CN110376987A - 基于案例库和稳态检测的炼油过程在线优化方法及装置 - Google Patents
基于案例库和稳态检测的炼油过程在线优化方法及装置 Download PDFInfo
- Publication number
- CN110376987A CN110376987A CN201910656454.7A CN201910656454A CN110376987A CN 110376987 A CN110376987 A CN 110376987A CN 201910656454 A CN201910656454 A CN 201910656454A CN 110376987 A CN110376987 A CN 110376987A
- Authority
- CN
- China
- Prior art keywords
- case
- data
- history
- stable state
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 127
- 230000008569 process Effects 0.000 title claims abstract description 81
- 238000007670 refining Methods 0.000 title claims abstract description 58
- 238000005457 optimization Methods 0.000 title claims abstract description 53
- 238000004519 manufacturing process Methods 0.000 claims abstract description 155
- 238000001514 detection method Methods 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000003993 interaction Effects 0.000 claims description 12
- 239000000203 mixture Substances 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 7
- 239000003921 oil Substances 0.000 description 50
- 239000003054 catalyst Substances 0.000 description 31
- 230000008859 change Effects 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000000354 decomposition reaction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 230000035508 accumulation Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 5
- 239000003502 gasoline Substances 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000000704 physical effect Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000004989 laser desorption mass spectroscopy Methods 0.000 description 4
- 229910052759 nickel Inorganic materials 0.000 description 4
- 230000008929 regeneration Effects 0.000 description 4
- 238000011069 regeneration method Methods 0.000 description 4
- 238000012800 visualization Methods 0.000 description 4
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 239000002283 diesel fuel Substances 0.000 description 3
- 239000011148 porous material Substances 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 230000009257 reactivity Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229930195734 saturated hydrocarbon Natural products 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000009835 boiling Methods 0.000 description 2
- 229910052791 calcium Inorganic materials 0.000 description 2
- 239000011575 calcium Substances 0.000 description 2
- 238000004523 catalytic cracking Methods 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 229910052749 magnesium Inorganic materials 0.000 description 2
