喬松 呂寶林 朱建新 袁文彬

DOI：10.20030/j.cnki.1000?3932.202403011

摘 要 原油電脫鹽工藝水平直接影響常減壓裝置腐蝕狀態(tài)和工藝催化劑活性。綜合考慮電脫鹽工藝參數(shù)，選擇脫鹽前鹽質(zhì)量濃度、含水量及電場強(qiáng)度等40個工藝參數(shù)共440組工況數(shù)據(jù)，進(jìn)行電脫鹽效果評價研究。根據(jù)脫后鹽含量數(shù)據(jù)箱型圖特征，將電脫鹽效果等級分為3級，采用主成分分析法，提取原始數(shù)據(jù)累積貢獻(xiàn)率90.91%以上的前3個主成分，與電脫鹽等級建立數(shù)據(jù)集，最后通過支持向量機(jī)建立電脫鹽等級評價模型。結(jié)果表明：該方法對指導(dǎo)電脫鹽工藝優(yōu)化具有較好的工程適用性。

關(guān)鍵詞 主成分分析 支持向量機(jī) 電脫鹽 工藝參數(shù)

中圖分類號 TP274?? 文獻(xiàn)標(biāo)志碼 A?? 文章編號 1000?3932（2024）03?0443?06

原油和重質(zhì)渣油中溶解鹽是導(dǎo)致?lián)Q熱器污染和腐蝕的主要原因，也是破壞下游轉(zhuǎn)化工藝催化劑活性的重要因素[1]，因此原油的電脫鹽預(yù)處理工藝水平直接影響常減壓裝置的長周期安全運(yùn)行。影響電脫鹽的主要因素包括原油進(jìn)電脫鹽罐的溫度、電脫鹽注水量、電場強(qiáng)度、油水界面、破乳劑及脫鹽劑注入量等，傳統(tǒng)電脫鹽優(yōu)化方法主要根據(jù)機(jī)理分析以調(diào)整主要因素[2]，達(dá)到提高電脫鹽效率的目的。

當(dāng)原油種類較多、混煉比例變化較為頻繁時，工況變化較為復(fù)雜，電脫鹽影響因素增加[3]，導(dǎo)致機(jī)理分析試驗(yàn)樣本數(shù)量激增，試驗(yàn)成本過高。同時，機(jī)理分析往往簡化次要因素[4]，導(dǎo)致試驗(yàn)條件與實(shí)際工況存在偏差。

石化流程行業(yè)自動化程度較高，DCS和LIMS監(jiān)測數(shù)據(jù)豐富，隨著大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)技術(shù)的發(fā)展和應(yīng)用，石化工業(yè)大數(shù)據(jù)治理被認(rèn)為是石化行業(yè)數(shù)字化轉(zhuǎn)型的關(guān)鍵[5]。工業(yè)上電脫鹽效果的決定性因素涵蓋了電脫鹽系統(tǒng)操作工藝，隨著大數(shù)據(jù)技術(shù)的發(fā)展，基于操作工藝數(shù)據(jù)建立大數(shù)據(jù)模型進(jìn)行電脫鹽效果評價逐漸成為研究熱點(diǎn)，并取得良好應(yīng)用效果[6]。筆者以電脫鹽系統(tǒng)大數(shù)據(jù)為基礎(chǔ)，研究基于主成分分析和支持向量機(jī)的電脫鹽系統(tǒng)預(yù)測模型，為開展電脫鹽系統(tǒng)的優(yōu)化運(yùn)行提供依據(jù)。

1 主成分分析-支持向量機(jī)模型原理

1.1 主成分分析的基本原理

電脫鹽工藝包括約40類參數(shù)，屬于高維數(shù)據(jù)且部分?jǐn)?shù)據(jù)存在相關(guān)性[6]，這會影響算法精度，并面臨維數(shù)災(zāi)難，不便于數(shù)據(jù)特征可視化，主成分分析（Principal Component Analysis，PCA）通過線性變換將高維數(shù)據(jù)投影到低維空間，以實(shí)現(xiàn)降低數(shù)據(jù)維度和去除相關(guān)性，其基本流程如圖1所示。

