一种脱丁烷塔底部产品丁烷含量的在线软测量方法与流程

本发明涉及一种软测量技术，特别涉及一种脱丁烷塔底部产品丁烷含量的在线软测量方法。

背景技术：

脱丁烷塔做为一类特殊用途的精馏塔设备，其目的在于去除石脑油产品中的丁烷成分，这在炼油过程中起到了非常关键的作用。脱丁烷塔的的工艺设备除了起分离作用的精馏塔之外，还包括塔顶部冷凝器，热交换器，塔顶部回流泵，塔底部再沸器，回流储液罐，和进料泵。石脑油经过脱丁烷塔处理后，其底部产品中丁烷的含量应该尽可能将至最低。若丁烷含量不符合工艺设计要求，则需要及时调控脱丁烷塔的生产过程状态。因此，在线实时测量丁烷的含量是非常有必要的，可直接根据丁烷含量数据实时的对脱丁烷塔进行相应的调控。

从硬件设备上讲，丁烷含量的测量仪器仪表跟化工过程测量温度、压力、流量的仪器仪表是存在显著不同的。测量温度，压力，流量等信息的仪表技术非常成熟，成本相对低廉。然而，测量化学成分的在线分析仪，设备采购价格高昂，且还需要人工定期进行设备的维护。无论是从设备成本，亦或是后期设备维护，在线分析仪器的价格是不菲的。一个取而代之的测量手段是通过使用离线成分分析仪，但是离线分析仪器无法做到在线测量的实时性要求，测量结果反馈会存在严重的滞后性。因此，需要一种软测量技术来实时在线软测量脱丁烷塔底部产品中的丁烷含量。

一方面，由于脱丁烷塔的运行过程是动态性的，存在时间先后的相关性。因此，在建立软测量模型时，需要考虑时序特性。另一方面，由于脱丁烷塔回流流量和温度等信息会直接影响丁烷的含量，且他们之间的关系是非线性的。因此，需要非线性的数据特征挖掘策略来建立这种软测量关系。此外，考虑到脱丁烷塔运行时候的变化特性，需要对过程数据进行深度特征挖掘，从而提取出最利于软测量建模的潜在非线性特征。在现有专利与科研文献中，elman神经网络因其反馈回路的存在，使其具有适应时变特性的能力，能直接动态反应动态过程系统的特性。因此，利用elman神经网络进行深度动态非线性特征提取，可建立脱丁烷塔底部产品丁烷含量的软测量模型。

技术实现要素：

本发明所要解决的主要技术问题是：如何建立深度elman神经网络模型，从而实现逐层提取非线性特征，用于实现对丁烷含量的实时软测量。具体来讲，本发明方法通过搭建由多级elman神经网络串联而成的深度elman神经网络模型，从而实现对脱丁烷塔过程数据的深度特征提取。并在此基础上从而建立精度更高，更有保障的塔底部产品丁烷含量的软测量模型。

本发明方法解决上述问题所采用的技术方案为：一种脱丁烷塔底部产品丁烷含量的在线软测量方法，包括以下步骤：

步骤(1)：利用脱丁烷塔设备中安装的7个测量仪表实时测量数据，直至采集得到n个样本数据，分别记录成7个列向量x1，x2，…，x7，并利用离线分析仪获取相同测量时刻塔底部产品丁烷含量的n个数据，对应记录成列向量y，其中xi由第i个过程变量的n个样本数据组成，i∈{1，2，…，7}分别对应于塔顶部温度，塔顶部压力，回流流量，底部产品出口流量，第6层塔板温度，塔底部温度a和塔底部温度b。

由于涉及商业机密，脱丁烷塔底部温度测量点有两个，具体测量位置使用a和b来表示。

步骤(2)：根据如下所示公式对x1，x2，…，x7和y分别实施归一化处理，对应得到7个数据向量和1个输出向量并将数据向量组建成一个过程矩阵

其中，r^n×7表示n×7维的实数矩阵，表示归一化处理后的第i个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，y(min)与y(max)分别表示列向量y中的最小值和最大值，下标号i∈{1，2，…，7}。

步骤(3)：根据如下所示公式组建输入矩阵z中的第k列输入向量zk∈r^21×1：

zk＝[x(k+2)，x(k+1)，x(k)]^t②

其中，x(k+2)，x(k+1)，x(k)分别表示过程矩阵x中的第k+2行，k+1行，和第k行的行向量，k∈{1，2，…，n}，r^21×1表示21×1维的实数向量，n＝n-2，上标号t表示矩阵或向量的转置。

