CN109960146A - 提高软测量仪表模型预测精度的方法 - Google Patents

Abstract

本发明提供了一种提高软测量仪表模型预测精度的方法，包括：数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

Description

提高软测量仪表模型预测精度的方法

技术领域

本发明涉及一种提高软测量仪表模型预测精度的方法及装置，具体地涉及基于机器学习技术来提高软测量仪表模型预测精度的方法及装置。本发明可以但不限于应用于炼油化工设备的优化和控制领域。

背景技术

炼油、化工设备存在许多关键的优化和控制指标，例如：原料的组成、反应器出口物料组成、分离塔塔顶和塔底物料质量控制指标等，这些指标对设备的优化和控制起到至关重要的作用。然而，这些指标的在线分析数据或实验室分析数据存在分析结果时延和分析数据不稳定的情况，导致实时优化(Real Time Optimization，RTO)系统和先进控制系统(Advance Process Control，APC)无法直接利用这些数据对设备进行精确地优化和控制。因此，在关键指标拥有实验室分析或在线分析的基础上，需要建立关键指标的软测量仪表为实时优化(RTO)系统和先进控制(APC)系统提供快速、准确的数据，以便提高优化和控制的准确性和时效性。

软测量仪表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(或称之为主导变量)，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，能够连续给出主导变量信息，且具有投资低、维护保养简单等优点。

软测量的核心问题是其模型的建立,也即建立待估计变量与其它直接测量变量间的关联模型。目前,软测量建模方法一般可分为:机理建模、回归分析、状态估计、模式识别、人工神经网络、模糊数学、基于支持向量机(SVM)和核函数的方法、过程层析成像、相关分析和现代非线性系统信息处理技术等。

目前，软测量仪表建立和更新一般由人工完成，手动完成数据收集、数据预处理、模型建立、模型验证和模型部署工作，缺少自动对软测量仪表模型进行更新的手段。软测量仪表计算过程多采用固定软测量仪表模型参数的计算方法，现有的软测量仪表模型建立后，对模型参数不更新或更新较少，因此随着设备运行条件和状态的不断变化，软测量仪表的模型无法真实地反映当前设备关键指标的实际情况，导致软测量仪表计算得出的结果与实际情况之间有较大偏差，无法满足实时优化(RTO)系统和先进控制(APC)系统对软测量数据的要求。

发明内容

鉴于以上问题，本发明利用机器学习技术、数据库技术、ADO.NET(ActiveX DataObjects)数据访问技术和OPC(OLE for Process Control，用于过程控制的OLE)数据访问技术，基于设备的关键指标和运行历史数据，对软测量仪表模型参数进行实时调整，模型参数随设备运行条件和状态的变化而更新，从而提高软测量仪表的预测精度。

根据本发明的一方面，提供了一种提高软测量仪表模型预测精度的方法，包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

根据实施例，所述数据制备步骤包括：

数据收集步骤，用于使用OPC和ADO.NET数据访问技术，将从所述设备的分布式控制系统获取的所述有关关键指标和设备运行的先前数据收集到关系数据库中；以及

数据预处理步骤，用于对所述先前数据进行预处理以制备所述用于建立软测量仪表模型的基础数据。

根据实施例，所述数据预处理步骤包括：

数据清洗步骤，用于删除所述关系数据库中的无关数据、零值数据、重复数据和异常数据，并且处理缺失值；

数据集成步骤，用于将分布在不同数据源的所述先前数据合并并且存储到所述关系数据库中；以及

数据变换步骤，用于将所述先前数据标准化或归一化。

根据实施例，所述模型制备步骤包括：

模型建立步骤，用于基于所述基础数据，使用支持向量回归方法(SVR)和近邻回归方法(NNR)来建立所述软测量仪表模型；以及

模型验证步骤，用于验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件，并将验证合格的软测量仪表模型作为制备的软测量仪表模型。

根据实施例，所述模型建立步骤包括：

选择合适的机器学习算法模型，并将所述基础数据提供给所述机器学习算法模型进行训练。

根据实施例，选择合适的机器学习算法模型还包括所述支持向量回归方法的核函数(kernel)选取径向基函数(Radial Basis Function)，以及所述近邻回归方法的近邻数(n_neighbors)选取5。

