CN111915005B - 一种工业硫磺回收装置尾气二氧化硫含量实时预测方法 - Google Patents

Abstract

本发明公开一种工业硫磺回收装置尾气二氧化硫含量实时预测方法，本发明旨在充分利用SAE较强的特征提取能力，并在SAE的顶层增加一层非线性的输出神经元，从而可以将SAE应用于开发设计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。与传统方法相比，首先，本发明方法通过在栈式自编码器的基础上新增一个输出层神经元，将适用于无监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法；其次，本发明方法考虑到了工业硫磺回收装置采样数据在时间上的动态特性，采取将多个时刻的数据整合成一个输入向量，这样可以将时序性体现在软测量建模中；最后，在接下来的具体实施案例中，通过软测量精度对比验证了本发明方法的优越性。

Description

一种工业硫磺回收装置尾气二氧化硫含量实时预测方法

技术领域

本发明涉及一种工业软测量方法，特别涉及一种工业硫磺回收装置尾气二氧化硫含量实时预测方法。

背景技术

在现代化的工业生产过程中，实时的测量过程运行的关键性指标数据可直接为生产安全、产品质量、操作优化等提供参考依据。通常来讲，实时测量工业过程中的各种状态数据最有效也是最直接的方式是使用先进测量仪器与仪表。例如，温度、压力、流量、液位等信息可通过相应的传感器实现实时在线测量，而且这类传感器技术已经很成熟，硬件购置的费用也相对大众化。然而，产品含量或浓度信息的测量相对来讲非常困难，通常是通过化学反应规律来实现测量的。从这个角度来讲，含量或浓度的测量仪器需要定期维护，而且测量数据实时性不高。这对需要实时利用含量或浓度数据的工业过程对象来说，是非常不利的。可幸的是，软测量技术为解决这个问题提供了行之有效的解决思路。

在石化加工厂，工业硫磺回收装置可以有效的降低尾气排放中二氧化硫的含量，从而大幅度降低石化企业对环境尤其是大气造成的污染。因此，工业硫磺回收装置需要实时的监测尾气中二氧化硫的含量，并通过含量的变化及时调控工业硫磺回收装置的运行状态。如前所述，二氧化硫(化学分子式为：SO₂)含量的实时测量比较困难，石化企业通常不会投入大量成本去购置实时性较强的在线成分分析仪，一般是通过离线采样分析SO₂的含量，这就对测量数据的实时性问题提出了很大的挑战。在工业硫磺回收装置中，测量的变量除SO₂的含量之外，其他容易测量的变量包括：单乙醇胺流量、汽提过程酸-水相流量等。这些容易测量变量的采样数据对尾气中SO₂的含量是存在很大关联性的。因此可以通过这些流量数据来实时软测量尾气中SO₂的含量。

虽然利用容易测量数据来软测量浓度或含量数据在技术层面上是可行的，但是软测量能否成功有效应用还的看采用何种软测量建模算法。由于工业硫磺回收装置各个测量变量之间的存在复杂非线性关系，且工业硫磺回收装置运行状态的复杂性，导致常规神经网络建模方法的软测量精度不高。若是采样深度神经网络来建立软测量模型，则需要大量的训练数据。由于工业硫磺回收装置尾气中的二氧化硫含量的测量时依靠离线完成的，不能提供很大量的训练数据，导致深度神经网络模型的软测量精度有限。因此，针对工业硫磺回收装置尾气二氧化硫含量在线软测量技术还值得商榷。

发明内容

本发明所要解决的主要技术问题是：如何利用栈式自编码器(Stacked Auto-Encoder，缩写：SAE)实现对工业硫磺回收装置尾气二氧化硫含量的在线软测量。由于SAE是一类无监督学习方法，而软测量建模归属为有监督学习。因此，本发明旨在充分利用SAE较强的特征提取能力，并在SAE的顶层增加一层非线性的输出神经元，从而可以将SAE应用于开发设计一种工业硫磺回收装置尾气二氧化硫含量在线软测量技术。

