CN109726844A - 加氢裂化装置的产品收率自动调控方法、系统和存储设备 - Google Patents
加氢裂化装置的产品收率自动调控方法、系统和存储设备 Download PDFInfo
- Publication number
- CN109726844A CN109726844A CN201711041971.0A CN201711041971A CN109726844A CN 109726844 A CN109726844 A CN 109726844A CN 201711041971 A CN201711041971 A CN 201711041971A CN 109726844 A CN109726844 A CN 109726844A
- Authority
- CN
- China
- Prior art keywords
- data
- product yield
- value
- parameter item
- property information
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了加氢裂化装置的产品收率自动调控方法、系统和存储设备,其中所述方法包括:首先对通过获取当前的工况信息和性质信息数据来作为基础数据;然后再从中获取预设的重点参数项的数据值来作为预测模型的输入参数;在经由预设的产品收率预测模型进行产品收率预测后,可以获得后续的产品收率的预测值;当产品收率的预测值低于预设值的时候,通过预设模型对输入参数进行优化训练,来获取各所述可调控参数项的优选参数值组合。进而,就可以根据优选参数值组合,来获得各个可调控参数项的调整幅度,进而可以生成相应的控制指令来对各个可调控参数项所对应的装置进行控制,进而实现加氢裂化装置的自动的生产工艺调整。
Description
技术领域
本发明涉及石油化工领域,特别是涉及加氢裂化装置产品收率自动调控方法、系统和存储设备。
背景技术
石油是一种重要能源和优质化工原料、是关系国计民生的重要战略物资,石油工业是我国国民经济的重要基础产业。改革开放以来,我国经济高速发展,对能源的需求越来越大。
随着信息技术的发展,石油炼化生产装置信息化程度越来越高,随之也就积累了大量生产数据;这些数据背后隐藏着大量重要的生产信息,而大数据技术正是挖掘和利用这些信息的最有效手段。它是通过对庞大的数据进行专业化处理,从而发现数据内在的规律,来对生产流程中的各个环节进行预判,进而支撑生产决策。
CN104804761B公开了一种加氢裂化装置的收率实时预测方法,包括:将实时数据库中的加氢裂化原料油的密度、硫含量、氮含量、进料负荷、催化剂床层温度、反应压力、氢油体积比作为预测模型的输入参数,来生成收率的预测模型。
发明人经过研究发现,现有技术中通过大数据进行石油炼化生产过程中各个环节的预判方式至少存在以下缺陷:
现有技术中,由于用于工况参数值参数值输入的取值的有效性一直不稳定,所以很难构建结果准确的预测模型来对产品的收率进行预判,所以通过对工况参数值进行调整来提高加氢裂化装置的收率的方式,往往只能是当产品的收率出现问题后,再根据经验进行参数项的选择和调整幅度的确定,所以很难达到最佳的调整效果。
发明内容
针对现有技术的不足,本发明提供加氢裂化装置产品收率自动调控方法、系统和存储设备。本发明可以提高对于加氢裂化装置的产品收率的调控效果。
本发明提供了一种加氢裂化装置的产品收率自动调控方法,包括步骤:
S11、分别获取当前的工况信息和性质信息数据;所述性质信息数据包括产品属性信息和多种原料的原料性质信息;
S12、在所述工况信息和性质信息数据中获取预设的重点参数项的数据值;所述重点参数项为所述工况信息中对于产品收率的影响权重高于预设值的参数项;所述重点参数项包括可调控参数项;所述可调控参数项为可以通过数字控制指令进行调控的参数项;
S13、以所述重点参数项的数据值为输入,根据预设的产品收率预测模型,生成当前的产品收率的预测值;
S14、当所述预测值低于预设产品收率值时,根据所述产品收率预测模型进行所述可调控参数项的虚拟调控,获取各所述可调控参数项的优选参数值组合;
S15、根据所述优选参数值组合,生成自动控制的控制指令;所述控制指令用于根据所述优选参数值组合实现各可调控参数项的自动控制。
优选的,在本发明中,所述产品收率预测模型的建立方法包括:
S21、分别获取实时数据库系统的历史数据中的工况信息,和,实验室信息管理系统LIMS的历史数据中的性质信息数据;所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息;
S22、根据时序分别对所述工况信息和所述性质信息数据进行排序;
S23、根据预设规则对所述工况信息进行校正,所述预设规则包括:分别获取每个所述工况信息所对应的时间点,对所述时间点前后预设时段内的所有工况信息进行中值计算,以生成所述工况信息修正后的工况信息;
S24、将所述性质信息数据进行扩充,包括:将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致;
S25、通过建立所述工况信息和所述性质信息数据的对应关系,构建初级建模数据;
S26、对所述初级建模数据进行数据筛选获取建模数据;所述数据筛选包括对所述初级建模数据进行产品流量的聚类,并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组;进行产品收率的稳定性过滤,包括:当某一时间点之前的预设时段内产品的产品收率值波动未超出预设标准时,将所述预设时段内的数据确定为建模数据;
S27、对所述建模数据进行分类模型训练,根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值,获取所述产品收率的重点参数项;
S28、根据所述产品收率的重点参数项生成所述产品收率预测模型。
优选的,在本发明中,所述对所述建模数据进行分类模型训练,包括:
S31、将所述建模数据按照预设比例划分为训练数据和测试数据;
S32、使用所述训练数据进行建模,并使用所述测试数据进行评估;
S33、当评估的结果未达到预设值,调整建模时的参数项和/或迭代次数后返回步骤S31;当评估的结果达到预设值,建模结束。
优选的,在本发明中,所述通过建立所述工况信息和所述性质信息数据的对应关系,构建初级建模数据,包括:
