CN109657411A - 一种基于数据驱动的溶剂脱沥青装置建模及优化方法 - Google Patents

Abstract

本发明公开了一种基于数据驱动的溶剂脱沥青装置建模及优化方法。所述基于数据驱动的溶剂脱沥青装置建模方法，所述方法包括：(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；(2)筛选特征变量，所述筛选根据工艺原理和过程进行；(3)对特征变量采用主成分分析法(PCA)进行降维；和(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。所述优化方法包括利用构建得到的基于数据驱动的溶剂脱沥青装置模型优化溶剂脱沥青装置操作条件的步骤。

Description

一种基于数据驱动的溶剂脱沥青装置建模及优化方法

技术领域

本发明涉及一种基于数据驱动的溶剂脱沥青装置模拟与操作条件的优化方法。该方法可用于模拟溶剂脱沥青过程，预测产品收率和性质，并且快速智能地优化装置的主要操作条件。

背景技术

随着现代工业的迅速发展，石油作为国家战略物资在国民经济中发挥着至关重要的作用。由于原油质量逐渐劣化，炼油过程中的渣油再利用问题得到了重视。溶剂脱沥青(solvent deasphalting，SDA)工艺是生产催化裂化或加氢裂化原料的一个重要环节，增加了重油的加工深度和附加值。作为炼油企业重要的加工单元之一，对溶剂脱沥青装置进行模拟和优化，使其适应不同工况以满足后续加工单元的要求至关重要。

溶剂脱沥青装置分为溶剂抽提段和溶剂回收段两部分，其核心抽提段的原理是溶剂的液液萃取——基于溶剂对渣油中不同化学族组分的溶解能力不同来分离轻重液相。渣油的成分极其复杂，现有的研究大多采用热力学预测相平衡数据，辅以少量实验数据作为延伸，或者按照K值不同给每一个温度馏分划分新的族组分。机理模型在对渣油虚拟族组分的划分上多采用试凑法，需要凭经验不断调试，具有很高的复杂性。

因此，本领域迫切需要一种溶剂脱沥青装置模拟方法，用以解决上述技术问题。

发明内容

本发明旨在提供一种基于数据驱动的溶剂脱沥青装置模拟及优化方法。

在本发明的第一方面，提供一种基于数据驱动的溶剂脱沥青装置建模方法，所述方法包括：

(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；

(2)筛选特征变量，所述筛选根据工艺原理和过程特性进行；

(3)对特征变量采用主成分分析法(PCA)进行降维；和

(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。

在另一优选例中，所述数据的预处理包括进行数据调和、清洗、变换和归约。

在另一优选例中，所述数据的预处理包括在剔除掉异常数据点后，将DCS数据处理成12h的均值形式，并对相应时间段的性质数据的缺省值进行插值操作后与操作数据组合，并将其归一化到[-1,1]区间。

在另一优选例中，所述特征变量包括针对DAO收率模型的输入变量，以及DAO脱硫脱残炭模型的变量；

更佳地，所述DAO收率模型的输入变量包括渣油密度ρ_VR、运动粘度μ_VR、残炭质量分数w_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、钒含量w_V、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、抽提塔底部温度T_R1B、沉降塔入口温度T_R2I、沉降塔顶部压力P_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计19维输入特征变量。

更佳地，所述DAO脱硫脱残炭模型的变量包括渣油密度ρ_VR、运动粘度μ_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、沉降塔顶部压力P_R2T、沉降塔顶部温度T_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计16维特征变量。