原始數(shù)據(jù)標(biāo)準(zhǔn)化，假設(shè)電脫鹽操作工藝數(shù)據(jù)為n維變量，工藝數(shù)據(jù)的樣本量為m（m>n），則原始數(shù)據(jù)可以表示為矩陣形式X=[x]，x為第i個樣本的第j個工藝參數(shù)對應(yīng)的值。原始數(shù)據(jù)標(biāo)準(zhǔn)化轉(zhuǎn)換公式為：

z=（x-x）/s，i=1，2，…，m;j=1，2，…，n（1）

x=x/n

s=（x-x）/（n-1）

其中，z表示標(biāo)準(zhǔn)化矩陣Z中的元素，x表示第j個工藝參數(shù)的平均值，s表示工藝參數(shù)的標(biāo)準(zhǔn)差。

計算標(biāo)準(zhǔn)化矩陣Z的相關(guān)性系數(shù)矩陣R，矩陣R中的元素表示為：

R=（2）

求解相關(guān)性系數(shù)矩陣R的特征值與特征向量：

|R-λI|=0（3）

通過式（3）求得n個特征根，由大到小為λ，

λ，…，λ，λ表示第j個參量的貢獻(xiàn)率。假設(shè)γ表示原始數(shù)據(jù)的信息利用率，按照λ/n≥γ確定主成分?jǐn)?shù)量k的數(shù)值;再通過求解方程組R×b=λb可以得到特征根對應(yīng)的特征向量b，b，…，b。

根據(jù)實(shí)際工況對信息利用率γ的要求，提取前l(fā)個主成分信息，即可利用l個主成分信息代表原始數(shù)據(jù)信息，即：

p=Z×b，j=1，2，…，l（4）

其中，p為第j主成分。

1.2 支持向量機(jī)的基本原理

支持向量機(jī)（SVM）是一類按監(jiān)督學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行二元分類的廣義線性分類器[7]。電脫鹽工藝數(shù)據(jù)與電脫鹽效果為非線性表征關(guān)系，筆者借助SVM中核函數(shù)的線性變換功能，將這種非線性表征問題轉(zhuǎn)化為高維空間的線性問題[8]，通過求解最優(yōu)分類超平面以實(shí)現(xiàn)電脫鹽工藝的分類。

以二分類情況進(jìn)行說明，假設(shè)電脫鹽效果標(biāo)簽為y，取值+1或-1分別表示正負(fù)樣本，即電脫鹽效果好或差的情況，數(shù)據(jù)集表示為（x，y）（x表示工藝數(shù)據(jù)，x=[x，x，…，x]），則分類超平面方程可以表示為：

ω·x+B=0（5）

其中，ω為權(quán)向量，B為偏置。要求超平面距離兩類樣本之間的距離盡可能大，根據(jù)點(diǎn)到平面距離公式，每個樣本與超平面的距離d為：

d==（|ω·x+B|+|ω·x+B|）（6）

考慮到可以加上約束|ω·x+B|=1，松弛變量ξ（ξ>0）和懲罰因子C（C>0），最大間隔超平面稱為廣義最優(yōu)分類超平面，式（6）轉(zhuǎn)化為：

minω·ω+Cξ=0（7）

為求解ω、B、ξ，引入Lagrange乘子α、β，得到Lagrange函數(shù)L（）：

將Lagrange函數(shù)L（）分別對ω、B、ξ求導(dǎo)，且α y=0，α>0，則得到最優(yōu)化判斷函數(shù)為：

f（x）=sgn

α

yK（

x，

x）+B（9）

當(dāng)核函數(shù)K（x，x）確定時，通過統(tǒng)計誤判樣本數(shù)量即可得到電脫鹽結(jié)果優(yōu)劣的分類和評價模型。

針對多分類問題，一般采用一對多法（One?Versus?Rest，OVR）或一對一法（One?Versus?One，OVO）[9]，以三分類為例，OVR法訓(xùn)練3個分類器，選擇任一類為正樣本，另外兩類作為負(fù)樣本，即：