根据所述工况信息和所述性质信息数据的时间对应关系,生成宽表;所述宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
优选的,在本发明中,所述分类模型包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型中的一种及其任意组合。
优选的,在本发明中,所述根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值,获取所述产品收率的重点参数项,包括:
将权重值高于预设值的参数项,和/或,权重值排序前预设个数的参数项确定为重点参数项。
优选的,在本发明中,所述可调控参数项包括:
裂化反应器的各床层入口温度和空速中的一种及其任意组合。
优选的,在本发明中,所述产品包括液化气、轻石脑油、重石脑油、航煤、柴油或尾油。
在本发明的另一面,还提供了一种存储设备,包括软件程序,所述软件程序适于由处理器执行上述加氢裂化装置的产品收率自动调控方法的步骤。
在本发明的另一面,还提供了一种加氢裂化装置的产品收率自动调控系统,包括处理装置、协调控制系统CCS、实时数据库系统和LIMS;
所述实时数据库系统用于采集并存储所述加氢裂化装置的工况信息;
所述LIMS用于采集并存储所述加氢裂化装置的性质信息数据;
所述处理装置包括处理器和存储设备;
所述CCS用于根据所述处理装置生成的控制指令对与可调控参数项进行自动控制。
由上可以看出,在本发明中,首先对通过获取当前的工况信息和性质信息数据来作为基础数据;然后再从中获取预设的重点参数项的数据值来作为预测模型的输入参数;在经由预设的产品收率预测模型进行产品收率预测后,可以获得后续的产品收率的预测值;由于产品收率的优化是可以通过可进行生产工艺调整来优化工况信息中参数项的参数值的方式实现,也就是说,通过对可调控参数项的参数值的优化,可以获得更好的产品收率;基于以上,当产品收率的预测值低于预设值的时候,可以通过预设模型对输入参数进行优化训练,来获取各所述可调控参数项的优选参数值组合。进而,就可以根据优选参数值组合,来获得各个可调控参数项的调整幅度,进而可以生成相应的控制指令来对各个可调控参数项所对应的装置进行控制,进而实现加氢裂化装置的自动的生产工艺调整。
由于通过本发明,加氢裂化装置的生产工艺的调整,不再是在产品收率出现问题后根据经验来实施,而是首先根据预测模型进行预判,并预先生成相应的调测策略,所以一方面可以有效的避免产品收率过低情况的出现,另一方面,由于生产工艺的调整有了明确的数据依据且能够实现自动控制,所以相较于人工经验判断,其准确性和及时性也得到了有效的提高。
进一步的,本发明中的产品收率预测模型,首先通过对工况信息进行了中值计算的方式来修正了工况信息和性质信息数据之间的时间偏差问题,此外,在本发明中,还对性质信息数据进行了数据扩充,以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致,这样,工况信息和性质信息数据之间就具有了更好的对应性;还有,在本发明中,还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据,来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明,能够使工况信息和性质信息数据之间就具有了更好的对应性,且重点参数项的选取更加高效和准确,因此,就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
进一步的,在本发明中,还可以通过在建模数据进行分类模型训练时,将建模数据按照预设比例划分为训练数据和测试数据的方式来保证选取重点参数项的模型的效果,因此也就进一步的使由此建立的产品收率预测模型的预测准确率更加的精确。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明中所述加氢裂化装置产品收率自动调控方法的步骤示意图;
图2为本发明中所述加氢裂化装置产品收率自动调控方法的又一步骤示意图;
图3为本发明中所述加氢裂化装置产品收率自动调控方法的又一步骤示意图;
图4为本发明中所述加氢裂化的产品收率预测模型的预测误差示意图;
图5为本发明中所述计算机设备的结构示意图;
图6为本发明中所述加氢裂化装置产品收率自动调控系统的结构示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明方案,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了提高加氢裂化装置的产品收率预测准确度,如图1所示,本发明实施例提供了一种加氢裂化装置的产品收率自动调控方法,包括步骤:
S11、分别获取当前的工况信息和性质信息数据;性质信息数据包括产品属性信息和多种原料的原料性质信息;
在本发明实施例中,实时数据库系统中存储的数据中,包括有加氢裂化生产工艺以及相关设备的多方面的参数数据,举例来说,工况信息可以包括在加氢裂化的生产工艺各个主要环节的温度、压力、流量、液位或阀门开度等数据。
在实际应用中,实时数据库系统中存储的工况信息可以通过设于加氢裂化生产现场的分布控制系统(Distributed Control System,DCS)进行工况信息数据的采集。典型的,从实时数据库系统中获取的工况信息可以以一分钟为时间间隔粒度,即,工况信息的采集频率可以为每分钟一次,这样,数据库中所存储的两条相邻的工况信息记录之间的时间差为一分钟。
LIMS系统的主要作用是针对各种原料和各种产品的成分、质量等性能指标,进行收集、分析、报告和管理,来完成对实验室工作的各个环节进行全面量化和质量管理。LIMS系统的数据库可以存储加氢裂化生产过程中的原料以及各种主要产品(如液化气、轻石脑油、重石脑油脑油、航煤、柴油和尾油等)的性质信息数据;具体来说,性质信息数据可以包括预设产品的产品属性信息和多种原料的原料性质信息;其中,产品属性信息具体可以包括产品的密度或馏程等。
本发明实施例中,实时数据库系统中存储的工况信息和LIMS系统的数据库中存储的性质信息数据,是根据加氢裂化装置的生产过程不断积累的数据而成的;通过其中的历史数据可以构建产品收率预测模型,通过产品收率预测模型可以该加氢裂化装置的产品收率进行预测,在预测产品收率时,需要获取当前的工况信息和性质信息数据中的预设参数项来作为产品收率预测模型的输入参数以获得预测结果。
