔胺液入口温度，X 6表示二 级吸收塔胺液入口温度，X7表示闪蒸罐压力，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表示蒸汽预热器流量； 步骤2:采集高含硫天然气净化脱硫工艺生产数据，所得数据为[Xmxi^Y1, Y2]，其中：m 为输入变量数，N为采集样本数量，X为输入变量空间，Y1S H 2S含量，￥2为CO 2含量； 步骤3 :对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反 映出生产过实际特性的有效数据； 3. 1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数 据为[Xmxn，Y1, Y2]，η为处理后样本数量，η < N ; 3. 2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为 [Xnffl, Y1, Y2] (Η ^ η)； 3.3对输入变量数据进行3〇准则处理，3〇准则处理后，样本减少为[XnfcY 11Y2] (h ^ Η)； 3. 4进行数据归一化处理，得到新数据为[X' mh，Y/，Y2' ]; 步骤4 :采用无迹卡尔曼神经网络对预处理后的数据[X' mh，Y/，Υ2' ]进行建模，以得到 高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、阈值 进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无 迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型； 所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输出层 传递函数为Purelin函数，该三层神经网络函数表达式如下：
其中：M = 1U，刃緬八沄神洤兀双日；q刃歴Tff沄神洤兀双曰，米用诼/癸法公式 ,i/ = V^TT +Z来确定神经网络隐含层神经元数目，K为0-10之间的常数，通过训练模型效 果比较，选择最佳的q值作为神经网络隐含层神经元数目； 采用无迹卡尔曼滤波神经网络建立高含硫天然气净化脱硫过程产能模型时，无迹卡尔 曼滤波的状态初始协方差、均值，以及无迹卡尔曼滤波中UT变换中扩展因子的取值范围均 在0-1的范围内随机给定； 步骤5 :以无迹卡尔曼滤波神经网络模型两个输出变量设计偏好函数，作为适应度函 I N 数A = :Σ _ K，运用多目标遗传算法，对输入变量Xl，χ2, Xl。 7V M 在各自的上下范围内进行优化； 步骤6 :将优化后的h组输入变量优化解集依次带入无迹卡尔曼神经网络模型，计算此 时的模型两个输出值H2S含量Y1, CO2含量Y 2，与样本值平均值进行比较，观察优化效果。
2. 根据权利要求1所述的基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法， 其特征在于：所述步骤3. 1中企业净化气技术指标净化气中为H2S含量低于611^/1113,0)2体 积百分比含量低于3%。
3. 根据权利要求1所述的基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法， 其特征在于：所述步骤3. 4中具体归一化处理方法如下：
其中，Xi为归一化前的输入变量，X' i为归一化后的输入变量，X min为归一化前输入变 量Xi的最小值，Xmax为归一化前输入变量的最大值，y i为归一化前的输出变量，V i为归一 化后输出变量，ymin为归一化前输出变量最小值，ymax为归一化前输出变量最大值。
4. 根据权利要求1所述的基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法， 其特征在于：所述步骤5中设计3-s类偏好函数，偏好程度用极好，好，一般，较差，极差五个 等级描述，对应的数值区间为[〇, 2]，[2, 4]，[4, 6]，[6, 8]，[8, 10]。
【专利摘要】本发明的目的在于克服现有技术的不足，提供一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，步骤：确定输入变量；采集工艺生产数据；对数据进行预处理；进行数据归一化处理；采用无迹卡尔曼神经网络对数据进行建模，得到模型；以无迹卡尔曼滤波神经网络模型两个输出变量设计偏好函数，运用多目标遗传算法对输入变量进行优化；将优化后输入变量解集依次带入无迹卡尔曼神经网络模型，计算此时的模型两个输出值，与样本值平均值进行比较，观察优化效果。本方法能够建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的现实意义。
【IPC分类】G05B13-04
【公开号】CN104656441
【申请号】CN201410836321
【发明人】邱奎, 李太福, 张莉娅, 李景哲, 辜小花, 裴仰军
【申请人】重庆科技学院
【公开日】2015年5月27日
【申请日】2014年12月29日