本发明方法解决上述问题所采用的技术方案为：一种工业硫磺回收装置尾气二氧化硫含量在线软测量方法，包括以下步骤：

步骤(1)：在工业硫磺回收装置正常运行时，利用5个流量仪表实时测量工业硫磺回收装置中的流量数据，直至采集得到N个样本数据，分别记录成5个列向量x₁，x₂，x₃，x₄，x₅，并利用离线分析仪获取相同测量时刻尾气SO₂含量的N个样本数据，对应记录成列向量y，其中x_i由第i个流量的N个样本数据组成，i∈{1，2，3，4，5}分别对应于单乙醇胺气体流量，两个进气管道内的空气流量，酸-水汽提过程的气相流量，和酸-水汽提过程的空气流量。

步骤(2)：根据如下所示公式对x₁，x₂，x₃，x₄，x₅和y分别实施归一化处理，对应得到5个数据向量和一个输出向量/>并将数据向量/>组建成一个数据矩阵/>

其中，R^N×5表示N×5维的实数矩阵，表示归一化处理后的第i个数据向量，x_i(min)表示列向量x_i中的最小值，x_i(max)表示列向量x_i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)：搭建一个由M层自编码器串联组成的栈式自编码器，并确定各层自编码器的隐层神经元个数h₁，h₂，…，h_M、隐层神经元激活函数f(u)和输出层神经元激活函数ζ(u)；其中u表示函数自变量。

步骤(4)：根据如下所示公式组建N-9个输入向量z₁，z₂，…，z_n，其中n＝N-9。

z_j＝[X(j+9)，X(j+4)，X(j+2)，X(j)]^T ②

上式中，X(j+9)，X(j+4)，X(j+2)，X(j)分别表示数据矩阵X中的第j+9行，第j+4行，第j+2行和第j行的行向量，j∈{1，2，…，n}，z_j∈R^1×20表示第j个输入向量，R^1×20表示1×20维的实数向量，上标号T表示矩阵或向量的转置。

步骤(5)：利用反向传播(Back-Propagation，缩写：BP)算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层神经元权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M，具体的实施过程如下所示。

步骤(5.1)：第1层自编码器的输入层有20个神经元，隐层有h₁个神经元，输出层有20个神经元，并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量。

步骤(5.2)：以z₁，z₂，…，z_n做为第1层自编码器的输入，同时以z₁，z₂，…，z_n做为第1层自编码器的输出，利用BP算法训练得到第1层自编码器的隐层神经元层权重系数矩阵和阈值向量/>后，初始化m＝1。

步骤(5.3)：第m+1层自编码器的输入层有h_m个神经元，隐层有h_m+1个神经元，输出层有20个神经元，并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量。

步骤(5.4)：以第m层自编码器隐层的输出向量g₁(m)，g₂(m)，…，g_n(m)做为第m+1层自编码器的输入，同时以z₁，z₂，…，z_n做为第m层自编码器的输出，再次利用BP算法训练得到第m+1层自编码器的隐层神经元的权重系数矩阵和阈值向量/>其中表示h_m×h_m+1维的实数矩阵，/>表示h_m+1×1维的实数向量，g₁(m)，g₂(m)，…，g_n(m)的计算方式如下所示。

上式中，j∈{1，2，…，n}。

步骤(5.5)：判断是否满足m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则训练结束，保留栈式自编码器所有隐层神经元的权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M。

步骤(6)：在步骤(5)训练好的栈式自编码器的基础上，新增一层只包含一个神经元的输出层，并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值。

步骤(7)：以第M层自编码器隐层的输出向量g₁(M)，g₂(M)，…，g_n(M)做为步骤(6)中输出层神经元的输入，同时以做为输出，利用BP算法训练得到步骤(6)中输出层神经元的权重系数W_o和阈值b_o；其中/>分别表示输出向量/>中的第10个，第11个，至第N个元素。

上述实施步骤完成了对工业硫磺回收装置尾气SO₂含量的软测量建模，接下来就是利用在线实时测量的5个流量数据，实现对尾气SO₂含量的实时软测量，具体实施步骤如下所示。

步骤(8)：在最新采样时刻t，对5个流量仪表测量到的数据v₁(t)，v₂(t)，v₃(t)，v₄(t)，v₅(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∈{1，2，3，4，5}。

