一种基于栈式Elman神经网络的分馏塔苯含量软测量方法与流程

本发明涉及一种软测量技术，特别涉及一种基于栈式elman神经网络的分馏塔苯含量软测量方法。

背景技术：

在乙烯生产工艺中，催化裂化分馏塔是对混合挥发液体进行分馏的一种化工设备，是石油二次加工的重要装置。催化裂化分馏塔的基本原理是利用气液相中各组分的相对挥发度的不同进行分离。在塔中，蒸气从塔底向塔顶上升，液体则从塔顶向塔底下降。在每层板上气液两相相互接触时，气相产生部分冷凝，液相产生部分气化。由于液体的部分气化，液相中轻组分向气相扩散，使蒸气中轻组分增多；而蒸气的部分冷凝，使蒸气中重组分向液相扩散，液相中重组分增多，进而使同一层板上互相接触的气液两相趋向平衡。

通常而言，催化裂化分馏塔会使用多变量的模型预测控制器，而苯含量(主要是甲苯，二甲苯，苯乙烯等物质)是模型预测控制器中优化器的一个约束条件。为了保证安全生产，分馏塔运行过程时，各个操作变量需要远离安全上下限。因此，苯含量的实时测量对保障安全生产具有重要的意义。目前而言，测量化学成分的技术手段一般有两种：其一，使用在线成分分析仪；其二，使用离线分析仪。在线分析仪的采购价格高，且后期使用成本同样高，但是可以保证实时自动的测量苯含量数据。离线分析仪价格低廉，但是需要人工操作，无法保证苯含量的实时测量要求。

可幸的是，软测量技术为分馏塔的苯含量测量提供了可行解决方案，其主要思想是通过过程数据来实时软测量苯含量。然而，可适用于软测量建模的方法层出不穷，神经网络是最经典的实施策略。此外，考虑到催化裂化分馏塔运行的动态变化特性，还需要对时序前后特征进行分析。近年来，深度学习的思想已经应用于各行各业，通过深度神经网络建立输入与输出之间的数学关系。在特征提取分析领域，栈式自编码器就是一类深度神经网络模型，通过逐层提取非线性特征从而重构原数据。然而，栈式自编码器是一类无监督型建模方法，虽然能够逐层递进的挖掘非线性特征，但是无法涉及采样数据的时序特征分析与提取。

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，能直接动态反应过程系统的时序特性。因此，elman神经网络可进行时序非线性特征的提取，且elman神经网络是有监督型建模方法，可建立软测量模型。然而，传统elman神经网络无法实现非线性特征的逐层递进提取。因此，将elman神经网络通过栈式策略实现非线性时序特征的逐层提取，对于分馏塔苯含量的软测量建模是非常有研究意义。

技术实现要素：

本发明所要解决的主要技术问题是：如何建立栈式elman神经网络模型，从而逐层提取与软测量苯含量相关的非线性时序特征，从而实现更高精度的苯含量实时软测量。具体来讲，本发明方法通过参考栈式自编码器的组成结构，通过搭建由多级elman神经网络串联而成的栈式elman神经网络模型，从而实现对分馏塔过程数据的逐层非线性特征提取。并充分使用各级elman神经网络的输出估计值来进一步回归预测苯含量，从而建立精度更高的分馏塔苯含量软测量模型。

本发明方法解决上述问题所采用的技术方案为：一种基于栈式elman神经网络的分馏塔苯含量软测量方法，包括以下所示步骤：

步骤(1)：利用催化裂化分馏塔设备中安装的9个测量仪表实时测量数据，直至采集得到n个过程数据，分别记录成9个列向量x1，x2，…，x9，同时利用离线分析仪测量相同采样时刻的苯含量数据，对应记录成列向量y∈r^n×1，其中xi∈r^n×1由第i个过程变量的n个样本数据组成，r^n×1表示n×1维的实数向量，i∈{1，2，…，9}分别对应于分馏塔进料流量，分馏塔顶部温度，回流流量，裂化汽油出口温度与流量，裂化煤油出口流量，第4层塔板的压力差，再沸器流量，裂化高炉燃油的出口温度。

