本发明专利技术的目的在于克服现有技术的不足，提供一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，步骤：确定输入变量；采集工艺生产数据；对数据进行预处理；进行数据归一化处理；采用无迹卡尔曼神经网络对数据进行建模，得到模型；以无迹卡尔曼滤波神经网络模型两个输出变量设计偏好函数，运用多目标遗传算法对输入变量进行优化；将优化后输入变量解集依次带入无迹卡尔曼神经网络模型，计算此时的模型两个输出值，与样本值平均值进行比较，观察优化效果。本方法能够建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的现实意义。
【技术实现步骤摘要】
基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法
本专利技术属于高含硫天然气脱硫生产过程中智能节能增产技术，涉及一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法。
技术介绍
高含硫天然气工业流程复杂，过程工艺参数众多，受温度、压力、流量、设备老化和原料气处理量等不确定因素影响，是典型的复杂非线性动态特性化工系统。高含硫天然气净化脱硫过程主要包括以下部分：主吸收塔MDEA溶液吸收酸性组分H2S和CO2，水解反应器脱除(COS)，再生塔MDEA溶液的循环再生以及换热过程，具体工艺流过程如图2所示。如何建立精确可靠的高含硫天然气净化脱硫工业过程模型是提高成品气产量，降低脱硫过程能耗的基础和前提，对指导实际工业生产具有重要的现实意义。高含硫天然气净化脱硫过程的机理模型可描述生产中重要变量的变化趋势，反映生产过程的机理知识。然而，高含硫天然气净化脱硫生产过程是一个复杂的物理、化学过程，一般具有结构复杂、多变量、非线性、时滞、不确定性等特点，传统的机理建模方法很难满足精确建模的要求。神经网络(ArtificialNeuralNetwork,ANN)以其强大非线性逼近能力,与传统机理建模方法相比，属于统计建模方法，具有能建立不依赖于精确过程原理和能以任意精度逼近任何非线性映射的特点。ANN在处理复杂系统的建模问题上显示出独特的优越性，被广泛用于工业过程建模。然而目前，应用神经网络建立高含硫天然气净化脱硫生产过程模型时，忽略了环境变量和内部状态变量对模型的影响，假设其环境噪声和内部状态变量是相对稳定的。往往只是对输入输出变量进行简单的静态映射，是一种静态建模方法，对高含硫天然气净化脱硫生产过程建模效果有限。如何建立高含硫天然气净化脱硫过程的高精度模型成为难点。UKF神经网络采用具有自适应动态跟踪能力UKF滤波算法对静态神经网络模型进行调整，将神经网络权值和阈值作为UKF的状态变量，神经网络的输出作为UFN的测量变量。通过状态参数估计建立动态实时滤波效果的模型，使其能够反映系统的实际变化情况，以得到精确的模型。天然气净化脱硫生产过程中，能耗和产量是两个重要的考核指标。然而产量和能耗间又存在相互制约关系，对其中一个目标优化必须以牺牲另一个目标作为代价，而且各目标的单位又往往不一致，因此很难客观地评价两个目标问题解的优劣性。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，它能够建立精确可靠的高含硫天然气净化脱硫工业过程模型，能够以此为基础提高成品气产量，降低脱硫过程能耗，对指导实际工业生产具有重要的现实意义。本专利技术的目的是这样实现的：一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，其特征在于该方法按如下步骤进行：步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x1表示脱硫吸收塔胺液入口流量，x2表示尾气吸收塔胺液入口流量，x3表示原料气处理量，x4表示半富胺液循环量，x5表示一级吸收塔胺液入口温度，x6表示二级吸收塔胺液入口温度，x7表示闪蒸罐压力，x8表示重沸器A口蒸汽消耗量，x9表示重沸器B口蒸汽消耗量，x10表示蒸汽预热器流量；步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[Xm×N,Y1,Y2],其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y1为H2S含量，Y2为CO2含量；采集高含硫天然气净化脱硫生产过程中的工艺参数，并采集对应工艺参数下生产的天然气当中的H2S含量和CO2含量，用于后续建模、优化。