论文部分内容阅读
[摘 要]本文针对在生产中低凝柴油闪点波动难于控制的情况，利用GA-BP人工神经网络构建低凝柴油闪点模型并进行闪点预测，结果表明预测结果与实际相符合，可以指导实际生产。
[关键词]低凝柴油；闪点；预测
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2017）30-0364-01
0 引言
由于经济的快速发展和交通运输能力的迅速增长，世界各国对于燃油的需求不断增长，同时柴油具有较高热效率和较好的动力性能等优点，在国内外成品油市场形成了对柴油的需求增长发展十分迅速的现状[1]。为满足日益增长的环保法规的要求，燃料油的清洁化是势在必行的，然而在我国北方的大部分地区，低凝点柴油的供需矛盾问题已经逐渐突出，它已经成为制约北方化工炼油企业经济效益的显著“瓶颈”问题。低凝柴油的闪点是做为石油产品质量检测环节中的一项重要安全指标，它既可反映出油品发生火灾爆炸的危险趋性，又可以通过它做为判断商品油中有无掺入易挥发物质的情况的发生[2]。在国四号低凝柴油生产的过程中经常出现柴油闪点波动的情况，过低闪点影响产品质量难以调和出厂，过高又增加装置的能耗降低了装置的经济效益，利用遗传算法优化BP（Genetic algorithm optimization BP，GA-BP）人工神经网络构建生产操作预测闪点模型对在生产波动时，精准预测低凝柴油闪点以便对工艺参数进行准确调节操作。
1 数据的选取
本文中低凝柴油闪点测量仪器使用法国ISL公司生产的FP935G2全自动TAG，仪器包括油样杯、控制主机等相关设备。记录每日低凝柴油闪点数据180组，选取经验自变量构建模型如下：因变量：Y1；自变量：X1分馏塔塔顶温度；X2：低凝塔塔顶温度；X3：低凝塔塔底温度。
2 模型的构建
遗传算法是一种基于模拟达尔文生物进化论的自然选择法和遗传学中的生物进化过程的运算模型，它是一种通过模拟自然进化过程，搜索最优解的最佳方法。遗传算法的操作主要通过选择、交叉、变异三种算子来实现训练。
GA算法流程如下。
Step1 初始化种群群体，进行相关的编码操作，选择适应度函数；
Step2 根据实际情况进行选择、交叉、变异操作；
Step3 计算误差，不满足目标继续进行迭代，满足目标则停止迭代输出结果；
遗传算法优化BP（Genetic algorithm optimization BP，GA-BP）神經网络主要是通过训练目标以得到满足或者迭代次数达到预设目标运算次数为止的结果，将用遗传算法优化得到的最佳权值和阈值，代入到神经网络重新进行相关训练，得出遗传算法优化后的仿真结果。通过遗传算法的很强的宏观搜索能力，结合其良好的全局优化性，将遗传算法和人工神经网络相结合，利用遗传算法对神经网络权值进行优化后带入BP神经网络，可以有效的避免在运算中可能出现的局部极小问题[3-4]。
GA-BP神经网络算法如下。
Step1 进行编码，采用实数编码的方式进行编码，初始化种群；
Step2 确定个体的评价函数，将BP的权值和阈值赋值于Step1中的染色体；
Step3 执行遗传操作：选择、交叉、变异，达到预期目标输出结果，为满足条件继续进行迭代；
Step4 利用GA得出最优的权值和阈值导入到BP中，按照计算过程进行计算，直到得到最优预测结果。
2.1低凝柴油闪点生产预测模型的建立
低凝柴油闪点生产预测模型的输入自变量个数为3个，输出因变量个数为1个，故输入层神经元个数选择为3个，输出层神经元个数选择为1个，根据隐层神经元计算选取经验公式，隐层神经元的节点数最终计算选取为25个，节点总数176个。据分类模式为random，训练函数采用levenberg-marquardt，预测模型采用均方误差（mean squared error）进行评价，进化代数设置为20次，种群规模设置为10，交叉概率设置为0.2，变异概率设置为0.1，代码如下：
maxgen=20；
sizepop=10；
pcross=[0.2]；
pmutation=[0.1]；
遺传算法种群初始化代码如下：
将种群信息定义为一个结构体，并寻找最佳适应度，最好染色体，并求平均适应度。
individuals=struct（‘fitness’，zeros（1，sizepop）， ‘chrom’，[]）； avgfitness=[]；
bestfitness=[]；
bestchrom=[]；
初始化种群，利用for函数循环随机产生一个种群并计算其适应度
for i=1：sizepop
individuals.chrom（i，：）=Code（lenchrom，bound）；
x=individuals.chrom（i，：）；
individuals.fitness（i）=fun（x，inputnum，hiddennum，outputnum，net，pn_train，tn_train）；
%染色体的适应度
end
FitRecord=[]；
%找最好的染色体
[bestfitness bestindex]=min（individuals.fitness）；
bestchrom=individuals.chrom（bestindex，：）；
avgfitness=sum（individuals.fitness）/sizepop； trace=[avgfitness bestfitness]；
利用for函数交叉、变异迭代选择最优的染色体，并计算其适应度：
for i=1：maxgen
1.選择
