CN107633364A - 一种基于主元融合的dea交叉模型能效分析方法 - Google Patents
一种基于主元融合的dea交叉模型能效分析方法 Download PDFInfo
- Publication number
- CN107633364A CN107633364A CN201710852439.0A CN201710852439A CN107633364A CN 107633364 A CN107633364 A CN 107633364A CN 201710852439 A CN201710852439 A CN 201710852439A CN 107633364 A CN107633364 A CN 107633364A
- Authority
- CN
- China
- Prior art keywords
- temperature
- tower
- layer
- returns
- capacity
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明公开了一种基于主元融合的DEA交叉模型能效分析方法,包括:获取精对苯二甲酸生产装置的20组生产数据;根据20组生产数据获得苯二甲酸生产装置的投入指标,投入指标包括影响醋酸消耗量的17个因素;根据预设的解释结构模型获得17个因素的层次模型;根据预设的层次分析方法和层次模型形成融合数据;根据预设的数据包络分析交叉模型和融合数据获得产出指标,产出指标包括塔顶电导率。本发明优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度。另外,本发明对精对苯二甲酸生产装置的生产能效进行分析和评价,得到生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
Description
技术领域
本发明涉及精对苯二甲酸生产的技术领域,尤其涉及一种基于主元融合的DEA交叉模型能效分析方法。
背景技术
在我国工业发展中,复杂化工工业的发展有着举足轻重的作用。同时,在世界各地,节能减排都是一个备受关注的话题,能源效率在复杂化工工业过程中是达到环境与经济目标的有效方法。然而,化工工业的精对苯二甲酸(Pure Terephthalic Acid,PTA)产业的能效水平是远低于国际先进水平,我国的PTA产业起步于二十世纪八十年代,应用比较广泛,涉及到轻纺工业、化学纤维等各个方面,且在化工原料中具有重要的作用,是生产聚对苯二甲酸乙二醇酯和聚对苯二甲酸丙二醇酯的重要原料,能有效地控制PTA溶剂生产装置能耗将会极大地提高国民经济。PTA溶剂系统作为PTA生产的重要系统,分为PTA溶剂脱水塔、再蒸馏器及回流槽三个部分。因为醋酸的消耗是显示一个PTA生产装置技术是否有效的重要指标,为了能够减少醋酸的消耗,需要优化PTA溶剂系统。生产装置的稳定性促进PTA生产技术的发展,但添加新的生产装置成本比较高,以至于整体的能效水平偏低,且生产装置能耗的高低能够衡量装置竞争力的强弱。通过较少的醋酸投入以获得更多的能源产出,从而提高PTA溶剂生产装置技术,降低装置能耗。
现有技术使用均值法和指标最优法给企业能效分析进行对标,然而均值法和指标最优法并不能将节能知识很好的引入到对标分析,因此也无法给出各因素和指标均优的能效价值标杆来指导实际的能效状态分析。基于层次分析法(Analytic hierarchy process,AHP)和数据包络分析(Data Envelopment Analysis,DEA)模型相互结合的能效分析方法被广泛应用到农业、物流等行业,但在PTA行业应用中没有考虑主要因素醋酸对PTA能效的影响。基于数据融合方法的PTA生产装置能耗分析方法,取得了较好的应用效果,但没有考虑影响因素对能耗指标的作用。
发明内容
为解决上述问题,本发明提供一种基于主元融合的DEA交叉模型能效分析方法,至少部分解决上述技术问题。
为此,本发明提供一种基于主元融合的DEA交叉模型能效分析方法,包括:
获取精对苯二甲酸生产装置的20组生产数据;
根据所述20组生产数据获得所述苯二甲酸生产装置的投入指标,所述投入指标包括影响醋酸消耗量的17个因素,所述17个因素包括进料量、第一温度、第一回流量、第二回流量、第三回流量、第二温度、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第六塔内温度、第七塔内温度、第八塔内温度、第九塔内温度和第十塔内温度;
根据预设的解释结构模型获得所述17个因素的层次模型,所述层次模型包括第一层、第二层和第三层,所述第一层包括第二温度、第六塔内温度和第九塔内温度,所述第二层包括第一温度、第一回流量、第二回流量、第三回流量、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第七塔内温度、第八塔内温度和第十塔内温度,所述第三层包括进料量;
根据预设的层次分析方法和所述层次模型形成所述第一层、所述第二层和所述第三层的融合数据;