步骤(4)：搭建一个由m级elman神经网络串联组成的深度elman神经网络模型，并确定中间层神经元的传递函数f(u)，输出层神经元的传递函数ζ(u)，以及各级elman神经网络的中间层神经元个数h1，h2，…，hm；其中u表示函数自变量。

步骤(5)：利用反向传播(back-propagation，缩写为bp)算法依次训练第1级elman神经网络，第2级elman神经网络，至第m级elman神经网络，并保留各级elman神经网络的中间层神经元的权重系数w1，w2，…，wm和中间层神经元的阈值b1，b2，…，bm，各级elman神经网络的承接层到中间层的连接权值v1，v2，…，vm和阈值a1，a2，…，am，第m级elman神经网络的输出层神经元的权重系数和阈值具体的实施过程如下所示。

步骤(5.1)：第1级elman神经网络的输入层有21个神经元，中间层有h1个神经元，输出层有1个神经元，初始化中间层神经元和输出层神经元的权重系数和阈值，并同时初始化承接层到中间层的连接权值与阈值。

步骤(5.2)：以z1，z2，…，zn做为第1级elman神经网络的输入，同时以做为第1级elman神经网络的输出，利用bp算法训练得到第1级elman神经网络的中间层神经元的权重系数和阈值承接层到中间层的连接权值和阈值以及输出层神经元的权重系数和阈值后，初始化m＝1，其中分别表示输出向量中的第3个，第4个，至第n个元素。

步骤(5.3)：第m+1级elman神经网络的输入层有hm个神经元，中间层有hm+1个神经元，输出层有1个神经元，初始化中间层神经元和输出层神经元的权重系数和阈值，并同时初始化承接层到中间层的连接权值与阈值。

步骤(5.4)：将第m级elman神经网络中间层神经元的输出向量g1(m)，g2(m)，…，gn(m)做为第m+1级elman神经网络的输入，同时以做为第m+1级elman神经网络的输出，其中g1(m)，g2(m)，…，gn(m)的计算方式如下所示。

上式中，k∈{1，2，…，n}，当k＝1时，与都为零向量，表示hm-1×1维的实数向量。

步骤(5.5)：利用bp算法训练得到第m+1级elman神经网络中间层神经元的权重系数和阈值承接层到中间层的连接权值和阈值以及输出层神经元的权重系数和阈值其中表示hm×hm+1维的实数矩阵，表示hm+1×hm+1维的实数矩阵。

步骤(5.6)：判断是否满足条件m+1＜m；若是，则设置m＝m+1后返回步骤(5.3)；若否，则深度elman神经网络模型训练结束。

上述实施步骤完成了对脱丁烷塔底部产品丁烷浓度的软测量建模，从步骤(5)的具体实施过程可以看出，本发明方法建立的软测量模型是使用多级elman神经网络串联而成的深度elman神经网络模型。

步骤(6)：在最新采样时刻t，对7个采样数据v1(t)，v2(t)，…，v7(t)进行归一化处理，得到归一化后的数据具体的归一化方式如下所示：

上式中，i∈{1，2，…，7}。

步骤(7)：根据εt＝[v(t)，v(t-1)，v(t-2)]^t组建最新采样时刻的输入向量εt，其中，行向量v(t-1)与v(t-2)分别表示t-1采样时刻与t-2采样时刻的采样数据经归一化处理后所组建的行向量。

步骤(8)：以输入向量εt做为深度elman神经网络模型的输入，依次计算得到第1级elman神经网络，第2级elman神经网络，直至第m级elman神经网络的中间层神经元的输出向量ct(1)，ct(2)，…，ct(m)，其中ct(m)的计算方式如下所示：

上式中，ct-1(m)为t-1采样时刻第m级elman神经网络的中间层神经元的输出向量。

步骤(9)：根据公式计算t采样时刻的输出估计值后，再根据公式计算得到t采样时刻的丁烷含量软测量值yt。

步骤(10)：返回步骤(6)，继续实施对下一个最新采样时刻的脱丁烷塔底部产品丁烷含量的在线软测量。

通过以上所述实施步骤，本发明方法的优势介绍如下。

本发明方法建立软测量模型时，使用的是多级elman神经网络串联而成的深度elman神经网络模型，不仅利用了elman神经网络自有的适应时变特性的能力，而且还通过逐层提取非线性特征实现了对过程数据的深度特征提取。在接下来的具体实施案例中，通过实验结果的对比验证了本发明方法相对于传统elman神经网络建立软测量模型的优越性。