在另一优选例中，采用PCA方法对特征变量进行降维，选取特征贡献率大于99％的成分作为建模变量。

在本发明的第二方面，提供一种基于数据驱动的溶剂脱沥青装置优化方法，所述方法包括利用上述本发明提供的方法构建得到的基于数据驱动的溶剂脱沥青装置模型优化溶剂脱沥青装置的步骤，其中，所述优化包括：使用基于差分进化的粒子群算法，利用训练完毕的模型，根据生产目标，对溶剂脱沥青装置的操作条件进行优化，优化目标定义为：

maxf(X)＝y_DAO

其中，决策变量X为溶剂脱沥青装置的操作条件。y_DAO表示DAO收率模型的输出，为产品脱沥青油的收率。

在另一优选例中，通过基于差分进化的粒子群优化算法，利用DAO收率模型和脱硫脱残炭模型联动，根据脱沥青油收率最大化的生产目标，通过DAO收率模型对装置操作条件进行优化，并将每一次迭代生成的操作条件送入脱硫脱残炭模型中求得脱沥青油的硫、残炭含量，并判断该值是否满足约束，同时设定抽提塔顶部温度大于抽提塔底部温度,以此保证优化结果的可执行性。

据此，本发明通过提供一种溶剂脱沥青装置模拟方法，解决了现有技术中的问题。

附图说明

图1是溶剂脱沥青工艺过程示意图。

图2是DAO样本收率分布图。

图3是PCA-BP模型结构。

图4是DAO收率模型对收率的效果。

图5是DAO脱硫脱残炭模型对残炭的模拟效果。

图6是DAO脱硫脱残炭模型对硫含量的模拟效果。

图7是模拟的操作条件变化对DAO收率的影响。

图8是模拟的操作条件变化对DAO硫和残炭含量的影响。

具体实施方式

发明人经过深入研究，提供了一种基于工业数据的溶剂脱沥青装置产品收率和硫、残炭含量预测方法及装置操作条件的优化方法。该方法在获得炼厂溶剂脱沥青装置运行数据的基础上，采用数据调和、清洗、变换、归约的方法对现场数据进行预处理，以剔除故障点和对数据进行平滑处理；对预处理后的数据根据工艺原理和生产过程特性进行特征变量的选择，分别筛选出对DAO收率和DAO硫含量和残炭含量影响较大的特征变量；对于特征选择后的数据集采用主元分析法(PCA)对其进行降维，减少噪声的影响；降维后的数据输入到神经网络模型中进行训练，获得DAO收率和DAO脱硫脱残炭模型；采用基于差分进化的粒子群算法对所建模型进行操作条件的优化，求得在给定原料性质下产品DAO收率尽可能大且满足残炭质量指标约束的操作条件，为生产优化提供方案。

本发明提供的基于数据驱动的溶剂脱沥青装置模拟及优化方法，所述方法包括以下步骤：

步骤一：采集溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；

步骤二：对现场数据中缺失和冗余的部分进行数据调和、清洗、变换和归约等预处理环节；

步骤三：根据工艺原理和过程特性，对步骤二获得的数据中的特征变量进行初步筛选；

步骤四：对步骤三中经过特征变量筛选的数据集采用主成分分析法(PCA)对其进行降维，剔除异常噪声；

步骤五：步骤四中降维后的数据集采用反向传播(BP)神经网络进行建模，分别建立DAO收率模型和脱硫脱残炭模型；

步骤六：使用基于差分进化的粒子群算法，利用训练完毕的模型，根据生产目标，对溶剂脱沥青装置的操作条件进行优化，优化目标定义为：

maxf(X)＝y_DAO

其中，决策变量X为溶剂脱沥青装置的操作条件。y_DAO表示DAO收率模型的输出，为产品脱沥青油的收率。

在本发明的一种实施方式中，步骤一中现场采集溶剂脱沥青装置的生产操作数据、原料和产品分析数据。

步骤二中由于现场数据的缺失和冗余，不能直接用来建模。因此需要对采集到的数据进行清洗，变换和归约。现场的数据存在着物料不平衡，仪表的某些读数故障等问题，需要在进行数据分析的基础上对缺失值和异常值进行处理。生产操作数据一般以秒计，考虑到工业流程存在一定的时滞，在本发明的一种实施方式中，剔除存在异常噪声的数据点之后，将生产操作数据处理成12h的均值形式。分析数据通常分析周期为日，对与生产操作数据对应时间段的物料分析数据的缺省值进行插值操作，最后与生产操作数据组合。最终得到原料性质、操作条件和产品性质相对应的数据集，并将其归一化到[-1,1]区间。