根据预设的数据包络分析交叉模型和所述融合数据获得产出指标,所述产出指标包括塔顶电导率。
可选的,所述第一层的融合权值包括:第二温度为9%、第六塔内温度为40%、第九塔内温度为51%;
所述第二层的融合权值包括:第一温度小于1%、第一回流量小于1%、第二回流量小于1%、第三回流量小于1%、再沸器蒸汽流量小于1%、第一塔内温度为2%、第二塔内温度小于1%、第三塔内温度为6%、第四塔内温度为24%、第五塔内温度为28%、第七塔内温度为16%、第八塔内温度为22%和第十塔内温度小于1%;
所述第三层的融合权值包括:进料量为100%。
本发明具有下述有益效果:
本发明提供的基于主元融合的DEA交叉模型能效分析方法包括:获取精对苯二甲酸生产装置的20组生产数据;根据所述20组生产数据获得所述苯二甲酸生产装置的投入指标,所述投入指标包括影响醋酸消耗量的17个因素;根据预设的解释结构模型获得所述17个因素的层次模型,所述层次模型包括第一层、第二层和第三层;根据预设的层次分析方法和所述层次模型形成所述第一层、所述第二层和所述第三层的融合数据;根据预设的数据包络分析交叉模型和所述融合数据获得产出指标,所述产出指标包括塔顶电导率。
本发明提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本发明提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
附图说明
图1为本发明实施例一提供的层次模型的示意图;
图2为本发明实施例一提供的第一层的融合权值;
图3为本发明实施例一提供的第二层的融合权值;
图4为本发明实施例一提供的精对苯二甲酸生产装置的自我评价效率值对比图;
图5为本发明实施例一提供的精对苯二甲酸生产装置的交叉评价效率值对比图;
图6为本发明实施例一提供的精对苯二甲酸生产装置原始样本和改进样本的数据包络分析交叉模型的效率值对比图。
具体实施方式
为使本领域的技术人员更好地理解本发明的技术方案,下面结合附图对本发明提供的基于主元融合的DEA交叉模型能效分析方法进行详细描述。
实施例一
本实施例提供一种基于主元融合的DEA交叉模型能效分析方法,包括:获取精对苯二甲酸生产装置的20组生产数据;根据所述20组生产数据获得所述苯二甲酸生产装置的投入指标,所述投入指标包括影响醋酸消耗量的17个因素,所述17个因素包括进料量、第一温度、第一回流量、第二回流量、第三回流量、第二温度、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第六塔内温度、第七塔内温度、第八塔内温度、第九塔内温度和第十塔内温度。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。
本实施例中,根据预设的解释结构模型获得所述17个因素的层次模型,所述层次模型包括第一层、第二层和第三层,所述第一层包括第二温度、第六塔内温度和第九塔内温度,所述第二层包括第一温度、第一回流量、第二回流量、第三回流量、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第七塔内温度、第八塔内温度和第十塔内温度,所述第三层包括进料量;根据预设的层次分析方法和所述层次模型形成所述第一层、所述第二层和所述第三层的融合数据;根据预设的数据包络分析交叉模型和所述融合数据获得产出指标,所述产出指标包括塔顶电导率。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
解释结构模型(Interpretative structural model,ISM)可以通过建立多层次的层次结构模型,将一个多变量问题转化为若干个子变量问题,以更有效的方式分析复杂的产业结构。建立ISM的第一步是利用专家经验建立邻接矩阵,存在主观性和不一致性。基于相关系数和偏相关系数的邻接矩阵,可以得到可达矩阵,结果可以给出实际变量间的相关性并消除中间变量的影响。本实施例根据PTA生产装置在建模过程的复杂性,利用ISM分析影响能耗的主要因素和基本原理,评估装置的能耗分析。
层次分析法(Analytic hierarchy process,AHP)是定性与定量相结合的一种层次分析法和多准则分析法,满足能源效率价值分层模式下多解融合的要求。由于数据本身的差异,层次分析法模型建立能耗数据之间的融合矩阵,将解释结构模型得到的各个子变量进行融合,得到融合数据,并以此作为DEA交叉模型的输入。
DEA已经广泛应用于工业生产中的能效分析,传统的DEA模型在分析多决策单元的效率时,容易产生效率值为1的的决策单元多于1/3的情况,即效率区分度较差,无法非常有效地识别出决策单元的优劣;DEA交叉模型能够区分出有效的决策单元,能以较高的效率区分度识别出不同决策单元的效率状态,有效避免了输入输出指标因采用不合理的权值分配而对决策结果产生的影响,同时其自我评价模型可获得非有效决策单元的改进方向和量化目标。
