基于PSO 算法優(yōu)化的BPNN 天然氣脫CO2 膜分離過程軟測量模型

王 磊，李桂香，2，王元麒

(1. 海南大學 信息科學技術學院 海南省特種玻璃重點實驗室，海南 ?？?70228;2. 廣東省醫(yī)療器械研究所 廣東省醫(yī)用電子儀器及高分子材料制品重點實驗室，廣東 廣州510500;3. 意大利米蘭理工大學，意大利 米蘭20133)

在資源短缺、能源緊張、環(huán)境日益惡化、節(jié)能減排呼聲越來越高的今天，天然氣作為一種清潔燃料，其開發(fā)利用已在全球受到普遍關注.我國天然氣產(chǎn)量也逐年快速增加，一些高含碳的低品位油氣田被投入開發(fā)生產(chǎn).但未經(jīng)處理的天然氣高含CO2氣體，不僅會降低天然氣的熱值，在使用和輸送過程中還會腐蝕輸送管道和設備.科學工作者在天然氣的凈化技術方面已作較多研究［1］.目前為止，國內(nèi)外分離天然氣中的CO2主要有溶劑吸收法、變壓吸附法和低溫分離法等［2－3］.其中，氣體吸收法約占70%，但有其局限性，如含高濃度CO2時，能量消耗高;處理量小時費用較高;脫碳工藝流程復雜和設備尺寸過大.隨著近年來膜制備方法與膜分離工藝的發(fā)展，氣體膜分離法以其節(jié)能、高效、操作簡單、使用方便、不產(chǎn)生二次污染等優(yōu)點，被認為是最有發(fā)展?jié)摿Φ拿撎挤椒ㄖ唬?－5］.

天然氣脫CO2膜分離過程屬于氣體膜分離過程，是一個包含大量信息的多變量影響、時變的非線性系統(tǒng)，過程中難以在線精確測量的關鍵性能參數(shù)直接影響其過程的實時控制.目前，其過程中最重要的性能參數(shù)脫碳氣流量和尾氣CO2濃度大都靠人工測量，前者受到過程中壓力和溫度的影響測量不準確，后者需要昂貴的、難以維護的儀器，成本太大.雖然國內(nèi)外已對氣體膜分離技術做了不少研究，但主要集中在膜材料和膜，而較少對組件、裝置及過程優(yōu)化等方面進行研究［6］.實際工業(yè)應用時，復雜時變的現(xiàn)場條件，使得難以對其過程建立精確的數(shù)學/機理模型［7－8］.為實現(xiàn)氣體膜分離的過程優(yōu)化控制，文獻［7］針對煉廠氣氫回收過程中一些重要性能參數(shù)難以在線測量，將軟測量方法引入氣體膜分離技術.文獻［9］進一步引入主元分析方法，對氫回收膜分離過程RBFNN 模型建模變量進行分析并提取出關鍵的輔助變量進行建模，簡化了建模過程.但神經(jīng)網(wǎng)絡存在容易陷入局部最小值和收斂速度慢等問題［10］，且在建模時都沒有對神經(jīng)網(wǎng)絡參數(shù)進行優(yōu)化，可能缺乏通用性.

粒子群算法(Particle Swarm Optimization，PSO)是由KENNEDY 和EBERHART 模擬鳥群捕食行為發(fā)明的一種全新全局優(yōu)化算法［11］.算法中把每個優(yōu)化問題的解都當作搜索空間的一個粒子.該算法具體原理是首先初始化一群隨機粒子，對每個粒子賦予一個由適應度函數(shù)確定的適應值和決定其方向和距離的速度值，粒子每次迭代時通過跟蹤個體極值和全局極值更新自己.

如果用PSO 算法對神經(jīng)網(wǎng)絡的權值進行訓練，就能得到較快的收斂速度;如果用其優(yōu)化神經(jīng)網(wǎng)絡閾值，就可讓BP 神經(jīng)網(wǎng)絡避免陷入局部最小值.因此，在建立基于PSO 算法優(yōu)化的BPNN 天然氣脫CO2膜分離過程軟測量模型時，首先用PSO 算法對BP 神經(jīng)網(wǎng)絡的權值和閾值進行優(yōu)化，得到優(yōu)化的軟測量模型，然后再結合現(xiàn)場采集處理的數(shù)據(jù)用所建模型對天然氣脫CO2膜分離過程性能參數(shù)進行測量研究.

