基于LSTM的润滑油加氢装置产品预测和基于RF的操作优化相关性分析

李诏阳，曹萃文

(华东理工大学 化工过程先进控制和优化技术教育部重点实验室，上海 200237)

润滑油加氢处理是生产高品质润滑油的重要加工工艺，尤其是在当今原油逐渐劣质化且环保要求日益严格的大环境下，该工艺已成为生产润滑油最主要的方法之一。因此，深入研究润滑油加氢处理过程机理，不仅对提高润滑油产品产量和质量具有重要意义，而且对炼油厂的节能减排也有积极影响。

润滑油加氢处理包含加氢裂化、加氢异构化、加氢后精制3个工艺过程。重质原油首先通过加氢裂化处理将其中的环烷烃和芳香烃等大分子烃类断链开环，生成链烷烃和单环环烷烃等小分子烃类，并去除其中的硫、氮等杂质。加氢裂化处理后的油品经汽提塔分馏后，底油进行加氢异构化反应，将倾点较高的正构烷烃异构化为倾点较低的异构烷烃，同时使底油保持较高的黏度指数。加氢异构化处理后的底油通过加氢后精制处理将其残留的芳烃、环烷烃等杂质去除，再通过常减压塔分馏后得到润滑油基础油。工业界对润滑油加氢装置的操作优化研究，主要基于实际工业数据，通过分析装置操作条件对产品的影响来优化生产方案。目前，已经有许多学者对润滑油加氢装置的操作条件进行了优化研究，并取得了很好的成果[1-5]。此类研究模型的准确性依赖于全面的工业数据，然而，实际工业数据需在常规工况下采集，无法实现可能工况的全面覆盖，从而使数据驱动的模型精度产生偏差。因此，如何建立较完备的、并易于推广的润滑油加氢装置产品预测数据集，成为了对其进行进一步实施优化操作的一个障碍。

目前，润滑油加氢装置的产品预测研究主要分为2大类：一类是基于过程反应机理建模；另一类是基于数据驱动的方法建模。

基于过程反应机理建模的研究主要通过Aspen HYSYS等流程模拟软件来实现。李勇等[6]采用Aspen HYSYS软件对润滑油加氢工艺常减压分馏塔进行模拟，研究了加氢装置减压塔操作条件对产品质量的影响。于姣洋等[7]使用Aspen HYSYS软件对润滑油加氢装置汽提塔进行模拟研究，分析了汽提塔塔顶压力、温度对产品质量的影响。周凌子等[8]使用Aspen HYSYS软件模拟研究了某加氢裂化装置，分析了该装置的用氢状况，并构建了氢源氢阱关联模型。王萌等[9]使用Aspen HYSYS软件模拟了某加氢精制装置全流程，并用该模型对部分流程进行优化分析。基于过程反应机理建模能够高度还原实际生产过程，模型数据也比较全面、可靠，但是整套装置机理模型的构建难度较大。同时，反应过程的非线性、强耦合性和催化剂活性随时间推移而衰减，该特点更加深了机理建模的难度。

近年来，基于数据驱动建立化工装置产品预测模型和操作优化的研究受到了广泛关注，此类方法虽然在其他加氢装置研究中应用较多，但在润滑油加氢装置研究应用较少。1999年，Elkamel等[10]使用前馈神经网络建立了真空汽油加氢裂化装置的产率预测模型。2006年，Jimenez等[11]使用人工神经网络建立了工业加氢过程催化剂活性预测模型。2011年，Alhajree等[12]使用BP神经网络建立了某工业加氢裂化装置的产品预测模型。2016年，Su等[13]基于广义回归神经网络和BP神经网络，建立了某炼油厂催化裂化装置的焦炭产率预测模型。2017年，Muhsin等[14]基于叠加神经网络建立了原油加氢处理过程的产品预测模型。2018年，王晨[15]使用3层BP神经网络，建立了某加氢裂化装置产品转化率、氢耗和能耗的预测模型。这类模型不需要依赖反应机理，旨在于挖掘数据的内在联系，实现装置产品快速、准确的预测。但是基于数据的预测模型需要大量完备的数据集支持，如果生产数据集数据量不足、涵盖面窄，建立的模型容易出现精度不足的缺陷。

