更多内容请点击

基于MIC-CCF-Informer的制氢转化炉出口温度预测

张秦伟 ,  张菁雯 ,  郑斌 ,  李卓煜 ,  易学睿

现代化工 ›› 2025, Vol. 45 ›› Issue (12) : 229 -234.

PDF (5500KB)
现代化工 ›› 2025, Vol. 45 ›› Issue (12) : 229-234. DOI: 10.16606/j.cnki.issn0253-4320.2025.12.040
工业技术

基于MIC-CCF-Informer的制氢转化炉出口温度预测

作者信息 +

Prediction of temperature at outlet of hydrogen production reformer based on MIC-CCF-Informer network

Author information +
文章历史 +
PDF (5631K)

摘要

针对制氢转化炉的出口温度预测问题,提出一种融合最大互信息系数(MIC)特征筛选与交叉相关函数(CCF)时滞修正的Informer预测模型。基于3个月的实时监测数据,利用MIC对过程变量进行特征筛选,引入CCF识别变量间的时滞关系,并据此构建特征对齐的输入序列,最后通过Informer模型捕捉长时依赖与全局动态特征,实现对转化炉出口温度的高精度预测。以均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评价指标,实验结果表明本文方法在多个性能维度上均优于传统预测模型,能为转化炉动态运行优化与异常工况预警等提供有效支撑。

Abstract

To solve the issue in forecasting the temperature at the outlet of hydrogen production reformer,a prediction model is proposed,which integrating the Informer network with feature selection via Maximal Information Coefficient (MIC) and time-lag correction using Cross-Correlation Function (CCF).Based on real-time monitoring data in three months,the process variables are initially subjected to feature selection using MIC algorithm.Subsequently,the time-lag relationships between variables are identified through introducing CCF algorithm.Then,a feature-aligned input sequence is constructed according to the above results.Finally,the Informer model is leveraged to capture the long-term dependencies and whole dynamic characteristics among time-series variables,thereby facilitating high-precision prediction.Taking root mean square error (RMSE),mean absolute error (MAE),and mean absolute percentage error (MAPE) as evaluation metrics,the experimental results indicate that compared with the traditional models,the proposed model exhibits superior predictive performance across multiple performance dimensions,which can provide effective support for the optimization of dynamic operation and the early warning of abnormal operating conditions in hydrogen production reformer.

Graphical abstract

关键词

制氢转化炉 / Informer / CCF / MIC / 预测 / 出口温度

Key words

hydrogen production reformer / Informer / CCF / MIC / prediction / outlet temperature

Author summay

张秦伟(1994-),女,博士,讲师,研究方向为化工过程安全,

引用本文

引用格式 ▾
张秦伟,张菁雯,郑斌,李卓煜,易学睿. 基于MIC-CCF-Informer的制氢转化炉出口温度预测[J]. 现代化工, 2025, 45(12): 229-234 DOI:10.16606/j.cnki.issn0253-4320.2025.12.040

登录浏览全文

4963

注册一个新账户 忘记密码

天然气重整制氢(SMR)工艺是一种常见的工业制氢方式,原料气经脱硫、脱氯反应器净化后得到主要成分为甲烷的气体,与过热水蒸气按一定比例混合后进入蒸气重整反应炉内,在700~900℃、镍基催化剂作用下发生甲烷蒸气重整、水煤气变换等系列复杂反应生成氢气,表现为强吸热特性[1-2]。转化炉是天然气重整制氢工艺的核心单元,由数百根填充催化剂的重整反应管、燃料燃烧器、高温辐射室、烟气流道、上下集气管等构成[3]。转化炉的出口温度直接影响天然气重整过程的甲烷转化率,与重整反应管内化学反应的转化程度、管外侧高温烟气的热量传递过程呈现强相关关系[4-5]。实际生产中,当重整反应管外壁温度超过设计值20 K时,易出现高温蠕变、氢蚀、裂纹等损失情况,降低炉管的使用寿命,甚至出现易燃气体泄漏燃烧等安全事故[6-7]。对转化炉的出口温度建立预测模型,有助于操作人员及时捕捉系统参量的变化,提前采取安全技术措施,维持复杂系统的动态稳定性。重整转化炉作为一个复杂、集成的单元,在长时间连续运行时采集了大量的过程测量数据,促进了基于数据驱动建模方法的发展来研究转化炉的性能。
近年来,众多学者基于深度模型建立化工过程的目标变量预测模型来解决复杂的过程控制问题。杨彪等[8]采用响应面法和神经网络模型针对钛精矿过程中铁金属化率的工艺参数进行优化和预测分析。袁壮等[9]提出一种卷积双向长短期记忆网络(ConvBiLSTM)方法,能自动挖掘高维变量间的隐含关联及提取有用的深层时序特征,并应用于国内某延迟焦化装置炉管温度预测。Wang等[10]提出一种自适应时间序列窗口的卷积神经网络(ATSW-CNN),用工业炉的仿真研究验证其有效性。崔劲松等[11]以化工过程中发生某缩合反应的反应器温度为预测目标,提出一种CNN-LSTM模型,实现了 400 s以内的温度参数预测,避免了系统发生严重超温,引发爆炸事故。高学金等[12]开发一种翻转平滑Transformer的卷积交互提取模块,提升了对过程监控变量的空间关联和时序特征的结合,具有较好的故障预测性能。然而,常用的用于时间序列预测的算法,如卷积神经网络(CNN)、循环神经网络(RNN)、长短期记网络(LSTM)、Transformer等都难以解决化工过程数据的高维性、复杂性及监测数据缺失等问题。
为了实现对天然气重整制氢转化炉出口温度的准确预测,本文中结合工业过程数据的动态特性,提出一种人工智能混合模型,即基于MIC-CCF-Informer的深度学习预测模型。对制氢转化炉系统进行动态建模,根据实时监控数据输出未来节点下的转化炉出口温度。基于最大互信息系数MIC计算出了不同输入变量的相关性,确定最优的输入变量。针对变量间的时滞性问题,采用交叉相关函数CCF对变量间存在的时滞关系进行时间对齐,增强模型对真实工况的感知能力。最后利用Informer模型有效捕捉时间序列中的长期依赖关系,实现对制氢转化炉出口温度的预测。

