CN107220392B - 常减压装置常压塔常一线10%点预测方法 - Google Patents
常减压装置常压塔常一线10%点预测方法 Download PDFInfo
- Publication number
- CN107220392B CN107220392B CN201610163861.0A CN201610163861A CN107220392B CN 107220392 B CN107220392 B CN 107220392B CN 201610163861 A CN201610163861 A CN 201610163861A CN 107220392 B CN107220392 B CN 107220392B
- Authority
- CN
- China
- Prior art keywords
- data
- variable
- value
- layer
- line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000691 measurement method Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 13
- 230000002068 genetic effect Effects 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 claims description 3
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008030 elimination Effects 0.000 description 4
- 238000003379 elimination reaction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003921 oil Substances 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003359 percent control normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005292 vacuum distillation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
Landscapes
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Feedback Control In General (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种常减压装置常压塔常一线10%点预测方法,主要解决现有技术中尚无常一线10%点软测量方法的问题。本发明通过采用一种常减压装置常压塔常一线10%点预测方法,用于通过登录预测系统,进行常一线10%点的预测;所述预测系统安装于服务器上,服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连,客户端为有权限的电脑和移动终端的技术方案较好地解决了上述问题,可用于常减压装置中。
Description
技术领域
本发明涉及一种常减压装置常压塔常一线10%点预测方法。
常减压装置中,从常压塔最高侧线出来的馏出物称为常一线。常压塔的常一线10%点是常一线产品的主要质量控制指标,其主要反映采出油品的轻重,所以其控制的好坏不仅关系到常压塔原油的拔出率,同时影响后面的加工过程。当前,对于10%点,还没有合适的仪表能够实时给出测量值,多数炼厂还是依赖于实验室的人工分析值。对于人工分析,从现场采样到实验室化验得出结果、再录入到LIMS系统,时间相当长,大约1h-2h;此外,人工分析的周期一般为每4h或者8h一次。因此,时间上的滞后非常严重,通过这样一个化验过程只能大概了解了之前操作条件下常一线产品的质量,根本无法实现对产品质量的实时直接控制。
为了解决上述问题,学术上有关于一些这方面的研究,但是在实际应用中存在预测精度不高、鲁棒性差的问题。在过程控制中,开发了许多软测量的方法,如一种常顶油干点在线软测量方法(申请号201110198455.5)、一种在线确定常压塔顶石脑油质量指标的软测量方法(申请号200710171116.1),利用各种不同的数学模型来估计干点值。然而还未有关于常一线10%点软测量的应用专利。
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来,应用计算机技术,针对难于测量或暂时不能测量的重要变量(或称之为主动变量),选择另外一些容易测量的变量(或称之为辅助变量),通过构成某种数学关系来推断和估计,以软件来代替硬件(传感器)功能。这类方法响应迅速,能够连续给出主动变量信息,而且具有投资低、维护保养简单等优点。