鉴于此，对某炼油厂润滑油加氢装置生产过程，笔者使用Aspen HYSYS软件建立机理模型，采用随机抽样的方法验证该模型的有效性；然后根据生产工艺条件运行机理模型，扩展了润滑油加氢装置的产品预测数据集。通过该装置产出的轻质润滑油常温常压下的质量流量、40 ℃的运动黏度、闪点和倾点4个目标变量进行等权重相关性分析，筛选出了该装置产品预测模型的7个特征输入变量。采用LSTM(Long Short-Term Memory)和BP神经网络对该装置产品预测建模，并以均方根误差(RMSE)、平均绝对误差(MAE)评价2种模型，验证了LSTM神经网络建模的优越性。采用随机森林算法(RF，Random Forest)对产品预测数据集的输入特征变量与输出目标变量进行相关性分析，以实现润滑油加氢装置操作的在线优化。

1 润滑油加氢装置流程模型与预测模型数据采集

1.1 基于Aspen HYSYS的润滑油加氢装置流程模型

基于Aspen HYSYS软件创建的润滑油加氢装置流程模型如图1所示。由图1可知：该机理模型主要流程有：原料油和氢气在加氢裂化工段(HCR)反应后，得到热低分油(HLO1)，经加热器(E-1)加热后送入常压分馏塔(C1-1)分离出副产品，留下底油(Bottoms1)被送入加氢异构/加氢后精制工段(IDW/HDF)进一步处理，得到热低分油(HLO2)，经加热器(E-2)加热后送入常压分馏塔(C2-1)分离出副产品，留下底油(Bottoms2)被送入减压分馏塔(C2-2)进一步分离，侧线汽提出产品轻质润滑油(Product)，塔底底油(Bottoms3)为副产品。

根据该润滑油加氢装置生产工艺和操作要求，选择机理模型参数范围：加氢裂化反应器入口温度为310～380 ℃；加氢异构反应器入口温度为310～360 ℃；加氢裂化常压分馏塔塔顶温度为90～130 ℃；加氢异构常压分馏塔塔顶温度为70～130 ℃；加氢后精制反应器入口温度为220～250 ℃；加氢裂化反应器压力为13.5～14.7 MPa；加氢异构化反应器压力为13.6～14.5 MPa。

HCR—Hydrocracking reactor;IDW—Isomerization dewaxing;HDF—Hydrofining;HLO—Hot low oil;E-1,E-2—Heaters;C1-1,C2-1,C2-2—Fractionating towers图1 Aspen HYSYS润滑油加氢装置流程模型Fig.1 Model simulation of lubricating oil hydrogenation unit in Aspen HYSYS

该润滑油加氢装置实际运行过程中，进料油不是单一的某种原料油，而是包含多种原料油的混合油，通过调合多种原料油的比例尽量使混合原料油性质基本保持稳定。原料油性质和其在混合进料油中的质量分数如表1所示。

表1 润滑油加氢装置原料油性质Table 1 Properties of raw oil in the lubricating oil hydrogenation unit

1.2 基于随机抽样的润滑油加氢装置机理模型验证

采用随机抽样法，验证建立的润滑油加氢装置流程模型的有效性。通过对某月(31 d)润滑油加氢装置工况数据波动分析，每天随机抽取2个样本，共62个样本。分别将62个样本对应的加氢裂化反应器入口温度、加氢异构反应器入口温度、加氢后精制反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构常压分馏塔塔顶温度、加氢裂化反应器压力、加氢异构反应器压力作为模型的输入参数，将装置主要产品轻质润滑油常温常压下的质量流量作为输出参数，运行机理模型得到62个样本的机理模型仿真结果。样本中轻质润滑油常温常压下的质量流量的实际值和仿真结果的对比如图2所示。由图2可以看出,轻质润滑油在常温常压下的质量流量的仿真结果均大于实际值，这是因为机理模型未考虑损耗，但两者的变化趋势基本上是一致的。实际值与仿真值的平均绝对误差(Mean absolute error，MAE)为1200.268 kg/h，平均相对误差(Mean relative error，MRE)为4.08%，由于化工生产中的损耗一般在5.00%左右，因此该误差结果验证了机理模型的有效性。