1 基于MIC-CCF-Informer的制氢转化炉出口温度预测模型

1.1 研究模型

以某化工厂的天然气蒸气重整工艺流程为研究对象,图1是顶烧式制氢转化炉的结构图。利用DCS集散控制系统对制氢流程相关的过程变量进行实时数据采集,如表1所示。选取转化炉的入口温度、顶部温度、炉膛温度、氧含量、各排烟气温度、反应气[天然气、PSA(pressure swing adsorption)解析气]用量、水蒸气配气量、燃烧气(瓦斯燃气、PSA尾气)用量等25个时间序列数据作为输入变量。在实际生产中,转化炉出口处设置了2个温度传感器控制点来实时监测出口气体的温度,以此建立深度学习模型输出转化炉的出口温度y1和y2预测值。

1.2 基于MIC-CCF-Informer的制氢转化炉出口温度预测流程

基于MIC特征筛选与CCF时滞修正的Informer算法模型对制氢转化炉的出口温度y1和y2进行预测,具体流程如图2所示。
(1)采集天然气蒸气重整工艺的实时监测数据,对数据进行预处理,减少噪声,去除异常值、缺失值。
(2)采用MIC对时间序列数据进行特征筛选,确定与转化炉出口温度相关的输入变量特征。
(3)采用CCF进行输入序列的统一处理,实现时间序列数据的特征对齐。
(4)对数据集进行归一化处理,划分训练集、验证集和测试集。
(5)利用训练集训练Informer模型,利用验证集测试模型精度,判断预测误差是否满足要求。若满足,输出预报模型,若不满足,则重新进行参数调节。
(6)采用测试集对训练的预报模型进行预测,评估提出模型的泛化能力。

1.3 基于MIC-CCF-Informer的制氢转化炉出口温度预测流程

重整制氢转化炉内涉及复杂的主、副反应,且制氢工艺包含有较多的过程变量。多变量间互相耦合形成复杂的时空系统,具有普遍的动态特征。变量间既满足相关的守恒方程,也受限于过程变化,从而影响当前的变量取值。本文中提出一种MIC-CCF-Informer混合结构的预测模型,如图3所示,解决转化炉出口温度预测时面临的变量复杂、数据高维、时滞性等问题。采用MIC算法捕获多变量间的复杂线性或非线性关系,判断过程变量间的相关性,筛除无关变量。采用CCF算法比较2种变量在滞后时间下的相似性,找到使它们相似最大的时间滞后量,实现时间维度上的对齐。利用Informer算法独特的概率稀疏自注意力机制和自注意力蒸馏机制,减少数据的维度,提取最重要的注意力信息,生成转化炉出口温度的预测数据。

2 数据分析

2.1 数据说明及预处理

本研究使用Python编程语言进行数据处理与建模,基于TensorFlow框架实现深度时间序列预测模型。实验数据来源于天然气重整制氢装置的实际运行记录,覆盖连续3个月的生产周期,数据采集周期为1 min,总采集样本数为132 480条。考虑到实时监测数据中存在一定程度的冗余性,且不同工况分布不均,为确保建模数据具备良好的代表性和工况多样性,本文中从中选取具有代表性的20 000条样本构建实验数据集,并按8∶1∶1的比例划分为训练集、验证集和测试集。
由于原始数据中各工艺参数具有不同的物理量纲和数量级,若直接输入模型,可能导致训练不稳定或梯度更新不均衡等问题。为提升模型训练效果,本文中对所有特征变量采用最小-最大归一化(Min-Max Normalization)处理,转换公式如式(1)所示:
x ' = ( x - x m i n ) / ( x m a x - x m i n )
式中,x表示原始特征值,xmin和xmax分别表示该特征在训练集中的最小值与最大值。归一化后的数据被缩放至[0,1]区间,有助于提高模型的泛化能力和学习效率。