- 239000011777 magnesium Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012913 prioritisation Methods 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910052720 vanadium Inorganic materials 0.000 description 2
- LEONUFNNVUYDNQ-UHFFFAOYSA-N vanadium atom Chemical compound [V] LEONUFNNVUYDNQ-UHFFFAOYSA-N 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 239000005864 Sulphur Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000009924 canning Methods 0.000 description 1
- 239000000084 colloidal system Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于案例库和稳态检测的炼油过程在线优化方法及装置,其中,方法包括以下步骤:从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库;从工厂的数据库获取当前生产数据,生成当前生产案例;将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于当前生产案例的可参考的历史案例集合,以根据历史案例集合优化炼油过程。该方法有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
Description
技术领域
本发明涉及化工行业和流程工业技术领域,特别涉及一种基于案例库和稳态检测的炼油过程在线优化方法及装置。
背景技术
目前,智能制造成为现阶段流程工业的重要研究方向,国内关于智能制造的研究步入实际行动。智能制造的一个重要的研究领域就是实时在线优化,在炼油行业,针对进料变化实时的给出更优的操作参数可以使得工厂的产品收率以及产品质量得到提升。另外,实时产生的历史生产数据具有很大的应用潜力和应用价值。
相关技术中,对于炼油过程的操作策略优化,已有基于案例库的炼油过程模糊匹配调优方法,这一方法给出了构建案例库的基本思路,旨在通过基于模糊匹配的方法计算当前工况与收集积累的历史工况的匹配程度,找出工况相近而收率等评价指标更优的可以借鉴的历史数据,用该历史数据的操作参数设定值与状态参数值指导优化当前生产。
然而,该方法使用人工整理历史数据和当前工况,缺少实时在线的自动取数方法和科学有效取数方式和逻辑,导致数据积累慢数据实时性和准确性差的缺点,使得方法不能用于在线实时优化。由于没有对生产稳定性的判定机制,导致数据的可信度差。由于没有正确的数据更新淘汰机制,导致大量低价值数据积累,大大增加该方法的计算成本。根据炼油生产目标,原方法的数据结构和评优指标也需要调整。
因此,设计一种可实施的炼油过程在线实时优化方法结构,是炼油过程向智能制造发展的必然需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种基于案例库和稳态检测的炼油过程在线优化方法,该方法有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
本发明的另一个目的在于提出一种基于案例库和稳态检测的炼油过程在线优化装置。
为达到上述目的,本发明一方面实施例提出了一种基于案例库和稳态检测的炼油过程在线优化方法,包括以下步骤:从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库;从所述工厂的数据库获取当前生产数据,生成当前生产案例;将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于所述当前生产案例的可参考的历史案例集合,以根据所述历史案例集合优化炼油过程。
本发明实施例的基于案例库和稳态检测的炼油过程在线优化方法,能够随着生产过程的进行不断提供优化方案,并且历史案例库随着生产过程的进行不断的积累更优的历史案例,从而有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
另外,根据本发明上述实施例的基于案例库和稳态检测的炼油过程在线优化方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述根据所述历史案例集合优化炼油过程,包括:展示所述历史案例集合展示,并根据反馈评价更新所述历史案例库。
进一步地,在本发明的一个实施例中,还包括:根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
进一步地,在本发明的一个实施例中,所述组成历史案例并存入历史案例库中,包括:去除历史数据噪声,并根据所述历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;若所述生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成所述历史案例,并存入所述历史案例库中。
进一步地,在本发明的一个实施例中,所述生成当前生产案例,包括:去除当前生产数据噪声,并根据所述当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;若所述当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成所述当前生产案例。