本实施例首先通过解释结构模型得到可达矩阵,结果给出实际变量间的相关性并消除中间变量的影响,将一个多变量问题转化为若干个子变量问题。然后层次分析法模型建立能耗数据之间的融合矩阵,将由解释结构模型得到的各个子变量进行融合,得到融合数据,并以此作为DEA交叉模型的输入。将DEA交叉模型用于分析评价复杂化工工业PTA溶剂系统的生产能效,得到PTA装置效率的相对有效性,且效率区分度较高,并能够获得PTA生产装置节能降耗的方向与量化目标。
本实施例对PTA的生产进行能效分析,针对PTA生产装置数据的复杂性与多样性,DEA模型投入产出指标数量越多,分析结果区分度越低的局限性,可实现对PTA生产装置投入指标的优化,获得各PTA生产装置节能降耗的方向,即非有效PTA装置的改进方向。通过解释结构模型,分析出影响PTA生产系统能耗的主要因素与基本机理,层次分析法建立能耗数据之间的融合矩阵,将由解释结构模型得到的各个子变量进行融合,得到融合数据,再以此作为DEA交叉模型的输入。DEA交叉模型用于分析评价复杂化工工业PTA溶剂系统的生产能效,从而更加精确地进行PTA装置生产能效分析,获得PTA生产装置节能降耗的方向与量化目标。
首先,本实施例通过解释结构模型,分析出影响PTA生产系统能耗的主要因素与基本机理,其定义如下:
基于相关系数的方法只考虑了两个变量之间的关系,因此很少用于直接推断变量之间的关系。此外,其他因素应该考虑的关系,相比之下,偏相关关系演绎或固定其他变量的影响两个变量之间的关系。变量的联系是通过偏相关系数评价,偏相关系数的绝对值越大,两个变量之间的关系就越强,-1和1之间的数反映了自变量和因变量之间的相关性,因此,一般利用它的绝对值。
定义xi为变量x的第i个值,xi与yi之间的相关系数如下:
其中,与分别为x、y的平均值。相关系数矩阵如下:
由它的逆矩阵得到偏相关系数矩阵p:
两变量间的偏相关系数为:
当Rij是正数并大于阈值时,aij=1和aji=0为xi到xj的邻接值。否则,aij=0,aji=1的邻接矩阵如下:
定义一个n×n的单位矩阵E为:
则有:
A+E=(A+E)2=...=(A+E)n-1=(A+E)n (7)
A的可达矩阵为R=(A+E)n-1。
定义1:在可达矩阵的第i行,若Rij=1,元素Rij添加到可达集,用Si表示。
定义2:在可达矩阵的第j列,若Rij=1,元素Rij添加到第一集,用Bj表示。
影响因素可以通过Sj∩Bj=Sj得到分层,定义为最高水平的确定因素L1,将L1中对应的行列从矩阵R中删除。以此类推,得到L2,L3,…,Lk,最后根据每个级别的L建立层次模型ISM。
本实施例中,层次分析法模型建立能耗数据之间的融合矩阵,将由解释结构模型得到的各个层次的子变量进行融合,得到融合数据,其定义如下:
定义1:假设在一个工厂中的第i个样本里面取第j个元素,它们之间的相关函数为hij(x),称为标准相关函数。xj(1),xj(2),xj(3)和xj(5)为kij(x)的节点。
如果标准相关函数的第二个和第三个节点一致,则标准相关函数如下:
假设预处理后的能源效率的计时数据为X=[X(1) X(2)...X(n)]T,X(i)为在t=i时刻的装置能效值。xj(2)为平均值,信息矩阵Hn×m的定义如下:
在集中化和归一化以后,信息数据转化为其中然后将所有负值转化为0(负值加上一个正十进制数),tj=min(h’ij)<0,因此得出正矩阵Rj n×m。
然后,得出n维矩阵CORn×n。
对于n阶对称矩阵COR,其特征W=(w1,w2,...,wn)T是由几何平均方法求得:wi=vi/v(i=1,2,...,n),其中用向量W整合方案,得出装置能源效率值的融合数据Xref:
最后,以融合数据Xref作为DEA交叉模型的输入。
本实施例中,将DEA交叉模型用于分析评价复杂化工工业PTA溶剂系统的生产能效,其定义如下:
假设有n个部门或单位,称为决策单元(Decision Making Units,DMU)。每个DMU都有x种输入和y种输出,其中pi=(p1i,pi,...,pxi)T>0qi=(q1i,q2i,...,qyi)T>0,pji为DMUi对第j种输入的投入量,qri为DMUi对第r种输出的产出量。评价DMUi的DEA模型如下:
其ε为非阿基米德无穷小量,与为引入的松弛变量,分别表示投入x项的冗余量和产出y项的不足量,θ表示决策单元的有效值,即投入相对于产出的有效利用程度。
利用式(1)计算出DMUi的自我评价值θ即Eii(1≤i≤n),也能计算出非有效决策单元的投入冗余量和产出不足量将式(1)计算的决策单元自我评价模型代入式(16)。
再由式(2)的最优解和求得交叉评价值:
最后,由交叉评价值构成交叉评价矩阵:
其中,主对角线元素Eii为自我评价值,非主对角线元素Eii(k≠i)为交叉评价值,E的第i列是诸决策单元对DMUi的评价值,这些值越大,说明DMUi越优,因此,将E的第i列的平均值
最后,作为衡量DMUi的优劣的一个指标,ei可视为诸决策单元对DMUi的总的评价,ei越大表明DMUi越优。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