2.2 评价指标

采用均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为评价指标,如式(2)~(4)所示。RMSE、MAE和MAPE值越小,代表预测模型的精度越高。
R M S E = ( 1 / N ) ∑ i = 1 N ( y i - y ^ i ) 2
M A E = ( 1 / N ) ∑ i = 1 N y i - y ^ i |
M A P E = ( 1 / N ) ∑ i = 1 N ( y i - y ^ i ) / y i | × 100 %
式中,RMSE为均方根误差;MAE为平均绝对误差;MAPE为平均绝对百分比误差; y ^ i为制氢转化炉出口温度的预测值;N为模型测试数据集的样本总量。

2.3 特征筛选及时序数据对齐

实际工艺过程参数相互依赖、动态变化、高度冗余,极大增加了模型的复杂性,降低了计算的精度。采用训练数据,对输出的制氢转化炉出口温度y1和y2与输入的x1~x25变量依次计算MIC值,如图4所示。其中,选择MIC=0.3作为相关性筛选的阈值。通过MIC进行特征筛选后,除了x21~x23变量以外,其他输入变量均在阈值之上。
制氢转化炉某一时刻的出口温度与历史相关参数的取值存在着因果关系,具有强相关性。使用交叉相关函数CCF对输入变量的滞后时间进行计算,选择相关系数最大的滞后位置(图中圆点标注位),对输入过程变量x与出口温度y进行对齐,实现输入与输出变量数据的时序统一,完成训练数据集的重构。图5为25个输入过程变量对制氢转化炉出口温度y1的交叉互相关结果;图6为25个输入过程变量对出口温度y2的交叉互相关结果。同时,对比各输入变量与输出变量在各个滞后位置处的点积, 发现x22与x23的系数较小,进一步验证了MIC选择变量的有效性。综合考虑MIC和CCF的结果,特征变量筛选最终删除了x21~x23 3个过程变量。

2.4 模型对比分析

为了验证本文中提出模型的精确性,设置模型的输入回看窗口长度为50,对比采用MLP[13]、LSTM[14]、CNN-LSTM[15]、Informer[16]模型对结果进行验证。每个模型都采用网格搜索法确定了最优的模型架构,每个模型在训练时均经历了100个训练轮数。采用相同的输入过程变量对转化炉出口温度y1与y2进行预测,各个模型的预测结果及评价指标分析如图7所示。本研究提出的MIC-CCF-Informer模型对转化炉出口温度y1与y2均表现出最优的预测结果,预测曲线能较好地贴合真实曲线。MIC-CCF-Informer模型预测转化炉出口温度y1,其RMSE为0.928 1,MAE为0.719 9,MAPE为0.088 4;MIC-CCF-Informer模型预测转化炉出口温度y2,其RMSE为0.896 9,MAE为0.700 7,MAPE为0.086 0,表现出最优的预测精度。
MLP模型虽然能较好捕获变量间的非线性关系,但存在对时序数据局部特征利用不充分的缺点,MLP模型预测曲线偏离实际值较大,表现出较差的预测结果。LSTM模型适用于短期时序数据的预测,面对长时序数据输入时,存在对冗余信息提取能力不足的缺点。虽然引入CNN模块,CNN-LSTM的预测指标RMSE、MAE及MAPE相较于LSTM模型均有所降低。CNN模块提升了LSTM对局部信息的挖掘和多层次特征提取,但随着时间序列增长,其模型计算效率随之降低。Informer模型由于独特的概率稀疏自注意力机制和自注意力蒸馏机制,能较好地实现对关键变量的注意力提取及对长时序数据的降维,预测精度进一步提升。对输入数据基于MIC和CCF进行特征筛选和时序对齐后,输入Informer模型进行预测,解决了过程变量间的耦合性、动态时变性、互相关性等问题,预测精度进一步提升。相较于MLP、LSTM、CNN-LSTM、Informer模型,本研究提出的MIC-CCF-Informer预测模型在预测出口温度y1时,RMSE分别降低26.12%,20.24%,9.85%,3.25%,MAE分别降低28.29%,21.37%,10.84%,2.73%;在预测出口温度y2时,RMSE分别降低18.11%,14.49%,5.32%,3.88%,MAE分别降低22.31%,6.67%,11.09%,3.42%。本研究提出的模型具有较强的可靠性和泛化性,可用于制氢转化炉出口温度的预测。