根据工艺过程特性，在本发明的一种实施方式中，步骤三中针对DAO收率以及硫和残炭指标分别筛选建模变量，DAO收率模型的输入变量包含渣油密度ρ_VR、运动粘度μ_VR、残炭质量分数w_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、钒含量w_V、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、抽提塔底部温度T_R1B、沉降塔入口温度T_R2I、沉降塔顶部压力P_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计19维输入特征变量，DAO脱硫脱残炭模型包含渣油密度ρ_VR、运动粘度μ_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、沉降塔顶部压力P_R2T、沉降塔顶部温度T_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计16维特征变量。

步骤四中，采用主成分分析法对选取的特征子集进行降维，将其压缩到低维空间，剔除原特征中的噪声。在本发明的一种实施方式中，步骤四采用PCA对溶剂脱沥青过程的特征变量进行降维，选取特征贡献率大于99％的成分作为建模变量。

根据步骤四中降维后的数据，采用反向传播神经网络，分别建立DAO收率和DAO硫含量、残炭含量的模型。在本发明的一种实施方式中，步骤五中对于DAO收率模型，输入为19维的原料性质和操作条件，输出为DAO的收率；对于DAO脱硫脱残炭模型，输入为16维的原料性质和操作条件，输出为DAO残炭含量和硫含量。

基于差分进化的粒子群优化算法，利用训练完毕的模型，在脱沥青油的残炭、硫含量满足限制指标下，优化得到脱沥青油收率最大对应的装置操作条件。在本发明的一种实施方式中，步骤六中通过基于差分进化的粒子群优化算法，利用DAO收率模型和脱硫脱残炭模型联动，根据脱沥青油收率最大化的生产目标，通过DAO收率模型对装置操作条件进行优化，并将每一次迭代生成的操作条件送入脱硫脱残炭模型中求得脱沥青油的硫、残炭含量，并判断该值是否满足约束，同时设定抽提塔顶部温度大于抽提塔底部温度,以此保证优化结果的可执行性。

在本发明的一种实施方式中，步骤六采用基于差分进化的粒子群算法对模型进行优化。优化目标定义为：

maxf(X)＝y_DAO

其中，决策变量X为溶剂脱沥青装置的操作条件，包括抽提塔入口温度T_R1I，抽提塔顶部温度T_R1T，抽提塔底部温度T_R1B，沉降塔入口温度T_R2I，沉降塔顶部压力P_R2T，沉降塔副溶剂温度T_R2FRJ，冷渣进料流量F_VR和溶剂比R共计8维变量。y_DAO表示训练好的DAO收率模型的输出。

本发明提到的上述特征，或实施例提到的特征可以任意组合。本案说明书所揭示的所有特征可与任何组合物形式并用，说明书中所揭示的各个特征，可以任何可提供相同、均等或相似目的的替代性特征取代。因此除有特别说明，所揭示的特征仅为均等或相似特征的一般性例子。

本发明的主要优点在于：

1、本发明方法简单、快速、实用，避免了人为对进料虚拟组分另外划分族组分并采用试差法确定其含量时的繁琐和不确定性。

2、本发明使用神经网络，可以实现对产品DAO收率和其硫、残炭含量的快速预测；采用群智能优化算法优化了装置的操作条件，使其能满足生产效益最大化的需求。

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。下列实施例中未注明具体条件的实验方法，通常按照常规条件或按照制造厂商所建议的条件。除非另行定义，文中所使用的所有专业与科学用语与本领域熟练人员所熟悉的意义相同。此外，任何与所记载内容相似或均等的方法及材料皆可应用于本发明方法中。文中所述的较佳实施方法与材料仅作示范之用。

实施例1

下面结合图表具体介绍本发明的实现方法：

1.溶剂脱沥青工艺流程

装置的工艺流程如图1所示。整个装置主要分为亚临界抽提和超临界溶剂回收两个部分。上一个装置来的减压渣油和溶剂混合后进入抽提塔，从顶部出来的重脱沥青溶液进入胶质沉降塔进一步沉降分离。沉降塔顶部抽出的DAO溶液经过加热进入汽提系统进行溶剂回收。沉降塔底部抽出的胶质溶液和抽提塔底部抽出的DOA溶液进行混合后经加热进入汽提塔回收溶剂。回收后的溶剂返塔循环使用。