本实施例中,醋酸的消耗量是衡量PTA生产装置的有效与先进性的主要指标,降低醋酸的消耗能够有效提高经济效益,用DEA交叉模型分析PTA生产装置中醋酸的消耗量以此来分析装置的生产效率。在PTA溶剂系统中,醋酸导电率的主要有有十七个影响因素,与此同时,由于实际中难测量醋酸的含量,采用与塔顶醋酸含量具有对应关系的塔顶电导率数据来间接反映醋酸含量的变化。
本实施例对PTA装置生产投入指标和产出指标进行如下分析:在DEA交叉模型中,投入与产出指标数量越多,则分析结果的区分度越低,投入或产出指标之间的相关度越低,指标数量对区分度的影响就越大。如果效率的区分度不高,则对整体效率和效率前沿的判断是不可靠的,特别是判定为有效的决策单元,即效率前沿,由于存在默认有效的问题,需要结合超效率值、被参比次数和总权重等信息进行综合判断。投入与产出指标的数量会对分析结果造成严重影响。对同一样本,增加投入与产出指标数量会增加有效单元比例和平均效率值。对相同的投入与产出投标,若样本数量较少,减少样本数量也会增加有效单元比例和平均效率值。在基于主元融合的DEA交叉模型中,若要得出正确结论,前提是选择恰当的投入产出指标。
本实施例提供的DEA交叉模型对样本数量的要求较低,样本与指标数量一般遵循的原则是样本数量(指决策单元数)不应少于投入和产出指标数量的3倍。这一原则是根据数据模拟结果和效率区分度的最低要求确定的,在实证研究中,在满足上述要求的情况下,实际区分度未必能够达到分析的需要。
本实施例选用PTA生产装置的20组数据作为样本数,影响醋酸消耗的十七个因素作为生产装置的投入指标,导电率(醋酸含量)作为产出指标。具体的分析过程如下:由PTA生产装置分析得PTA生产中影响醋酸含量的进料量FC1501,第一温度TI1504,第一回流量FC1502,第二回流量1503,第三回流量1504,第二温度TI15010,再沸器蒸汽流量FC1507,第一塔内温度TI1511-第九塔内温度TI1519,第十塔内温度TC1501为主要生产投入,通过解释结构模型得到十七个主要PTA投入因素的层次模型ISM,再由层次分析方法利用得到的层次模型ISM建立能耗数据之间的融合数据,以此作为DEA交叉模型的输入,而溶剂脱水塔的塔顶电导率为PTA生产的主要产出,以此作为DEA交叉模型的输出。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
图1为本发明实施例一提供的层次模型的示意图。如图1所示,本实施例根据十七个主要PTA投入因素得到三层层次模型ISM。第一层为6、13、16,分别为第二温度TI15010、第六塔内温度TI1516、第九塔内温度TI1519。第二层为2、3、4、5、7、8、9、10、11、12、14、15、17,分别为第一温度TI1504、第一回流量FC1502、第二回流量FC1503、第三回流量FC1504、再沸器蒸汽流量FC1507、第一塔内温度TI1511、第二塔内温度TI1512、第三塔内温度TI1513、第四塔内温度TI1514、第五塔内温度TI1515、第七塔内温度TI1517、第八塔内温度TI1518、第十塔内温度TC1501。第三层为1,为进料量FC1501。
图2为本发明实施例一提供的第一层的融合权值,图3为本发明实施例一提供的第二层的融合权值。如图2和图3所示,本实施例通过层次分析方法将得到的三个子变量进行融合,得到融合数据,将原来的十七个主要投入指标优化为三个主要影响因素,由此作为DEA交叉模型的输入,输出因素不变。参见图2,所述第一层的融合权值包括:第二温度1为9%、第六塔内温度2为40%、第九塔内温度3为51%。参见图3,所述第二层的融合权值包括:第一塔内温度4为2%、第三塔内温度5为6%、第四塔内温度6为24%、第五塔内温度7为28%、第七塔内温度8为16%和第八塔内温度9为22%。剩下的第一温度、第一回流量、第二回流量、第三回流量、再沸器蒸汽流量、第二塔内温度和第十塔内温度均小于1%。另外,所述第三层的融合权值包括:进料量为100%。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
图4为本发明实施例一提供的精对苯二甲酸生产装置的自我评价效率值对比图。如图4所示,优化投入指标后,利用DEA交叉模型分析PTA生产装置能耗,得到经过本实施例提出的模型分析与原本DEA交叉模型的自我评价效率值对比。参见图4,由单独DEA交叉模型评价出样本数1、2、3、19、20为有效,经过主元融合的DEA交叉模型结合得出只有样本数2、20有效,其余为无效,明显提高了分析结果的区分度。
图5为本发明实施例一提供的精对苯二甲酸生产装置的交叉评价效率值对比图。如图5所示,通过公式(15)至公式(19)可以得到精对苯二甲酸生产装置的交叉效率值对比。已知E的第i列是诸决策单元对DMUi的评价值,这些值越大,说明DMUi越优。参见图5,经过主元融合的DEA交叉模型得到的样本1、2、3、19、20的值高于原本DEA交叉模型得到的效率值,区分度更高。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
