基于双向多步预测的炉管温度场重构方法

林启钊，彭志平，郭 棉，崔得龙

（1.广东石油化工学院计算机与电子信息学院，广东 茂名 525000；2.广东工业大学计算机学院，广东 广州 510006；3.广东技术师范大学电子与信息学院，广东 广州 510665）

0 引 言

裂解炉是乙烯生产装置中的核心设备，其主要作用是把石脑油等饱和烃类原料通过裂解、蒸馏等过程转化为工业所需的乙烯、丙烯等化工产品。随着裂解的进行，炉管内壁焦层不断增厚、扩大，炉管的传热能力将变差，不仅降低裂解反应的质量，还会造成炉管渗碳、鼓包、开裂直至炉管失效，带来经济损失和安全隐患。为保障裂解炉长周期安全高效运行，有必要快速准确感知裂解炉炉管表面温度及其变化。

多年来，研究人员已经开展了一系列炉管表面温度测量技术的探索。其中，人工测量法是通过手持式红外测温仪在现场检测炉内温度，其缺点是只能进行单点的测温，无法做到连续和在线监测，而且容易漏测，出现问题也不能及时发现。唐磊等［1］建立了一种基于近红外比色测温技术的炉管金属温度在线监测与分析系统，降低了裂解炉装置因炉管高温引起的故障风险。Peng 等［2］提出了一种非接触式双驱动测温方法来测量炉壁和炉管金属温度，并通过重管识别、异常数据处理等进一步提升测温数据的准确性，测温装置主要是通过裂解炉的观火孔来远程测量炉管表面温度。

另一方面，20 世纪80 年代，Kumar 等［3-4］已建立了基于7 类裂解原料的石脑油分子反应动力学模型来分析乙烯裂解过程，但是由于该模型高度依赖较多不可直接测量的过程参数，而且计算过程非常复杂、计算量太大，无法直接应用于工业生产。通过对复杂机理进行简化，对乙烯裂解炉建立一维和二维的裂解、结焦反应动力学模型、炉膛传热模型等工艺数学模型［5-8］，在能够大致地模拟出乙烯裂解机理的同时，降低了裂解过程计算时间成本。随着计算流体力学（Computational Fluid Dynamics，CFD）技术的发展，研究人员开始采用CFD 技术来模拟炉膛内高温烟气的湍流、热辐射和管的热传递，以及炉膛的几何形状、尺寸、燃烧器的结构、燃烧器的分布等［9-13］因素对裂解产品的产量和质量的影响。

近年来，研究人员已经尝试基于神经网络来探索获取过程参数的方法。耿志强等［14］提出了一种基于模糊C均值的径向函数神经网络模型，并用于分析预测不同技术、不同规模乙烯装置的生产情况。顾恒昌等［15］提出了一种交叉迭代的长短期记忆神经网络模型，解决了实际应用中缺少可用的建模所需数据的问题。Chen等［16］利用支持向量机回归方法建立了炉膛温度趋势预测算法和模型，用于炉膛温度异常检测。Li 等［17］利用密度峰值聚类算法较好地预测了每个生产环境的乙烯产量。

由于高温下炉管震荡和存在观火口视觉盲区等问题，纯物理测量方法所测得的数据容易存在数据缺失和异常问题，导致未能准确测量炉管沿管长所有表面的温度。神经网络模型是数据驱动型模型，通过监督学习能很好地求解数据之间的关系，计算出目标信息，但其极度依赖大量的训练数据，而在高温复杂的乙烯裂解过程中，神经网络训练所依赖的部分重要输入数据，如反映裂解过程与炉管温度的主要过程参数，无法通过直接感知的方法获取。而CFD 技术能以实际操作数据和生产数据通过模拟仿真求解出神经网络训练所需要的输入参数。

据此，本文拟融合乙烯裂解机理和LSTM 网络来探索裂解炉炉管表面温度场的重构方法。首先基于计算流体力学仿真平台构建反映裂解过程与炉管温度的数学关系的乙烯裂解机理模型，获取主要过程参数，在此基础上，设计基于LSTM 网络的双向多步炉管温度预测网络来预测炉管温度场，并在所述网络中引入注意力机制［18］和遗传算法（GA）［19］来进一步提高网络训练的效率和温度场重构准确率。