1 理論基礎

1.1 粒子群算法 PSO 算法源于人們研究人工智能和鳥群捕食行為，基于種群全局搜索策略，通過眾多種群粒子間的合作與競爭進行優(yōu)化搜索.1995 年，KENNEDY 和EBERHART 受鳥群覓食行為啟發(fā)提出了PSO 算法［12］.現(xiàn)在PSO 算法進化成了一種基于群體智能的進化計算技術，簡單、容易實現(xiàn)，既適合科學研究，又適合工程應用［13］.PSO 算法原理:

假設一個n 維搜索空間中有m 個粒子組成的一個種群X=(X1，X2，…，Xm)T.其中，Xi=(Xi1，Xi2，…，Xin)T為第i 個粒子的位置，Vi=(Vi1，Vi2，…，Vin)T為其速度，Pi=(Pi1，Pi2，…，Pin)T為個體極值，Pg=(Pg1，Pg2，…，Pgn)T為種群全局極值.找到個體極值和全局極值后，粒子分別根據(jù)下式更新速度和位置

其中，c1和c2是加速因子，取非負常數(shù);rand()是隨機常數(shù)，介于(0，1)間和分別是第k 次迭代時，粒子i 的第d 維速度和位置是粒子i 的第d 維個體極值位置是群體的第d 維全局極值位置.

本文引入了慣性權重算法和收縮因子到傳統(tǒng)PSO 算法中進行改進.使得迭代時，粒子的速度由以下公式確定

其中，w 是慣性權重函數(shù)，根據(jù)迭代次數(shù)對w 進行動態(tài)調(diào)整，使得w 隨著代數(shù)的增加而減少，即搜索范圍越來越小，加快收斂速度;伸縮因子k 用來控制粒子的全局速度與局部速度的平衡.

1.2 基于PSO 優(yōu)化的BP 神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡是一門新興的交叉學科，是模擬人腦智能結構和功能開發(fā)出來的非線性信息處理系統(tǒng).其中的誤差反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡是應用最多的，它具有良好的容錯性、強大的自學習能力和非線性映射能力［14－16］.但是BP 網(wǎng)絡采用的BP 算法對初始網(wǎng)絡的權值及其敏感，易存在陷入局部最小值和收斂速度慢等缺點.

因此，利用上述改進的PSO 算法優(yōu)化神經(jīng)網(wǎng)絡的連接權值和閾值以充分發(fā)揮PSO 算法的全局尋優(yōu)能力和BP 神經(jīng)網(wǎng)絡的局部搜索能力，提高神經(jīng)網(wǎng)絡模型的泛化學習能力.PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡的具體流程如圖1 所示.

1.3 天然氣脫CO2膜分離過程技術原理 氣體膜分離是一種新型的化工分離技術，以膜兩側氣體壓力差為驅動力，使得CO2溶解并滲透過膜，從而使該組分在膜的原料一側濃度降低，而在膜另一側達到富集，達到天然氣脫除CO2的目的.

天然氣脫CO2膜分離系統(tǒng)由2 部分組成:預處理和膜分離.預處理部分主要包括:過濾和加熱.原始天然氣經(jīng)過前置的一級過濾器和兩級精密過濾器脫除顆粒及油霧，將天然氣中的含重烴量降低到0.003 ppm 以下，同時濾除直徑大于0.01 m 的所有固體顆粒，然后經(jīng)過加熱器加熱到80 ～90 ℃進入道一級膜分離器中進行分離.天然氣經(jīng)過一級膜分離后，由于CO2容易滲透而在低壓側得到濃縮CO2(滲透氣③);在高壓側得到包含CH4的尾氣(非滲透氣④)，尾氣再經(jīng)冷凝器(35 ℃)回收部分高碳組分后進入二級膜分離，低壓側的濃縮CO2(滲透氣⑧)放空;而將高壓一側得到主要為天然氣的尾氣(非滲透氣⑨)并入用戶的管網(wǎng).其工藝流程如圖2 所示.