individuals=Select（individuals，sizepop）；
avgfitness=sum（individuals.fitness）/sizepop；
2.交叉
individuals.chrom=Cross（pcross，lenchrom，individuals.chrom，sizepop，bound）；
3.變异
individuals.chrom=Mutation（pmutation，lenchrom，individuals.chrom，sizepop，i，maxgen，bound）；
计算适应度
for j=1：sizepop
解码
x=individuals.chrom（j，：）； individuals.fitness（j）=fun（x，inputnum，hiddennum，outputnum，net，pn_train，tn_train）；
end
找到其中最小和最大适应度的染色体以及它们在种群中出现的位置
[newbestfitness，newbestindex]=min（individuals.fitness）；
[worestfitness，worestindex]=max（individuals.fitness）；
代替在上一次进化中出现的最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness；
bestchrom=individuals.chrom（newbestindex，：）；
end
individuals.chrom（worestindex，：）=bestchrom；
individuals.fitness（worestindex）=bestfitness；
avgfitness=sum（individuals.fitness）/sizepop；
记录在每一代进化中出现的最好的适应度和平均适应度值
trace=[trace；avgfitness；bestfitness]； FitRecord=[FitRecord；individuals.fitness]；
从中可以看出，在工艺参数改变时GA-BP神经网络对低凝柴油闪点的预测值在[0，30]、[60，80]区间范围内与实际值偏差较大。计算相对误差可以看出相对误差一般存在于0%-5%之间，存在过大相对误差点48.4%、39.4%，GA-BP神经网络的均方误差为9.29×10-3，能够精准预测低凝柴油产品闪点。
3 结论
通过预测模型额均方误差和相对误差可以明显得出，使用GA-BP神经网络在正常生产时能够预测低凝柴油产品的闪点，达到了预期的目的，均方误差达到9.29×10-3，可以将其作为指导生产操作的工具，提高企业效益，调优产品质量挖潜增效。
参考文献
[1] 冷霞.中国燃料油期货市场价格发现功能研究[D].浙江：浙江大学，2013.
[关键词]低凝柴油；闪点；预测
中图分类号：TP183 文献标识码：A 文章编号：1009-914X（2017）30-0364-01
0 引言
由于经济的快速发展和交通运输能力的迅速增长，世界各国对于燃油的需求不断增长，同时柴油具有较高热效率和较好的动力性能等优点，在国内外成品油市场形成了对柴油的需求增长发展十分迅速的现状[1]。为满足日益增长的环保法规的要求，燃料油的清洁化是势在必行的，然而在我国北方的大部分地区，低凝点柴油的供需矛盾问题已经逐渐突出，它已经成为制约北方化工炼油企业经济效益的显著“瓶颈”问题。低凝柴油的闪点是做为石油产品质量检测环节中的一项重要安全指标，它既可反映出油品发生火灾爆炸的危险趋性，又可以通过它做为判断商品油中有无掺入易挥发物质的情况的发生[2]。在国四号低凝柴油生产的过程中经常出现柴油闪点波动的情况，过低闪点影响产品质量难以调和出厂，过高又增加装置的能耗降低了装置的经济效益，利用遗传算法优化BP（Genetic algorithm optimization BP，GA-BP）人工神经网络构建生产操作预测闪点模型对在生产波动时，精准预测低凝柴油闪点以便对工艺参数进行准确调节操作。
1 数据的选取
本文中低凝柴油闪点测量仪器使用法国ISL公司生产的FP935G2全自动TAG，仪器包括油样杯、控制主机等相关设备。记录每日低凝柴油闪点数据180组，选取经验自变量构建模型如下：因变量：Y1；自变量：X1分馏塔塔顶温度；X2：低凝塔塔顶温度；X3：低凝塔塔底温度。
2 模型的构建
遗传算法是一种基于模拟达尔文生物进化论的自然选择法和遗传学中的生物进化过程的运算模型，它是一种通过模拟自然进化过程，搜索最优解的最佳方法。遗传算法的操作主要通过选择、交叉、变异三种算子来实现训练。
GA算法流程如下。
Step1 初始化种群群体，进行相关的编码操作，选择适应度函数；
Step2 根据实际情况进行选择、交叉、变异操作；
Step3 计算误差，不满足目标继续进行迭代，满足目标则停止迭代输出结果；
遗传算法优化BP（Genetic algorithm optimization BP，GA-BP）神經网络主要是通过训练目标以得到满足或者迭代次数达到预设目标运算次数为止的结果，将用遗传算法优化得到的最佳权值和阈值，代入到神经网络重新进行相关训练，得出遗传算法优化后的仿真结果。通过遗传算法的很强的宏观搜索能力，结合其良好的全局优化性，将遗传算法和人工神经网络相结合，利用遗传算法对神经网络权值进行优化后带入BP神经网络，可以有效的避免在运算中可能出现的局部极小问题[3-4]。