1 融合机理的双向多步预测模型

如图1 所示，本文首先基于CFD 仿真平台、结合实际生产数据和乙烯裂解原理进行模拟计算，获得反映乙烯裂解过程与炉管温度场关联关系的机理模型及主要过程参数，其作为输入参数对双向多步预测进行模型训练，模型的输出是预测的炉管温度。在本文设计的神经网络模型中，引入注意力机制来提高特征提取的有效性，设计群体智能优化算法来提高神经网络结构及参数的学习效率。最后，利用工业数据对神经网络的预测结果进行数值矫正，最终获得炉管温度场。

图1 整体算法流程

1.1 机理模型的构建

1.1.1 机理模型计算方法

本文将利用fluent［20］仿真软件分别建立炉膛燃烧模型、湍流模型、乙烯裂解反应模型对乙烯裂解过程进行模拟。乙烯裂解模型由数百万个空间网格组成，经过多轮耦合计算，模拟得到最终的机理仿真模型，该过程如图2 所示。主要过程参数为炉管各部位的炉管金属温度、裂解气温度、管内压强以及裂解气中各物质含量。

图2 机理模型

通过比较机理模型中裂解气温度和炉管温度，其误差均符合|dpredictions-dindustrial|＜0.035×dindustrial，故该模型大致还原真实生产工况。其中dpredictions为fluent仿真模型的温度值，dindustrial为乙烯企业测得的工业温度值。

1.1.2 主要过程参数筛选策略

皮尔逊相关系数（Pearson correlation coefficient）［21］是一种线性相关系数，反映了2 个变量的线性相关程度。通过Pearson 相关系数可排除与炉管温度分布相关性较弱的参数。相关系数介于-1～1 之间，绝对值越接近1，表明2个变量的线性相关程度越强。由于各特征参数之间存在较大的差异，计算相关性之前需要先对参数进行归一化处理，Pearson 相关系数rx，y的计算公式为：

其中，x、y为求解相关性的2个变量；d为变量的维度。

1.2 双向多步炉管温度预测神经网络

1.2.1 算法背景

实际生产过程中，采集设备一般是从裂解炉的观火口处进行数据采集［22］，而观火口之间的炉管段的数据较难获取。据此，如图3（a）所示，将观火口处易测得数据作为模型输入参数（黑色部分），较难测量处作为预测目标（白色部分）。U 型炉管沿入口到出口方向，每个观火口及该观火口到下一观火口之间的炉管段作为同一个分段，即图3（b）中的X（k）和Y（k）为炉管第k分段。

图3 炉管分段与温度预测目标示意图

1.2.2 算法原理

如图3（b）所示，由于本文所提出的预测模型需要以一定时间序列数据作为输入参数，故将炉管分段继续划分为多个微元段，并在不影响计算结果的情况下，假设温度、气压、物质百分含量等参数在各微元段中均衡分布。

以炉管的第k分段为例，X（k）={Xk，1，Xk，2，…，Xk，n}为模型初始输入参数，步长为n，Y（k）={Yk，1，Yk，2，…，Yk，N}为原始预测目标，步长为N。

由于需要预测目标步长较长，本文采用一种基于卷积块注意力模块（Convolutional Block Attention Module，CBAM）注意力的双向多步预测模型进行目标预测。首先初始化Y（k），LSTM 以X（k）作为初始输入参数，将训练得到的预测值加权到预测目标，得到Yk，1，f，继续以{Xk，2，Xk，3，…，Yk，1，f}作为输入参数，同理得到Yk，2，f，继续重复以上步骤直到得到Yk，N，f，即得到Y（k，f）={Yk，1，f，Yk，2，f，…，Yk，N，f}，至此完成正向多步预测。为了解决多步预测导致的误差迭代问题，再反向建立LSTM 模型，以X（k+1）作为初始输入参数，将训练得到的预 测 值加权 到 预测 目 标，得 到Yk，N，b，直 到 得到Yk，1，b，即得到Y（k，b）={Yk，1，b，Yk，2，b，…，Yk，N，b}，至此完成反向多步预测。通过融合Y（k，f）和Y（k，b），得到一轮炉管的最新预测温度{…，X（k），Y（k，new），X（k+1），…}。经过多轮训练，得到该炉管分段的最终温度分布预测数据。具体的算法步骤可总结如下：