根据实施例，所述支持向量回归方法和所述近邻回归方法还利用多进程并行计算技术(multiprocessing：Pool)以提高所述机器学习算法模型的计算速度。

根据实施例，所述模型验证步骤包括使用所述软测量仪表模型对于所述关键指标的预测值与实际测量值的皮尔逊相关系数来验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件；如果否，则返回执行所述数据预处理步骤。

根据本发明的另一方面，提供了一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施用于提高软测量仪表模型预测精度的方法，所述方法包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

如上所述，通过本发明的基于机器学习技术提高软测量仪表预测精度的方法，可以由计算机自动按周期控制执行数据收集、数据预处理、模型建立、模型验证和模型部署工作，减少了人工更新软测量仪表模型的工作量，同时提高了模型的预测精度，为实时优化系统和先进控制系统提供了准确的关键指标数据，使装置的优化和控制更加精准。根据现场实际应用情况，基于机器学习技术提高软测量仪表预测精度方法具有建立过程便捷、适用于对计算速度和精度要求较高的应用场景、并具有维护成本较低的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及说明书附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例共同用于解释本发明，并不构成对本发明的限制。在附图中：

图1示出根据本发明实施例的提高软测量仪表模型预测精度的方法的原理架构图。

图2示出根据本发明实施例的提高软测量仪表模型预测精度的方法的模型制备步骤的预测精度比较图。

图3示出根据本发明实施例的提高软测量仪表模型预测精度的方法的流程图。

图4示出根据本发明实施例的提高软测量仪表模型预测精度的方法的数据收集步骤的示意图。

图5示出根据本发明实施例的提高软测量仪表模型预测精度的方法的模型部署步骤的示意图。

具体实施方式

以下将结合附图及实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。需要说明的是，只要不构成冲突，本发明中的各个实施例以及各实施例中的各个特征可以相互结合，所形成的技术方案均在本发明的保护范围之内。

同时，在以下说明中，出于解释的目的而阐述了许多具体细节，以提供对本发明实施例的彻底理解。然而，对本领域的技术人员来说显而易见的是，本发明可以不必用这里的具体细节或者所描述的特定方式来实施。

以下，参照说明书附图具体描述根据本发明实施例的提高软测量仪表模型预测精度的方法。

图1示出根据本发明实施例的提高软测量仪表模型预测精度的方法的原理架构图。图2示出根据本发明实施例的提高软测量仪表模型预测精度的方法的模型制备步骤的预测精度比较图。图3示出根据本发明实施例的提高软测量仪表模型预测精度的方法的流程图。

如图1所示，根据本发明的提高软测量仪表模型预测精度的方法，基于设备的关键指标和运行历史数据，利用机器学习技术，使得软测量仪表模型自动学习、模型自动部署和参数随设备运行条件和状态的变化而自动更新，从而提高软测量仪表的预测精度。

一般地，根据本发明的提高软测量仪表模型预测精度的方法主要包括以下步骤：

数据制备步骤(1)、(2)，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤(3)、(4)，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤(5)，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

其中，如图1所示，所述数据制备步骤包括：

数据收集步骤(1)，用于使用OPC和ADO.NET数据访问技术，将从所述设备的分布式控制系统获取的所述有关关键指标和设备运行的先前数据收集到关系数据库中；以及

数据预处理步骤(2)，用于对所述先前数据进行预处理以制备所述用于建立软测量仪表模型的基础数据。

所述模型制备步骤包括：

模型建立步骤(3)，用于基于所述基础数据，使用支持向量回归方法和近邻回归方法来建立所述软测量仪表模型；以及

模型验证步骤(4)，用于验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤(5)的条件。

机器学习模型的建立过程包括选取合适的算法模型，将预处理好的训练集数据传递给模型，经过模型的训练，即得到利用原料性质数据(例如：乙烯装置原料PINA值、馏程数据和密度数据等)和装置运行数据(例如：乙烯装置进料量、稀释比、横跨段温度、总平均COT、急冷油流量和裂解炉出口压力COP等)预测装置优化和控制指标数据(例如：乙烯装置裂解炉出口氢气、甲烷、乙烯、乙烷、丙烯和丙烷等含量数据)的软测量仪表模型。

在优选实施例中，软测量仪表模型的建立主要利用机器学习技术，机器学习方法主要选用支持向量回归(SVR，Support Vector Regression)和近邻回归(NNR，NearestNeighbors Regression)方法，机器学习方法选取原则主要利用数据验证的方法，亦即利用同样的数据集和多种机器学习方法建立软测量仪表预测模型，通过各模型的预测精度，最终决定采用什么样的机器学习方法。