S12、在工况信息和性质信息数据中获取重点参数项的数据值;重点参数项为工况信息中对于产品收率的影响权重高于预设值的参数项;重点参数项包括可调控参数项;可调控参数项为可以通过数字控制指令进行调控的参数项;
在本发明实施例中,重点参数项是预先设定的,重点参数项是指工况信息和性质信息数据中对于产品收率的影响权重高于预设值的参数项;关于重点参数项的获取方式,是通过构建预设的产品收率预测模型来获得的,在构建产品收率预测模型的过程中,通过模型的训练,可以在众多参数项中确定各参数项的权重,从而判定出哪些是重点参数项。
重点参数项中的参数值,有一部分是采集自某些温度控制装置、压力控制装置和流量控制装置等可调控设备的,通过调控这些设备可以调整加氢裂化的生产工艺,从而可以调控产品的产品收率。也就是说,通过对这些可调控设备进行相应的控制可以调整其参数值(如压力、流量或温度),也就可以调整加氢裂化装置的生产工艺。优选的,能够通过对可调控设备进行相应的控制来进行调整的参数项,在本发明实施例中,可调控参数项具体可以是裂化反应器的各床层入口温度中的一个或多个,此外,还可以包括空速。以裂化反应器包括四个床层为例,可调控参数项可以包括裂化反应器一床层入口温度、裂化反应器二床层入口温度、裂化反应器三床层入口温度、裂化反应器四床层入口温度和空速(进料量)等。
对于上述这些反应温度的调整,一般可以是通过调整床层之间的冷氢量(即冷氢阀的开度)来实现的。
S13、以重点参数项的数据值为输入,根据预设的产品收率预测模型,生成当前的产品收率的预测值;
在本发明实施例中,预设的产品收率预测模型,在其构建的过程中需要能够对参数项进行择优选择,能够从众多的参数项中判定出对产品收率有重要影响的参数项。
典型的,本发明实施例中的产品收率预测模型的建立方法可以如下,如图2所示,包括步骤:
S21、分别获取实时数据库系统的历史数据中的工况信息,和, LIMS的历史数据中的性质信息数据;所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息;
S22、根据时序分别对工况信息和所述性质信息数据进行排序;
为了建立工况信息和所述性质信息数据的对应关系,首先要统一这两种数据的排序方式。
实时数据库系统中的历史数据库中两条相邻的工况信息记录之间的时间差为一分钟。
LIMS系统的数据采集方式一般并不统一,具体来说,原料和各种产品的抽样的时间并不统一,从每4小时检验一次到每周检验一次不等,这样,LIMS的历史数据中的性质信息数据中,两条相邻的性质信息数据之间的时间差就会可能是4小时或是一周;因此,相较于工况信息,性质信息数据的数据量较小,且数据粒度稀疏。
S23、根据预设规则对工况信息进行校正,预设规则包括:分别获取每个工况信息所对应的时间点,对时间点前后预设时段内的所有工况信息进行中值计算,以生成工况信息修正后的工况信息;
现有技术中,通过预测模型的方式进行产品收率的预测时,其预测的效果较差,发明人经过研究发现,现有技术中建立加氢裂化装置产品收率的预测模型,之所以预测结果不够准确,其原因至少包括,进行模型训练时所用的数据质量较差,具体来说,发明人通过研究加氢裂化的工艺流程自身的特性得知,工况信息的采集时间,与该工况信息影响的产品的性质影响的检出时间,这两个时间点并不是完全同步的;此外,工况信息对于性质信息数据的影响也不是点对点(时间点)的,具体来说,某一时刻的性质信息数据的变化,并不是由某一个时间点的工况信息的变化造成的,而是某一时间段的工况信息的变化,才能造成明确的性质信息数据对应性调整。
基于以上原因,在本发明实施例中,根据预设规则对工况信息进行了校正,以改善工况信息与性质信息数据之间的对应度;
具体来说,预设规则可以包括:分别获取每个工况信息所对应的时间点,对时间点前后预设时段内的所有工况信息进行中值计算,以生成工况信息修正后的工况信息;以时间点前后预设时段为该时间点的前30分钟至该时间点的后30分钟内这一小时的时段为例,修正前,时间点为X年Y月Z日上午10点30分的工况信息的数值为A,修正过程为,对该时间点前半小时(X年Y月Z日上午10点整)至后半小时(X年Y月Z日上午11点整)内所有的工况信息进行中值计算,这样,修正后的工况信息的数值减少了偶然性和跳跃性,相当于采用一个较大的时间段中具有代表性的工况信息数值与性质信息数据之间进行对应,这样,就等于是以计算出的中值数为工况信息的数值,持续了一个时间段,从而造成了性质信息数据的变动;这样,就修正了该中值数与性质信息数据之间的对应关系。
S24、将性质信息数据进行扩充,包括:将性质信息数据的时间点间隔粒度调整为与工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致;
在本发明实施例中,针对相较于工况信息,性质信息数据的数据量较小,且数据粒度稀疏这一问题,还对性质信息数据进行了扩充,具体来说,通过将性质信息数据的时间点间隔粒度调整为与工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致;以获取的工况信息的某一参数项为每分钟一条记录、性质信息数据中的某一参数项为每4小时一条记录为例,通过进行数据填充,首先将性质信息数据的记录也设定为每分钟一条,然后将性质信息数据中空白的时间点的数据进行填充,将空白时间点的数据更新为与时序靠前的性质信息数据一致,即,扩充出来的性质信息数据与其前面的已经存储有已有数值的性质信息数据保持一致,也就是说,本发明实施例中认为,在获得下一次性质信息数据采集之前的时间内如果以每分钟来获取性质信息数据,那么,这期间的每分钟的性质信息数据与上一次采集性质信息数据是一样的。
在对性质信息数据进行扩充后,性质信息数据的记录与工况信息同样,都是每分钟一条记录,即,性质信息数据的时间点间隔粒度与工况信息的时间点间隔粒度保持了一致。
S25、通过建立工况信息和性质信息数据的对应关系,构建初级建模数据;
在性质信息数据的时间点间隔粒度与工况信息的时间点间隔粒度保持一致后,就可以建立工况信息和性质信息数据的对应关系,构建初级建模数据了。在实际应用中,可以通过建立宽表的方式,在宽表的条记录中包括某一时间点的性质信息数据的各个参数项和工况信息的各个参数项;当宽表中包括了大量的上述记录后,就构建了初级建模数据,即,根据工况信息和所述性质信息数据的时间对应关系,生成宽表;宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