输入：X（k）、X（k+1）

输出：Y（k，new）

1） 初始化Y（k）；

2） ep = 0；

3） While ep ＜epochs do

4）Y（k，f，ep）=Y（k）；

5）i= 1；

6） Whilei≤Ndo

7） pref= LSTM（{Xk，i，…，Xk，n-1+i}）；

8）Yk，i，f，ep=wf×Yk，i+（1-wf）×pref；

9）i=i+1；

10） End while

11）Y（k，b，ep）=Y（k）；

12）i= 1；

13） Whilei≤N do

14） preb=LSTM（{Xk+1，2-i，…，Xk+1，n+1-i}）；

15）Yk，N+1-i，b，ep=wb×Yk，i+（1-wb）×preb；

16）i=i+1；

17） End while

18）Y（k）=（Y（k，f，ep）+Y（k，b，ep））/2；

19）End while

20）Y（k，new）=Y（k）；

21）returnY（k，new）

算法中，epochs为预设定的训练轮数；下标f表示正向预测过程；下标b 表示反向预测过程；Y（k，f，ep）和Y（k，b，ep）分别用于保存正向和反向在本轮训练的更新值。

1.3 网络特征提取

裂解炉在不同的生产时刻，其内部结焦状态是不一样的，即不同时刻的炉管状态是有所不同，又由于炉管在裂解炉中存在一定的排布规则，使得同一时刻不同炉管的状态也是存在差异的。为了更好地关注输入参数中的重要信息，从中提取特征，将注意力机制融入到网络模型当中。

CBAM［23］是一种通用的轻量级模块。如图4 所示，输入参数经过CBAM 中的通道注意力模块（Channel Attention Module，CAM），先对输入特征进行信息压缩，分别通过全局最大池化和全局平均池化得到2 个特征图，将特征图分别送入MLP 中得到2 个新的特征，再经过求和和Sigmoid 激活操作得到特征Mc，过程可表示为：

图4 卷积块注意力算法流程图

其中，σ表示Sigmoid函数；MLP表示多层感知机；F表示输入特征。

Mc和输入特征F相乘的结果作为空间注意力模块（Spatial Attention Module，SAM）的输入特征F'。F'分别通过全局最大池化和全局平均池化得到2 个特征图，特征以通道进行拼接后，经7×7卷积后，通过Sigmoid 函数激活得到特征Ms，Ms和F'相乘即可得到最终需要的特征信息。过程可表示为：

其中，f7×7表示卷积核为7×7的卷积层。

1.4 基于改进GA的网络结构优化

模型结构对温度预测的计算效率和准确率具有重要的影响。模型的网络层数和网络层神经元数属于组合问题，启发式算法［24］可针对待解决的组合优化问题给出每一个实例的可行解。

本文设计一种改进的遗传算法进行网络结构优化。由于LSTM 网络在层数超过3 时，模型准确率会明显下降，故限定模型网络层数均不大于3 层。种群中每一个染色体对应一个LSTM模型，可表示为：

其中，llstm表示LSTM 层数；lfc表示全连接层数表示LSTM 各层神经元个数表示全连接层各层神经元个数。

在双向多步预测模型中，需要针对每一个预测目标建立对应的LSTM 模型，即种群染色体数为2N，在搜索空间解的优化目标函数为：

其中，k为炉管分段序号；i为测试目标序号；Yk，i为原始预测目标；dpredictions为目标预测值。

取目标函数的倒数作为适应度，可表示为：

种群的选择选用“轮盘赌”算法，以个体适应度占总体适应度的比例作为该染色体被选中的概率。同时，为了尽可能保留较优染色体，淘汰较差染色体，在选择操作过程，利用Sigmoid 函数扩大优劣染色体适应度之间的差距，即染色体被选中的概率表示为：