图2 轻质润滑油常温常压下的质量流量实际数据和仿真数据对比Fig.2 Comparison of actual data and simulation data of mass flow of light lubricating oil at the ambient temperature and pressure

1.3 润滑油加氢装置产品预测模型特征变量的选取

根据润滑油加氢装置操作手册中的21个操作变量的生产数据，按照式(1)对该装置产出的轻质润滑油常温常压下的质量流量、40 ℃的运动黏度、闪点和倾点4个目标变量分别计算相关系数。以4个操作变量的相关系数分别进行绝对值求和，得到该操作变量的等权重特征得分，并按照从大到小的顺序排列。如图3所示。

(1)

T1—Temperature of HCR;p1—Pressure of HCR;T2—Temperature of IDW;T4—Temperature of C1-1;p2—Pressure of IDW;T3—Temperature of HDF;T5—Temperature of C2-1;T6—Temperature of feed (C2-2);T7—Temperature of high thermal separator (HCR);T8—Temperature of cold height separator (HCR);T9—Temperature of C2-2;T10—Temperature of feed (C2-1);T11—Temperature of high thermal separator (IDW);T12—Temperature of cold height separator (IDW);p3—Pressure of C1-1;p4—Pressure of feed buffer tank (IDW);p5—Pressure of feed buffer tank (HCR);p6—Pressure of cold low separator (HCR);p7—Pressure of C2-1;p8—Pressure of high thermal separator (IDW);T13—Temperature of feed (C1-1)图3 润滑油加氢装置各操作变量的等权重特征得分Fig.3 Equally weighted characteristic score of each operation variable in lubricating oil hydrogenation unit

按照图3中的等权重得分排序，选择加氢裂化反应器入口温度T1、加氢裂化反应器压力p1、加氢异构反应器入口温度T2、加氢裂化常压分馏塔塔顶温度T4、加氢异构反应器压力p2、加氢后精制反应器入口温度T3、加氢异构常压分馏塔塔顶温度T5这7个变量作为该装置产品预测模型的输入特征变量。

1.4 润滑油加氢装置产品预测模型数据集的构建

由于该润滑油加氢装置实际生产数据有限而且涵盖的操作条件范围较窄，基于生产工艺要求和1.1节创建的润滑油加氢装置机理模型，扩展了该装置的产品预测数据集。

当原料油进料量一定时，以加氢裂化反应器入口温度T1(℃)、加氢异构反应器入口温度T2(℃)、加氢后精制反应器入口温度T3(℃)、加氢裂化后常压分馏塔塔顶温度T4(℃)、加氢异构常压分馏塔塔顶温度T5(℃)、加氢裂化反应器压力p1(MPa)、加氢异构反应器压力p2(MPa)为7个自变量，运行装置机理模型，输出了包括轻质润滑油常温常压下的质量流量F(Oil)(kg·h-1)、40 ℃的运动黏度v40(mm2·s-1)、闪点TFlash(℃)和倾点TPour(℃)的75000组装置产品预测仿真数据。该润滑油加氢装置在平稳运行时，T1、T2、T3、T4、T5分别为355、340、235、95、110 ℃，p1、p2分别为14.2、14.2 MPa。该润滑油加氢装置在平稳运行状态时的1组数据与Aspen HYSYS软件模型的预测仿真数据对比情况如表2所示。75000组预测仿真数据中的10组代表数据列于表3，该数据集作为后续产品预测模型的基础。

表2 润滑油加氢装置的稳态运行数据与Aspen HYSYS模型预测仿真数据对比Table 2 Comparison of the actual steady-state operation data of the lubricating oil hydrogenation unit with the predictive simulation data of the Aspen HYSYS model