3 结论

制氢生产过程具有操作条件苛刻、连续性强、高危险性、动态不确定性等特点,工艺关键变量的精准监测对保障系统稳定运行与生产安全具有重要意义。
(1)本文中提出一种MIC-CCF-Informer预测模型,通过MIC算法实现对输入变量的特征筛选,CCF算法实现输入与输出变量的时滞对齐,融合Informer算法独特的稀疏注意力机制和蒸馏机制,能有效解决化工过程数据的耦合性、高维性、时滞性等非平稳特征。
(2)在制氢转化炉出口温度预测实验中,本研究提出的MIC-CCF-Informer模型预测出口温度y1和y2时,RMSE分别为0.928 1和0.896 9。该预测模型评价指标均优于MLP、LSTM、CNN-LSTM、Informer 4类对比模型。RMSE平均降低了14.87%和10.45%,表现出优异的预测精度和可靠性。
未来研究将进一步结合实际工况,拓展模型的多步预测能力,以更好服务于生产过程的优化控制与异常预警。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

Ighalo J O, Amama P B. Recent advances in the catalysis of steam reforming of methane (SRM)[J]. International Journal of Hydrogen Energy, 2024,51:688-700.
[2]

Xu J, Froment G F. Methane steam reforming,methanation and water-gas shift:Ⅰ.Intrinsic kinetics[J]. AIChE Journal, 1989, 35(1):88-96.

[3]

Quirino P P S, Amaral A, Pontes K V, et al. Modeling and simulation of an industrial top-fired methane steam re-forming unit[J]. Industrial & Engineering Chemistry Research, 2020, 59(24):11250-11264.

[4]

Ben-Mansour R, Haque M A, Habib M A, et al. Effect of temperature and heat flux boundary conditions on hydrogen production in membrane-integrated steam-methane reformer[J]. Applied Energy, 2023,346:121407.
[5]

Kumar A, Baldea M, Edgar T F. A physics-based model for industrial steam-methane reformer optimization with non-uniform temperature field[J]. Computers & Chemical Engineering, 2017,105:224-236.
[6]

张佳贺. 制氢转化炉管系结构多场耦合力学分析及蠕变损伤研究[D]. 大庆: 东北石油大学, 2023.
[7]

李心芳. 制氢转化炉管壁温度场研究[J]. 炼油技术与工程, 2021, 51(6):48-51.
[8]

杨彪, 母其海, 朱娜, 等. 响应面法和一维卷积神经网络优化微波碳热还原低品位钛精矿工艺的研究[J]. 现代化工, 2021, 41(S1):134-138.

[9]

袁壮, 凌逸群, 杨哲, 等. 基于TA-ConvBiLSTM的化工过程关键工艺参数预测[J]. 化工学报, 2022, 73(1):342-351.

[10]

Wang Y J, Li H G. A novel intelligent modeling framework integrating convolutional neural network with an adaptive time-series window and its application to industrial process operational optimization[J]. Chemometrics and Intelligent Laboratory Systems, 2018,179:64-72.
[11]

崔劲松, 贾波, 李学盛, 等. 化工过程预警的CNN-LSTM耦合模型研究[J]. 过程工程学报, 2024, 24(8):937-945.

[12]

高学金, 李博伦, 韩华云, 等. 基于多采样序列特征提取网络的多变量间歇过程故障预测[J]. 化工学报, 2024, 75(12):4629-4645.

[13]

Rumelhart D E, Hinton G E, Williams R J. Learning representations by back-propagating errors[J]. Nature, 1986,323:533-536.
[14]

Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neurocomputing, 1997,9:1735-1780.
[15]

Atila O, Şengür A. Attention guided 3D CNN-LSTM model for accurate speech based emotion recognition[J]. Applied Acoustics, 2021,182:108260.
[16]

Zhou H Y, Zhang S H, Peng J Q, et al. Informer:Beyond efficient transformer for long sequence time-series forecasting[C]. 2021 35th AAAI Conference on Artificial Intelligence, San Francisco, USA,2021:11106-11115.

基金资助

中国消防救援学院教改预研项目(2023KCJS09Y)

中国消防救援学院面上教改项目(2024JXMS03)

AI Summary AI Mindmap
PDF (5500KB)

308

访问

0

被引

导航
相关文章

AI思维导图

/

〈 〉

京ICP备09035943号-37
版权所有 ©《现代化工》编辑部
地址：北京市朝阳区安定路33号化信大厦B座206　邮政编码：100029
编辑部电话：010-64444090　E-mail:mci@cncic.cn
技术支持：北京玛格泰克科技发展有限公司