为达到上述目的,本发明另一方面实施例提出了一种基于案例库和稳态检测的炼油过程在线优化装置,包括:历史案例获取模块,用于从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库;当前案例获取模块,用于从所述工厂的数据库获取当前生产数据,生成当前生产案例;案例库匹配模块,用于将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于所述当前生产案例的可参考的历史案例集合,以根据所述历史案例集合优化炼油过程。
本发明实施例的基于案例库和稳态检测的炼油过程在线优化装置,能够随着生产过程的进行不断提供优化方案,并且历史案例库随着生产过程的进行不断的积累更优的历史案例,从而有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
另外,根据本发明上述实施例的基于案例库和稳态检测的炼油过程在线优化装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,还包括:人机交互模块,用于展示所述历史案例集合展示,并根据反馈评价更新所述历史案例库。
进一步地,在本发明的一个实施例中,还包括:调整模块,用于根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
进一步地,在本发明的一个实施例中,所述历史案例获取模块进一步用于去除历史数据噪声,并根据所述历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;若所述生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成所述历史案例,并存入所述历史案例库中。
进一步地,在本发明的一个实施例中,所述当前案例获取模块进一步用于去除当前生产数据噪声,并根据所述当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;若所述当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成所述当前生产案例。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例的基于案例库和稳态检测的炼油过程在线优化方法的流程图;
图2为根据本发明一个实施例的基于案例库和稳态检测的炼油过程在线优化方法的流程图;
图3为根据本发明实施例的稳态检测模块工作原理图;
图4为根据本发明实施例的小波分解与重构原理图;
图5为根据本发明实施例的案例库匹配原理图;
图6为根据本发明实施例的云平台系统结构图;
图7为根据本发明实施例的可视化界面示意图;
图8为根据本发明实施例的基于案例库和稳态检测的炼油过程在线优化装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于案例库和稳态检测的炼油过程在线优化方法及装置,首先将参照附图描述根据本发明实施例提出的基于案例库和稳态检测的炼油过程在线优化方法。
图1是本发明一个实施例的基于案例库和稳态检测的炼油过程在线优化方法的流程图。
如图1所示,该基于案例库和稳态检测的炼油过程在线优化方法包括以下步骤:
在步骤S101中,从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库。
可以理解的是,如图2所示,本发明实施例从工厂的数据库中定时获取历史数据组成历史案例,并存入历史案例库中。
其中,历史案例的组成分为ABCD四部分。其中A为描述物性条件的指纹数据;B为描述生产操作的生产状态数据;C为描述生产结果的评优数据;D为用于检测生产是否属于稳态的稳态检测数据,具体地:
(1)指纹数据包括进料流量、进料各类馏点数据、进料饱和烃含量、进料芳烃含量、进料硫含量、进料氮含量、进料各金属元素含量、进料粘度等进料数据以及催化剂孔体积、催化剂各种密度数据、催化剂的粒径分布数据、催化剂定碳、催化剂各类金属元素含量数据、催化剂微反应活性系数等催化剂数据。
(2)生产状态数据包括污油流量、进料流量、原料油预热温度、反应温度、反应器压力、烧焦罐藏量、雾化蒸汽流量、再生滑阀压降等数据。
(3)评优数据包括生产的汽油流量、液化气流量、总收率等数据。
(4)稳态检测数据包括进料流量、反应温度、反应器压力等数据。
进一步地,在本发明的一个实施例中,组成历史案例并存入历史案例库中,包括:去除历史数据噪声,并根据历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;若生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成历史案例,并存入历史案例库中。
可以理解的是,如图2所示,使用稳态检测模块去除数据噪声并根据历史生产数据中的D部分既稳态检测数据判定这一时段的生产状况是否为稳态;若生产状况不处于稳态,则舍去本次去除的历史数据;若生产状况为稳态,则将去噪声后的各个部分数据综合为一条历史案例存入历史案例库中。
需要说明的是,由于随着生产的进行工厂的历史生产数据是不断更新的,因此,本发明实施例还定时的进行S101步骤,从而可以保证历史案例库随生产的进行不断补充新的历史案例。
具体而言,如图3所示,图3为稳态检测模块的工作流程图,通过稳态检测模块处理了案例数据中的噪声与异常,同时得到对生产过程稳定性的判断,之后可以依据该判断进行后续步骤。稳态检测模块包括如下计算步骤:
步骤11、对数据进行小波去噪处理:
(1)对含有噪声的过程数据f(t)进行多尺度分解,得到最高尺度M的尺度信号CM和各个尺度的细节信号既小波系数序列Dm(1≤m≤M);其中对多尺度分析选定的尺度函数有:
对选定的小波函数ψm,n(t)有:
dm,n=<f(t),ψm,n(t)>=∑kg(k-2n)cm-1,k,
(2)对小波系数序列Dm(1≤m≤M)进行限幅处理,去掉比选定的阈值Tm小的小波系数,得到消除噪声后的小波系数D′m;
限幅处理的方法有硬限幅和软限幅两种。