2.数据清洗和调和

由于工业现场情况复杂，生产过程受到多种因素的影响。工业现场的噪声和仪表自身的故障，采集到的数据存在着不完整和冗余，无法直接用来建模。工厂数据的来源一般分为两种，一种是分布式集散控制系统(DCS)采集的装置操作条件数据，一种是实验室信息管理系统(LIMS)采集的原料及产品分析数据。受现场检测仪表可靠性的局限，直接从DCS上获取到的数据往往存在物料不平衡、热量不平衡等问题，因此不能直接用于建立装置模型。为了确保模型样本数据的准确性，有必要对实时采集的数据建立清洗和调和标准，具体使用以下几种方法：(1)对仪表读数错误和缺失数据样本进行剔除(2)对DCS数据进行降采样，将其处理成12h的均值形式，以减小数据的波动。(3)对相应时间段的LIMS数据的缺省值进行插值操作后与DCS数据组合。图2为DAO收率在样本集上的分布，横坐标表示收率的范围，纵坐标表示各收率区间的频数。可知样本集呈现近似的正态分布，满足建模的前提条件。将清洗过后的数据集归一化到[-1,1]区间，具体公式为：

归一化减小了特征之间数量级和量纲的不一致问题对模型带来的影响，加快了模型的求解速度。

3.采用PCA对输入数据降维

引入主元分析的目的是用尽可能少的输入变量完成对待测变量的预估，剔除原有变量中的干扰信息，保留有用信息，且简化了模型的输入。首先对所有输入样本进行标准化，使归一化后的样本均值为0，方差为1：

式中，μ为样本均值，σ为样本标准差。

通常利用所有变量的方差贡献率来确定应该保留下来的主元。定义前k个输入的方差贡献率为：

本例中选取贡献率大于99％的主元作为后续神经网络的输入。

4.利用BP神经网络建立产品收率和性质模型

通过PCA降维后的数据作为BP神经网络的输入，分别建立DAO收率和DAO硫含量以及残炭含量模型。

本发明采用反向传播(Back propagation,BP)神经网络，这是一种在过程控制中应用最广泛的神经网络结构。BP神经网络结构如图3所示。最初的原始特征集为X＝{x₁,x₂,…,x_m}，经过特征选择(Feature Selection,FS)之后选择了重要度靠前的n个特征作为新的特征子集X_FS＝{x₁,x₂,…,x_n}。X_FS经过PCA降维后选取了贡献度最大的前k个主元P₁,P₂,…,P_k作为BP神经网络的输入。神经网络的构成为输入层、隐含层和输出层：输入层共k个神经元，隐层节点共有q个，输出层有p个输出。输入层与隐含层、隐含层与输出层间的连接权值分别为W_k×q和V_q×p。

神经网络的隐层和输出层神经元采用Sigmoid非线性激活函数，学习目的是找出一系列权值，使样本的每组输入向量作用于网络后，其网络的实际输出向量与样本的期望输出向量一致。整个过程是调整网络中各神经元的连接权值，使网络的误差能量函数达到最小：

式中，是输入样本x_k的预测输出。

采用误差反向传播(BP)算法进行训练，采用搜索速度较快的Levenberg-Marquart算法取代传统的梯度下降方法使误差平方和最小。

神经网络的一项重要任务是确定隐含层结构，其神经元个数对网络预测精度有较大影响。神经元个数的确定没有固定规则，这里根据经验公式(5)在一定合理范围内进行计算：

式中：H为隐含层神经元个数；m为输入层神经元个数；n为输出层神经元个数；L为1～10之间的常数。考虑到神经网络的非线性动态特性，可以在(5)式确定的范围下进行适当外延。