发明内容
本发明所要解决的技术问题是现有技术中尚无常一线10%点软测量方法的问题,提供一种新的常减压装置常压塔常一线10%点预测方法。该方法用于常减压装置中,具有测试数据准确、测量结果更加贴近实际的优点。
为解决上述问题,本发明采用的技术方案如下:一种常减压装置常压塔常一线10%点预测方法,用于通过登录预测系统,进行常一线10%点的预测;所述预测系统安装于服务器上,服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连,客户端为有权限的电脑和移动终端;预测系统的工作步骤如下:
1)选择的辅助变量
根据现场操作工控制经验,考虑实际对常一线10%点影响较大的相关辅助变量,包括常压塔的塔顶温度、塔顶压力、常一线量、常一线抽出温度以及常一线出再沸器温度;
2)辅助变量原始数据的野值剔除
使用移动窗口中位值过滤器的方法,在线识别单个过程变量的异常点,剔除异常值,公式如下:
其中,过程变量在某一时刻的测量值,即这是该变量的“第个值”;是过程变量的时刻序号,即这是该变量的第几个;median是求中位值的函数,X*是数据的中位值,1.4826 是系数,阀值t=3,移动窗口的大小取11个点,并对剔除的中位值使用计算出来的中位值填补;
原始数据经过野值剔除后,明显偏离附件时刻测量值的数据被剔除;
3)辅助变量噪音剔除
(1)小波方法初步去噪
测量信号的小波分解将原始数据分解为高频部分和低频部分,其高频部分反映的是噪音干扰,而低频部分反映的是信号的真实值;
选用haar小波,利用下式将原始单变量信号分解为高频部分和低频部分:
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G和H分别是高通和低通分解滤波器,l为时间参数;
分解尺度n=3,将高频部分全部滤除,并用下式进行重构:
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G*和H*为高通和低通重构滤波器;
重构后的数据不含有原始数据的高频部分,也就是剔除了高频部分的噪音,使得用于软仪表的数据更加准确地反映仪表的真实值;
(2)主元分析法深度去噪
利用主元分析法将初步去噪后的辅助变量数据,进行异常工况识别,以便剔除异常工况对建模的影响,实现深度去噪;
首先按下式将数据进行标准化:
将标准化后的数据按下式进行分解:
式中,X为数据矩阵;Xp为表示X的主元矩阵;E为表示残差矩阵;t为得分矩阵;p为负载矩阵;t1、t2、tk代表主元矩阵Xp中,得分矩阵中的第1、2或k个值;p1、p2、pk代表主元矩阵Xp中,负载矩阵中的第1、2或k个值;
主元个数k=5,这个主元模型在i时刻的平方误差如下:
其中,Ff,m-1,a是对应于检验水平a,自由度为f,m-1条件下的F分布临界值;
检验水平a=0.05,自由度f=5,m为移动窗口的宽度,取半个小时的数据:1个 /15s,m=120,并对SPE和T2画出累计分布为95%的控制限,当SPE或T2超出95%控制限时此时的工况将被识别为异常工况,其数据不会用于建立软测量模型;
4)主动变量相对于辅助变量的滞后时间的确定
利用遗传算法确定滞后时间,方法具体如下:
遗传算法输入变量如下:
N=[N1,N2,…,Nj]j=1,2,…,v
其中,Nj为第j个输入变量的滞后时间,v为辅助变量个数;
遗传算法目标函数如下:
在建立软测量模型中,取v=6,滞后时间范围为Nj=0~60min,由于Nj的取值是正整数,转化为长度为6的二进制来计算;遗传算法的种群大小为200,随机初始化种群,迭代次数为500,交叉概率为0.4,变异概率为0.2;
5)软测量方法;
使用广义回归神经网络(Generalized regression neural network,GRNN)对常压塔常一线10%点的软测量建模,GRNN网络结构由四层构成,分别为输入层,模式层,求和层和输出层;其中,输入层节点数为6,模式层神经元数目为训练样本的数目,输出层的神经元数目等于1;模式层神经元传递函数为:
其中,上式中,X′为网络输入变量即学习样本,g为学习样本中变量的个数,Xα为第α个神经元对应的学习样本,σ为光滑因子,即高斯函数的标准差,α为第α个神经元;
求和层神经元的传递函数为:
其中,上式中,α为第α个神经元;g为学习样本中变量的个数;yαγ为加权系数是第α个神经元对应的训练样本的标签的第γ个元素;Pα为模式层第α个节点输出;γ为求和层节点序号;h为求和层节点总个数;
输出层神经元的传递函数为:
其中,上式中,SD为求和层第一个节点的输出;
γ为输出层节点序号,数值与求合成节点序号相同;
h为输出层节点总个数,数值与求和层节点总个数相同;
GRNN模型训练过程中的径向基函数的扩展速度Spread由5折交叉验证方法确定为Spread=0.2;