步骤(9)：根据a_t＝[v(t)，v(t-5)，v(t-7)，v(t-9)]^T组建最新采样时刻的输入向量a_t，其中，行向量v(t-5)，v(t-7)，v(t-9)分别表示t-5采样时刻，t-7采样时刻，t-9采样时刻的测量数据经归一化处理后的数据组建的行向量。

步骤(10)：以输入向量a_t为栈式自编码器的输入，通过步骤(5.5)中保留的权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M，依次计算得到第1层自编码器隐层，第2层自编码器隐层，直至第M层自编码器隐层的输出向量c₁，c₂，…，c_M，具体的实施过程如下所示：

步骤(10.1)：根据公式c₁＝f(W₁ ^Ta_t+b₁)计算第1层自编码器隐层的输出向量c₁，再初始化m＝2。

步骤(10.2)：根据公式计算第m层自编码器隐层的输出向量c_m。

步骤(10.3)：判断是否满足m＜M；若是，则设置m＝m+1后，返回步骤(10.2)；若否，则得到第M层自编码器隐层神经元的输出向量c_M。

步骤(11)：根据公式计算出/>后，再根据/>计算t采样时刻的SO₂含量的预测值y_t。

步骤(12)：返回步骤(8)，继续实施对下一个最新采样时刻的SO₂含量的软测量。

通过以上所述实施步骤，本发明方法的优势介绍如下

首先，本发明方法通过在栈式自编码器的基础上新增一个输出层神经元，将适用于无监督学习的自编码器巧妙的转变成了有监督的软件测量建模方法；其次，本发明方法考虑到了工业硫磺回收装置采样数据在时间上的动态特性，采取将多个时刻的数据整合成一个输入向量，这样可以将时序性体现在软测量建模中；最后，在接下来的具体实施案例中，通过软测量精度对比验证了本发明方法的优越性。

附图说明

图1为本发明方法的实施流程示意图。

图2为工业硫磺回收装置的结构示意图

图3为用于软测量建模的栈式自编码器的结构示意图。

图4为本发明方法与其他方法在软测量工业硫磺回收装置尾气SO₂含量的精度对比。

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，本发明公开了一种工业硫磺回收装置尾气二氧化硫含量实时预测方法，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，工业硫磺回收装置通过四个子单元的并行工作将工业酸性气体中的硫磺进行回收产生副产品。经过处理后的工业酸性气体的SO₂含量得到有效的降低，从而满足石化企业的环保生产要求；具体的组成包括：一个具备两个独立燃烧室的反应炉(F101)、四个冷凝器(E101～E104)、和两个催化反应器(R101与R102)；图2所示的工业硫磺回收装置的流量测量仪表分别是单乙醇胺气体流量仪表，两个燃烧室的空气进气流量仪表，酸-水汽提过程的气相流量仪表，和酸-水汽提过程的空气流量仪表。

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(7)。

步骤(1)：在工业硫磺回收装置正常运行时，利用5个流量仪表实时测量工业硫磺回收装置中的流量数据，直至采集得到N＝1000个样本数据，分别记录成5个列向量x₁，x₂，x₃，x₄，x₅，并利用离线分析仪获取相同测量时刻尾气SO₂含量的1000个样本数据，对应记录成列向量y。

步骤(2)：根据上述公式①对x₁，x₂，x₃，x₄，x₅和y分别实施归一化处理，对应得到5个数据向量和一个输出向量/>并将数据向量/>组建成一个数据矩阵/>

步骤(3)：搭建一个由M＝3层自编码器串联组成的栈式自编码器，其结构如图3所示，并确定各层自编码器的隐层神经元个数h₁，h₂，h₃、隐层神经元激活函数f(u)和输出层神经元激活函数ζ(u)；

步骤(4)：根据上述公式②组建N-9个输入向量z₁，z₂，…，z_n，其中n＝N-9＝991。

步骤(5)：利用反向传播(Back-Propagation，缩写：BP)算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层神经元权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M。