表1为DEA自我评价效率值和投入产生松弛变量
本实施例中,通过公式(15)至公式(19)可以得到精对苯二甲酸生产装置的非有效样本的松弛变量投入冗余量y-和产出不足量y+。如表1所示,效率值θ小于1的非有效生产样本数根据其投入与产生的松弛变量可得到相应样本生产时的改进方向。例如,4组样本数的效率值θ为0.9881,y1-、y2-、y3-分别为优化之后的三个主要投入指标,分别对应着十七个投入指标,即y1-表示第二温度TI15010、第六塔内温度TI1516、第九塔内温度TI1519的融合数据。y2-表示第一温度TI1504、第一回流量FC1502、第二回流量FC1503、第三回流量FC1504、再沸器蒸汽流量FC1507、第一塔内温度TI1511、第二塔内温度TI1512、第三塔内温度TI1513、第四塔内温度TI1514、第五塔内温度TI1515、第七塔内温度TI1517、第八塔内温度TI1518、第十塔内温度TC1501的融合数据。y3-表示进料量FC1501的融合数据。如果y1-投入指标减少0.0468,y2-投入指标减少0.0147,y3-投入指标不变,并且产出不变,则该装置生产能效能够达到有效。以此类推,其他非有效的样本生产也可以通过类似的分析达到有效生产。
一般DEA模型被评价为有效的决策单元单元数不宜超过总数的1/3,由图2可知在有效决策单元2、20中无法得到最佳有效单元。因此通过DEA交叉评价模型能得到装置所有样本的最佳有效生产。参见表1,将非有效生产数据达到有效生产。由主元融合的DEA交叉模型分别对原始样本(未改进的DEA交叉值)及其改进后所有有效样本(改进的DEA交叉值)进行交叉评价可以得到生产装置的交叉效率值。
图6为本发明实施例一提供的精对苯二甲酸生产装置原始样本和改进样本的数据包络分析交叉模型的效率值对比图。如图6所示,从第4组样本数可看出,原始样本通过基于主元融合的DEA交叉模型,可以得出交叉评价值的平均值e在0.987-0.9875之间,改进之后的平均值在0.9875-0.988之间,e越大表示DMU越优,第2组样本数可看出,基于主元融合的DEA交叉模型得出的交叉评价效率值的平均值e为0.987,改进之后的平均值为0.9875,而且其他组样本数据得出的平均值都有一定程度的提高,这也表明了基于主元融合的DEA交叉模型能够使非有效决策单元达到有效生产的正确性。根据基于主元融合的DEA交叉模型得出的结果分析所有非有效样本的改进方向,对样本数据进行处理之后得出的生产效率明显提高,而且样本数据3为投入生产中的最有效生产,因此其他样本数据可以根据样本数据3的投入产出进行生产改进。
通过实验可以看出,由于基于主元融合的DEA交叉模型可以优化PTA生产装置的投入指标,使其可以提高分析结果的区分度,并且经过DEA交叉模型可以方便区分出装置的有效生产样本的能效高低,同时自我评价模型也能得到非有效决策单元的改进方向,从而可以更好地在复杂的工业过程指导PTA更高效地生产。
本实施例提供的基于主元融合的DEA交叉模型能效分析方法包括:获取精对苯二甲酸生产装置的20组生产数据;根据所述20组生产数据获得所述苯二甲酸生产装置的投入指标,所述投入指标包括影响醋酸消耗量的17个因素;根据预设的解释结构模型获得所述17个因素的层次模型,所述层次模型包括第一层、第二层和第三层;根据预设的层次分析方法和所述层次模型形成所述第一层、所述第二层和所述第三层的融合数据;根据预设的数据包络分析交叉模型和所述融合数据获得产出指标,所述产出指标包括塔顶电导率。本实施例提供的技术方案优化了数据包络分析交叉模型的输入数据,提高了分析结果的区分度,从而更加精确地对精对苯二甲酸生产装置的生产能效进行分析和评价。本实施例提供的技术方案对精对苯二甲酸生产装置的生产能效进行分析和评价,得到精对苯二甲酸生产装置的生产效率的相对有效性,从而获得精对苯二甲酸生产装置节能降耗的方向,同时能够证明上述分析结论的有效性和适用性。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (2)
1.一种基于主元融合的DEA交叉模型能效分析方法,其特征在于,包括:
获取精对苯二甲酸生产装置的20组生产数据;
根据所述20组生产数据获得所述苯二甲酸生产装置的投入指标,所述投入指标包括影响醋酸消耗量的17个因素,所述17个因素包括进料量、第一温度、第一回流量、第二回流量、第三回流量、第二温度、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第六塔内温度、第七塔内温度、第八塔内温度、第九塔内温度和第十塔内温度;
根据预设的解释结构模型获得所述17个因素的层次模型,所述层次模型包括第一层、第二层和第三层,所述第一层包括第二温度、第六塔内温度和第九塔内温度,所述第二层包括第一温度、第一回流量、第二回流量、第三回流量、再沸器蒸汽流量、第一塔内温度、第二塔内温度、第三塔内温度、第四塔内温度、第五塔内温度、第七塔内温度、第八塔内温度和第十塔内温度,所述第三层包括进料量;