步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过实际特性的有效数据；3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[Xm×n,Y1,Y2]，n为处理后样本数量，n＜N；3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[Xm×H,Y1,Y2]，其中，H≤n；通过剔除采集数据中缺失参数的样本以及粗大误差数据能够得到最能反映出生产过程实际特性的有效数据。3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为[Xm×h,Y1,Y2]，其中，h≤H；3σ准则处理的基本思想为：通常数据上控制限UCL和下控制限LCL与中心线的距离为3σ以内的数据是较好的。因此，将在上、下控制线以外的数据删除，保证数据为最优数据。其中，中心线与上、下控制线的公式如下：UCL＝μ+3σ，CL＝μ，LCL＝μ-3σ其中：μ：总体数据的平均值；σ：总体数据的标准差。对数据[Xm×H,Y1,Y2]，其中，H≤n中的各输入变量，采用上述公式进行计算，确定UCL,CL,LCL。若某输入变量的取值在该上、下控制线外，则剔除该数据样本点，通过对系统分析。如果某变量的大量正常取值位于控制线外，则扩大控制线范围，以保留该正常取值的变量，得到新数据[Xm×h,Y1,Y2]，其中，h≤H。3.4进行数据归一化处理，得到新数据为[X′m×h,Y1′,Y2′]；采用归一化方法，得到有效数据，提高模型精度。步骤4：采用无迹卡尔曼神经网络对预处理后的数据[X′m×h,Y1′,Y2′]进行建模，以得到高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型；所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络函数表达式如下：其中：M＝10，为输入层神经元数目；q为隐含层神经元数目，采用试凑法公式来确定神经网络隐含层神经元数目，K为0～10之间的常数，通过训练模型效果比较，选择最佳的q值作为神经网络隐含层神经元数目；采用无迹卡尔曼滤波神经网络建立高含硫天然气净化脱硫过程产能模型时，无迹卡尔曼滤波的状态初始协方差、均值，以及无迹卡尔曼滤波中UT变换中扩展因子的取值范围均在0-1的范围内随机给定；无迹卡尔曼滤波算法充分考虑了环境变量和内部状态变量对模型的影响，能够自适应动态跟踪特性，提出无迹卡尔曼神经网络在线修正静态模型，实现高含硫天然气动态演化建模，提高建模精度。步骤5：以无迹卡尔曼滤波神经网络模型两个输出变量设计偏好函数，作为适应度函数运用多目标遗传算法，对输入变量x1,x2,x3,x4,x5,x6,x7,x8,x9,x10在各自的上下范围内进行优化；物理规划的偏好函数设计可实现不同物理量在同一度量准则下设计，多目标遗传算法可在偏好函数设计基础上给出多目标优化的一系列Pareto最优解集。步骤6：将优化后的h组输入变量优化解集依次带入无迹卡尔曼神经网络模型，计算此时的模型两个输出值H2S含量Y1，CO2含量Y2，与样本值平均值进行比较，观察优化效果。所述步骤3.1中企业净化气技术指标净化气中为H2S含量低于6mg/m3，CO2体积百分比含量低于3％。所述步骤3.4中具体归一化处理方法如下：其中，xi为归一化前的输本文档来自技高网...