附图说明

图1为本发明方法的实施流程示意图。

图2为脱丁烷塔的组成结构示意图

图3为本发明方法中深度elman神经网络模型的结构示意图。

图4为本发明方法与其他方法在实时软测量丁烷含量的误差对比图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，本发明公开了一种脱丁烷塔底部产品丁烷含量的在线软测量方法，下面结合一个具体应用实例来说明本发明方法的具体实施方式。

如图2所示，脱丁烷塔过程系统组成包括：塔顶部冷凝器，热交换器，塔顶部回流泵，塔底部再沸器，回流储液器，和进料泵。

首先，利用1000个样本数据离线训练软测量模型，具体包括如下所示步骤(1)至步骤(5)。

步骤(1)：利用丁烷塔设备中安装的7个测量仪表实时测量数据，直至采集得到n＝1000个样本数据，分别记录成7个列向量x1，x2，…，x7，并利用离线分析仪获取相同测量时刻塔底部产品丁烷含量的n个数据，对应记录成列向量y，其中xi由第i个过程变量的1000个样本数据组成，i∈{1，2，…，7}分别对应于塔顶部温度，塔顶部压力，回流流量，底部产品出口流量，第6层塔板温度，塔底部温度a和塔底部温度b。

步骤(2)：根据前述公式①对x1，x2，…，x7和y分别实施归一化处理，对应得到7个数据向量和1个输出向量并将数据向量组建成一个过程矩阵

步骤(3)：根据前述公式②组建输入矩阵z中的第k列输入向量zk∈r^21×1。

步骤(4)：搭建一个由m＝3个elman神经网络串联组成的深度elman神经网络模型，其结构如图3所示，并确定中间层神经元的传递函数f(u)为sigmoid函数，输出层神经元的传递函数ζ(u)为双曲正切函数，以及各级elman神经网络的中间层神经元个数为h1，h2，h3。

步骤(5)：根据上述步骤(5.1)至步骤(5.6)，利用bp算法依次训练第1级elman神经网络，第2级elman神经网络，和第3级elman神经网络。

值得指出的是，利用bp算法训练elman神经网络的权重系数和阈值时，需要确定相应的目标函数；以第m级elman神经网络为例，其目标函数为：

其中，gj(m)的计算方式如前述公式③所示，与分别表示第m级elman神经网络输出层神经元的权重系数与阈值，||v||表示计算向量v的长度。

接下来就是利用在线实时采样数据，实现对脱丁烷塔底部产品丁烷浓度的在线实时软测量，具体实施步骤如下所示；

步骤(6)：在最新采样时刻t，对7个采样数据v1(t)，v2(t)，…，v7(t)进行归一化处理，得到归一化后的数据

步骤(7)根据εt＝[v(t)，v(t-1)，v(t-2)]^t组建最新采样时刻的输入向量εt。

步骤(8)：以输入向量εt做为深度elman神经网络模型的输入，依次计算得到第1级elman神经网络，第2级elman神经网络，直至第m级elman神经网络的中间层神经元的输出向量ct(1)，ct(2)，…，ct(m)。

步骤(9)：根据公式计算t采样时刻的输出估计值后，再根据公式计算得到t采样时刻的丁烷含量软测量值yt。

步骤(10)：返回步骤(6)，继续实施对下一个最新采样时刻的脱丁烷塔底部产品丁烷含量的在线软测量。

用200个在线采样时刻的数据进行测试，在这200个在线采样数据的采样时刻同时实际测量丁烷塔底部产品丁烷含量数据，从而可以通过在线软测量值与实际测量值之间的差异来判断不同方法的优劣。在图4中，对比分析了本发明方法与传统基于elman神经网络模型的软测量方法对丁烷塔底部产品丁烷含量的在线软测量。从图4中可以发现，本发明方法得到的在线监测值与实际测量值之间的差异明显缩小，这充分说明了本发明方法的优势。

上述实施案例只用来解释说明本发明的具体实施，而不是对本发明进行限制。在本发明的精神和权利要求的保护范围内，对本发明做出的任何修改，都落入本发明的保护范围。