值得指出的是，利用BP算法训练自编码器的权重叙述和阈值时，需要确定相应的目标函数；以第m层的自编码器为例，其目标函数为：

其中，g_j(m)的计算方式如上述公式③所示，与/>分别表示第m层自编码器输出层神经元的权重系数矩阵与阈值向量，||v||表示计算向量v的长度。

步骤(6)：在步骤(5)训练好的栈式自编码器的基础上，新增一层只包含一个神经元的输出层，并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值；

步骤(7)：以第M层自编码器隐层h_M个神经元的输出向量g₁(M)，g₂(M)，…，g_n(M)做为步骤(6)中输出层神经元的输入，同时以做为输出，利用BP算法训练得到步骤(6)中输出层神经元的权重系数W_o和阈值b_o；

至此，离线的软测量建模阶段完成，接下来就是利用在线实时测量的5个流量数据软测量得到尾气中SO₂的含量，具体包括如下所示步骤(8)至步骤(12)。

步骤(8)：在最新采样时刻t，对5个流量仪表测量到的数据v₁(t)，v₂(t)，v₃(t)，v₄(t)，v₅(t)进行归一化处理，得到归一化后的数据

步骤(9)：根据a_t＝[v(t)，v(t-5)，v(t-7)，v(t-9)]^T组建最新采样时刻的输入向量a_t。

步骤(10)：以输入向量a_t为栈式自编码器的输入，通过步骤(5.5)中保留的权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M，依次计算得到第1层自编码器隐层，第2层自编码器隐层，直至第M层自编码器隐层的输出向量c₁，c₂，…，c_M。

步骤(11)：根据公式计算出/>后，再根据/>计算t采样时刻的SO₂含量的预测值y_t。

步骤(12)：返回步骤(8)，继续实施对下一个最新采样时刻的SO₂含量的实时预测。

如图4所示，本发明方法应用于在线软测量SO₂含量的实际值与软测量值对比；从图4中可以发现，本发明方法软测量精度很高；此外，本发明方法与其他两种有监督型的神经网络软测量技术(浅层神经网络与多层神经网络)进行精度上的对比，对比结果如下表1所示。

表1.SO₂含量的软测量精度对比(软测量误差)。

方法技术名称	软测量误差
		浅层神经网络	3.40
多层神经网络	2.97
		本发明方法	2.90

从上表1中可以发现，本发明方法能降低软测量误差，从而验证了本发明方法的软测量精度优势。

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。

Claims (1)

1.一种工业硫磺回收装置尾气二氧化硫含量实时预测方法，其特征在于，包括以下步骤：

首先，离线建模阶段包括如下所示步骤(1)至步骤(8)；

步骤(1)：在工业硫磺回收装置正常运行时，利用5个流量仪表实时测量工业硫磺回收装置中的流量数据，直至采集得到N个样本数据，分别记录成5个列向量x₁，x₂，x₃，x₄，x₅，并利用离线分析仪获取相同采样时刻尾气SO₂含量的N个样本数据，对应记录成列向量y，其中x_i由第i个流量的N个样本数据组成，i∈{1，2，3，4，5}分别对应于单乙醇胺气体流量，两个进气管道内的空气流量，酸-水汽提过程的气相流量，和酸-水汽提过程的空气流量；

步骤(2)：根据如下所示公式对x₁，x₂，x₃，x₄，x₅和y分别实施归一化处理，对应得到5个数据向量和一个输出向量/>并将数据向量/>组建成一个数据矩阵/>

其中，R^N×5表示N×5维的实数矩阵，表示归一化处理后的第i个数据向量，x_i(min)表示列向量x_i中的最小值，x_i(max)表示列向量x_i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)：搭建一个由M层自编码器串联组成的栈式自编码器，并确定各层自编码器的隐层神经元个数h₁，h₂，…，h_M、隐层神经元激活函数f(u)和输出层神经元激活函数ζ(u)；其中u表示函数自变量；

步骤(4)：根据如下所示公式组建N-9个输入向量z₁，z₂，…，z_n，其中n＝N-9；

z_j＝[X(j+9)，X(j+4)，X(j+2)，X(j)]^T ②

上式中，X(j+9)，X(j+4)，X(j+2)，X(j)分别表示数据矩阵X中的第j+9行，第j+4行，第j+2行和第j行的行向量，j∈{1，2，…，n}，z_j∈R^20×1表示第j个输入向量，R^20×1表示20×1维的实数向量，上标号T表示矩阵或向量的转置；