步骤(2)：根据如下所示公式对x1，x2，…，x9和y分别实施归一化处理，对应得到9个输入向量和1个输出向量

其中，表示归一化处理后的第i个输入向量，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。

步骤(3)：将输入向量组成输入矩阵后，再搭建一个由m级elman神经网络串联组成的栈式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，上标号t表示矩阵或向量的转置符号，u表示函数自变量，r^9×n表示9×n维的实数矩阵。

步骤(4)：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，并保留栈式elman神经网络模型的中间层权重系数w1，w2，…，wm和阈值b1，b2，…，bm，承接层到中间层的连接权值v1，v2，…，vm和阈值a1，a2，…，am，以及输出层权重系数和阈值具体的实施过程如下所示。

步骤(4.1)：第1级elman神经网络的输入层有9个神经元，中间层有h1个神经元，输出层有1个神经元，初始化中间层权重系数与阈值为任意实数，初始化承接层到中间层的连接权值与阈值为任意实数，初始化中间层权重系数与阈值为任意实数。

步骤(4.2)：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权重系数和阈值后，初始化m＝1，其中z1，z2，…，zn分别表示输入矩阵x中的第1列，第2列，至第n列的列向量，分别表示输出向量中的第1个，第2个，至第n个元素。

步骤(4.3)：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，初始化中间层权重系数和阈值为任意实数，初始化输出层权重系数和阈值为任意实数，再初始化承接层到中间层的连接权值与阈值为任意实数。

步骤(4.4)：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，为零向量，表示hm×1维的实数向量.

步骤(4.5)：利用bp算法训练得到第m+1级elman神经网络的中间层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权重系数和阈值其中表示hm×hm+1维的实数矩阵，表示hm+1×1维的实数向量。

步骤(4.6)：判断是否满足条件m+1＜m；若是，则设置m＝m+1后返回步骤(4.3)；若否，则栈式elman神经网络模型训练结束。

步骤(5)：将第m级elman神经网络的输出估计值y1(m)，y2(m)，…，yn(m)组成输出估计向量并重复步骤(5)直至得到各级elman神经网络的输出估计值向量其中，m∈{1，2，…，m}，k∈{1，2，…，n}。

步骤(6)：将合并成输出估计矩阵后，再根据公式计算回归系数向量θ∈r^m×1；其中r^n×m表示n×m维的实数矩阵。

上述步骤(1)至步骤(6)实现了对分馏塔苯含量的软测量建模。从步骤(4)的具体实施细节可以看出，本发明方法建立的栈式elman神经网络模型与栈式自编码器结构类似，都是由多级神经网络串联而成，所不同的是本发明方法使用了elman这种可处理动态建模问题的神经网络模型。

步骤(7)：在最新采样时刻t，对9个采样数据v1(t)，v2(t)，…，v9(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，…，9}。

步骤(8)：根据组建输入向量vt后，再依次计算得到第1级elman神经网络，第2级elman神经网络，直至第m级elman神经网络的输出估计值具体的实施过程如步骤(8.1)至步骤(8.3)所示。

步骤(8.1)：以vt做为第1级elman神经网络的输入，根据如下所示公式计算第1级elman神经网络的中间层输出ct(1)和输出估计值后，再初始化m＝2：

上式中，ct-1(1)为t-1采样时刻第1级elman神经网络的中间层输出，若是t为第一个最新采样时刻，则为零向量，t-1采样时刻表示t采样时刻之前的一个采样时刻。