S26、对初级建模数据进行数据筛选获取建模数据;数据筛选包括对初级建模数据进行产品流量的聚类,并根据聚类结果从初级建模数据获取最高转化率和最低转化率两个群组;进行产品收率的稳定性过滤,包括:当某一时间点之前的预设时段内的产品收率值波动未超出预设标准时,将预设时段内的数据确定为建模数据;
在本发明实施例中,建模数据是用于预判产品收率的,因此,需要从初级建模数据中筛选出能够有效的进行产品收率预判的数据;具体来说,初级建模数据中,还包括有很多非典型的数据和噪音数据;一方面,初级建模数据中还包括有不能很好的反应对于产品收率的高低的数据,比如,产品收率处于中等的数据中,其工况信息和/或性质信息数据中各个参数项中数值的变化与产品收率变化的对应关系并不明确,为此,在本发明实施例中,采用了聚类的方式来进行数据的筛选,根据聚类结果从初级建模数据获取最高转化率和最低转化率两个群组;从而可以将最高转化率和最低转化率两个群组来作为典型的数据;这些数据中,工况信息和/或性质信息数据中各个参数项中数值的变化与产品收率变化的对应关系较为明确。
另一方面,有时候,当产品收率的变化波动比较大时,往往是由于数据的采集出现了误差,或是一些非典型的异常情况造成的,因此需要排除这些无效的噪音数据。此时,可以通过产品收率稳定性过滤的方式来进行数据除噪,具体来说,可以判断某一时间点之前的预设时段内的产品收率值波动是否超出预设标准,如果是,那么则认为该时间段的数据是有效的,可以作为建模数据;如果某一时间点之前的预设时段内的产品收率值波动超出了预设标准,那么则认为该时间段的数据为噪音数据。
需要说明的是,产品收率值波动的预设标准可以有本领域技术人员根据实际情况来设定,在此并不做具体数值的限定。
通过本步骤,可以从初级建模数据中获取典型且有效的数据来作为建模数据。
S27、对建模数据进行分类模型训练,根据工况信息和原料性质信息中各个参数项对于产品收率的影响权重的权重值,获取产品收率的重点参数项;
在实际应用中,加氢裂化装置的运行过程中,涉及到的DCS系统的工况信息的参数项超过五百多项,其中大部分对产品的产品收率影响并不显著,因此,需要从众多的工况信息和所述原料性质信息中确定出那些对于产品收率的影响较大的各个参数项。
在获取了建模数据后,为了能够从众多的工况信息和所述原料性质信息中各个参数项中确定出哪些参数项对于产品收率的影响较大,以及具体的影响方式,在本发明实施例中,对建模数据进行分类模型训练,通过获取工况信息和原料性质信息中各个参数项对于产品收率的影响权重的权重值,来获取产品收率的重点参数项。
对建模数据进行分类模型训练的方式具体可以如图3所示,包括步骤:
S31、将建模数据按照预设比例划分为训练数据和测试数据;
在实际应用中,可以将预设比例设定为7比3,即,70%的数据用来作为训练数据,另外30%的数据用来作为测试数据。需要说明的是,在本发明实施例中,预设比例的数值设定是可以根据本领域技术人员的需要进行调整和设定,在此并不做具体的限定。
S32、使用训练数据进行建模,并使用测试数据进行评估;
通过训练数据进行建模,来构建用于进行产品收率预测的模型;在实际应用中,本发明实施例中所使用的分类模型可以是通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型或神经网络模型,或是通过其中两种以上的模型来互为印证和修正。
测试数据可以在建模过程中进行结果评估,以验证预测模型的准确度和有效性。
S33、当评估的结果未达到预设值,调整建模时的参数项和/或迭代次数后返回步骤S31;当评估的结果达到预设值,建模结束。
通过测试数据可以判断预测模型的预测准确定和有效性,在不断地进行工况信息和原料性质信息中各个参数项的调整以获得更佳的预测结果的过程中,可以获取到每种参数项对于产品收率的影响权重的权重值,即,每种参数项对于产品收率的影响程度,这样,就可以从众多的参数项中来确定出那些是影响产品收率的重点参数项,在实际应用中,可以将权重值高于预设值的参数项,和/或,权重值排序前预设个数的参数项确定为重点参数项。
S28、根据产品收率的重点参数项生成产品收率预测模型。
在确定了用于预测产品收率的重点参数项后,可以使用全量的建模数据进行建模,以生成产品收率预测模型。
下面记载了依据本发明中的技术方案进行的一次实验的过程和获得的数据:
以对航煤的收率进行预测为例,在根据预设规则对工况信息进行了校正时,分别获取每个工况信息所对应的时间点,对时间点前30分钟至该时间点的后30分钟内这一小时的时段所有工况信息进行中值计算,以生成工况信息修正后的工况信息;在采用神经网络对建模数据进行训练后,获得的重点参数项主要包括:床层平均温度、进料量、航煤出装置流量、重石脑油流量、原料油的终馏点、循环氢中硫化氢的含量、原料油的硫含量、原料油的初馏点、航煤汽提塔底温度、航煤终馏点等。在使用测试数据进行建模效果的评估时,预测得出的曲线图和测试数据实际的曲线图,在波峰和波谷等位置都能具有很好的拟合度,说明通过本发明的产品收率预测模型,可以取得很准确的预测效果。
图4示出了通过本发明的产品收率预测模型预测出的航煤收率的预测值与测试数据所提供的实际值的相对误差的概率分布情况,根据图4的现实可以得知,80%的测试样本实际值与预测值的相对误差小于等于0.1031;95%的测试样本实际值与预测值的相对误差小于等于0.1870;因此可以得知,本发明中的产品收率预测模型的泛化能力优秀,可以取得很准确的预测效果。
综上所述,在本发明实施例中,首先通过对工况信息采用了中值计算的方式来修正了工况信息和性质信息数据之间的时间点无法对应的问题,此外,在本发明实施例中,还对性质信息数据进行了数据扩充,以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致,这样,工况信息和性质信息数据之间就具有了更好的对应性;还有,在本发明实施例中,还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据,来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明实施例,能够使工况信息和性质信息数据之间就具有了更好的对应性,且重点参数项的选取更加高效和准确,因此,就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