6)系统算法技术路线
7)数据接口开发
为了获取实际装置的生产数据,开发了多种数据采集接口,从多种炼化企业主流实时数据库采集辅助变量的数据,能满足各种现场实施环境的需要;同时,开发了ODBC接口连接企业的LIMS系统(Laboratory Information Management System,实验室信息管理系统),在线获取主动变量的数据,实现常压常一线10%点预测系统算法的检验与修正。
本专利的方法增加了对辅助变量原始数据的野值剔除、噪音剔除,减少甚至避免了不必要的干扰,使样本数据更准确;考虑了主动变量相对于辅助变量的滞后时间,符合工业运行的实际,主动变量的预测结果更贴近实际;开发的在线监测系统,具有多种现场数据采集接口,适应性强,取得了较好的技术效果。
附图说明
图1为常减压装置常压常一线10%点预测系统算法逻辑图。
图2为硬件分布图。
图2中,1为实时数据库;2为辅助变量;3为LIMS数据库;4为主动变量;5为防火墙;6为常减压装置常压常一线10%点预测系统;7为无线路由器;8为平板电脑;9为办公电脑。
下面通过实施例对本发明作进一步的阐述,但不仅限于本实施例。
具体实施方式
【实施例1】
采用本发明的方法,用于通过登录预测系统,进行常一线10%点的预测;所述预测系统安装于服务器上,服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连,客户端为有权限的电脑和移动终端;预测系统的工作步骤如下:
1)选择的辅助变量
根据现场操作工控制经验,考虑实际对常一线10%点影响较大的相关辅助变量。包括常压塔的塔顶温度、塔顶压力、常一线量、常一线抽出温度以及常一线出再沸器温度。
2)辅助变量原始数据的野值剔除
野值是指过程变量测量值中某一时刻的值明显偏离其它相邻时刻的测量值。野值是由于测量设备误差或者噪音引起的,其值不能反映真实的工况。如不剔除将会降低对软仪表模型的精度。本专利使用移动窗口中位值过滤器的方法,在线识别单个过程变量的异常点,剔除异常值。公式如下:
其中,过程变量在某一时刻的测量值,即这是该变量的“第个值”;是过程变量的时刻序号,即这是该变量的第几个;median是求中位值的函数,X*是数据的中位值,1.4826 是系数,阀值t=3。移动窗口的大小取11个点,并对剔除的中位值使用计算出来的中位值填补。
原始数据经过野值剔除后,明显偏离附件时刻测量值的数据可以被剔除。
3)辅助变量噪音剔除(小波、PCA)
噪音是测量数据中普遍存在的随机误差,其值服从正态分布。噪音对测量数据有明显的影响,使测量值偏离真实值。
(2)小波方法初步去噪
测量信号的小波分解可以将原始数据分解为高频部分和低频部分,其高频部分反映是的噪音干扰,而低频部分反映的是信号的真实值。
选用haar小波,利用下式将原始单变量信号分解为高频部分和低频部分。
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G和H分别是高通和低通分解滤波器,l为时间参数。
分解尺度n=3,将高频部分全部滤除,并用下式进行重构。
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G*和H*为高通和低通重构滤波器。
重构后的数据不含有原始数据的高频部分,也就是剔除了高频部分的噪音,使得用于软仪表的数据更加准确地反映仪表的真实值。
(2)主元分析法深度去噪
多个辅助变量相关的异常工况也属于一种噪声,利用主元分析法(PCA)将初步去噪后的辅助变量数据,进行异常工况识别,以便剔除异常工况对建模的影响,实现深度去噪。首先按下式将数据进行标准化,
将标准化后的数据按下式进行分解
式中,X为数据矩阵;Xp为表示X的主元矩阵;E为表示残差矩阵;t为得分矩阵;p为负载矩阵;t1、t2、tk代表主元矩阵Xp中,得分矩阵中的第1、2或k个值;p1、p2、pk代表主元矩阵Xp中,负载矩阵中的第1、2或k个值;
主元个数k=5,这个主元模型在i时刻的平方误差(SPE)如下
其中,Ff,m-1,a是对应于检验水平a,自由度为f,m-1条件下的F分布临界值。
这里,检验水平a=0.05,自由度f=5,m为移动窗口的宽度,取半个小时的数据(1个 /15s),m=120。并对SPE和T2画出累计分布为95%的控制限,当SPE或T2超出95%控制限时此时的工况将被识别为异常工况,其数据不会用于建立软测量模型。
4)主动变量相对于辅助变量的滞后时间的确定
由于常减压装置的流程较长,操作具有时间的延迟性,辅助变量在时刻t1的操作,要到时刻t2(t2>t1)才能反映在主导变量上,因此,需要确定主导变量相对于辅助变量的滞后时间。
本专利利用遗传算法确定滞后时间,方法具体如下:
遗传算法输入变量如下
N=[N1,N2,…,Nj] j=1,2,…,v
其中,Nj为第j个输入变量的滞后时间,v为辅助变量个数。
遗传算法目标函数如下