根据预设的层次分析方法和所述层次模型形成所述第一层、所述第二层和所述第三层的融合数据;
根据预设的数据包络分析交叉模型和所述融合数据获得产出指标,所述产出指标包括塔顶电导率。
2.根据权利要求1所述的基于主元融合的DEA交叉模型能效分析方法,其特征在于,所述第一层的融合权值包括:第二温度为9%、第六塔内温度为40%、第九塔内温度为51%;
所述第二层的融合权值包括:第一温度小于1%、第一回流量小于1%、第二回流量小于1%、第三回流量小于1%、再沸器蒸汽流量小于1%、第一塔内温度为2%、第二塔内温度小于1%、第三塔内温度为6%、第四塔内温度为24%、第五塔内温度为28%、第七塔内温度为16%、第八塔内温度为22%和第十塔内温度小于1%;
所述第三层的融合权值包括:进料量为100%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852439.0A CN107633364A (zh) | 2017-09-20 | 2017-09-20 | 一种基于主元融合的dea交叉模型能效分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710852439.0A CN107633364A (zh) | 2017-09-20 | 2017-09-20 | 一种基于主元融合的dea交叉模型能效分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633364A true CN107633364A (zh) | 2018-01-26 |
Family
ID=61103133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710852439.0A Pending CN107633364A (zh) | 2017-09-20 | 2017-09-20 | 一种基于主元融合的dea交叉模型能效分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633364A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670640A (zh) * | 2018-12-17 | 2019-04-23 | 北京化工大学 | 基于ap算法的dea乙烯装置的能效评价方法 |
CN111160781A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古鄂尔多斯资源股份有限公司东昊厂 | 一种羊绒纺织生产计算投入量的复合动态制成率模型 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1038252A1 (en) * | 1997-12-11 | 2000-09-27 | Eastman Chemical Company | Systems, methods and computer program products for determining compliance of chemical products to government regulations |
CN106326677A (zh) * | 2016-09-12 | 2017-01-11 | 北京化工大学 | 一种pta装置醋酸消耗的软测量方法 |
-
2017
- 2017-09-20 CN CN201710852439.0A patent/CN107633364A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1038252A1 (en) * | 1997-12-11 | 2000-09-27 | Eastman Chemical Company | Systems, methods and computer program products for determining compliance of chemical products to government regulations |
CN106326677A (zh) * | 2016-09-12 | 2017-01-11 | 北京化工大学 | 一种pta装置醋酸消耗的软测量方法 |
Non-Patent Citations (1)
Title |
---|
韩永明: ""能效评价方法研究及其在乙烯工业中的应用"", 《中国博士学位论文全文数据库 工程科技I辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109670640A (zh) * | 2018-12-17 | 2019-04-23 | 北京化工大学 | 基于ap算法的dea乙烯装置的能效评价方法 |
CN111160781A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古鄂尔多斯资源股份有限公司东昊厂 | 一种羊绒纺织生产计算投入量的复合动态制成率模型 |