表3 润滑油加氢装置产品预测模型数据集Table 3 Predictive simulation data set of the lubricating oil hydrogenation unit product

由表2可见，使用Aspen HYSYS建立润滑油加氢装置机理模型，在实际生产装置平稳运行的操作条件下，轻质润滑油的产品质量流量与产品性质与实际生产数据基本吻合。

2 基于LSTM的润滑油加氢装置产品预测数据驱动模型

2.1 LSTM神经网络及参数设置

LSTM神经网络是Hochreiter和Schmidhuber[16]于1996年提出的一种新型深度机器学习神经网络，该网络在每一个神经元内部加入了选择性记忆门单元，分别是输入门(Input gate)、输出门(Output gate)和忘记门(Forget gate)[17-18]。这种特殊的设计能够长期记忆历史信息而又不至于模型过度拟合，非常适合于润滑油加氢装置生产数据这种时间序列数据。

在Aspen HYSYS软件得到的润滑油加氢装置运行数据集的基础上，以1.3节选定的7个操作变量为特征变量，4个轻质润滑油产品指标为目标变量构建预测模型。利用Python平台的Keras序贯模型搭建3层LSTM神经网络模型，第1层、第2层、第3层分别包含7、12、4个LSTM神经网络单元。损失函数选择均方误差函数(MSE)，激活函数为Sigmoid函数，并采用自适应矩估计(Adam)优化函数训练LSTM神经网络每层神经网络单元之间的权重。

2.2 基于LSTM神经网络的润滑油加氢装置产品预测模型

按照2.1节所述的模型参数，构建润滑油加氢装置的产品预测模型。同时，采用BP神经网络构建产品预测模型与该模型进行对比，其结构也为3层，第1层、第2层、第3层分别包含7、12、4个普通神经网络单元，并采用随机梯度下降法训练BP神经网络每一层节点间的权重。

2.3 基于LSTM和BP神经网络模型的产品预测结果

润滑油加氢装置的4个目标变量基于LSTM和BP神经网络模型的预测值与实际值如图4～图7所示，样本为随机选取的100个数据点。从图4～图7可以看出，相较于BP神经网络模型，LSTM神经网络模型的4个目标变量的预测精确度均更好。在润滑油加氢装置的操作条件有微小变化时，其目标变量存在局部跳变现象，数据集具有比较强的波动性。LSTM神经网络模型的长短时记忆特性会对出现过的跳变场景选择性记忆，对波动性强的数据拟合效果好；而BP神经网络模型虽然能够预测到跳变的出现，但其预测精度相对较差。并且BP神经网络模型预测值比较集中，不能够对不同的输入特征变量(不同工况)做出更精准的预测，区分度不强，而LSTM神经网络模型的预测表现远远优于BP神经网络模型。

图4 轻质润滑油常温常压下的质量流量实际值与预测值Fig.4 The actual and predicted value of mass flow rate of light lubricating oil at the ambient temperature and pressure(a)LSTM network；(b)BP network

图5 轻质润滑油在40 ℃的运动黏度实际值与预测值Fig.5 The actual and predicted value of kinematic viscosity of light lubricating oil at 40 ℃(a)LSTM network；(b)BP network

图7 轻质润滑油倾点实际值与预测值Fig.7 The actual and predicted value of pour point of light lubricating oil(a)LSTM network；(b)BP network

分别采用LSTM和BP神经网络模型对扩展的数据集进行训练与测试，并分别由式(2)和式(3)计算均方根误差(SRMSE)、平均绝对误差(SMAE)。表4为LSTM与BP神经网络模型在相同测试数据集上的4个目标变量性能指标对比，平均绝对误差和均方误差的值越小，说明模型的预测性能越好。由表4可以看出，与BP神经网络模型中4个目标变量指标值相比，LSTM模型的SRMSE和SMAE均更小，表明LSTM模型的预测精度更高。

表4 LSTM与BP神经网络预测模型性能指标Table 4 Performance indicators of LSTM and BP

(2)