在建立软测量模型中,取v=6,滞后时间范围为Nj=0~60min。由于Nj的取值是正整数,转化为长度为6的二进制(可以表示0~63min的滞后时间)来计算。遗传算法的种群大小为200,随机初始化种群,迭代次数为500,交叉概率为0.4,变异概率为0.2。
5)软测量方法(GRNN)
本专利使用广义回归神经网络(GRNN)对常压塔常一线10%点的软测量建模。GRNN网络结构由四层构成,分别为输入层,模式层,求和层和输出层。其中,输入层节点数为6,模式层神经元数目为训练样本的数目,输出层的神经元数目等于1。模式层神经元传递函数为
其中,上式中,X′为网络输入变量即学习样本,g为学习样本中变量的个数,Xα为第α个神经元对应的学习样本,σ为光滑因子,即高斯函数的标准差,α为第α个神经元;
求和层神经元的传递函数为
其中,上式中,α为第α个神经元;g为学习样本中变量的个数;yαγ为加权系数是第α个神经元对应的训练样本的标签的第γ个元素;Pα为模式层第α个节点输出;γ为求和层节点序号;h为求和层节点总个数;
输出层神经元的传递函数为
其中,上式中,SD为求和层层第一个节点的输出;
γ为输出层节点序号,数值与求合成节点序号相同;
h为输出层节点总个数,数值与求和层节点总个数相同;
GRNN模型训练过程中的径向基函数的扩展速度Spread由5折交叉验证方法确定为Spread=0.2。
6)系统算法技术路线,如图1所示。
7)数据接口开发
为了获取实际装置的生产数据,开发了多种数据采集接口,如API、ODBC、WebService、 OPC等,可以从InfoPlus.21、Plant Information System、Process HistoryDatabase 等炼化企业主流实时数据库采集辅助变量的数据,能满足各种现场实施环境的需要。
同时,开发了ODBC接口连接企业的LIMS系统,在线获取主动变量的数据,实现常压常一线10%点预测系统算法的检验与修正。
8)硬件环境
硬件结构如图2所示。在中控室配置一台服务器,通过网线分别与实时数据库系统、 LIMS系统的服务器相连,安装并运行“常减压装置常压塔常一线10%点预测系统”服务器版。
客户端可以是处在企业办公网的任意有权限的电脑和移动终端,如智能手机、平板电脑等。
9)服务器端系统应用
9.1启动系统
连接硬件,启动各个子系统,打开服务器端程序。
9.2权限控制
根据输入的用户,检测或选择不同的身份进入系统。
9.3组态建模:
该部分主要完成推理算法的建模。收集辅助变量和主动变量的历史值,作为样本,进行算法训练。
9.4实时监测
连接企业的实时数据库,系统开始实时监测。
1)采集来自生产现场的辅助变量实时数据,实时推理计算当前10%点的实时值。
2)根据LIMS系统出数据的时间,每隔4-8小时,将软测量得到的值与LIMS系统的化验值进行对比,实时修正。
10)客户端系统应用
所开发的客户端,既有B/S架构的,便于用户在企业使用办公网上的任一电脑,适用于装置管理人员;又有C/S架构的,使用户能查看详细计算细节,适用于操作工面前的平板电脑、工艺员办公室的PC电脑。
本专利的方法增加了对辅助变量原始数据的野值剔除、噪音剔除,减少甚至避免了不必要的干扰,使样本数据更准确;考虑了主动变量相对于辅助变量的滞后时间,符合工业运行的实际,主动变量的预测结果更贴近实际;开发的在线监测系统,具有多种现场数据采集接口,适应性强,取得了较好的技术效果。
Claims (1)
1.一种常减压装置常压塔常一线10%点预测方法,用于通过登录预测系统,进行常一线10%点的预测;所述预测系统安装于服务器上,服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连,客户端为有权限的电脑和移动终端;预测系统的工作步骤如下:
1)选择的辅助变量
根据现场操作工控制经验,考虑实际对常一线10%点影响较大的相关辅助变量,包括常压塔的塔顶温度、塔顶压力、常一线量、常一线抽出温度以及常一线出再沸器温度;
2)辅助变量原始数据的野值剔除
使用移动窗口中位值过滤器的方法,在线识别单个过程变量的异常点,剔除异常值,公式如下:
其中,过程变量在某一时刻的测量值,即这是该变量的“第个值”;是过程变量的时刻序号,即这是该变量的第几个;median是求中位值的函数,X*是数据的中位置值,1.4826是系数,阀值t=3,移动窗口的大小取11个点,并对剔除的中位值使用计算出来的中位值填补;
原始数据经过野值剔除后,明显偏离附件时刻测量值的数据被剔除;
3)辅助变量噪音剔除
(1)小波方法初步去噪
测量信号的小波分解将原始数据分解为高频部分和低频部分,其高频部分反映的是噪音干扰,而低频部分反映的是信号的真实值;
选用haar小波,利用下式将原始单变量信号分解为高频部分和低频部分:
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G和H分别是高通和低通分解滤波器,l为时间参数;
