基于极限学习机的石化设备腐蚀预测方法
【技术领域】
[0001] 本发明涉及石油化工装置腐蚀防护技术，特别涉及基于极限学习机的石化设备腐 蚀预测方法。
【背景技术】
[0002] 腐蚀存在在国民经济各个行业中。腐蚀对国家经济造成了巨大的损失，每年因腐 蚀带来的经济损失占本国本年度国民经济总产值的3% -5%。石油化工炼制在高温高压环 境中，有毒有害，易燃易爆，腐蚀在石油化工行业表现尤为突出。另外随着进口原油含硫量 高以及我国许多油田开采进入中后期，原油质量日趋恶化，原油含水量、含硫量、含盐量、重 金属含量以及酸值都在不断升高，这都导致石油炼化设备的腐蚀问题越来越严重。腐蚀是 影响炼油厂化工装置平稳安全运行的重要因素，腐蚀可造成装置失效、设备运行故障，甚至 引发火灾、爆炸等事故。腐蚀严重影响设备使用寿命。因此，炼油厂腐蚀防护工作显得尤为 重要。
[0003] 目前，国内对炼油厂腐蚀类型和原理掌握的比较全面，炼油厂也先后建立了腐蚀 数据库，依据大量的腐蚀数据采用人工经验和统计方法分析评价设备的腐蚀状况，但根据 腐蚀数据建立的研究模型不是很多。2010年34卷2期，中国石油大学学报（自然科学版）， 王正方等人在《基于灰色系统理论的常压蒸馏装置腐蚀预测》一文中采用灰色腐蚀系统建 立改进的GM(1，1)模型，对常压蒸馏塔顶换热器入口分配管弯头的壁厚进行模拟，对未来 可能的壁厚进行区间预测；2014年31卷第2期，石油化工腐蚀与防护，樊玉光等人在《BP神 经网络预测石化塔顶系统腐蚀的应用研究》一文中应用BP神经网络建立腐蚀预测模型解决 石化塔设备在腐蚀过程中产生的问题。2013年34卷第1期，石油化工设备技术，赵林等人 在《BP神经元网络在炼油厂低温腐蚀预测模型上的应用》一文中将神经元网络建模应用于 炼油厂腐蚀速率预测。虽然上述方法都能从不同程度上预测特定情况下特定设备的腐蚀状 况，但其侧重点不同，有一定的局限性。例如传统神经网络（如BP算法）容易陷入局部最 优，学习速度慢，精度难以保证的缺点。
【发明内容】
[0004] 为了克服上述现有技术的缺陷，本发明的目的在于提供一种基于极限学习机的石 化设备腐蚀预测方法，该方法具有学习速度快、泛化能力强、参数设置简单等优点。
[0005] 为了达到上述目的，本发明的技术方案是这样实现的：
[0006] 基于极限学习机的石化设备腐蚀预测方法，包括以下步骤：
[0007] 步骤1 :监测腐蚀数据；在炼油厂，根据工艺流程腐蚀机理不同选取石化设备易受 腐蚀的敏感部位作为监测点，在选取好腐蚀监测点后，确定腐蚀测量仪安装位置，实时监测 腐蚀数据，采集传输腐蚀数据，并将腐蚀数据保存在腐蚀数据库中。
[0008] 步骤2 :建立腐蚀数据库；将石化企业监测的腐蚀数据按照炼油厂、车间、装置、测 点的层级关系存入石化腐蚀数据库中，在腐蚀数据库中，测点监测到的腐蚀数据即为机器 学习的样本数据。
[0009] 步骤3 :选取腐蚀影响因素；选择腐蚀影响因素PH、CL_、H2S、NH3N作为样本输入， 腐蚀产物Fe2+和Fe3+作为样本输出。
[0010] 步骤4 :样本数据预处理；在模型训练前先对样本数据进行预处理，在炼油厂，由 于腐蚀测量仪受工作环境的影响会出现噪声信号，引起腐蚀数据的波动及毛刺，通过实现 腐蚀数据的平滑变化，去除噪声信号；另外，有些腐蚀数据值为痕迹、未检出，在数据预处理 时可将该值补为较小值或〇,以增加腐蚀样本数量。
[0011] 步骤5 :样本数据归一化处理；使用matlab中mapminmax函数对样本数据的输 入和输出进行归一化处理，使处理后的数据分布在[_1，1]的范围内，其转换公式为：
后的样本数据。
[0012] 步骤6 :确定极限学习机网络结构；极限学习机作为一种单隐层前馈神经网络，有 三层，分别为输入层、隐层和输出层；选取腐蚀影响因素作为神经网络的输入，腐蚀影响因 素的个数为输入层神经元个数；选取腐蚀产物作为神经网络的输出，腐蚀产物的个数为输
