CN105069486A - 基于极限学习机的石化设备腐蚀预测方法 - Google Patents

Abstract

基于极限学习机的石化设备腐蚀预测方法，监测炼油厂腐蚀数据，建立腐蚀数据库，将长期积累的腐蚀数据作为样本预处理，选择腐蚀影响因素PH、CL^－、H₂S、NH₃N作为输入，腐蚀产物Fe²⁺和Fe³⁺作为输出，建立三层神经网络对样本数据进行训练，得到极限学习机石化设备腐蚀预测模型，将现场监测的腐蚀数据输入预测模型，可获得Fe²⁺和Fe³⁺的腐蚀预测值，本发明能够较好的表达腐蚀影响因素和腐蚀结果之间的关系，根据预测值可了解石化设备的腐蚀状况，通过调整工艺参数，有效控制和防止石化设备腐蚀。

Description

基于极限学习机的石化设备腐蚀预测方法

技术领域

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

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。

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

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。

为了达到上述目的，本发明的技术方案是这样实现的：

基于极限学习机的石化设备腐蚀预测方法，包括以下步骤：

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。

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。

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。

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0，以增加腐蚀样本数量。

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：x为原始样本数据；x_max和x_min分别为x的最大值和最小值；y是标准化后的样本数据。

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出层神经元个数，隐层激励函数为其中x为隐层神经元的输入。

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β。

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：

步骤7.1：石化设备腐蚀测试样本数据为{(x_it_i)|i＝1,2,…,N}，N为测试样本个数，极限学习机可表述为其中j＝1,2,…,N，为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阀值。随机赋值权值向量w_i和阀值b_i；

步骤7.2：计算训练样本数据的隐层输出矩阵H_tr，其中

$H_{tr}(w_1,...,w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1,...,x_N)={\left[\begin{array}{ccc}g(w_1{x}_1+b_1)& \mathrm{...}& g(w_{\tilde{N}}~x_1+b_{\tilde{N}})\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g(w_1{x}_N+b_1)& \mathrm{...}& g(w_{\tilde{N}}~x_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}};$

步骤7.3：求解H_tr的广义逆Moore-Penrose矩阵

步骤7.4：计算输出权值矩阵β＝H_tr ⁺T_tr，其中T_tr＝(t₁,t₂,…,t_N)^T。

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：

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H_te；

步骤8.2：计算测试样本的极限学习机输出T_te＝H_teβ；

步骤8.3：将极限学习机的输出T_te利用mapminmax函数反归一化，得到腐蚀预测值；

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。

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

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。

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。

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。

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

下面结合附图对本发明的实施作详细叙述。

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：

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。

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。

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。

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，这说明该腐蚀数据量非常微小，在数据预处理时可将该值补为较小值或0，以增加腐蚀样本数量。

步骤5：样本数据归一化处理；为了把不同来源不同量纲的数据统一到一个参考系下，消除数据之间的数量级差别，要对样本数据进行归一化处理。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：x为原始样本数据；x_max和x_min分别为x的最大值和最小值；y是标准化后的样本数据。

步骤6：确定极限学习机网络结构；参照图2，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出层神经元个数。例如，测点“催化分馏塔塔顶”选取PH、CL^－、H₂S、NH₃N为神经网络的输入，输入层神经元个数4；选取铁离子为神经网络输出，输出层神经元个数为1。隐层激励函数为其中x为隐层神经元的输入。

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，其目的是求出输出权值矩阵β。

参照图3，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：

步骤7.1：石化设备腐蚀测试样本数据为{(x_it_i)|i＝1,2,…,N}，N为测试样本个数。极限学习机可表述为其中j＝1,2,…,N，为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阀值。随机赋值权值向量w_i和阀值b_i；

步骤7.2：计算训练样本数据的隐层输出矩阵H_tr，其中

$H_{tr}(w_1,...,w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1,...,x_N)={\left[\begin{array}{ccc}g(w_1{x}_1+b_1)& \mathrm{...}& g(w_{\tilde{N}}~x_1+b_{\tilde{N}})\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g(w_1{x}_N+b_1)& \mathrm{...}& g(w_{\tilde{N}}~x_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}};$