(3)把限幅处理后的小波系数D′m转化重构得到滤波处理后的原始信号f′(t);重构过程为多尺度分解过程的逆过程,小波分解与重构的原理图见图4。
经过以上步骤,数据的噪声得到了有效的抑制。
步骤12、对于数据中的异常突变进行处理:
(1)突变点的检测,若过程存在尖峰突变数据,当尖峰两端的变化率大于设定阈值Tup时,若尖峰内包含的数据点小于设定值Np则认为这一尖峰突变为异常突变执行下一步。
(2)若存在异常突变,则舍去异常突变处的数据。之后根据数据延拓方法,包括零延拓、边界重复延拓、周期延拓等方法对产生的数据缺口进行补全。其中,异常突变的处理保证了异常数据不会影响稳态判定的结果。
步骤13、对经过步骤11和12步处理后的案例数据中的稳态检测数据的进行稳态判定:
(1)对稳态检测数据进行尺度为s的小波分解提取过程趋势fs(t),其中,
(2)引入稳态因子β(0≤β≤1)表征过程的稳定程度,依据过程的变化趋势计算β的数值,其中,β(t)=g(fs(t))。
(3)根据各个稳态检测数据计算出的稳态因子计算过程的总稳态因子B(t),其中,wj为权重系数。
在步骤S102中,从工厂的数据库获取当前生产数据,生成当前生产案例。
可以理解的是,如图2所示,本发明实施例从工厂的数据库中获取当前的实时生产数据组成当前生产案例。
其中,当前生产案例的组成分为ABCD四部分。其中A为描述物性条件的指纹数据;B为描述生产操作的生产状态数据;C为描述生产结果的评优数据;D为用于检测生产是否属于稳态的稳态检测数据。
需要说明的是,当前生产案例的四个部分数据的详细描述可参见历史案例的四个部分数据的描述,为避免冗余,在此不再赘述。
进一步地,在本发明的一个实施例中,生成当前生产案例,包括:去除当前生产数据噪声,并根据当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;若当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成当前生产案例。
可以理解的是,具体组成当前生产案例的方式又分如下三步:(1)使用稳态检测模块去除数据噪声并根据当前生产数据中的D部分既稳态检测数据判定这一时段的生产状况是否为稳态;(2)若当前生产状况不处于稳态,则直接从人机交互模块通知操作人员生产的不稳定情况;(3)若当前生产状况为稳态,则将去噪声后的各个部分数据综合为当前生产案例。其中,人机交互模块的将在下面进行具体描述。
具体而言,案例库匹配模块的包含以下处理步骤:
步骤21、计算当前生产案例与每个历史案例的匹配程度,具体地:
(1)根据案例中指纹数据中的进料数据计算当前生产案例与每个历史案例的进料匹配度,
dx,i,j=gx(xi,1,xi,2,xi,3……xi,m,xj,1,xj,2,xj,3……xj,m),
其中,dx,i,j表示当前生产案例i的进料数据与历史案例j的进料数据的匹配度,xi,m为当前进料数据的第m个数据,xj,m为历史案例j的进料数据的第m个数据。
(2)计算当前生产案例与每个历史案例的催化剂匹配度;
dy,i,j=y(yi,1,yi,2,yi,3……yi,n,yj,1,yj,2,yj,3……yj,m),
其中dy,i,j表示当前生产案例i的催化剂数据与历史案例j的催化剂数据的匹配度,yi,n为当前进料数据的第n个数据,yj,n为历史案例j的进料数据的第n个数据。
(3)根据进料匹配度与催化剂匹配度计算总匹配度。
di,j=g(dx,i,j,dy,i,j);
匹配度的计算原理如图5。
步骤22、筛选出匹配度大于设定值的案例集合。
步骤23、筛选出案例集合中评优指标优于当前生产案例的案例集合并按照排序标准进行排序。案例库匹配模块将历史案例中与当前案例生产原条件足够接近的案例集合筛选出来,若根据历史案例中的操作条件可以达到比当前更好的汽油流量、液化气流量或总收率,则这条历史案例的操作条件对当前生产具有指导意义。
在步骤S103中,将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于当前生产案例的可参考的历史案例集合,以根据历史案例集合优化炼油过程。
可以理解的是,若当前生产状况为稳态即可进行下面的步骤,即如图2所示,通过案例库匹配模块将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据足够相近的历史案例并根据评优数据进行排序,得到优于当前生产案例的可参考的历史案例集合。
进一步地,在本发明的一个实施例中,根据历史案例集合优化炼油过程,包括:展示历史案例集合展示,并根据反馈评价更新历史案例库。
可以理解的是,如图2所示,本发明实施例可以通过人机交互模块将优于当前生产案例的历史案例集合展示给操作人员以指导生产,并的到操作人员的评价用于定期更新历史案例库。
具体而言,人机交互模块具有如下功能:
(1)若当前生产状态为非稳态,向操作人员显示当前生产状态下反应器温度、反应器压力、进料流量等稳态检测数据的波动情况与对应的稳态因子变化情况,帮助操作人员调整生产。
(2)若当前生产状态为稳态,根据案例库匹配的结果输出由于当前生产案例的历史案例序列,同时展示历史案例的各类数据,操作人员可根据历史生产状数据调整当前操作。
(3)操作人员可通过人机交互模块对匹配到的历史生产案例进行评价,这些评价将会在历史案例库的更新中发挥作用。
对每一个历史案例设定案例评价参数k,在第m次案例匹配,若历史案例的匹配度高于设定值且评优数据优于当前生产工况,则:km=km+1。人机交互模块也会根据操作人员对匹配结果的评价对案例评价参数进行增减。
另外,历史案例库依据案例评价参数定时进行更新。当历史案例库的历史案例总数大于设定值Ns时,对历史案例库依照评价参数k从大到小进行排序,对k值相同的数据依照历史案例的对应生产日期由近到远进行排序,淘汰掉末位的匹配命中数少,人员评价差的老旧数据总计ns个。
进一步地,在本发明的一个实施例中,还包括:根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