步骤(8.2)：以ct(m-1)做为第m级elman神经网络的输入，根据如下所示公式计算第m级elman神经网络的中间层输出ct(m)和输出估计值

上式中，ct-1(m)为t-1采样时刻第m级elman神经网络的中间层输出，若是t表示第一个最新采样时刻，则为零向量。

步骤(8.3)：判断是否满足条件m＜m；若是，则设置m＝m+1后，返回步骤(8.2)；若否，则得到输出估计值

步骤(9)：将合并成一个行向量后，再根据公式计算t采样时刻的输出估计值

步骤(10)：根据公式计算得到t采样时刻的分馏塔苯含量的软测量值yt，再返回步骤(7)，继续实施对下一个最新采样时刻的分馏塔苯含量的在线软测量。

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，首先按照栈式自编码器的思想，构造并训练出了由多级elman神经网络串联而成的栈式elman神经网络模型。这不仅利用了elman神经网络自有的适应时变特性的能力，而且还能逐层提取用于软测量苯含量的非线性特征。其次，本发明方法充分利用各级elman神经网络提取的非线性特征，使用最小二乘回归进一步缩小软测量值与实际值之差。最后，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为催化裂化分馏塔的组成结构示意图

图3为本发明方法软测量建模示意图。

图4为本发明方法与传统方法的分馏塔苯含量软测量误差对比图。

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，本发明公开了一种基于栈式elman神经网络的分馏塔苯含量软测量方法，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。

汽油的催化裂化分馏塔如图2所示，该分馏塔通过对混合物质的分馏，分别得到了汽油、煤油和高炉燃油三类产品。通过图2还可以看出，该分馏塔安装的测量仪表具体有：分馏塔进料流量仪表，分馏塔顶部温度仪表，回流流量仪表，裂化汽油出口温度仪表与流量仪表，裂化煤油出口流量仪表，第4层塔板的压力差仪表，再沸器流量仪表，裂化高炉燃油的出口温度仪表。因此，该分馏塔设备可以实时测量9个过程变量。

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(6)。

步骤(1)：利用催化裂化分馏塔设备中安装的9个测量仪表实时测量数据，直至采集得到n＝1000个过程数据，分别记录成9个列向量x1，x2，…，x9，同时利用离线分析仪测量相同采样时刻的苯含量数据，对应记录成列向量y∈r^1000×1。

步骤(2)：根据前述公式①对x1，x2，…，x9和y分别实施归一化处理，对应得9个数据向量和1个输出向量

步骤(3)：将输入向量组成输入矩阵后，再搭建一个由m＝3级elman神经网络串联组成的栈式elman神经网络模型，并确定中间层神经元的传递函数f(u)sigmoid函数，输出层神经元的传递函数ζ(u)双曲正切函数，以及各级elman神经网络的中间层神经元个数h1，h2，h3。

步骤(4)：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，至第m级elman神经网络，并保留栈式elman神经网络模型的中间层权重系数w1，w2，w3和阈值b1，b2，b3，承接层到中间层的连接权值v1，v2，v3和阈值a1，a2，a3，以及输出层权重系数与阈值

值得指出的是，利用bp算法训练各elman神经网络时，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，符号||||表示计算向量的长度。

步骤(5)：将第m级elman神经网络的输出估计值y1(m)，y2(m)，…，yn(m)组成输出估计向量并重复步骤(5)直至得到各级elman神经网络的输出估计值向量

步骤(6)：将合并成输出估计矩阵后，再根据公式计算回归系数向量θ∈r^3×1。

接下来就是利用在线实时采样数据，实现对分馏塔苯含量的在线实时软测量，具体实施步骤如下所示。

步骤(7)：在最新采样时刻t，对9个采样数据v1(t)，v2(t)，…，v9(t)进行归一化处理，得到归一化后的数据

步骤(8)：根据组建输入向量vt后，再依次计算得到第1级elman神经网络，第2级elman神经网络，至第m＝3级elman神经网络的输出估计值具体的实施过程如前述步骤(8.1)至步骤(8.3)所示。

步骤(9)：将合并成一个行向量后，再根据公式计算t采样时刻的输出估计值

步骤(10)：根据公式计算得到t采样时刻的分馏塔苯含量的软测量值yt，再返回步骤(7)，继续实施对下一个最新采样时刻的分馏塔苯含量的在线软测量。

用300个在线采样时刻的数据进行测试，在这300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。