svm：1～2，3svm：2～1，3svm：3～1，2（10）

再輸入特征向量計算每個模型的預(yù)測函數(shù)值，將樣本判別為預(yù)測值最大的分類器所對應(yīng)的類。

OVO法同樣訓(xùn)練3個分類器，訓(xùn)練第1個分類器時，以第1類樣本作為正樣本，剩余2類樣本作為負(fù)樣本，其他模型以此類推，即：

svm：1～2svm：1～3svm：2～3（11）

同樣輸入特征向量計算每個模型的預(yù)測函數(shù)值，分別判斷樣本所屬的分類，樣本分類出現(xiàn)次數(shù)最多的分類即預(yù)測值最大的分類器所對應(yīng)的類。

1.3 PCA?SVM建模流程

電脫鹽工藝參數(shù)種類較多，且部分工藝數(shù)據(jù)不可避免地存在一定相關(guān)性，通過PCA處理，可以去除數(shù)據(jù)相關(guān)性并降低維度以提高SVM分類的精度，為了驗(yàn)證筆者所提方法的適用性和科學(xué)性，分別采用PCA?SVM模型和SVM模型對電脫鹽工藝進(jìn)行分類分析并對比結(jié)果，具體流程如圖2所示。

采用協(xié)同的隨機(jī)數(shù)種子，將原始數(shù)據(jù)和經(jīng)過PCA降維后的主成分?jǐn)?shù)據(jù)按照6∶2∶2的比例隨機(jī)分為訓(xùn)練集、測試集和驗(yàn)證集，分別建立SVM模型，并對比驗(yàn)證集數(shù)據(jù)的預(yù)測結(jié)果。

2 電脫鹽數(shù)據(jù)與指標(biāo)選擇

原油脫鹽前鹽含量濃度對脫除效果具有一定影響，而操作工藝具有決定性作用。以某常減壓電脫鹽系統(tǒng)為研究對象，其工藝參數(shù)見表1。

3 基于主成分分析-支持向量機(jī)模型的電脫鹽工藝預(yù)測

選擇該常減壓裝置電脫鹽系統(tǒng)1～5月的工藝參數(shù)（共440組），建立圖3所示脫后鹽含量數(shù)據(jù)箱型圖，根據(jù)電脫鹽含量分布狀態(tài)，將電脫鹽工藝等級分為3級，即下四分位到下限的120組為最優(yōu)Ⅰ級，下四分位到上四分位的220組為中等Ⅱ級，大于上四分位（含異常值）的100組為Ⅲ級。

3.1 主成分分析-支持向量機(jī)電脫鹽工藝模型建立

按照主成分分析步驟，將原始數(shù)據(jù)標(biāo)準(zhǔn)化后，計算相關(guān)性系數(shù)，考慮到原始數(shù)據(jù)包括40類工藝參數(shù)，限于篇幅，筆者取部分工藝參數(shù)相關(guān)性系數(shù)（表2）進(jìn)行說明，可以看出壓力（6）和壓力（23）的相關(guān)性系數(shù)高達(dá)0.97，電流（17）和電流（21）的相關(guān)性系數(shù)高達(dá)0.98，工藝參數(shù)間較高的相關(guān)性說明部分原始數(shù)據(jù)信息重疊[10]，因此首先采用主成分分析法提取主要信息。

進(jìn)一步列出前8項(xiàng)主成分對應(yīng)的貢獻(xiàn)率（表3）。

可以看出前2、3個主成分累積貢獻(xiàn)率分別達(dá)到79.46%和90.91%，已經(jīng)可以代表原始數(shù)據(jù)絕大部分信息，同時降低了原始數(shù)據(jù)的維度。