可以理解的是,如图2所示,操作人员选择使用一个历史案例的生产状态参数对当前的操作参数进行调整。操作人员选择使用一个历史案例的生产状态参数对当前的操作参数进行调整
需要说明的是,在生产过程中优化的新工况会产生新的实时数据和生产历史数据,循环的使用本发明实施例的方法即可达到对炼油过程的实时在线优化。
下面将通过一个具体实施例对基于案例库和稳态检测的炼油过程在线优化方法进行进一步阐述。在本实施例中,针对催化裂化装置使用工业云平台的方式实现本发明提出的炼油过程在线实时优化方法,其实现模式图见图6。具体实现方式如下:
工厂已具有将生产装置的各个参数实时记录的能力,也具有定时分析进料,产品以及催化剂的物性并且集成分析数据的能力。
在实施方案中,厂方使用实时数据库记录每个时刻的可测量参数,包括进料流量、热温度、温度、应器压力、焦罐藏量、雾化蒸汽流量、再生滑阀压、雾化蒸汽压力、雾化蒸汽流量、再生滑阀压降、污油流量、汽油流量、液化气流量、柴油流量等信息。
在实施方案中,厂方使用实验室信息管理系统(LIMS系统)对定时分析出的原料物性数据,催化剂物性数据以及产品物性数据进行积累。
在实施方案中,云平台程序从厂方的实时数据库和LIMS系统中取出案例结构需求的数据按照案例结构分为为ABCD四部分。
A为描述物性条件的指纹数据,主要取自LIMS系统,包括进料初馏点,进料饱和烃含量,进料沥青质含量,进料胶质含量,进料密度,进料粘度,进料镍含量,进料钒含量,进料钠含量,催化剂孔体积,催化剂充气密度,催化剂定碳,催化剂微反应活性指数,催化剂镁含量,催化剂钙含量,催化剂镍含量,催化剂铁含量等数据,少量取自实时数据库,包括进料流量等。
B为描述生产操作的生产状态数据,取自实时数据库,包括反应器温度,反应器压力,进料流量,原料预热温度,雾化蒸汽压力,雾化蒸汽流量,再生滑阀压降,汽提段藏量,污油流量等等。
C为描述生产结果的评优数据,其中从实时数据库取出数据包括的汽油流量,液化气流量,柴油流量等。从LIMS系统取出的数据包括汽油辛烷值,液化气丙烯含量等。
D为用于检测生产是否属于稳态的稳态检测数据。包括从实时数据库取出的进料流量,反应温度,反应器压力等数据。
在实施方案中,根据催化裂化过程的工艺设计参数结合装置操作人员的工作经验,将反应器温度,反应器压力,进料流量,原料预热温度,再生滑阀压降,汽提段藏量等状态参数相对于汽油流量,柴油流量,液化气流量等评优参数进行前推,以确保生成的案例能够反映各个工况下得到不同的生产结果。
在实施方案中,一方面,收集到的案例会定时通过稳态检测模块定时的组成历史案例,其步骤如下:
S1、使用稳态检测模块去除案例中的数据噪声并根据历史生产数据中的进料流量,反应温度,反应器压力判定这一时段的生产状况是否为稳态,具体方式如下:
S11、对数据进行小波去噪处理:
(1)对含有噪声的案例数据进行尺度为3的多尺度分解,得到最高尺度的尺度信号C3和各个尺度的细节信号既小波系数序列Dm(1≤m≤3);根据实际情况测试选定Daubechies系列小波中db5小波进行尺度分解,得到小波序列Dm(1≤m≤3)。
(2)对小波系数序列Dm(1≤m≤3)进行限幅处理,去掉比选定的阈值Tm小的小波系数,得到消除噪声后的小波系数D′m;在实施过程中通过
(3)把限幅处理后的小波系数D′m转化重构得到滤波处理后的案例数据。
S12、对于数据中的异常突变进行处理:
(1)突变点的检测,若过程存在尖峰突变数据,当尖峰两端的变化率大于设定阈值Tup时,若尖峰内包含的数据点小于设定值Np则认为这一尖峰突变为异常突变执行下一步。
(2)若存在异常突变,则舍去异常突变处的数据。之后根据数据延拓方法,包括零延拓、边界重复延拓、周期延拓等方法对产生的数据缺口进行补全。其中,异常突变的处理保证了异常数据不会影响稳态判定的结果。
S13、对经过S11和S12步处理后的案例数据中的进料流量,反应温度,反应器压力等稳态检测数据进行稳态判定:
(1)对稳态检测数据进行一次小波分解提取过程趋势f(t)。其中,在实施案例中,使用的小波为Daubechies系列小波中的db5小波。
(2)引入稳态因子β(0≤β≤1)表征过程的稳定程度,依据过程的变化趋势计算β的数值。其中,β(t)=g(f(t))。
(3)根据各个稳态检测数据计算出的稳态因子计算过程的总稳态因子B(t),其中,wj为权重系数。
S2若生产状况不处于稳态,则舍去本次去除的历史数据;
S3若生产状况为稳态,则将去噪声后的各个部分数据综合为一条历史案例存入历史案例库中。
在实施方案中,使用服务器端安装的MySQL数据库作为云平台数据库,云平台数据库又分如下子库,包括:
1.历史案例库
2.当前工况记录库
其中,历史案例库具有更新淘汰机制,及时淘汰无用数据降低匹配过程的计算量,提高工作效率。
对每一个历史案例设定案例评价参数k,在第m次案例匹配,若历史案例的匹配度高于设定值且评优数据优于当前生产工况,则:km=km+1。其中,历史案例库也会根据操作人员的评价对参数km进行增减;且历史案例库依据案例评价参数定时进行更新。
当历史案例库的历史案例总数大于设定值Ns=3000时,对历史案例库依照评价参数k从大到小进行排序,对k值相同的数据依照历史案例的对应生产日期由近到远进行排序,淘汰掉末位的匹配命中数少,人员评价差的老旧数据总计ns=100个。
在实施方案中,若经过稳态检测判定出当前的生产状况为稳态,即可将当前案例与历史案例库中的案例进行匹配,这一过程通过案例库匹配模块实现。
在实施方案中,案例库匹配模块的包含以下处理步骤:
I、计算当前生产案例与每个历史案例的匹配程度。
根据案例指纹数据中进料初馏点,进料饱和烃含量,进料沥青质含量,进料胶质含量,进料密度,进料粘度,进料镍含量,进料钒含量,进料钠含量等数据计算当前生产案例与每个历史案例的进料匹配度;根据案例指纹数据中催化剂孔体积,催化剂充气密度,催化剂定碳,催化剂微反应活性指数,催化剂镁含量,催化剂钙含量,催化剂镍含量,催化剂铁含量等数据计算当前生产案例与每个历史案例的催化剂匹配度;根据进料匹配度与催化剂匹配度计算总匹配度。
II、筛选出匹配度大于设定值的案例集合。