根据上述神经网络结构，分别建立DAO收率和硫、残炭含量的PCA-BP模型。DAO收率模型的网络结构为：13-7-1，图4为测试数据在收率模型上的模拟结果与实际值对比；DAO脱硫脱残炭模型的网络结构为13-6-2，图5、图6分别为残炭含量和硫含量的模拟结果与实际值对比；图7、图8为操作条件的变化对DAO收率和性质的影响。表1为模型的预测精度。可以看出模型对DAO收率和残炭、硫含量均有着较高的模拟精度。

表1：模型预测精度

5.溶剂脱沥青装置操作条件的优化

溶剂脱沥青装置生产优化方向，通常是希望在脱沥青油性质指标符合约束要求下找到使脱沥青油收率最大的最佳操作条件。通过智能搜索算法，根据所建的DAO收率和性质模拟模型，可以根据这一生产需求对溶剂脱沥青过程关键操作条件进行优化。

粒子群优化算法(Particle Swarm Optimization,PSO)是一种基于随机群体的智能优化算法。粒子通过个体极值和群体极值更新自身的速度和位置，更新式为：

其中，w为惯性权重；d＝1,2,…,D为当前的维度；i＝1,2,…,n当前第i个个体；k为当前迭代次数；V_id为粒子的速度；c₁和c₂为非负的常数，称为加速度因子；r₁和r₂为分布于[0,1]的随机数。

PSO将群体中粒子的个体性和社会性有机结合来指导搜索，具有简单易实现、收敛速度快等特点，但同时也存在易于陷入局部最优解的问题。差分进化算法(DifferentialEvolution,DE)与PSO算法一样，也是基于群体智能理论的优化算法，种群间的竞争与合作是群体内个体间优化搜索的基础。算法的变异机制，即生成子代的方法为：

r'＝r₁+F(r₂-r₃) (7)

其中，r₁，r₂和r₃为从进化群体中随机选取的互不相同的3个互不相同的个体。r'为从三个随机选取的个体中产生的新个体。

DE算法具有不依赖于具体问题、具有记忆个体最优解的能力，但同时DE算法也存在着后期收敛速度较慢，表现不够稳健等问题。

为了改善PSO算法在面对高维多模态函数时因后期微粒多样性的降低导致的早熟收敛问题，本发明在PSO的基础上引入差分进化修正策略，即在每次迭代结束后进行一次差分进化算子基于个体当前最优解的交叉、变异。用进化之后适应度更好的最优解替换当前最优解，引导PSO向最优解方向搜索，增加其跳出局部最优解的能力。

工业上一般希望在保证生产指标达到某一要求的情况下最大化DAO的收率。通常残炭含量和硫含量是衡量DAO收率较为重要的指标。现采用DE-PSO算法对溶剂脱沥青装置主要操作条件进行优化，将DAO收率模型每一次迭代生成的操作条件送入脱硫脱残炭模型中，进而求得相应操作条件下的脱沥青油的硫含量和残炭值，并与设定的脱沥青油硫、残炭约束指标进行比较，进而确定最终的可执行性的优化操作条件。给定的质量指标为CCR≤7％、S≤1.8％。

在收率迭代寻优过程中设置种群个数N＝300，最大迭代次数iter＝100，DE变异算子F＝0.5，交叉算子CR＝0.1。在计算过程中把模型预测结果作为个体适应度值：

F_i＝y_DAOi(i＝0,1,2,…,N) (8)

式中：F_i为个体i的适应度值；y_DAOi为个体i收率的模型预测值。

优化目标定义为：

maxf(X)＝y_DAO (9)

其中，决策变量X为溶剂脱沥青装置的操作条件，包括抽提塔入口温度T_R1I，抽提塔顶部温度T_R1T，抽提塔底部温度T_R1B，沉降塔入口温度T_R2I，沉降塔顶部压力P_R2T，沉降塔副溶剂温度T_R2FRJ，冷渣进料流量F_VR和溶剂比R共计8维变量。y_DAO表示DAO收率模型的输出。

选择三组LIMS原料数据如表2所示，在保持原料性质不变的情况下，寻找使F_i最大的操作条件。为使求得的最优操作条件在设定的残炭指标范围之内且符合萃取过程原理，设置约束条件为T_R1T＞T_R1B，即保证寻优过程中抽提塔顶温度大于塔底温度。每次迭代过程中，将收率模型求得的值送入脱硫脱残炭模型中求得残炭含量，对于不符合要求的粒子进行惩罚，如公式(10)所示。