GA-BP神经网络算法如下。
Step1 进行编码，采用实数编码的方式进行编码，初始化种群；
Step2 确定个体的评价函数，将BP的权值和阈值赋值于Step1中的染色体；
Step3 执行遗传操作：选择、交叉、变异，达到预期目标输出结果，为满足条件继续进行迭代；
Step4 利用GA得出最优的权值和阈值导入到BP中，按照计算过程进行计算，直到得到最优预测结果。
2.1低凝柴油闪点生产预测模型的建立
低凝柴油闪点生产预测模型的输入自变量个数为3个，输出因变量个数为1个，故输入层神经元个数选择为3个，输出层神经元个数选择为1个，根据隐层神经元计算选取经验公式，隐层神经元的节点数最终计算选取为25个，节点总数176个。据分类模式为random，训练函数采用levenberg-marquardt，预测模型采用均方误差（mean squared error）进行评价，进化代数设置为20次，种群规模设置为10，交叉概率设置为0.2，变异概率设置为0.1，代码如下：
maxgen=20；
sizepop=10；
pcross=[0.2]；
pmutation=[0.1]；
遺传算法种群初始化代码如下：
将种群信息定义为一个结构体，并寻找最佳适应度，最好染色体，并求平均适应度。
individuals=struct（‘fitness’，zeros（1，sizepop）， ‘chrom’，[]）； avgfitness=[]；
bestfitness=[]；
bestchrom=[]；
初始化种群，利用for函数循环随机产生一个种群并计算其适应度
for i=1：sizepop
individuals.chrom（i，：）=Code（lenchrom，bound）；
x=individuals.chrom（i，：）；
individuals.fitness（i）=fun（x，inputnum，hiddennum，outputnum，net，pn_train，tn_train）；
%染色体的适应度
end
FitRecord=[]；
%找最好的染色体
[bestfitness bestindex]=min（individuals.fitness）；
bestchrom=individuals.chrom（bestindex，：）；
avgfitness=sum（individuals.fitness）/sizepop； trace=[avgfitness bestfitness]；
利用for函数交叉、变异迭代选择最优的染色体，并计算其适应度：
for i=1：maxgen
1.選择
individuals=Select（individuals，sizepop）；
avgfitness=sum（individuals.fitness）/sizepop；
2.交叉
individuals.chrom=Cross（pcross，lenchrom，individuals.chrom，sizepop，bound）；
3.變异
individuals.chrom=Mutation（pmutation，lenchrom，individuals.chrom，sizepop，i，maxgen，bound）；
计算适应度
for j=1：sizepop
解码
x=individuals.chrom（j，：）； individuals.fitness（j）=fun（x，inputnum，hiddennum，outputnum，net，pn_train，tn_train）；
end
找到其中最小和最大适应度的染色体以及它们在种群中出现的位置
[newbestfitness，newbestindex]=min（individuals.fitness）；
[worestfitness，worestindex]=max（individuals.fitness）；
代替在上一次进化中出现的最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness；
bestchrom=individuals.chrom（newbestindex，：）；
end
individuals.chrom（worestindex，：）=bestchrom；
individuals.fitness（worestindex）=bestfitness；
avgfitness=sum（individuals.fitness）/sizepop；
记录在每一代进化中出现的最好的适应度和平均适应度值
trace=[trace；avgfitness；bestfitness]； FitRecord=[FitRecord；individuals.fitness]；
从中可以看出，在工艺参数改变时GA-BP神经网络对低凝柴油闪点的预测值在[0，30]、[60，80]区间范围内与实际值偏差较大。计算相对误差可以看出相对误差一般存在于0%-5%之间，存在过大相对误差点48.4%、39.4%，GA-BP神经网络的均方误差为9.29×10-3，能够精准预测低凝柴油产品闪点。
3 结论
通过预测模型额均方误差和相对误差可以明显得出，使用GA-BP神经网络在正常生产时能够预测低凝柴油产品的闪点，达到了预期的目的，均方误差达到9.29×10-3，可以将其作为指导生产操作的工具，提高企业效益，调优产品质量挖潜增效。
参考文献
[1] 冷霞.中国燃料油期货市场价格发现功能研究[D].浙江：浙江大学，2013.