III、根据操作人员在使用可视化界面决定的评优指标和筛选条件进行筛选,得到案例集合中评优指标优于当前生产案例的案例集合并按照排序标准进行排序。
进一步地,在实施方案中,可视化界面的使用界面如图7所示,可视化界面将当前工况的稳态检测结果实时展示给操作人员,去燥后的稳态检测数据的变化趋势图,稳态指数的变化趋势图。具体地:
若当前工况为稳态,则展示根据操作人员选定的标准下案例库匹配的结果序列,操作人员可以选定结果序列中的一条历史案例,用条形图或表格的形式对比选定案例与当前工况的各项参数。表1为一次匹配结果案例的评优数据对比表,操作人员据此评价历史案例相对于当前工况的优异性。表2为生产状态数据对比表,操作人员据此得到各个操作参数的调整目标。表3为指纹数据对比表,操作人员据此评价历史案例与当前工况的差异性。
表1
表2
表3
操作人员可快速直观的选取一条适于优化当前工况的历史案例,并根据历史案例的生产状态数据调整当前的操作参数,以达到实时优化生产的效果。
根据本发明实施例提出的基于案例库和稳态检测的炼油过程在线优化方法,采用了程序定时取数并结合了稳态检测模块对历史数据和当前生产数据进行处理和判定,解决了数据积累慢、实时性差、准确性差、可信度差等问题;提出人机交互模块,使得经验丰富的操作人员对数据做出的评价可以帮助系统存取有价值的数据,淘汰无用数据;提出历史案例库的更新淘汰机制,及时淘汰无用数据降低匹配过程的计算量,提高工作效率;还对案例库的数据结构进行调整以满足新方法的需要;能够随着生产过程的进行不断提供优化方案,并且历史案例库随着生产过程的进行不断的积累更优的历史案例,从而有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
其次参照附图描述根据本发明实施例提出的基于案例库和稳态检测的炼油过程在线优化装置。
图8是本发明一个实施例的基于案例库和稳态检测的炼油过程在线优化装置的结构示意图。
如图8所示,该基于案例库和稳态检测的炼油过程在线优化装置10包括:历史案例获取模块100、当前案例获取模块200和案例库匹配模块300。
其中,历史案例获取模块100用于从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库。当前案例获取模块200用于从工厂的数据库获取当前生产数据,生成当前生产案例。案例库匹配模块300用于将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于当前生产案例的可参考的历史案例集合,以根据历史案例集合优化炼油过程。本发明实施例的装置10有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:人机交互模块。其中,人机交互模块用于展示历史案例集合展示,并根据反馈评价更新历史案例库。
进一步地,在本发明的一个实施例中,本发明实施例的装置10还包括:调整模块。其中,本发明实施例的装置10用于根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
进一步地,在本发明的一个实施例中,历史案例获取模块100进一步用于去除历史数据噪声,并根据历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;若生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成历史案例,并存入历史案例库中。
进一步地,在本发明的一个实施例中,当前案例获取模块200进一步用于去除当前生产数据噪声,并根据当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;若当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成当前生产案例。
需要说明的是,前述对基于案例库和稳态检测的炼油过程在线优化方法实施例的解释说明也适用于该实施例的基于案例库和稳态检测的炼油过程在线优化装置,此处不再赘述。
根据本发明实施例提出的基于案例库和稳态检测的炼油过程在线优化装置,采用了程序定时取数并结合了稳态检测模块对历史数据和当前生产数据进行处理和判定,解决了数据积累慢、实时性差、准确性差、可信度差等问题;提出人机交互模块,使得经验丰富的操作人员对数据做出的评价可以帮助系统存取有价值的数据,淘汰无用数据;提出历史案例库的更新淘汰机制,及时淘汰无用数据降低匹配过程的计算量,提高工作效率;还对案例库的数据结构进行调整以满足新方法的需要;能够随着生产过程的进行不断提供优化方案,并且历史案例库随着生产过程的进行不断的积累更优的历史案例,从而有效解决了相关技术的实用难题与缺陷,即解决了数据实时性、准确性差,计算成本大等问题,能够较好的实现炼油过程的实时在线优化,简单易实现。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于案例库和稳态检测的炼油过程在线优化方法,其特征在于,包括以下步骤:
从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库;
从所述工厂的数据库获取当前生产数据,生成当前生产案例;
将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于所述当前生产案例的可参考的历史案例集合,以根据所述历史案例集合优化炼油过程。
2.根据权利要求1所述的方法,其特征在于,所述根据所述历史案例集合优化炼油过程,包括:
展示所述历史案例集合展示,并根据反馈评价更新所述历史案例库。
3.根据权利要求1或2所述的方法,其特征在于,还包括:
根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
4.根据权利要求1所述的方法,其特征在于,所述组成历史案例并存入历史案例库中,包括:
去除历史数据噪声,并根据所述历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;