[0013] 步骤7:训练极限学习机石化设备腐蚀预测模型；将样本数据按照5:1比例随机 分为训练样本和测试样本，将训练样本输入极限学习机石化设备腐蚀预测模型进行训练学 习，求出输出权值矩阵0。
[0014] 极限学习机石化设备腐蚀预测模型学习过程包括以下步骤：
[0015] 步骤7. 1:石化设备腐蚀测试样本数据为（Oqt1)Ii= 1，2,…，N}，N为测试样本个
Pi= (0Pi2,…，Pim)T为输出神经元与第i个隐层节点的输出权值，w;=(wwi2，… ，WlN)T为输入神经元与第i个隐层节点的输入权值，bi为第i个隐层节点的阀值。随机赋 值权值向量W1和阀值b1;
[0016] 步骤7.2:计算训练样本数据的隐层输出矩阵，其中
(tl，t2，…，tN)O
[0020] 步骤8 :石化设备腐蚀预测；将测试样本输入训练好的极限学习机石化设备腐蚀 预测模型得到输出值，将其反归一化处理后即可得到预测值，将预测值和实际监测值进行 比较计算，从而验证评价腐蚀预测模型，过程包括以下步骤：
[0021] 步骤8. 1 :输入测试样本腐蚀数据，计算测试样本的隐层输出矩阵Hte;
[0022] 步骤8. 2 :计算测试样本的极限学习机输出Tte=U;
[0023] 步骤8. 3 :将极限学习机的输出1^利用mapminmax函数反归一化，得到腐蚀预测 值；
[0024] 步骤8. 4 :将腐蚀预测值与测试样本监测的实际值进行比较，计算相对误差和绝 对误差，对极限学习机石化设备腐蚀预测模型进行验证。
[0025] 本发明可用于炼油厂石油化工装置腐蚀状况预测，通过装置上安装的测量仪监测 到腐蚀数据，将长期积累的腐蚀数据作为样本数据进行极限学习机腐蚀预测模型的学习与 预测，该方法避免人工分析腐蚀数据过多依赖经验，容易主观臆断。本发明采用极限学习 机可以找出腐蚀影响因素与腐蚀结果之间非线性关系，为石化设备腐蚀预测提供一种新思 路。
【附图说明】
[0026] 图1为本发明的极限学习机石化设备腐蚀预测方法流程图。
[0027] 图2为本发明的极限学习机石化设备腐蚀预测网络结构图。
[0028] 图3为本发明的极限学习机石化设备腐蚀预测模型学习流程图。
[0029] 图4为本发明的极限学习机石化设备腐蚀预测流程图。
【具体实施方式】
[0030] 下面结合附图对本发明的实施作详细叙述。
[0031] 参照图1，基于极限学习机的石化设备腐蚀预测方法，包括以下步骤：
[0032] 步骤1 :监测腐蚀数据；在炼油厂，根据工艺流程腐蚀机理不同选取石化设备易受 腐蚀的敏感部位作为监测点，例如，催化分馏塔塔顶、常减压装置塔顶、转油线上部、高压空 冷器出口管道；在选取好腐蚀监测点后，确定腐蚀测量仪安装位置，实时监测腐蚀数据，采 集传输腐蚀数据，并将腐蚀数据保存在腐蚀数据库中。
[0033] 步骤2 :建立腐蚀数据库；积累大量的腐蚀数据是神经网络学习的基础，建立腐蚀 数据库对于石化企业来说是非常重要的；将石化企业长期积累的腐蚀数据按照炼油厂、车 间、装置、测点的层级关系存入石化腐蚀数据库中；测点监测的腐蚀数据是腐蚀预测的样本 数据。
[0034] 步骤3 :选取腐蚀影响因素；影响石化设备腐蚀的因素很多，可分为腐蚀介质影响 因素和腐蚀条件影响因素，环烷酸、硫化物、氯化物、氮化物、盐酸、连多硫酸及氧、重金属 等，是为腐蚀介质影响因素。温度、水、压力、流速等为腐蚀条件影响因素。炼油厂装置受到 腐蚀后介质中往往存在过量Fe离子，可将这些过量Fe离子看作腐蚀产物，另外当装置受 到腐蚀后管壁厚度会发生变化，在线测厚数据从一定程度上也能反映设备的腐蚀状况。由 于炼油厂设备装置在原油加工过程中产生腐蚀的机理不同，因此根据工艺流程每个测点需 要监测的腐蚀数据项也不尽相同。例如，可选取测点"催化分馏塔塔顶"监测到的腐蚀数据 PH、CL_、H2S、NH3N、Fe2+和Fe3+作为样本数据，具体选择腐蚀影响因素PH、CL_、H2S、NH3N作 为样本输入，腐蚀产物Fe2+和Fe3+作为样本输出。
[0035] 步骤4:样本数据预处理；样本数据的数量和质量直接影响到腐蚀预测的准确性， 因此