3.2 模型預(yù)測結(jié)果對比分析

選擇前2、3個主成分以及工藝參數(shù)原始數(shù)據(jù)分別進(jìn)行SVM分類分析，選擇高斯核函數(shù)，分別建立SVM模型。為驗(yàn)證PCA?SVM模型的準(zhǔn)確性，選擇12組隨機(jī)數(shù)據(jù)采樣，統(tǒng)一按照6∶2∶2的比例劃分訓(xùn)練集、測試集和驗(yàn)證集，預(yù)測結(jié)果見表4。

從12次隨機(jī)試驗(yàn)結(jié)果可以看出，經(jīng)PCA去除原始數(shù)據(jù)重復(fù)信息后，模型準(zhǔn)確率顯著提升。統(tǒng)計12次隨機(jī)試驗(yàn)分類的預(yù)測結(jié)果（表5），可以看出Ⅰ級和Ⅲ級相互不會發(fā)生誤判，Ⅱ級和Ⅲ級相互誤判概率較大，Ⅲ級誤判為Ⅱ級概率最大，高達(dá)17.86%。

進(jìn)一步研究分布分類并分析誤差原因。為使數(shù)據(jù)可視化，選擇前2個主成分分析電脫鹽工藝參數(shù)分布，如圖4所示。可以看出電脫鹽Ⅰ級、Ⅱ級和Ⅲ級工藝參數(shù)的主成分具有明顯區(qū)域特征，但同時也發(fā)現(xiàn)電脫鹽Ⅰ級和Ⅱ級，電脫鹽Ⅱ級和Ⅲ級部分主成分?jǐn)?shù)據(jù)會聚集在一起，即說明該部分?jǐn)?shù)據(jù)差異性較小，是導(dǎo)致模型產(chǎn)生誤差的主要原因。

進(jìn)一步繪制高維超平面在二維平面上的投影（圖5），可以看出超平面分類效果良好，能夠明顯區(qū)分3個等級電脫鹽效果的數(shù)據(jù)聚類特征，Ⅱ級與Ⅲ級分類超平面的二維投影在部分區(qū)域非常接近，與表5的分析吻合。

建立電脫鹽效果評價分類模型后，當(dāng)混煉比例變化需要調(diào)整工藝時，將工藝參數(shù)代入PCA?SVM模型，即可預(yù)測電脫鹽效果。

4 結(jié)論

4.1 電脫鹽效果受多種工藝參數(shù)綜合影響，尤其是當(dāng)原油種類較多，混煉比例變化較為頻繁時，基于大數(shù)據(jù)分析方法可以分析操作流程全部工藝參數(shù)，并可以涵蓋更多的工況樣本建立預(yù)測模型。

4.2 主成分分析法可以有效去除原始數(shù)據(jù)中重復(fù)數(shù)據(jù)特征提高模型精度。筆者利用主成分分析，提取前2、3個主成分，對比PCA?SVM模型與原始數(shù)據(jù)SVM模型預(yù)測結(jié)果，PCA?SVM模型性能顯著提高。

4.3 通過前2個主成分的二維分布、分類超平面的二維投影，可以看出不同等級電脫鹽效果數(shù)據(jù)具有明顯聚類特征，同時也發(fā)現(xiàn)相鄰等級樣本部分參數(shù)差異性較小，導(dǎo)致模型產(chǎn)生少量誤判?？傮w來說，該方法針對電脫鹽工藝參數(shù)維度較多且具有時間相關(guān)性的模型具有較強(qiáng)適用性。

參 考 文 獻(xiàn)

[1] 馬紅杰，孫存龍，江臣.常頂換熱器銨鹽垢下腐蝕防護(hù)措施優(yōu)化及應(yīng)用[J].石油化工設(shè)備技術(shù)，2021，42（3）：41-45;7.