分解尺度n=3,将高频部分全部滤除,并用下式进行重构:
式中,k1为当前采样点的时间序号,d是尺度系数,β是小波系数,G*和H*为高通和低通重构滤波器;
重构后的数据不含有原始数据的高频部分,也就是剔除了高频部分的噪音,使得用于软仪表的数据更加准确地反映仪表的真实值;
(2)主元分析法深度去噪
利用主元分析法将初步去噪后的辅助变量数据,进行异常工况识别,以便剔除异常工况对建模的影响,实现深度去噪;
首先按下式将数据进行标准化:
将标准化后的数据按下式进行分解:
式中,X为数据矩阵;Xp为表示X的主元矩阵;E为表示残差矩阵;t为得分矩阵;p为负载矩阵;t1、t2、tk代表主元矩阵Xp中,得分矩阵中的第1、2或k个值;p1、p2、pk代表主元矩阵Xp中,负载矩阵中的第1、2或k个值;
主元个数k=5,这个主元模型在i时刻的平方误差如下:
其中,Ff,m-1,a是对应于检验水平a,自由度为f,m-1条件下的F分布临界值;
检验水平a=0.05,自由度f=5,m为移动窗口的宽度,取半个小时的数据:1个/15s,m=120,并对SPE和T2画出累计分布为95%的控制限,当SPE或T2超出95%控制限时此时的工况将被识别为异常工况,其数据不会用于建立软测量模型;
4)主动变量相对于辅助变量的滞后时间的确定
利用遗传算法确定滞后时间,方法具体如下:
遗传算法输入变量如下:
N=[N1,N2,…,Nj] j=1,2,…,v
其中,Nj为第j个输入变量的滞后时间,v为辅助变量个数;
遗传算法目标函数如下:
在建立软测量模型中,取v=6,滞后时间范围为Nj=0-60min,由于Nj的取值是正整数,转化为长度为6的二进制来计算;遗传算法的种群大小为200,随机初始化种群,迭代次数为500,交叉概率为0.4,变异概率为0.2;
5)软测量方法;
使用广义回归神经网络对常压塔常一线10%点的软测量建模,GRNN网络结构由四层构成,分别为输入层,模式层,求和层和输出层;其中,输入层节点数为6,模式层神经元数目为训练样本的数目,输出层的神经元数目等于1;模式层神经元传递函数为:
其中,上式中,X′为网络输入变量即学习样本,g为学习样本中变量的个数,Xα为第α个神经元对应的学习样本,σ为光滑因子,即高斯函数的标准差,α为第α个神经元;
求和层神经元的传递函数为:
其中,上式中,α为第α个神经元;g为学习样本中变量的个数;yαγ为加权系数是第α个神经元对应的训练样本的标签的第γ个元素;Pα为模式层第α个节点输出;γ为求和层节点序号;h为求和层节点总个数;
输出层神经元的传递函数为:
其中,上式中,SD为求和层第一个节点的输出;
γ为输出层节点序号,数值与求合成节点序号相同;
h为输出层节点总个数,数值与求和层节点总个数相同;
GRNN模型训练过程中的径向基函数的扩展速度Spread由5折交叉验证方法确定为Spread=0.2;
6)系统算法技术路线
7)数据接口开发
为了获取实际装置的生产数据,开发了多种数据采集接口,从多种炼化企业主流实时数据库采集辅助变量的数据,能满足各种现场实施环境的需要;同时,开发了ODBC接口连接企业的LIMS系统,在线获取主动变量的数据,实现常压常一线10%点预测系统算法的检验与修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610163861.0A CN107220392B (zh) | 2016-03-22 | 2016-03-22 | 常减压装置常压塔常一线10%点预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610163861.0A CN107220392B (zh) | 2016-03-22 | 2016-03-22 | 常减压装置常压塔常一线10%点预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107220392A CN107220392A (zh) | 2017-09-29 |
CN107220392B true CN107220392B (zh) | 2020-07-28 |
Family
ID=59927131
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610163861.0A Active CN107220392B (zh) | 2016-03-22 | 2016-03-22 | 常减压装置常压塔常一线10%点预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220392B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9150793B2 (en) * | 2008-11-03 | 2015-10-06 | Nalco Company | Method of reducing corrosion and corrosion byproduct deposition in a crude unit |