步骤7.3：求解H_tr的广义逆Moore-Penrose矩阵

步骤7.4：计算输出权值矩阵β＝H_tr ⁺T_tr，其中T_tr＝(t₁,t₂,…,t_N)^T。

步骤8：石化设备腐蚀预测；参照图4，极限学习机石化设备腐蚀预测过程包括以下步骤：

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H_te；

步骤8.2：计算测试样本的极限学习机输出T_te＝H_teβ；

步骤8.3：将极限学习机的输出T_te利用mapminmax函数反归一化，得到腐蚀预测值；

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。

本发明利用石化企业长期积累的腐蚀监测数据，建立基于极限学习机的石化设备腐蚀预测模型，在模型训练过程中，随机给定输入权值和隐层阀值，只需要设置隐层神经元个数，即可得到唯一的最优解，整个过程不需要迭代，因此该方法具有参数选择简单、学习速度快，避免产生局部最优解等优点。该发明建立的石化腐蚀预测模型能够反映石化设备的腐蚀状况，为石化企业制定具体的防腐措施提供决策支持依据。本发明可用于不同炼油厂的不同设备及装置中，将采集的多项腐蚀监测数据作为输入，也可将在线测厚值和腐蚀速率作为输出，神经网络的输入输出不局限于本发明提到的4个腐蚀影响因素和腐蚀产物Fe离子。通过对不同测点采集的样本数据进行训练，建立新的石化设备腐蚀预测模型，从而实现对设备腐蚀状况的评价和预测，因此本发明具有实际推广价值。

Claims (3)

1.基于极限学习机的石化设备腐蚀预测方法，其特征在于，包括以下步骤：

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；

步骤2：建立腐蚀数据库；将石化企业长期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；

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；

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0，以增加腐蚀样本数量；

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：x为原始样本数据；x_max和x_min分别为x的最大值和最小值；y是标准化后的样本数据。

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出层神经元个数，隐层激励函数为其中x为隐层神经元的输入；

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β；

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。

2.根据权利要求1所述的基于极限学习机的石化设备腐蚀预测方法，其特征在于，步骤7中的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：

步骤7.1：石化设备腐蚀测试样本数据为{(x_it_i)|i＝1,2,…,N}，N为测试样本个数，极限学习机可表述为其中j＝1,2,…,N，为隐层节点的个数，β_i＝(β_i1,β_i2,…,β_im)^T为输出神经元与第i个隐层节点的输出权值，w_i＝(w_i1,w_i2,…,w_iN)^T为输入神经元与第i个隐层节点的输入权值，b_i为第i个隐层节点的阀值。随机赋值权值向量w_i和阀值b_i；

步骤7.2：计算训练样本数据的隐层输出矩阵H_tr，其中 $H_{tr}(w_1,...,w_{\tilde{N}},b_1,...,b_{\tilde{N}},x_1,...,x_N)={\left[\begin{array}{ccc}g(w_1{x}_1+b_1)& \mathrm{...}& g(w_{\tilde{N}}{x}_1+b_{\tilde{N}})\\ \mathrm{...}& \mathrm{...}& \mathrm{...}\\ g(w_1{x}_N+b_1)& \mathrm{...}& g(w_{\tilde{N}}{x}_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}};$

步骤7.3：求解H_tr的广义逆Moore-Penrose矩阵

步骤7.4：计算输出权值矩阵β＝H_tr ⁺T_tr，其中T_tr＝(t₁,t₂,…,t_N)^T。

3.根据权利要求1所述的基于极限学习机的石化设备腐蚀预测方法，其特征在于，步骤8中的极限学习机石化设备腐蚀预测过程包括以下步骤：

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H_te；

步骤8.2：计算测试样本的极限学习机输出T_te＝H_teβ；

步骤8.3：将极限学习机的输出T_te利用mapminmax函数反归一化，得到腐蚀预测值；

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。