[2] 蔣定建，方曉玲，李飛，等.常減壓蒸餾裝置電脫鹽優(yōu)化操作及技術(shù)研究[J].現(xiàn)代化工，2017，37（5）：174-177.

[3] 涂亞明，崔明彧.原油電脫鹽效果的影響因素分析[J].中國石油和化工標(biāo)準(zhǔn)與質(zhì)量，2018，38（2）：91-93.

[4] 漢繼程，夏淵，繆磊，等.常減壓蒸餾裝置的腐蝕風(fēng)險分析與控制建議[J].腐蝕與防護(hù)，2022，43（10）：113-116;120.

[5] 中國電子技術(shù)標(biāo)準(zhǔn)化研究院，全國信息技術(shù)標(biāo)準(zhǔn)化技術(shù)委員會大數(shù)據(jù)標(biāo)準(zhǔn)工作組.工業(yè)大數(shù)據(jù)白皮書（2019版）[R].北京：中國電子技術(shù)標(biāo)準(zhǔn)化研究院，2019.

[6] 朱建新，袁文彬，呂寶林，等.基于操作參數(shù)大數(shù)據(jù)分析的電脫鹽系統(tǒng)運(yùn)行優(yōu)化技術(shù)研究[J].石油化工自動化，2021，57（5）：6-10.

[7] BOSER B E，GUION I M，VAPNIK V N.A training algorithm for optimal margin classifiers[C]//Proceedi?

ngs of the Fifth Annual Workshop on Computational Learning Theory.New York：ACM Press，1992：144-152.

[8] 詹長杰，周步祥.基于PCA?SVM模型的中長期電力負(fù)荷預(yù)測[J].電測與儀表，2015，52（9）：6-10;40.

[9] 雷明.機(jī)器學(xué)習(xí)：原理，算法與應(yīng)用[M].北京：清華大學(xué)出版社，2019.

[10] 韓超群，陳建宏，周智勇，等.基于主成分分析—支持向量機(jī)模型的礦巖可爆性等級預(yù)測研究[J].黃金科學(xué)技術(shù)，2019，27（6）：879-887.

（收稿日期：2023-04-15，修回日期：2024-02-07）

基金項(xiàng)目：國家重點(diǎn)研發(fā)計劃（批準(zhǔn)號：2022YFB3306400）資助的課題;安徽省重點(diǎn)研究與開發(fā)計劃（批準(zhǔn)號：202104

a07020011）資助的課題。

作者簡介：喬松（1982-），高級工程師，從事承壓設(shè)備的檢測與運(yùn)維工作，522546237@qq.com。

引用本文：喬松，呂寶林，朱建新，等.基于主成分分析-支持向量機(jī)的電脫鹽工藝預(yù)測方法研究[J].化工自動化及儀

表，2024，51（3）：443-448.

Research on Prediction Method of Electric Desalination Process

Based on Principal Component Analysis?Support Vector Machine

QIAO Song1，2， LV Bao?lin1，2， ZHU Jian?xin1，2， YUAN Wen?bin1，2

（1. Hefei General Machinery Research Institute Co.， Ltd.; 2.? National Technical Research Center

for Safety Engineering of Pressure Vessels and Pipelines）

Abstract?? The technical level of crude oils electro?desalting process directly influences the corrosion status of atmospheric and vacuum distillation unit and the activity of process catalyst. In this paper， 40 process parameters including salt mass concentration， water content and electric field strength before desalting were selected to evaluate the? electro?desalting effect， total 440 sets of data of working conditions. Through considering? characteristics of the desalted salt content box diagram， the electro?desalting effect was divided into three levels， and the principal component analysis method was adopted to extract the first three principal components with the original data utilization rate of more than 90.91%， and the data set was established with the electro?desalting level. Finally， the evaluation model of the electro?desalting level was established by the support vector machine. The results show that， the method proposed has good engineering applicability in guiding optimization of the electro?desalting process.

Key words?? principal component analysis， SVM， electro?desalting， process parameter