若所述生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成所述历史案例,并存入所述历史案例库中。
5.根据权利要求1所述的方法,其特征在于,所述生成当前生产案例,包括:
去除当前生产数据噪声,并根据所述当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;
若所述当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成所述当前生产案例。
6.一种基于案例库和稳态检测的炼油过程在线优化装置,其特征在于,包括:
历史案例获取模块,用于从工厂的数据库每个预设时长获取历史数据,生成历史案例并存入历史案例库;
当前案例获取模块,用于从所述工厂的数据库获取当前生产数据,生成当前生产案例;
案例库匹配模块,用于将当前生产案例与历史案例库的各个历史案例进行模糊匹配,得到与当前生产状态的指纹数据满足预设条件的历史案例,并根据评优数据进行排序,得到优于所述当前生产案例的可参考的历史案例集合,以根据所述历史案例集合优化炼油过程。
7.根据权利要求6所述的装置,其特征在于,还包括:
人机交互模块,用于展示所述历史案例集合展示,并根据反馈评价更新所述历史案例库。
8.根据权利要求6或7所述的装置,其特征在于,还包括:
调整模块,用于根据选择的历史案例的生产状态参数对当前的操作参数进行调整,使得炼油过程经过预设时间达到的稳定生产的优化的新工况。
9.根据权利要求6所述的装置,其特征在于,所述历史案例获取模块进一步用于去除历史数据噪声,并根据所述历史数据中的稳态检测数据判定目标时段的生产状况是否为稳态;若所述生产状况不处于稳态,则舍去本次去除的历史数据;否则,则将去噪声后的每个部分数据生成所述历史案例,并存入所述历史案例库中。
10.根据权利要求6所述的装置,其特征在于,所述当前案例获取模块进一步用于去除当前生产数据噪声,并根据所述当前生产数据中的稳态检测数据判定当前时段的当前生产状况是否为稳态;若所述当前生产状况不处于稳态,则发出不稳定提醒,否则将去噪声后的每个部分数据生成所述当前生产案例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656454.7A CN110376987A (zh) | 2019-07-19 | 2019-07-19 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910656454.7A CN110376987A (zh) | 2019-07-19 | 2019-07-19 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110376987A true CN110376987A (zh) | 2019-10-25 |
Family
ID=68254253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910656454.7A Pending CN110376987A (zh) | 2019-07-19 | 2019-07-19 | 基于案例库和稳态检测的炼油过程在线优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110376987A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142488A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中控技术股份有限公司 | 基于工况比对驱动的流程工业优化方法 |
CN111178576A (zh) * | 2019-11-19 | 2020-05-19 | 浙江中控技术股份有限公司 | 基于炼化装置运行数据的操作优化方法 |
CN111340269A (zh) * | 2019-12-31 | 2020-06-26 | 浙江中控技术股份有限公司 | 用于流程工业过程的实时优化方法 |
CN113673741A (zh) * | 2021-05-25 | 2021-11-19 | 石化盈科信息技术有限责任公司 | 稳态实时优化方法、装置、存储介质及电子设备 |
CN114880943A (zh) * | 2022-05-24 | 2022-08-09 | 安及义实业(上海)有限公司 | 一种基于数据库的生物反应器设计方法及系统 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006009615A (ja) * | 2004-06-23 | 2006-01-12 | Toyota Motor Corp | 自動適合装置 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN105528523A (zh) * | 2015-12-18 | 2016-04-27 | 中国科学院遥感与数字地球研究所 | 一种基于遥感数据的土壤厚度反演方法 |
CN106354997A (zh) * | 2016-08-24 | 2017-01-25 | 清华大学 | 基于案例库的炼油过程模糊匹配调优方法 |
-
2019
- 2019-07-19 CN CN201910656454.7A patent/CN110376987A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006009615A (ja) * | 2004-06-23 | 2006-01-12 | Toyota Motor Corp | 自動適合装置 |
CN104765965A (zh) * | 2015-04-15 | 2015-07-08 | 国家电网公司 | 基于模糊Petri的GIS故障诊断与可靠性分析方法 |