步骤(5)：利用BP算法依次训练步骤(3)中搭建的栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层神经元权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M，具体的实施过程如下所示；

步骤(5.1)：第1层自编码器的输入层有20个神经元，隐层有h₁个神经元，输出层有20个神经元，并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量；

步骤(5.2)：以z₁，z₂，…，z_n做为第1层自编码器的输入，同时以z₁，z₂，…，z_n做为第1层自编码器的输出，利用BP算法训练得到第1层自编码器的隐层神经元层权重系数矩阵和阈值向量/>后，初始化m＝1；

步骤(5.3)：第m+1层自编码器的输入层有h_m个神经元，隐层有h_m+1个神经元，输出层有20个神经元，并分别初始化隐层神经元和输出层神经元的权重系数矩阵和阈值向量；

步骤(5.4)：以第m层自编码器隐层的输出向量g₁(m)，g₂(m)，…，g_n(m)做为第m+1层自编码器的输入，同时以z₁，z₂，…，z_n做为第m层自编码器的输出，再次利用BP算法训练得到第m+1层自编码器的隐层神经元的权重系数矩阵和阈值向量/>其中/>表示h_m×h_m+1维的实数矩阵，/>表示h_m+1×1维的实数向量，g₁(m)，g₂(m)，…，g_n(m)的计算方式如下所示：

上式中，j∈{1，2，…，n}；

步骤(5.5)：判断是否满足m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则训练结束，保留栈式自编码器所有隐层神经元的权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M；

步骤(6)：在步骤(5)训练好的栈式自编码器的基础上，新增一层只包含一个神经元的输出层，并确定相应的激活函数γ(u)以及初始化该神经元的权重系数与阈值；

步骤(7)：以第M层自编码器隐层的输出向量g₁(M)，g₂(M)，…，g_n(M)做为步骤(6)中输出层神经元的输入，同时以做为输出，利用BP算法训练得到步骤(6)中输出层神经元的权重系数W_o和阈值b_o；其中/>分别表示输出向量/>中的第10个，第11个，至第N个元素；

上述实施步骤完成了对工业硫磺回收装置尾气SO₂含量的软测量建模，接下来就是利用在线实时测量的5个流量数据，实现对尾气SO₂含量的实时软测量，具体实施步骤如下所示；

步骤(8)：在最新采样时刻t，对5个流量仪表测量到的数据v₁(t)，v₂(t)，v₃(t)，v₄(t)，v₅(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∈{1，2，3，4，5}；

步骤(9)：根据a_t＝[v(t)，v(t-5)，v(t-7)，v(t-9)]^T组建最新采样时刻的输入向量a_t，其中，行向量v(t-5)，v(t-7)，v(t-9)分别表示t-5采样时刻，t-7采样时刻，t-9采样时刻的测量数据经归一化处理后的数据组建的行向量；

步骤(10)：以输入向量a_t为栈式自编码器的输入，通过步骤(5.5)中保留的权重系数矩阵W₁，W₂，…，W_M和阈值向量b₁，b₂，…，b_M，依次计算得到第1层自编码器隐层，第2层自编码器隐层，直至第M层自编码器隐层的输出向量c₁，c₂，…，c_M，具体的实施过程如下所示；

步骤(10.1)：根据公式c₁＝f(W₁ ^Ta_t+b₁)计算第1层自编码器隐层的输出向量c₁，再初始化m＝2；

步骤(10.2)：根据公式计算第m层自编码器隐层的输出向量c_m；

步骤(10.3)：判断是否满足m＜M；若是，则设置m＝m+1后，返回步骤(10.2)；若否，则得到第M层自编码器隐层神经元的输出向量c_M；

步骤(11)：根据公式计算出/>后，再根据/>计算t采样时刻的SO₂含量的预测值y_t；

步骤(12)：返回步骤(8)，继续实施对下一个最新采样时刻的SO₂含量的实时预测。