优化过后的操作条件见表3。可以看出，DAO的收率均有不同程度的提高。

表2：所选LIMS原料性质

表3：操作条件优化的结果

以上所述仅为本发明的较佳实施例而已，并非用以限定本发明的实质技术内容范围，本发明的实质技术内容是广义地定义于申请的权利要求范围中，任何他人完成的技术实体或方法，若是与申请的权利要求范围所定义的完全相同，也或是一种等效的变更，均将被视为涵盖于该权利要求范围之中。

Claims (9)

1.一种基于数据驱动的溶剂脱沥青装置建模方法，其特征在于，所述方法包括：

(1)现场数据的预处理，所述现场数据包括溶剂脱沥青装置的生产操作数据、原料和产品性质分析数据；

(2)筛选特征变量，所述筛选根据工艺原理和过程特性进行；

(3)对特征变量采用主成分分析法(PCA)进行降维；

(4)采用反向传播(BP)神经网络就降维后的数据集进行建模，分别建立脱沥青油(DAO)的收率模型和脱硫脱残炭模型。

2.如权利要求1所述的建模方法，其特征在于，所述数据的预处理包括进行数据调和、清洗、变换和归约。

3.如权利要求1所述的建模方法，其特征在于，所述数据的预处理包括在剔除掉异常数据点后，将DCS数据处理成12h的均值形式，并对相应时间段的性质数据的缺省值进行插值操作后与操作数据组合，并将其归一化到[-1,1]区间。

4.如权利要求1所述的建模方法，其特征在于，所述特征变量包括针对DAO收率模型的输入变量，以及DAO脱硫脱残炭模型的变量。

5.如权利要求4所述的建模方法，其特征在于，所述DAO收率模型的输入变量包括渣油密度ρ_VR、运动粘度μ_VR、残炭质量分数w_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、钒含量w_V、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、抽提塔底部温度T_R1B、沉降塔入口温度T_R2I、沉降塔顶部压力P_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计19维输入特征变量。

6.如权利要求4所述的建模方法，其特征在于，所述DAO脱硫脱残炭模型的变量包括渣油密度ρ_VR、运动粘度μ_VR、硫含量w_S、铁含量w_Fe、镍含量w_Ni、饱和分含量w_SH、芳香分含量w_AH、胶质含量w_R、沥青质含量w_A、抽提塔入口温度T_R1I、抽提塔顶部温度T_R1T、沉降塔顶部压力P_R2T、沉降塔顶部温度T_R2T、沉降塔副溶剂温度T_R2FRJ、冷渣进料流量F_VR和溶剂比R等共计16维特征变量。

7.如权利要求1所述的建模方法，其特征在于，采用PCA方法对特征变量进行降维，选取特征贡献率大于99％的成分作为建模变量。

8.一种基于数据驱动的溶剂脱沥青装置优化方法，其特征在于，所述方法包括利用权利要求1-7中任一项所述的方法构建得到的基于数据驱动的溶剂脱沥青装置模型优化溶剂脱沥青装置的步骤，其中，所述优化包括：使用基于差分进化的粒子群算法，利用训练完毕的模型，根据生产目标，对溶剂脱沥青装置的操作条件进行优化，优化目标定义为：

maxf(X)＝y_DAO

其中，决策变量X为溶剂脱沥青装置的操作条件。y_DAO表示DAO收率模型的输出，为产品脱沥青油的收率。

9.如权利要求8所述的优化方法，其特征在于，通过基于差分进化的粒子群优化算法，利用DAO收率模型和脱硫脱残炭模型联动，根据脱沥青油收率最大化的生产目标，通过DAO收率模型对装置操作条件进行优化，并将每一次迭代生成的操作条件送入脱硫脱残炭模型中求得脱沥青油的硫、残炭含量，并判断该值是否满足约束，同时设定抽提塔顶部温度大于抽提塔底部温度,以此保证优化结果的可执行性。