CN111160781B (zh) * | 2019-12-30 | 2023-09-08 | 内蒙古鄂尔多斯资源股份有限公司东昊厂 | 一种羊绒纺织生产计算投入量的复合动态制成率模型 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Assembly line balancing in garment industry | |
CN109063976A (zh) | 基于模糊层次分析法的智能制造能力成熟度评价方法 | |
CN107590319A (zh) | 一种用于机械产品方案辅助设计的知识建模方法和系统 | |
Han et al. | A novel DEACM integrating affinity propagation for performance evaluation and energy optimization modeling: Application to complex petrochemical industries | |
CN106293653A (zh) | 代码处理方法及装置 | |
CN107633364A (zh) | 一种基于主元融合的dea交叉模型能效分析方法 | |
CN107908536A (zh) | Cpu‑gpu异构环境中对gpu应用的性能评估方法及系统 | |
CN107909154A (zh) | 一种基于网络搜索的风控模型参数优化方法 | |
CN116805218A (zh) | 基于大数据分析的数字乡村规划信息管理方法及系统 | |
Li et al. | Research on air quality prediction based on machine learning | |
Muizniece et al. | Towards understanding the transdisciplinary approach of the bioeconomy nexus | |
CN109656568A (zh) | 按需的可约程序控制流图图可达性索引方法 | |
CN117458453A (zh) | 电力系统暂态稳定性的预测方法、系统、设备及存储介质 | |
Cai et al. | Short-term forecasting of user power load in China based on XGBoost | |
Liu et al. | MMAN: Metapath Based Multi-Level Graph Attention Networks for Heterogeneous Network Embedding (Student Abstract) | |
CN107358295A (zh) | 基于遗传算法和支持向量机的配网运行维护费预测方法 | |
Saxena et al. | Green manufacturing model for Indian apparel industry using interpretive structural modeling | |
Xu et al. | Flexible job shop scheduling based on multi-population genetic-variable neighborhood search algorithm | |
CN106295797A (zh) | 一种基于随机权网络的fnr分析模型的训练方法及训练系统 | |
CN110705650A (zh) | 一种基于深度学习的钣金布局方法 | |
YAN et al. | Analysis of labor embodied in China’s inter-regional trade in value-added: Re-examination of leontief’s paradox from the perspective of energy use | |
Huang et al. | Product Packaging Design Innovation based on Visual Communication in Digital Perspective | |
Lan et al. | Solving Flexible Multi-objective JSP Problem Using A Improved Genetic Algorithm. | |
Zhang et al. | Efficient pavement distress classification via deep patch soft selective learning and knowledge distillation | |
CN109101468B (zh) | 一种文本数据转换脚本的执行优化方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180126 |