圖1 PSO 優(yōu)化BP 神經(jīng)網(wǎng)絡的流程

圖2 天然氣脫CO2 膜分離工藝流程簡圖

2 基于PSO 算法優(yōu)化的BPNN 天然氣脫CO2 膜分離過程軟測量模型

建立軟測量模型時選擇的建模變量，需要符合氣體膜分離過程機理［7］.根據(jù)天然氣脫CO2膜分離過程機理和現(xiàn)場數(shù)據(jù)，結合相互關聯(lián)變量的類型、數(shù)目和測點位置以及實際應用制約的額外因素(經(jīng)濟性、可靠性、可行性以及維護性等)和建模輸入變量需符合原則(過程適用性、靈敏性、特異性、準確性、魯棒性等)，在建立天然氣脫CO2膜分離過程軟測量模型時，選擇其過程中主要影響上述性能的變量作為建模輸入和輸出，其中輸入為入口溫度(T)、入口壓力(Pf)、滲透氣壓力(Pp)、尾氣壓力(Pr)和原料氣流量(Qf)、原料氣CO2濃度(Cfq);輸出為關鍵性能指標脫碳氣流量(Qp)和脫碳氣CO2濃度(Cpq).

從圖3 和圖4 中可以看出，基于改進PSO 算法優(yōu)化的天然氣脫CO2膜分離過程BPNN 模型收斂，且應用模型得到的2 個過程性能參數(shù)預測值與真實值吻合較好.圖5 和圖6 精確地給出了基于改進PSO 算法優(yōu)化的天然氣CO2膜分離過程BPNN 模型的仿真誤差，都在1.4%以內(nèi)，完全符合實際運用.實際上，仿真時間都遠小于1 s，基于改進PSO 算法優(yōu)化的BPNN 所建的天然氣脫CO2膜分離過程模型比用沒有優(yōu)化的BPNN 模型測量過程性能參數(shù)(如圖7、圖8 和表1)更精確. 綜上所述，基于改進PSO 算法優(yōu)化的BPNN 所建的天然氣脫CO2膜分離過程軟測量模型正確合理，可為天然氣脫CO2膜分離過程的實時控制提供基礎.

在采集過程數(shù)據(jù)時，理論上需要采集包含工業(yè)對象相關信息的大量過程數(shù)據(jù)用于建模和模型檢驗.而實際只采集軟測量模型建立所需的相應輸入輸出變量過程數(shù)據(jù)，并且數(shù)據(jù)覆蓋面盡量寬至整個操作范圍，以便于拓寬軟測量模型的應用范圍. 同時對采集數(shù)據(jù)進行處理，以得到正確可靠的數(shù)據(jù)確保測量精度.

建模樣本為海南澄邁福山油田天然氣脫CO2兩段膜膜分離過程裝置中具有代表性的100 組預處理數(shù)據(jù).首先樣本數(shù)據(jù)用統(tǒng)計假設校驗法剔除其中具有顯著誤差的數(shù)據(jù)，再用平均濾波法除去包含隨機誤差的數(shù)據(jù)，并且前50 組數(shù)據(jù)作為建模訓練樣本，后50 組數(shù)據(jù)用于校驗模型的正確有效性.

基于以上描述，可以得到基于PSO 算法天然氣脫CO2膜分離過程的BPNN 軟測量模型為

其中，T 為入口溫度，Pf為入口壓力，Pp為滲透氣壓力，Pr為尾氣壓力，Qf為原料氣流量，Cfq為原料氣CO2濃度，Qp為脫碳氣流量，Cpq為脫碳氣CO2濃度.

3 仿真結果與分析

為了驗證模型的正確性和有效性，借助Matlab2010a 軟件平臺和神經(jīng)網(wǎng)絡工具箱，編程實現(xiàn)了基于PSO 算法優(yōu)化的BPNN 天然氣脫CO2膜分離過程軟測量模型，并應用數(shù)據(jù)對模型進行了訓練和校驗.

所建模型仿真測量的脫碳氣流量和脫碳氣CO2濃度2 個關鍵性能指標結果如圖3 和圖4 所示.

圖3 脫碳氣流量測量

圖4 脫碳氣CO2 濃度測量

為了對模型的預測精確度進行評估，采用相對誤差進行評價，相對誤差定義式(6)對其進行評判.

其中，Y0表示模型測量輸出，Y 表示實際測量值.

2 個關鍵指標的仿真誤差分別如圖5 和圖6 所示.