图2示出根据本发明实施例的提高软测量仪表模型预测精度的方法的模型制备步骤的预测精度比较图。如图2所示，分别利用SVR、NNR、循环神经网络(RNN，RecurrentNeural Network)和乙烯裂解炉机理模型分别建立乙烯裂解炉软测量仪表模型，通过各模型实际值和预测值的斜率和皮尔逊相关系数(Pearson Correlation Coefficient)可以看出SVR和NNR方法预测精度较高，因此在建立乙烯装置裂解炉软测量模型时，选取SVR和NNR方法进行建模。机器学习模型建立过程中还需要对特定模型参数进行选择，在模型参数的选取过程中，同样利用数据验证的方法，针对不同装置的软测量模型，需要根据最终数据验证的结果，选取合适的模型参数，例如：经过验证，当SVR的核函数(kernel)选取RBF(RadialBasis Function，径向基函数)，NNR的近邻数(n_neighbors)选取5时，乙烯裂解炉软测量模型预测精度较高，故选取该模型参数。此外，SVR和NNR还利用多进程并行计算技术(multiprocessing：Pool)以提高模型的计算速度。

进一步地，如图3所示，模型验证步骤(4)包括使用所述软测量仪表模型对于所述关键指标的预测值与实际测量值的皮尔逊相关系数来验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤(5)的条件；如果否，则返回执行所述数据预处理步骤(2)。

图4示出根据本发明实施例的提高软测量仪表模型预测精度的方法的数据收集步骤的示意图。

软测量仪表模型的建立和更新需要大量的基础数据，这些数据包括：①原料、产品的实验室数据和在线分析数据(例如：乙烯装置原料PINA值、馏程数据和密度数据等，乙烯装置裂解炉出口氢气、甲烷、乙烯、乙烷、丙烯和丙烷等含量数据)；②装置运行数据(例如：乙烯装置进料量、稀释比、横跨段温度、总平均COT、急冷油流量和裂解炉出口压力COP等)。以上数据利用ADO.NET(ActiveX Data Objects)数据访问技术和OPC(OLE for ProcessControl，用于过程控制的OLE)数据访问技术，从装置DCS读取到系统的关系数据库中，见图4中黑色实心箭头所示的流程，这些数据将作为软测量仪表模型建立和更新的基础数据。

在软测量仪表模型建立和更新的过程中，从现场收集的数据存在大量缺失值和存在异常值的问题，这些数据严重影响到模型的准确性，无法直接利用于软测量仪表模型的建立和更新，因此，需要利用数据预处理技术，进行数据清洗、数据集成和数据变换。

其中，数据清洗：主要是删除关系数据库中的无关数据、零值数据、重复数据和异常数据(异常数据的剔除遵循3σ准则，又称：拉依达准则)，同时对缺失值进行处理(处理缺失值的方法可分为3类：删除记录、数据插补和不处理)。

数据集成：建立和更新软测量仪表模型所需的数据分布在不同的数据源中(实验室数据源和在线分析数据源等)，数据集成就是将这些多个数据源的数据合并存放在一个一致的数据库中。

数据变换：主要是对数据进行规范化处理，将数据转换成“适当的”形式，例如将数据标准化或归一化，以适用于软测量仪表模型建立和更新的需要。

软测量仪表模型建立后，在模型部署之前还需要对模型进行验证，如果验证模型达到预测精度，模型才能进行部署。如上所述，本发明主要采用对于关键指标的实际测量值和模型预测值的皮尔逊相关系数(Pearson Correlation Coefficient)进行表征，皮尔逊相关系数越接近1，说明预测效果越好，否则模型将重新建立，直到模型预测精度达到要求为止。如图2所示，利用支持向量回归(SVR，Support Vector Regression)和近邻回归(NNR，Nearest Neighbors Regression)预测乙烯裂解炉出口乙烯产率，皮尔逊相关系数分别为0.92和0.94，均大于0.9，因此预测精度达到模型部署条件。