其中，σ表示Sigmoid 函数；φ表示规范化；κs表示规范化的区间范围。

同样地，利用tanh函数扩大个体间的染色体交叉和基因变异概率的差距，其过程如下：

其中，下标c和m分别表示交叉操作和基因突变操作；rbase表示预设定的变异率；τ为tanh 函数；φ表示规范化；κ表示规范化的区间范围。

1.5 机理模型的矫正

网络模型经过特征学习后，所输出的预测结果是归一化后的炉管温度数值，与实际工业生产数据存在平移映射关系，即模型的温度预测结果还需要通过加上相关性偏差数值进行矫正来获取实际的炉管温度预测值。相关性偏差可表示为：

其中，dindustrial为工业生产数据；dsimulation为机理模型的主要过程参数。

2 实验与结果分析

本文使用的工业数据来源于某石化公司编号为H-114 和H-115 的裂解炉［25］，在裂解炉清焦周期内对裂解炉进行定期数据采集。为了防止模型过拟合，工业数据中90%用于模型的训练和验证，10%用于模型的测试，采用K-fold交叉验证法对训练和验证数据进行处理，其中K取值为9。

本文以经过矫正的预测数据和实际工业数据的均方根误差（Root Mean Square Error，RMSE）作为模型评估方法，可表示为：

对机理模型参数计算Pearson 相关系数，结果如表1所示。

表1 机理模型的Pearson相关系数

分别取r值大于0.8 的2 类参数、大于0.6 的5 类参数、大于0.5的9类参数、大于0.4的13类参数，大于0.3 的15 类参数，经特征提取后，将特征输入到双向多步预测模型，预测结果如表2 所示。当r取值大于0.5 时，模型的预测结果较好，故选用该9 类参数作为网络输入参数。

表2 不同输入参数的预测结果

双 向 多 步 预 测 模 型 以DNN［26］、BPNN［27］、RNN［28］、LSTM［29］等4 种神经网络作为基础网络进行实验对比。结果如表3 所示，LSTM 比其他网络的误差值更低，故选用LSTM作为基础网络。

表3 不同基础网络的预测结果

输入参数经CBAM 进行特征提取，再输入到不同结构的模型当中，预测结果如表4 所示。通过对比，不同结构的网络模型在加入注意力机制后，其误差均有降低，其对模型的预测能力有一定的提高作用。

表4 基于注意力机制的预测结果

传统GA 在概率搜索区域进行随机搜索时，可能会停留在局部最优解，不能很好保证求解出全局最优解，由于选择、交叉、突变等更新操作概率相对固定，其时间复杂度较高。而本文所设计的改进GA，将个体之间的适应度差距进一步扩大，尽可能让优势染色体存留下来，排除掉劣势染色体。同时染色体间发生交叉和染色体发生基因突变的概率也根据其适应性而改变，适应性更高者，其变异概率则更小，反之亦然。种群染色体的平均适应度如图5 所示，传统GA 的种群平均适应度总体上在［189，208］区间范围内波动，而改进GA 后，种群平均适应度有逐渐上升趋势，经过强化优胜劣汰机制，整体的适应度有明显的提高。

图5 传统GA与改进GA的平均适应度对比结果

使用改进GA 对双向多步预测模型进行结构优化，经种群更新迭代100 次后得到本文所设计模型GA-BMLSTM，对比文献［15］所提出的CIBLSTM 模型，预测结果如表5 所示。从结果上观察，本文所设计模型GA-BMLSTM 的性能远优于CIBLSTM。

表5 模型预测结果对比

图6 为GA-BMLSTM 和CIBLSTM 对炉管分段的平均表面温度预测结果。由于CIBLSTM 模型对数据的连续性要求较高，而预测目标的序列步长往往为几十步，本文提出的预测模型GA-BMLSTM 在多步预测问题上做了针对性的设计，对炉管表面温度有较好的预测能力。

图6 GA-BMLSTM 和CIBLSTM的炉管分段平均温度预测图

3 结束语

为了保障裂解炉长周期安全高效运行，有必要对炉管表面温度场进行有效监控。据此本文对炉管温度预测模型进行了消融研究，融合基于计算流体力学的机理模型和基于LSTM 的双向多步预测模型对炉管表面温度场进行预测，并利用改进的遗传算法对网络模型进行结构性优化。从实验结果观察，该模型对炉管温度的预测结果有较高的准确性。本文提出的炉管温度场重构方法为裂解炉乙烯裂解的安全生产检测提供了新思路，进一步验证了人工智能在化工领域实践的可行性。