S14、当预测值低于预设产品收率值时,根据产品收率预测模型进行可调控参数项的虚拟调控,获取各可调控参数项的优选参数值组合;
在本发明实施例中,设置了产品收率的门限,即当预测值低于预设产品收率值时,说明根据预测结果得知将要出现产品收率过低的情况,此时需要通过调整加氢裂化装置的生产工艺来进行产品收率的优化调整,来避免产品收率过低的情况的出现。
此时可以通过预测模型来进行参数项的优化,即,通过预测模型,以获得更好的产品收率为目的,来计算生成各可调控参数项的优选参数值的组合方式,从而可以确定每个可调控参数项的调整幅度。在实际应用中,可以以各个可调控参数项的调节门限值为调控限制,以获得最优的产品收率为目标进行各个可调控参数项的调控,来获得各个可调控设备的最佳状态(即,将每个可调控设备至最优参数值时的状态)。
S15、根据优选参数值组合,生成自动控制的控制指令;控制指令用于根据优选参数值组合实现各可调控参数项的自动控制。
在获得了优选的参数值的组合方式,就可以确定每个可调控参数项的最优值,根据可调控参数项的当前值,就可以生成相应的控制指令,来对可调控设备进行控制调控,以使该可调控设备的参数值处于最优值了。
在实际应用中,本步骤可以通过协调控制系统CCS等自动控制系统来实现自动控制的目的,举例来说:通过CCS系统可以控制裂化反应器一床层入口温度、裂化反应器二床层入口温度、裂化反应器三床层入口温度、裂化反应器四床层入口温度各反应温度的升降,进而实现加氢裂化装置的生产工艺的调整。一般情况下,生产工艺的调整需要多个可调控设备协同操作来实现,根据调整的方式的不同,所需的可调控设备以及各可调控设备的调整幅度也会有所不同。
综上所述,在本发明实施例中,首先对通过获取当前的工况信息和性质信息数据来作为基础数据;然后再从中获取预设的重点参数项的数据值来作为预测模型的输入参数;在经由预设的产品收率预测模型进行产品收率预测后,可以获得后续的产品收率的预测值;由于产品收率的优化是可以通过可进行生产工艺调整来优化工况信息中参数项的参数值的方式实现,也就是说,通过对可调控参数项的参数值的优化,可以获得更好的产品收率;基于以上,当产品收率的预测值低于预设值的时候,可以在通过预设模型对输入参数进行优化训练,来获取各所述可调控参数项的优选参数值组合。进而,就可以根据优选参数值组合,来获得各个可调控参数项的调整幅度,进而可以生成相应的控制指令来对各个可调控参数项所对应的装置进行控制,进而实现加氢裂化装置的自动的生产工艺调整。
由于通过本发明实施例,加氢裂化装置的生产工艺的调整,不再是在产品收率出现问题后根据经验来实施,而是首先根据预测模型进行预判,并预先生成相应的调测策略,所以一方面可以有效的避免产品收率过低情况的出现,另一方面,由于生产工艺的调整有了明确的数据依据且能够实现自动控制,所以相较于人工经验判断,其准确性和及时性也得到了有效的提高。
进一步的,本发明中的产品收率预测模型,首先通过对工况信息进行了中值计算的方式来修正了工况信息和性质信息数据之间的时间偏差问题,此外,在本发明实施例中,还对性质信息数据进行了数据扩充,以使性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致,这样,工况信息和性质信息数据之间就具有了更好的对应性;还有,在本发明实施例中,还通过聚类的方式来从初级建模数据进行数据筛选出更加具有代表性的建模数据,来使后续的分类模型训练能够更高效的进行重点参数项的选取。由于通过本发明实施例,能够使工况信息和性质信息数据之间就具有了更好的对应性,且重点参数项的选取更加高效和准确,因此,就可以使由此建立的产品收率预测模型的预测准确率更加的精确。
进一步的,在本发明实施例中,还可以通过在建模数据进行分类模型训练时,将建模数据按照预设比例划分为训练数据和测试数据的方式来保证选取重点参数项的模型的效果,因此也就进一步的使由此建立的产品收率预测模型的预测准确率更加的精确。
在本发明实施例中,还提供了一种存储设备,其中,存储设备包括软件程序,软件程序适于处理器执行图1所对应的加氢裂化装置的产品收率自动调控方法中的各个步骤。
本发明实施例可以通过软件程序的方式来实现,即,通过编写用于实现图1所对应的加氢裂化装置的产品收率自动调控方法中的各个步骤的软件程序(及指令集),所述软件程序存储于存储设备中,存储设备设于计算机设备中,从而可以由计算机设备的处理器调用该软件程序以实现本发明实施例的目的。
下面通过计算机设备来说明本发明实施例,如图5所示,计算机设备包括总线201、存储设备202、处理器203和通信模块204;
总线201用于连接存储设备202和处理器203;处理器203用于执行存储设备202中的软件程序;通信模块204用于与实时数据库系统和LIMS进行通信。
由于本发明实施例中的存储设备和加氢裂化装置的产品收率自动调控方法的工作原理和有益效果已经在图1所对应的加氢裂化装置的产品收率自动调控方法的实施例中做了详尽的记载和描述,这样,就可以参照图1所对应的加氢裂化装置的产品收率自动调控方法的实施例来理解本发明实施例中的存储设备,在此就不再赘述。
在本发明实施例中,还提供了一种加氢裂化装置的产品收率自动调控系统,如图6所示,包括计算机设备02、协调控制系统CCS01、实时数据库系统03和LIMS04;实时数据库系统03用于采集并存储加氢裂化装置的工况信息;LIMS04用于采集并存储加氢裂化装置的性质信息数据;计算机设备02包括处理器,和,图5所示出的存储设备;CCS01用于根据计算机设备02生成的控制指令对与可调控参数项进行自动控制。
由于本发明实施例中,各个系统间的协同方式,以及工作原理和能够起到的有益效果已经在图1所对应的实施例中进行了详尽的记载,在此就不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储设备中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储设备包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、ReRAM、MRAM、PCM、NAND Flash,NOR Flash, Memristor、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种加氢裂化装置的产品收率自动调控方法,其特征在于,包括步骤:
S11、分别获取当前的工况信息和性质信息数据;所述性质信息数据包括产品属性信息和多种原料的原料性质信息;
S12、在所述工况信息和性质信息数据中获取预设的重点参数项的数据值;所述重点参数项为所述工况信息中对于产品收率的影响权重高于预设值的参数项;所述重点参数项包括可调控参数项;所述可调控参数项为可以通过数字控制指令进行调控的参数项;
S13、以所述重点参数项的数据值为输入,根据预设的产品收率预测模型,生成当前的产品收率的预测值;
S14、当所述预测值低于预设产品收率值时,根据所述产品收率预测模型进行所述可调控参数项的虚拟调控,获取各所述可调控参数项的优选参数值组合;
S15、根据所述优选参数值组合,生成自动控制的控制指令;所述控制指令用于根据所述优选参数值组合实现各可调控参数项的自动控制。
2.根据权利要求1中所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述产品收率预测模型的建立方法包括:
S21、分别获取实时数据库系统的历史数据中的工况信息,和,实验室信息管理系统LIMS的历史数据中的性质信息数据;所述性质信息数据包括预设产品的产品属性信息和多种原料的原料性质信息;
S22、根据时序分别对所述工况信息和所述性质信息数据进行排序;
S13、根据预设规则对所述工况信息进行校正,所述预设规则包括:分别获取每个所述工况信息所对应的时间点,对所述时间点前后预设时段内的所有工况信息进行中值计算,以生成所述工况信息修正后的工况信息;
S24、将所述性质信息数据进行扩充,包括:将所述性质信息数据的时间点间隔粒度调整为与所述工况信息的时间点间隔粒度保持一致,并将两个包括有获取自历史数据中数据的性质信息数据之间的空白时间点的数据更新为与时序靠前的性质信息数据一致;
S25、通过建立所述工况信息和所述性质信息数据的对应关系,构建初级建模数据;
S26、对所述初级建模数据进行数据筛选获取建模数据;所述数据筛选包括对所述初级建模数据进行产品流量的聚类,并根据聚类结果从所述初级建模数据获取最高转化率和最低转化率两个群组;进行产品收率的稳定性过滤,包括:当某一时间点之前的预设时段内产品的产品收率值波动未超出预设标准时,将所述预设时段内的数据确定为建模数据;
S27、对所述建模数据进行分类模型训练,根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值,获取所述产品收率的重点参数项;
S28、根据所述产品收率的重点参数项生成所述产品收率预测模型。
3.根据权利要求2中所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述对所述建模数据进行分类模型训练,包括:
S31、将所述建模数据按照预设比例划分为训练数据和测试数据;
S32、使用所述训练数据进行建模,并使用所述测试数据进行评估;
S33、当所述评估的结果达到预设值,建模结束;当所述评估的结果未达到预设值,则调整建模时的参数项和/或迭代次数后返回步骤S31。
4.根据权利要求3中所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述通过建立所述工况信息和所述性质信息数据的对应关系,构建初级建模数据,包括:
根据所述工况信息和所述性质信息数据的时间对应关系,生成宽表;所述宽表用于将同一时间点的所述工况信息和所述性质信息数据中各个参数项的值进行关联存储。
5.根据权利要求4中所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述分类模型包括通用线性回归模型、逻辑回归模型、决策树模型、支持向量机模型、判别式模型和神经网络模型中的一种及其任意组合。
6.根据权利要求5中所述产品收率预测模型建立方法,其特征在于,所述根据所述工况信息和所述原料性质信息中各个参数项对于所述产品收率的影响权重的权重值,获取所述产品收率的重点参数项,包括:
将权重值高于预设值的参数项,和/或,权重值排序前预设个数的参数项确定为重点参数项。
7.根据权利要求6中所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述可调控参数项包括:
裂化反应器的各床层入口温度和空速中的一种及其任意组合。
8.根据权利要求1至7中任一所述加氢裂化装置的产品收率自动调控方法,其特征在于,所述产品包括液化气、轻石脑油、重石脑油、航煤、柴油或尾油。
9.一种存储设备,其特征在于,包括软件程序,所述软件程序适于由处理器执行如权利要求1至8中任一所述加氢裂化装置的产品收率自动调控方法的步骤。
10.一种加氢裂化装置的产品收率自动调控系统,其特征在于,包括计算机设备、协调控制系统CCS、实时数据库系统和LIMS;
所述实时数据库系统用于采集并存储所述加氢裂化装置的工况信息;
所述LIMS用于采集并存储所述加氢裂化装置的性质信息数据;
所述计算机设备包括处理器,和,权利要求9中所述存储设备;
所述CCS用于根据所述计算机设备生成的控制指令对与可调控参数项进行自动控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041971.0A CN109726844A (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711041971.0A CN109726844A (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109726844A true CN109726844A (zh) | 2019-05-07 |
Family
ID=66292798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711041971.0A Pending CN109726844A (zh) | 2017-10-31 | 2017-10-31 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109726844A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080150A (zh) * | 2019-12-23 | 2020-04-28 | 杭州雷数科技有限公司 | 生产数据分析方法、装置、设备及介质 |