图5示出根据本发明实施例的提高软测量仪表模型预测精度的方法的模型部署步骤的示意图。

模型验证合格后，将自动对模型进行保存和部署，替换原有模型或参数，为实时优化系统和先进控制系统提供可靠的软测量数据(产品分布数据和关键控制指标数据)，如图5黑色实心所示，软测量仪表模型每分钟为实时优化系统和先进控制系统提供准确的关键指标数据。模型更新过程会按照一定周期(1天或1个月)自动循环，完成数据收集、数据预处理、模型建立、模型验证和模型部署操作。

综上所述，本发明提供了一种基于机器学习技术提高软测量仪表预测精度的方法，通过该方法，由计算机自动按周期控制执行数据收集、数据预处理、模型建立、模型验证和模型部署工作，减少了人工更新软测量仪表模型的工作量，同时提高了模型的预测精度，为实时优化系统和先进控制系统提供了准确的关键指标数据，使装置的优化和控制更加精准。根据现场实际应用情况，基于机器学习技术提高软测量仪表预测精度方法具有建立过程便捷、适用于对计算速度和精度要求较高的应用场景、并具有维护成本较低的特点。

应该理解的是，本发明所公开的实施例不限于这里所公开的特定处理步骤或材料，而应当延伸到相关领域的普通技术人员所理解的这些特征的等同替代。还应当理解的是，在此使用的术语仅用于描述特定实施例的目的，而并不意味着限制。

说明书中提到的“实施例”意指结合实施例描述的特定特征、或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“实施例”并不一定均指同一个实施例。

本领域的技术人员应该明白，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域的技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM或技术领域内所公知的任意其它形式的存储介质中。

虽然本发明所公开的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所公开的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.一种提高软测量仪表模型预测精度的方法，包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。

2.根据权利要求1所述的方法，其中，所述数据制备步骤包括：

数据收集步骤，用于使用OPC和ADO.NET数据访问技术，将从所述设备的分布式控制系统获取的所述有关关键指标和设备运行的先前数据收集到关系数据库中；以及

数据预处理步骤，用于对所述先前数据进行预处理以制备所述用于建立软测量仪表模型的基础数据。

3.根据权利要求2所述的方法，其中，所述数据预处理步骤包括：

数据清洗步骤，用于删除所述关系数据库中的无关数据、零值数据、重复数据和异常数据，并且处理缺失值；

数据集成步骤，用于将分布在不同数据源的所述先前数据合并并且存储到所述关系数据库中；以及

数据变换步骤，用于将所述先前数据标准化或归一化。

4.根据权利要求3所述的方法，其中，所述模型制备步骤包括：

模型建立步骤，用于基于所述基础数据，使用支持向量回归方法(SVR)和近邻回归方法(NNR)来建立所述软测量仪表模型；以及

模型验证步骤，用于验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件，并将验证合格的软测量仪表模型作为制备的软测量仪表模型。

5.根据权利要求4所述的方法，其中，所述模型建立步骤包括：

选择合适的机器学习算法模型，并将所述基础数据提供给所述机器学习算法模型进行训练。

6.根据权利要求5所述的方法，其中，选择合适的机器学习算法模型还包括所述支持向量回归方法的核函数(kernel)选取径向基函数(Radial Basis Function)，以及所述近邻回归方法的近邻数(n_neighbors)选取5。

7.根据权利要求6所述的方法，其中，所述支持向量回归方法和所述近邻回归方法还利用多进程并行计算技术(multiprocessing：Pool)以提高所述机器学习算法模型的计算速度。

8.根据权利要求4所述的方法，其中，所述模型验证步骤包括使用所述软测量仪表模型对于所述关键指标的预测值与实际测量值的皮尔逊相关系数来验证所述软测量仪表模型的预测精度是否达到执行所述模型部署步骤的条件；如果否，则返回执行所述数据预处理步骤。

9.一种存储介质，其中存储有计算机可执行的程序，所述程序在被执行时适于实施用于提高软测量仪表模型预测精度的方法，所述方法包括：

数据制备步骤，用于基于从设备的分布式控制系统(DCS)获取的有关关键指标和设备运行的先前数据，来制备用于建立软测量仪表模型的基础数据；

模型制备步骤，用于基于所述基础数据，使用机器学习方法来制备所述软测量仪表模型；

模型部署步骤，用于部署所述软测量仪表模型以向实时优化系统和先进控制系统提供有关关键指标和设备运行的当前数据；以及

模型更新步骤，用于按照预定周期来循环执行所述数据制备步骤、所述模型制备步骤和所述模型部署步骤。