【技术保护点】
一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，其特征在于该方法按如下步骤进行：步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x1表示脱硫吸收塔胺液入口流量，x2表示尾气吸收塔胺液入口流量，x3表示原料气处理量，x4表示半富胺液循环量，x5表示一级吸收塔胺液入口温度，x6表示二级吸收塔胺液入口温度，x7表示闪蒸罐压力，x8表示重沸器A口蒸汽消耗量，x9表示重沸器B口蒸汽消耗量，x10表示蒸汽预热器流量；步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[Xm×N,Y1,Y2],其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y1为H2S含量，Y2为CO2含量；步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过实际特性的有效数据；3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[Xm×n,Y1,Y2]，n为处理后样本数量，n＜N；3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[XmH,Y1,Y2](H≤n)；3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为[Xmh,Y1,Y2](h≤H)；3.4进行数据归一化处理，得到新数据为[X'mh,Y1',Y2']；步骤4：采用无迹卡尔曼神经网络对预处理后的数据[X'mh,Y1',Y2']进行建模， 以得到高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型；所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络函数表达式如下：其中：M＝10，为输入层神经元数目；q为隐含层神经元数目，采用试凑法公式来确定神经网络隐含层神经元数目，K为0‑10之间的常数，通过训练模型效果比较，选择最佳的q值作为神经网络隐含层神经元数目；采用无迹卡尔曼滤波神经网络建立高含硫天然气净化脱硫过程产能模型时，无迹卡尔曼滤波的状态初始协方差、均值，以及无迹卡尔曼滤波中UT变换中扩展因子的取值范围均在0‑1的范围内随机给定；步骤5：以无迹卡尔曼滤波神经网络模型两个输出变量设计偏好函数，作为适应度函数运用多目标遗传算法，对输入变量x1,x2,x3,x4,x5,x6,x7,x8,x9,x10在各自的上下范围内进行优化；步骤6：将优化后的h组输入变量优化解集依次带入无迹卡尔曼神经网络模型，计算此时的模型两个输出值H2S含量Y1，CO2含量Y2，与样本值平均值进行比较，观察优化效果。...
【技术特征摘要】
1.一种基于无迹卡尔曼神经网络的天然气净化工艺建模优化方法，其特征在于该方法按如下步骤进行：步骤1：确定高含硫天然气净化脱硫工艺过程模型的输入变量：选择高含硫天然气净化脱硫工艺生产过程中能被有效控制的m个工艺操作参数作为模型输入变量，其中，m＝10，输入变量分别为：x1表示脱硫吸收塔胺液入口流量，x2表示尾气吸收塔胺液入口流量，x3表示原料气处理量，x4表示半富胺液循环量，x5表示一级吸收塔胺液入口温度，x6表示二级吸收塔胺液入口温度，x7表示闪蒸罐压力，x8表示重沸器A口蒸汽消耗量，x9表示重沸器B口蒸汽消耗量，x10表示蒸汽预热器流量；步骤2：采集高含硫天然气净化脱硫工艺生产数据，所得数据为[Xm×N,Y1,Y2],其中：m为输入变量数，N为采集样本数量，X为输入变量空间，Y1为H2S含量，Y2为CO2含量；步骤3：对步骤2所得的高含硫天然气净化脱硫工艺生产数据进行预处理，得到最能反映出生产过程实际特性的有效数据；3.1剔除采集数据中缺失参数的样本，并保证样本满足企业净化气技术指标，得到新数据为[Xm×n,Y1,Y2]，n为处理后样本数量，n＜N；3.2对输入变量数据进行粗大误差数据剔除，粗大误差数据剔除后，样本减少为[Xm×H,Y1,Y2]，其中，H≤n；3.3对输入变量数据进行3σ准则处理，3σ准则处理后，样本减少为[Xm×h,Y1,Y2]，其中，h≤H；3.4进行数据归一化处理，得到新数据为[X′m×h,Y1′,Y2′]；步骤4：采用无迹卡尔曼神经网络对预处理后的数据[X′m×h,Y1′,Y2′]进行建模，以得到高含硫天然气净化脱硫过程产能的精确模型，通过无迹卡尔曼滤波对神经网络权值、阈值进行估计，将神经网络权值、阈值作为无迹卡尔曼滤波的状态变量，神经网络的输出作为无迹卡尔曼滤波的测量变量，从而得到高含硫天然气净化脱硫过程产能的精确模型；所述无迹卡尔曼神经网络为三层神经网络，其中：隐含层传递函数为S型函数，输出层传递函数为Purelin函数，该三层神经网络函数表达式如下：
【专利技术属性】
技术研发人员：邱奎，李太福，张莉娅，李景哲，辜小花，裴仰军，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;85
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。