CN111899793A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种分子级装置的实时优化方法、装置、系统及存储介质 |
CN113296561A (zh) * | 2020-08-20 | 2021-08-24 | 中冶长天国际工程有限责任公司 | 一种用于造球机的控制系统及控制方法 |
WO2022141759A1 (zh) * | 2020-12-31 | 2022-07-07 | 杭州富加镓业科技有限公司 | 一种基于深度学习和提拉法的氧化镓的质量预测方法、制备方法及系统 |
WO2022141751A1 (zh) * | 2020-12-31 | 2022-07-07 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法 |
CN115454009A (zh) * | 2022-11-11 | 2022-12-09 | 常熟理工学院 | 用于化工生产的组分配制模型预测控制方法 |
TWI807566B (zh) * | 2021-12-30 | 2023-07-01 | 台灣化學纖維股份有限公司 | 輕油產品評估裝置、方法及其電腦程式產品 |
CN117970821A (zh) * | 2024-04-02 | 2024-05-03 | 陕西黑石绿能能源科技有限公司 | 一种加氢机的自动化调节控制方法 |
US12026616B2 (en) | 2020-12-31 | 2024-07-02 | Hangzhou Fujia Gallium Technology Co. Ltd. | Preparation method of high resistance gallium oxide based on deep learning and vertical bridgman growth method |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110073523A1 (en) * | 2009-09-28 | 2011-03-31 | China Petroleum & Chemical Corporation | Catalytic conversion process for producing more diesel and propylene |
CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
CN104804761A (zh) * | 2015-03-26 | 2015-07-29 | 华东理工大学 | 一种加氢裂化装置的收率实时预测方法 |
CN105631187A (zh) * | 2014-11-27 | 2016-06-01 | 中国海洋石油总公司 | 一种中压加氢裂化处理中产品收率的预测模型 |
-
2017
- 2017-10-31 CN CN201711041971.0A patent/CN109726844A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110073523A1 (en) * | 2009-09-28 | 2011-03-31 | China Petroleum & Chemical Corporation | Catalytic conversion process for producing more diesel and propylene |
CN103473460A (zh) * | 2013-09-16 | 2013-12-25 | 华东理工大学 | 液化石油气裂解关键产品收率预测及原料优化方法 |
CN105631187A (zh) * | 2014-11-27 | 2016-06-01 | 中国海洋石油总公司 | 一种中压加氢裂化处理中产品收率的预测模型 |
CN104804761A (zh) * | 2015-03-26 | 2015-07-29 | 华东理工大学 | 一种加氢裂化装置的收率实时预测方法 |
Non-Patent Citations (3)
Title |
---|
周荣义等: "基于AHP与重要性指标筛选的神经网络评价模型与应用", 《中国安全科学学报》 * |
王国荣: "神经网络技术在加氢裂化产品收率预测模型中的应用", 《石化技术与应用》 * |
苏鑫等: "应用经遗传算法优化的BP神经网络预测催化裂化装置焦炭产率", 《化工进展》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080150A (zh) * | 2019-12-23 | 2020-04-28 | 杭州雷数科技有限公司 | 生产数据分析方法、装置、设备及介质 |
CN111899793A (zh) * | 2020-06-12 | 2020-11-06 | 中国石油天然气股份有限公司 | 一种分子级装置的实时优化方法、装置、系统及存储介质 |
CN111899793B (zh) * | 2020-06-12 | 2024-04-30 | 中国石油天然气股份有限公司 | 一种分子级装置的实时优化方法、装置、系统及存储介质 |
CN113296561A (zh) * | 2020-08-20 | 2021-08-24 | 中冶长天国际工程有限责任公司 | 一种用于造球机的控制系统及控制方法 |
WO2022141759A1 (zh) * | 2020-12-31 | 2022-07-07 | 杭州富加镓业科技有限公司 | 一种基于深度学习和提拉法的氧化镓的质量预测方法、制备方法及系统 |
WO2022141751A1 (zh) * | 2020-12-31 | 2022-07-07 | 杭州富加镓业科技有限公司 | 一种基于深度学习和坩埚下降法的高阻型氧化镓制备方法 |
US12026616B2 (en) | 2020-12-31 | 2024-07-02 | Hangzhou Fujia Gallium Technology Co. Ltd. | Preparation method of high resistance gallium oxide based on deep learning and vertical bridgman growth method |