CN105528523A (zh) * | 2015-12-18 | 2016-04-27 | 中国科学院遥感与数字地球研究所 | 一种基于遥感数据的土壤厚度反演方法 |
CN106354997A (zh) * | 2016-08-24 | 2017-01-25 | 清华大学 | 基于案例库的炼油过程模糊匹配调优方法 |
Non-Patent Citations (1)
Title |
---|
洪军等: "基于事例推理技术的锅炉运行实时目标工况模型", 《热能动力工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178576A (zh) * | 2019-11-19 | 2020-05-19 | 浙江中控技术股份有限公司 | 基于炼化装置运行数据的操作优化方法 |
CN111178576B (zh) * | 2019-11-19 | 2023-09-05 | 浙江中控技术股份有限公司 | 基于炼化装置运行数据的操作优化方法 |
CN111142488A (zh) * | 2019-12-30 | 2020-05-12 | 浙江中控技术股份有限公司 | 基于工况比对驱动的流程工业优化方法 |
CN111340269A (zh) * | 2019-12-31 | 2020-06-26 | 浙江中控技术股份有限公司 | 用于流程工业过程的实时优化方法 |
CN113673741A (zh) * | 2021-05-25 | 2021-11-19 | 石化盈科信息技术有限责任公司 | 稳态实时优化方法、装置、存储介质及电子设备 |
WO2023040512A1 (zh) * | 2021-09-16 | 2023-03-23 | 广东辛孚科技有限公司 | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 |
CN114880943A (zh) * | 2022-05-24 | 2022-08-09 | 安及义实业(上海)有限公司 | 一种基于数据库的生物反应器设计方法及系统 |
CN114880943B (zh) * | 2022-05-24 | 2023-02-03 | 安及义实业(上海)有限公司 | 一种基于数据库的生物反应器设计方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110376987A (zh) | 基于案例库和稳态检测的炼油过程在线优化方法及装置 | |
WO2023040512A1 (zh) | 一种基于分子级机理模型与大数据技术的催化裂化装置模拟预测方法 | |
CN110456756B (zh) | 一种适用于连续生产过程全局运行状况在线评估的方法 | |
CN102213949B (zh) | 一种乙烯装置价值优化方法 | |
US11494651B2 (en) | Systems and methods for optimizing refinery coker process | |
CN106778008B (zh) | 一种用于优化加氢裂化过程反应条件的方法 | |
US11993751B2 (en) | Predictive control systems and methods with fluid catalytic cracking volume gain optimization | |
CN103524284B (zh) | 一种乙烯裂解原料配置的预测和优化方法 | |
CN101414158A (zh) | 一种乙烯裂解炉裂解反应操作条件的优化方法 | |
CN111461406B (zh) | 一种基于混合建模的乙烯生产原料优化方法 | |
US20180082002A1 (en) | Systems and methods for online model validation | |
CN104463327A (zh) | 一种预测催化裂化焦炭产率的方法 | |
US20220299952A1 (en) | Control system with optimization of neural network predictor | |
CN108416439A (zh) | 基于变量加权深度学习的炼油过程产品预测方法和系统 | |
KR100979363B1 (ko) | 다입력 다출력 연속생산과정의 실시간조작 최적화 방법 | |
CN106281431B (zh) | 一种加氢裂化装置反应深度的实时预测方法及装置 | |
CN111475957A (zh) | 一种基于装置机理的炼油过程生产计划优化方法 | |
CN113539382B (zh) | 一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统 | |
CN107301264A (zh) | 一种催化裂化反应动力学参数的估算方法及系统 | |
CN102750454B (zh) | 一种氢气消耗预测值获取方法、装置及系统 | |
CN116843052A (zh) | 一种炼厂生产计划的多目标优化方法 | |
Al-Jlibawi et al. | The efficiency of soft sensors modelling in advanced control systems in oil refinery through the application of hybrid intelligent data mining techniques | |
CN114496101A (zh) | 一种工业催化裂化装置的性能评估方法及系统 | |
CN110717235A (zh) | 一种催化裂化装置沉降器结焦预测方法 | |
CN102998131B (zh) | 石油化工产品生产设备性能跟踪诊断装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191025 |