(3)

3 基于随机森林算法输入特征变量与输出目标变量的相关性分析

随机森林(Random Forests，RF)算法[19-20]是常用的机器学习算法，既可以用于分类问题分析，也可用于回归问题分析。但由于随机森林模型需要通过计算输入特征变量与输出变量的相关程度来进行训练，因此也常被用来评估自变量与目标变量的相关性大小。使用随机森林模型进行相关性分析的过程如下。

在1.4节扩展的75000组数据集的基础上，采用随机森林模型分别计算每个输入特征变量对每个输出目标变量的影响程度，从而得到两者的相关性。特征变量与目标变量的相关性排序如图8所示，a1、a2、a3、a4、a5、a6、a7变量的含义见2.2节说明。由图8(a)可知，当目标变量为轻质润滑油常温常压下的质量流量时，7个特征变量与其相关性由高到低排序为加氢裂化反应器入口温度、加氢异构反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构常压分馏塔塔顶温度、加氢后精制反应器入口温度、加氢异构反应器压力、加氢裂化反应器压力。由图8(b)可知，当目标变量为轻质润滑油40 ℃的运动黏度时，7个特征变量与其相关性由高到低排序为加氢裂化反应器入口温度、加氢异构反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构常压分馏塔塔顶温度、加氢后精制反应器入口温度、加氢异构反应器压力、加氢裂化反应器压力。由图8(c)可知，当目标变量为轻质润滑油闪点时，7个特征变量与其相关性由高到低排序为加氢裂化反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构反应器入口温度、加氢裂化反应器压力、加氢异构反应器压力、加氢异构常压分馏塔塔顶温度、加氢后精制反应器入口温度。由图8(d)可知，当目标变量为轻质润滑油倾点时，7个特征变量与其相关性由高到低排序为加氢裂化反应器入口温度、加氢异构反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构常压分馏塔塔顶温度、加氢异构反应器压力、加氢后精制反应器入口温度、加氢裂化反应器压力。

在润滑油实际生产中，润滑油加氢装置需要根据不同的生产产品性能目标改变在线操作参数，使装置目标产品的性能满足生产需求，可以根据7个实际操作参数与4个主要的轻质润滑油产品变量之间的相关性分析，按照相关性由高到低的顺序依次调整操作参数，实现润滑油加氢装置操作的在线优化，从而改进当前主要依赖于操作员自身经验的方式。

a1—Temperature of HCR;a2—Temperature of IDW;a3—Temperature of HDF;a4—Temperature of C1-1;a5—Temperature of C2-1;a6—Pressure of HCR;a7—Pressure of IDW(1)F(Oil)；(2)v40；(3)TFlash；(4)TPour图8 特征变量与目标变量的相关性Fig.8 The correlation between characteristic variables and target variable

4 结 论

(1)根据某炼油厂润滑油加氢装置的生产工艺及生产数据，利用Aspen HYSYS软件对润滑油加氢装置生产过程进行了流程模拟。并参考操作参数的实际范围扩展了润滑油加氢装置数据范围，运行机理模型扩充了装置的产品预测数据集。

(2)基于扩充的润滑油加氢装置产品预测数据集，以加氢裂化反应器入口温度、加氢异构反应器入口温度、加氢后精制反应器入口温度、加氢裂化后常压分馏塔塔顶温度、加氢异构常压分馏塔塔顶温度、加氢裂化反应器压力、加氢异构反应器压力为7个输入特征变量，以数据集中的轻质润滑油的流量、40 ℃的运动黏度、闪点和倾点为4个目标变量，建立了3层LSTM神经网络产品预测模型。并与3层BP神经网络产品预测模型比较，以MAE和RMSE性能指标来评价产品预测模型，结果表明，LSTM模型的预测精度远远优于BP神经网络模型。

(3)采用随机森林模型对输入特征变量与输出目标变量进行了相关性分析，确定了特征变量对每一个目标变量的相关性，从而得到了操作参数根据不同生产目标的优化操作方案。