TWI807566B (zh) * | 2021-12-30 | 2023-07-01 | 台灣化學纖維股份有限公司 | 輕油產品評估裝置、方法及其電腦程式產品 |
CN115454009A (zh) * | 2022-11-11 | 2022-12-09 | 常熟理工学院 | 用于化工生产的组分配制模型预测控制方法 |
CN117970821A (zh) * | 2024-04-02 | 2024-05-03 | 陕西黑石绿能能源科技有限公司 | 一种加氢机的自动化调节控制方法 |
CN117970821B (zh) * | 2024-04-02 | 2024-05-28 | 陕西黑石绿能能源科技有限公司 | 一种加氢机的自动化调节控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109726844A (zh) | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 | |
CN103745273A (zh) | 一种半导体制造过程的多性能预测方法 | |
Viloria et al. | Statistical adjustment module advanced optimizer planner and SAP generated the case of a food production company | |
WO2003099876A2 (en) | Polymer production scheduling using transition models | |
US10838412B2 (en) | Hybrid machine learning approach towards olefins plant optimization | |
WO2012021995A1 (en) | Computer apparatus and method for real-time multi-unit optimization | |
JPWO2019059321A1 (ja) | 計画装置、稼働計画の生成方法、水素製造方法、およびプログラム | |
US20180049364A1 (en) | Precision crop production-function models | |
CN101187803B (zh) | 基于数据挖掘技术的氨合成装置生产优化方法 | |
CN109472057A (zh) | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 | |
US20230037667A1 (en) | Systems and methods for optimizing refinery coker process | |
CN104804761A (zh) | 一种加氢裂化装置的收率实时预测方法 | |
CN104991984A (zh) | 一种用于煮糖结晶的数据监测方法和系统 | |
Lu | Closing the gap between planning and control: A multiscale MPC cascade approach | |
Subramanian et al. | A prediction-optimization framework for site-wide process optimization | |
WO2022120360A1 (en) | Method and system for process schedule reconciliation using machine learning and algebraic model optimization | |
Acebes et al. | Model based online scheduling of concurrent and equal batch process units: Sugar End industrial case study | |
CN109726845A (zh) | 加氢裂化的产品收率预测方法、模型建立方法和存储设备 | |
CN111849544B (zh) | 加氢裂化的产品质量自控方法、装置和存储器 | |
Mellal et al. | Optimal policy for the replacement of industrial systems subject to technological obsolescence using genetic algorithm | |
Santander et al. | Deep learning economic model predictive control for refinery operation: A fluid catalytic cracker-fractionator case study | |
Perić et al. | A goal programming procedure for solving fuzzy multiobjective fractional linear programming problems | |
Soofifard et al. | A new approach to project risk responses selection with inter-dependent risks | |
Polyiam et al. | A hybrid forecasting model of cassava price based on artificial neural network with support vector machine technique | |
US20230138268A1 (en) | Control system, control method, and control program |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190507 |
|
RJ01 | Rejection of invention patent application after publication |