用基于改進PSO 算法優(yōu)化的BPNN 天然氣脫CO2膜分離過程軟測量模型與沒有用PSO 算法優(yōu)化的BPNN 軟測量模型對天然氣脫CO2膜分離過程性能參數(shù)進行測量的最大誤差對比，如表1 所示.

圖5 脫碳氣流量測量誤差

圖6 脫碳氣CO2 濃度測量誤差

圖7 BPNN 模型測量脫碳氣流量

圖8 BPNN 模型測量脫碳氣CO2 濃度

表1 測量模型測量天然氣脫CO2 膜分離過程性能參數(shù)誤差對比

4 小 結

通過用改進PSO 算法對BP 神經(jīng)網(wǎng)絡進行優(yōu)化，建立了基于改進PSO 算法優(yōu)化的天然氣脫CO2膜分離過程BPNN 軟測量模型，并對天然氣脫CO2膜分離過程的過程關鍵性能參數(shù)進行了測量.仿真結果表明，模型對天然氣脫CO2膜分離過程的脫碳氣流量和尾氣CO2濃度的測量值同實測值基本吻合，精度高，速度快，證明了模型的合理正確性.當然，該測量模型還可以應用于其他氣體的膜分離過程關鍵性能參數(shù)的檢測，指導其過程的實時控制，具有較好的實際應用價值，并為氣體膜分離關鍵性能參數(shù)的在線檢測和過程的實時控制提供基礎.

［1］黃斌，劉練波，許世森. 二氧化碳的捕獲和封存技術進展［J］. 中國電力，2007，40(3):14 －17.

［2］Jose D F，Timothy F，Sean P，et al. Advances in CO2capture technology［J］. International Journal of Greenhouse Gas Control，2008，2:9 －20.

［3］丁潔，李舒宏，程德園，等. 新型CO2低溫捕集與N2/O2分離復合系統(tǒng)性能分析［J］. 化工學報，2012，63:161 －165.

［4］汪東. 氣體膜分離的原理及其應用于酸性氣體凈化的研究發(fā)展［J］. 化學工業(yè)與工程技術，2008，29(5):50 －52.

［5］孫翀，李潔，孫麗艷，等. 氣體膜分離混合氣中二氧化碳的研究進展［J］. 現(xiàn)代化工，2011，31(S1):19 －23.

［6］張菀喬，張雷，廖禮. 氣體分離膜技術的應用［J］. 天津化工，2008，22(3):21 －22.

［7］Wang L，Shao C，Wang H，et al. Radial basis function neural networks-based modeling of the membrane separation process:hydrogen recovery from refinery gases［J］. Journal of Natural Gas Chemistry，2006，15(3):230 －234.

［8］Koros W J. Some opportunities ＆ challenges for our membrane community to consider-with an Emphasis on gas separations［J］.Membrane Science and Technology ，2006，26(4):1 －5.

［9］李桂香，王磊，李繼定，等. 基于主元分析的氣體膜分離過程RBFNN 建模［J］. 系統(tǒng)仿真學報，2012，24(9):2003－2006.

［10］Keninedy J，Eberhart R C. Particle swarm optimization:proceedings of the 1995 IEEE International Conference on Neutral Networks，Perth，November 27 －December 1，1995［C］.New Jersey:IEEE Press.1995.

［11］周樹孝，王文昌，王留成，等. 散式流化和聚式流化的BP 神經(jīng)網(wǎng)絡識別［J］. 高校化學工程學報，2004，18(4):459－464.

［12］劉建華，劉國買，楊榮華，等. 粒子群算法的交互性與隨機性分析［J］. 自動化學報，2012，38 (9):1471 －1484.

［13］Eberhart R C，Shi Y. Particle swarm optimization developments，application and resources:proceedings of the 2001 Congress on Evolutionary Computation，Seoul，May 27 －30，2001［C］.［S.1.］:IEEE Press，2001.

［14］韓力群. 人工神經(jīng)網(wǎng)絡理論、設計及應用［M］. 北京:化學工業(yè)出版社，2007.

［15］張宏建，孫志強. 現(xiàn)代檢測技術［M］. 北京:化學工業(yè)出版社，2009:59 －68.

［16］張雨濃，楊逸文，李巍. 神經(jīng)網(wǎng)絡權值直接確定法［M］. 廣州:中山大學出版社，2010.