CN102880905B (zh) * | 2011-07-15 | 2016-01-20 | 中国石油天然气股份有限公司 | 一种常顶油干点在线软测量方法 |
CN102680646A (zh) * | 2012-06-12 | 2012-09-19 | 南京理工大学常熟研究院有限公司 | 一种不饱和聚酯树脂反应釜中反应物浓度软测量方法 |
CN104200291B (zh) * | 2014-09-28 | 2016-05-25 | 山东科技大学 | 一种基于小波变换和arma-svm的涌水量预测方法 |
CN104965967B (zh) * | 2015-03-26 | 2018-02-13 | 华东理工大学 | 一种常减压蒸馏装置的收率实时预测方法 |
CN104951803B (zh) * | 2015-06-24 | 2018-03-13 | 大连理工大学 | 基于动态移动窗最小二乘支持向量机的常压精馏塔航煤干点软测量方法 |
-
2016
- 2016-03-22 CN CN201610163861.0A patent/CN107220392B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107220392A (zh) | 2017-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7461440B2 (ja) | 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法 | |
US6917845B2 (en) | Method for monitoring environmental condition using a mathematical model | |
CN112284440B (zh) | 一种传感器数据偏差自适应修正方法 | |
CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN111476278B (zh) | 一种气体浓度智能化检测系统 | |
WO2022171788A1 (de) | Vorhersagemodell zum vorhersagen von produktqualitätsparameterwerten | |
CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
CN111861272A (zh) | 一种基于多源数据的复杂机电系统异常状态检测方法 | |
CN107220705B (zh) | 常减压装置常压塔顶干点预测方法 | |
CN116380445A (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN109934334B (zh) | 一种基于扰动的叶绿素a含量相关因子敏感性分析方法 | |
CN117193222A (zh) | 一种基于工业物联网和大数据的智能质量控制系统及其控制方法 | |
CN116755411A (zh) | 一种工业设备数据采集方法及装置 | |
CN108827905B (zh) | 一种基于局部加权Lasso的近红外模型在线更新方法 | |
CN107220393B (zh) | 常减压装置常压塔常一线干点预测方法 | |
CN107220252B (zh) | 常减压装置常压塔常一线闪点预测方法 | |
CN107220392B (zh) | 常减压装置常压塔常一线10%点预测方法 | |
CN106647274B (zh) | 一种连续生产过程中运行工况稳态判别方法 | |
CN112949816A (zh) | 一种基于ann的静力水准仪异常数据识别方法及系统 | |
CN116776937A (zh) | 一种基于神经网络的数据处理方法及装置 | |
Wang et al. | Failure rate prediction based on AR model and residual correction | |
CN114399024B (zh) | 油气浓度大数据智能检测系统 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN109753018B (zh) | 一种基于云端智能的误差补偿系统及动态补偿方法 | |
Slišković et al. | Data preprocessing in data based process modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |