CN111849544A - 加氢裂化的产品质量自控方法、装置和存储器 - Google Patents

加氢裂化的产品质量自控方法、装置和存储器 Download PDF

Info

Publication number
CN111849544A
CN111849544A CN201910351707.XA CN201910351707A CN111849544A CN 111849544 A CN111849544 A CN 111849544A CN 201910351707 A CN201910351707 A CN 201910351707A CN 111849544 A CN111849544 A CN 111849544A
Authority
CN
China
Prior art keywords
data
preset
product quality
property information
monitoring data
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.)
Granted
Application number
CN201910351707.XA
Other languages
English (en)
Other versions
CN111849544B (zh
Inventor
黄新露
陈玉石
吕建新
佟伟
王建平
彭伟锋
赵玉琢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sinopec Dalian Petrochemical Research Institute Co ltd
China Petroleum and Chemical Corp
Original Assignee
China Petroleum and Chemical Corp
Sinopec Dalian Research Institute of Petroleum and Petrochemicals
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Petroleum and Chemical Corp, Sinopec Dalian Research Institute of Petroleum and Petrochemicals filed Critical China Petroleum and Chemical Corp
Priority to CN201910351707.XA priority Critical patent/CN111849544B/zh
Publication of CN111849544A publication Critical patent/CN111849544A/zh
Application granted granted Critical
Publication of CN111849544B publication Critical patent/CN111849544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C10—PETROLEUM, GAS OR COKE INDUSTRIES; TECHNICAL GASES CONTAINING CARBON MONOXIDE; FUELS; LUBRICANTS; PEAT
    • C10G—CRACKING HYDROCARBON OILS; PRODUCTION OF LIQUID HYDROCARBON MIXTURES, e.g. BY DESTRUCTIVE HYDROGENATION, OLIGOMERISATION, POLYMERISATION; RECOVERY OF HYDROCARBON OILS FROM OIL-SHALE, OIL-SAND, OR GASES; REFINING MIXTURES MAINLY CONSISTING OF HYDROCARBONS; REFORMING OF NAPHTHA; MINERAL WAXES
    • C10G47/00—Cracking of hydrocarbon oils, in the presence of hydrogen or hydrogen- generating compounds, to obtain lower boiling fractions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Oil, Petroleum & Natural Gas (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Organic Chemistry (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了加氢裂化的产品质量自控方法、装置和存储器，其中所述方法包括步骤：获取加氢裂化系统的监测数据；根据监控数据的预设数据标准，统一各种监控数据的采集周期和采集时间点；在工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；构建建模数据；根据预设目标变量和预设自变量对建模数据进行模型训练，生成产品质量预测模型；以从实时监控数据中确定出的重点参数项为输入，通过产品质量预测模型获取加氢裂化系统预设产品的预测结果；当预测结果超出预设范围值时，根据预测模型生成自动控制参数项的调节方案。本发明可以使加氢裂化装置的工况保持在合理的运行状态，进而也就能够有效地减少产品质量不合格的情况。

Description

加氢裂化的产品质量自控方法、装置和存储器
技术领域
本发明涉及石油化工领域，特别是涉及加氢裂化的产品质量自控方法、装置和存储器。
背景技术
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；比如，目前大型石油化工企业所建立的加氢裂化系统的实时数据库系统、分布式控制系统（Distributed Control System，DCS）、生产过程执行系统MES(Manufacturing Execution System，MES)、实验室信息管理系统(LaboratoryInformation Management System，LIMS)等业务系统，可以为安全生产和管理积累了大量数据。但对数据的深度挖掘和利用还远远不够。从海量的数据中寻找事故发生的规律，提高安全生产的管理的水平，具有重要的意义和作用。
发明人经过研究发现，现有技术中，由于这些历史数据的数据质量差异性较大，且多种工况参数对于加氢裂化产品的产品质量的影响方式尚不够明确，所以还无法通过预先的工况调节来对加氢裂化装置的产品质量进行有效的控制。
发明内容
针对现有技术的不足，本发明提供加氢裂化的产品质量自控方法、装置和存储器。本发明可以实现通过预先的工况调节来对加氢裂化装置的产品质量进行有效的控制。
本发明提供一种加氢裂化的产品质量自控方法，包括步骤：
S11、获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
S12、根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
S13、在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
S14、根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
S15、根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
S16、以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
S17、当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
优选的，在本发明中，还包括：
根据所述调节方案生成对应的控制指令，所述控制指令用于控制与所述自动控制参数项对应的调节装置。
优选的，在本发明中，在所述根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据之前，还包括：
根据预设规则对所述工况数据进行校正，所述预设规则包括：分别获取每个所述工况数据所对应的采集时间点，对所述采集时间点前后预设时段内的所有工况数据进行中值计算，以生成所述工况数据修正后的工况数据；
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采集时间的点间隔粒度调整为与所述工况数据的采集时间点的间隔粒度保持一致，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采集时间点的数据更新为与时序靠前的性质信息数据一致。
优选的，在本发明中，确定所述重点参数项包括：
以所述工况数据和所述原料性质信息中各个参数项为输入，通过所述预测模型获取各所述参数项的对于所述产品质量的影响权重的权重值；
根据各所述参数项对于所述产品质量的影响权重的权重值排名，获取所述产品质量的重点参数项。
优选的，在本发明中，确定所述自动控制参数项包括：
在与所述重点参数项所对应的工况数据中确定与产品质量具有关联性且可调节的参数项作为自动控制参数项。
优选的，在本发明中，所述对所述建模数据进行训练，包括：
S21、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；
S22、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；
S23、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S21；当评估的结果达到预设值，建模结束。
优选的，在本发明中，所述根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据，包括：
根据所述工况数据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采集时间点的所述工况数据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，所述根据所述工况数据和所述原料性质信息中各个参数项对于所述产品质量的影响权重的权重值，获取所述产品质量的重点参数项，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。
在本发明实施例的另一面，还提供了一种加氢裂化的产品质量自控装置，包括：
数据获取单元，用于获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
标准化单元，用于根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
控制参数确定单元，用于在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
建模数据生成单元，用于根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
模型训练单元，用于根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
预测结果生成单元，用于以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
调节方案生成单元，用于当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
在本发明的另一面，还提供了一种存储器，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的产品质量自控方法的步骤。
由上可以看出，在本发明中，一方面通过监测数据来生成建模数据，从而构建加氢裂化装置的预测模型；另外，还从监控数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；这样当通过预测模型预测出产品质量将要出现问题后，可以再次通过预测模型来获得能够使产品质量回归合格所需的调节方案，从而使加氢裂化装置的工况保持在合理的运行状态，进而也就能够有效地减少氢裂化装置的出现产品不合格的情况。
进一步的，在本发明实施例中，通过预设加氢裂化系统的监控数据的数据标准，为来自不同监测设备的监控数据设定统一的数据采集周期和同步的采集时间点；然后，根据原始监测数据的不同采集周期和采集时间点进行数据整理，从而可以使原本没有关联的各种监测数据可以根据预设的数据标准中的采集周期和采集时间点，对各种监控数据进行关联。
本发明实施例在进行数据整理时，通过在多个邻近采集时间点进行中值取值的方式来对监测数据进行修正的方式来减少由于监控数据的采集时间点滞后于产品的产品质量的波动时间所造成的建模数据质量过低的问题；此外，针对于某些监测数据的获取设备监测数据缺失或原始数据的采集时间点的间隔粒度过大的问题，本发明实施例还采取特定的数据填充手段，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采集时间点的数据更新为与时序靠前的性质信息数据一致的方式，来使数据整理后监测数据符合预设的数据标准。
由于通过本发明实施例，可以使多种监控数据具有了统一的采集周期和采集时间点，从而能够以采集时间点为关联点将各种监控数据进行同步关联。本发明实施例能够使各监控数据之间就具有了更好的对应性，因此，就可以使由此建立的加氢裂化的产品质量预测的预测模型的预测准确率更加的精确。这样以实时获取的监控数据为参数通过预测模型来对监控对象进行实时的监控，就可以及时且准确的获得加氢裂化的产品质量预测的结果了。
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质量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实施例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的产品质量自控方法的步骤示意图；
图2为本发明中所述加氢裂化的产品质量自控方法的又一步骤示意图；
图3为本发明中加氢裂化的产品质量自控装置的结构示意图；
图4为本发明中所述计算机设备的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例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，本领域的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。
为了实现通过预先的工况调节来对加氢裂化装置的产品质量进行有效的控制，如图1所示，本发明实施例提供了一种加氢裂化的产品质量自控方法，包括步骤：
S11、获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
本发明实施例中，作为的监控数据的加氢裂化系统的多种生产运行数据，其采集设备和存储器包括有多种，如加氢裂化系统的实时数据库系统、分布式控制系统（DistributedControl System，DCS）、生产过程执行系统MES(Manufacturing Execution System，MES)、实验室信息管理系统(Laboratory Information Management System，LIMS)等的所存储的各种生产运行数据。
在本发明实施例中，实时数据库系统中的历史数据中，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，工况数据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，以及产品的流量等数据。
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、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、馏程和质量等。
本发明实施例获取监测数据可以包括历史监测数据和实时监测数据，其中历史监测数据用来通过数据训练来构建预测模型。
在实际应用中，上述多种监测数据的采集设备和存储器所存储的数据会由于如存储空间受限等原因，会进行数据的稀释等操作，从而会造成数据缺失，因此，在本发明实施例中，还可以通过获取实时监测数据的方式来第一时间获得完整的数据，从而为后续的预测模型的优化和修正提供更为准确的数据支撑。
S12、根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
由于上述多种采集设备和存储器所存储的监测数据的采集周期和采集时间点各不相同，所以原始监测数据无法直接作为预测模型的建模数据；基于以上原因，本发明实施例中首先预设了预设加氢裂化系统的监控数据的数据标准，以统一各种监控数据的采集周期和采集时间点；在本发明实施例中，监控数据具体可以包括性质信息数据和工况数据；性质信息数据可以包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
S13、在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
在加氢裂化的生产工艺各个主要环节中，一些特定的工况数据，如温度、压力、流量、液位或阀门开度等数据，以及，产品的流量等数据使可以通过对应的调节装置来进行控制的。通过这些调节装置可以调节相应的工况数据的数值。
需要说明的是，本发明实施中的上述调节装置还可以根据相应的控制指令来实现自动控制，以调节相应的工况数据的数值。
S14、根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
由于本发明实施例中的多种监控数据具有了统一的采集周期和采集时间点，从而能够以采集时间点为关联点将各种监控数据进行同步关联。本发明实施例能够使各监控数据之间就具有了更好的对应性，因此，就可以使由此建立的加氢裂化的产品质量预测的预测模型的预测准确率更加的精确。
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数据的各个参数项；当宽表中包括了大量的上述记录后，就构建了建模数据，即，根据工况数据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数据和所述性质信息数据中各个参数项的值进行关联存储。
S15、根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
这样以实时获取的监控数据为参数通过预测模型来对监控对象进行实时的监控，就可以及时且准确的获得加氢裂化的产品质量预测的结果了。
对建模数据进行分类模型训练的方式具体可以如图2所示，包括步骤：
S21、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。
S22、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质量预测的模型；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。
S23、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S21；当评估的结果达到预设值，建模结束。
综上所述，在本发明实施例中，通过预设加氢裂化系统的监控数据的数据标准，为来自不同监测设备的监控数据设定统一的数据采集周期和同步的采集时间点；然后，根据原始监测数据的不同采集周期和采集时间点进行数据整理，从而可以使原本没有关联的各种监测数据可以根据预设的数据标准中的采集周期和采集时间点，对各种监控数据进行关联。
本发明实施例在进行数据整理时，通过在多个邻近采集时间点进行中值取值的方式来对监测数据进行修正的方式来减少由于监控数据的采集时间点滞后于产品的产品质量的波动时间所造成的建模数据质量过低的问题；此外，针对于某些监测数据的获取设备监测数据缺失或原始数据的采集时间点的间隔粒度过大的问题，本发明实施例还采取的特定的数据填充手段，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采集时间点的数据更新为与时序靠前的性质信息数据一致的方式，来使数据整理后监测数据符合预设的数据标准。
由于通过本发明实施例，可以使多种监控数据具有了统一的采集周期和采集时间点，从而能够以采集时间点为关联点将各种监控数据进行同步关联。本发明实施例能够使各监控数据之间就具有了更好的对应性，因此，就可以使由此建立的加氢裂化的产品质量预测的预测模型的预测准确率更加的精确。这样以实时获取的监控数据为参数通过预测模型来对监控对象进行实时的监控，就可以及时且准确的获得加氢裂化的产品质量预测的结果了。
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质量预测模型的预测准确率更加的精确。
S16、以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
在本发明实施例中，重点参数项是指各个参数项中筛选出数值变化与产品质量变化的对应关系较为明确的参数项。
具体来说，原始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，原始建模数据中还包括有不能很好的反应产品质量的数据（参数项），比如，某些工况数据和/或性质信息数据中的某些参数项的数值的变化与产品质量变化的对应关系并不明确，为此，在本发明实施例中，可以通过数据的筛选，从而从原始的建模数据中筛选出能够有效的进行产品质量预判的数据。
举例来说，加氢裂化装置的运行过程中，涉及到的DCS系统的工况数据的参数项超过五百多项，其中大部分对产品的产品质量影响并不显著，因此，需要从众多的工况数据和所述原料性质信息中确定出那些对于产品质量的影响较大的各个参数项。
本发明实施例中，确定重点参数项的方式可以是，以所述工况数据和所述原料性质信息中各个参数项为输入，通过预测模型获取各所述参数项的对于所述产品质量的影响权重的权重值；根据各参数项对于产品质量的影响权重的权重值排名，获取产品质量的重点参数项。
具体来说，在获取了建模数据后，为了能够从众多的工况数据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质量的影响较大，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，通过获取工况数据和原料性质信息中各个参数项对于产品质量的影响权重的权重值，来获取产品质量的重点参数项。
通过测试数据可以判断预测模型的预测准确性和有效性，在不断地进行工况数据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质量的影响权重的权重值，即，每种参数项对于产品质量的影响程度，这样，就可以从众多的参数项中来确定出哪些是影响产品质量的重点参数项，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。
S17、当预测结果超出预设范围值时，根据预测模型生成自动控制参数项的调节方案。
本发明实施例中的调节方案是指，对于各自动控制参数项所对应的调节装置的参数值的组合方案。如，对于某个温控装置的温度值或是某个阀门的开度值的确定。
由于本发明实施例中的预测模型可以对产品的质量进行预测，因此通过自动控制参数项的模拟的调节可以分别获得对应的预测结果，进而可以生成能够使产品质量回归合格所需的调节方案。
因此，本发明实施例可以根据调节方案生成对应的控制指令，来对与自动控制参数项对应的调节装置进行相应的控制。从而使得加氢裂化装置在出现产品质量问题之前通过自动控制参数项的调节来避免加氢裂化装置出现产品质量问题。
综上所述，在本发明实施例中，一方面通过监测数据来生成建模数据，从而构建加氢裂化装置的预测模型；另外，还从监控数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；这样当通过预测模型预测出产品质量将要出现问题后，可以再此通过预测模型来获得能够使产品质量回归合格所需的调节方案，从而使加氢裂化装置的工况保持在合理的运行状态，进而也就能够有效地减少氢裂化装置的出现产品不合格的情况。
进一步的，在本发明实施例中，通过预设加氢裂化系统的监控数据的数据标准，为来自不同监测设备的监控数据设定统一的数据采集周期和同步的采集时间点；然后，根据原始监测数据的不同采集周期和采集时间点进行数据整理，从而可以使原本没有关联的各种监测数据可以根据预设的数据标准中的采集周期和采集时间点，对各种监控数据进行关联。
本发明实施例在进行数据整理时，通过在多个邻近采集时间点进行中值取值的方式来对监测数据进行修正的方式来减少由于监控数据的采集时间点滞后于产品的产品质量的波动时间所造成的建模数据质量过低的问题；此外，针对于某些监测数据的获取设备监测数据缺失或原始数据的采集时间点的间隔粒度过大的问题，本发明实施例还采取的特定的数据填充手段，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采集时间点的数据更新为与时序靠前的性质信息数据一致的方式，来使数据整理后监测数据符合预设的数据标准。
由于通过本发明实施例，可以使多种监控数据具有了统一的采集周期和采集时间点，从而能够以采集时间点为关联点将各种监控数据进行同步关联。本发明实施例能够使各监控数据之间就具有了更好的对应性，因此，就可以使由此建立的加氢裂化的产品质量预测的预测模型的预测准确率更加的精确。这样以实时获取的监控数据为参数通过预测模型来对监控对象进行实时的监控，就可以及时且准确的获得加氢裂化的产品质量预测的结果了。
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质量预测模型的预测准确率更加的精确。
进一步的，本发明实施例中，在根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据之前，还包括：
根据预设规则对所述工况数据进行校正，所述预设规则包括：分别获取每个所述工况数据所对应的采集时间点，对所述采集时间点前后预设时段内的所有工况数据进行中值计算，以生成所述工况数据修正后的工况数据；
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采集时间的点间隔粒度调整为与所述工况数据的采集时间点的间隔粒度保持一致，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采集时间点的数据更新为与时序靠前的性质信息数据一致。
在实际应用中，如果不对数据进行整理，通过预测模型的方式进行产品质量的预测时，其预测的效果较差，发明人经过研究发现，现有技术中的加氢裂化产品质量的预测模型，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，工况数据的采集时间，与该工况数据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，工况数据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数据的变化造成的，而是某一时间段的工况数据的变化，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数据进行了校正，以改善工况数据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：分别获取每个工况数据所对应的时间点，对时间点前后预设时段内的所有工况数据进行中值计算，以生成工况数据修正后的工况数据；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分的工况数据的数值为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）内所有的工况数据进行中值计算，这样，修正后的工况数据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数据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数据的数值，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。
在本发明实施例中，针对相较于工况数据，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采集时间点的间隔粒度调整为与预设的数据标准所设定的采集周期和采集时间点保持一致，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；以预设的数据标准所设定的采集周期为每分钟一条记录为例，当某一性质信息数据中的某一参数项为每4小时一条记录为例，在进行数据填充时，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的采集周期和采集时间点与预设的数据标准保持一致。
在本发明实施例中，还提供了一种加氢裂化的产品质量自控装置，图3示出本发明实施例提供的加氢裂化的产品质量自控装置的结构示意图，所述加氢裂化的产品质量自控装置为与实施例1中所述加氢裂化的产品质量自控方法对应的装置，即，通过虚拟装置的方式实现实施例1中加氢裂化的产品质量自控方法，构成所述加氢裂化的产品质量自控装置的各个虚拟模块可以由电子设备执行，例如网络设备、终端设备、或服务器。
具体来说，本发明实施例中的加氢裂化的产品质量自控装置包括：
数据获取单元01，用于获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
标准化单元02，用于根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
控制参数确定单元03，用于在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
建模数据生成单元04，用于根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
模型训练单元05，用于根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
预测结果生成单元06，用于以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
调节方案生成单元07，用于当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
由于本发明实施例中加氢裂化的产品质量自控装置的工作原理和有益效果已经在上述实施例中的加氢裂化的产品质量自控方法中也进行了记载和说明，因此可以相互参照，在此就不再赘述。
在本发明实施例中，还提供了一种存储器，其中，存储器包括软件程序，软件程序适于处理器执行图1所对应的加氢裂化的产品质量自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所对应的加氢裂化的产品质量自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器中，存储器设于计算机设备中，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中存储器的应用场景，如图4所示，计算机终端包括总线201、存储器202、处理器203和通信模块204；
总线201用于连接存储器202和处理器203；处理器203用于执行存储器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。
存储器202作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器203通过运行存储在存储器202中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。
存储器202可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器202可选包括相对于处理器203远程设置的存储器，这些远程存储器可以通过网络连接至处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器203中，当被所述一个或者多个处理器203执行时，执行：
S11、获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
S12、根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
S13、在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
S14、根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
S15、根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
S16、以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
S17、当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
由于本发明实施例中的存储器和加氢裂化的产品质量自控方法的工作原理和有益效果已经在图1所对应的加氢裂化的产品质量自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所对应的加氢裂化的产品质量自控方法的实施例来理解本发明实施例中的存储器，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介质中。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器中，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。而前述的存储器包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、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)

1.一种加氢裂化的产品质量自控方法，其特征在于，包括步骤：
S11、获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
S12、根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
S13、在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
S14、根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
S15、根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
S16、以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
S17、当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
2.根据权利要求1中所述产品质量自控方法，其特征在于，还包括：
根据所述调节方案生成对应的控制指令，所述控制指令用于控制与所述自动控制参数项对应的调节装置。
3.根据权利要求1中所述产品质量自控方法，其特征在于，在所述根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据之前，还包括：
根据预设规则对所述工况数据进行校正，所述预设规则包括：分别获取每个所述工况数据所对应的采集时间点，对所述采集时间点前后预设时段内的所有工况数据进行中值计算，以生成所述工况数据修正后的工况数据；
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采集时间的点间隔粒度调整为与所述工况数据的采集时间点的间隔粒度保持一致，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采集时间点的数据更新为与时序靠前的性质信息数据一致。
4.根据权利要求1中所述产品质量自控方法，其特征在于，确定所述重点参数项包括：
以所述工况数据和所述原料性质信息中各个参数项为输入，通过所述预测模型获取各所述参数项的对于所述产品质量的影响权重的权重值；
根据各所述参数项对于所述产品质量的影响权重的权重值排名，获取所述产品质量的重点参数项。
5.根据权利要求1中所述产品质量自控方法，其特征在于，确定所述自动控制参数项包括：
在与所述重点参数项所对应的工况数据中确定与产品质量具有关联性且可调节的参数项作为自动控制参数项。
6.根据权利要求1中所述产品质量自控方法，其特征在于，所述对所述建模数据进行训练，包括：
S21、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；
S22、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；
S23、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S21；当评估的结果达到预设值，建模结束。
7.根据权利要求1中所述产品质量自控方法，其特征在于，所述根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据，包括：
根据所述工况数据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采集时间点的所述工况数据和所述性质信息数据中各个参数项的值进行关联存储。
8.根据权利要求4中所述产品质量自控方法，其特征在于，所述根据所述工况数据和所述原料性质信息中各个参数项对于所述产品质量的影响权重的权重值，获取所述产品质量的重点参数项，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。
9.一种加氢裂化的产品质量自控装置，其特征在于，包括：
数据获取单元，用于获取加氢裂化系统的监测数据，所述监测数据包括历史监测数据和实时监测数据；
标准化单元，用于根据监控数据的预设数据标准，统一各种所述监控数据的采集周期和采集时间点；所述监控数据包括性质信息数据和工况数据；所述性质信息数据包括加氢裂化系统预设产品的产品属性信息和多种原料的原料性质信息；
控制参数确定单元，用于在所述工况数据中确定出与产品质量具有关联性且可调节的参数项作为自动控制参数项；
建模数据生成单元，用于根据所述监控数据统一的采集周期和采集时间点，对所述监控数据中的性质信息数据和工况数据进行关联，构建建模数据；
模型训练单元，用于根据预设目标变量和预设自变量对所述建模数据进行模型训练，生成所述产品质量预测模型；所述预设自变量包括所述性质信息数和工况数据；所述预设目标变量包括所述加氢裂化系统预设产品的产品质量；
预测结果生成单元，用于以从所述实时监控数据中确定出的重点参数项为输入，通过所述产品质量预测模型获取所述加氢裂化系统预设产品的预测结果；
调节方案生成单元，用于当所述预测结果超出预设范围值时，根据所述预测模型生成所述自动控制参数项的调节方案。
10.一种存储器，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中任一所述产品质量自控方法的步骤。
CN201910351707.XA 2019-04-28 2019-04-28 加氢裂化的产品质量自控方法、装置和存储器 Active CN111849544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910351707.XA CN111849544B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量自控方法、装置和存储器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910351707.XA CN111849544B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量自控方法、装置和存储器

Publications (2)

Publication Number Publication Date
CN111849544A true CN111849544A (zh) 2020-10-30
CN111849544B CN111849544B (zh) 2021-08-06

Family

ID=72965160

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910351707.XA Active CN111849544B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量自控方法、装置和存储器

Country Status (1)

Country Link
CN (1) CN111849544B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN118583457A (zh) * 2024-08-01 2024-09-03 莱森光学（深圳）有限公司 用于远场激光的光束质量测试装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106281431A (zh) * 2016-08-26 2017-01-04 中南大学 一种加氢裂化装置反应深度的实时预测方法及装置
CN106845796A (zh) * 2016-12-28 2017-06-13 中南大学 一种加氢裂化流程产品质量在线预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106281431A (zh) * 2016-08-26 2017-01-04 中南大学 一种加氢裂化装置反应深度的实时预测方法及装置
CN106845796A (zh) * 2016-12-28 2017-06-13 中南大学 一种加氢裂化流程产品质量在线预测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
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
CN118583457A (zh) * 2024-08-01 2024-09-03 莱森光学（深圳）有限公司 用于远场激光的光束质量测试装置

Also Published As

Publication number Publication date
CN111849544B (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN111849544B (zh) 加氢裂化的产品质量自控方法、装置和存储器
Leiva‐Leon Measuring business cycles intra‐synchronization in US: A regime‐switching interdependence framework
CN112308273A (zh) 存储器、石化企业排污管理方法、装置和设备
CN111459761A (zh) 一种Redis配置的方法、装置、存储介质及设备
US11995667B2 (en) Systems and methods for business analytics model scoring and selection
CN114219129A (zh) 基于任务和mtbf的武器系统随行备件需求预测及评估系统
CN118011990B (zh) 基于人工智能的工业数据品质监控与提升系统
CN118275903B (zh) 一种基于数据分析的电池性能测试方法
CN111931323B (zh) 存储器、加氢裂化设备故障预测方法、装置和设备
CN111849545B (zh) 加氢裂化的产品质量预测方法、装置和存储器
CN111078500A (zh) 运行配置参数的调整方法、装置、计算机设备和存储介质
CN113949644A (zh) 基于LSTM-prophet的网站访问量预测方法及系统
CN109726845B (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
CN117578440A (zh) 一种基于神经网络的电网负荷预测方法
CA3160715A1 (en) Systems and methods for business analytics model scoring and selection
CN113610266A (zh) 汽车零件的故障预测方法、装置、计算机设备和存储介质
CN117591949A (zh) 一种设备异常识别方法、设备及介质
CN117977536A (zh) 一种智能电网负荷辨识方法
CN111915184A (zh) 汽车行业零件质量早期预警方法及存储介质
Friederich et al. A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems
US10689965B2 (en) Field development plan selection system, method and program product
CN116088333A (zh) 工业设备控制方法、装置、计算机设备、存储介质和产品
Yun et al. Metaheuristic-based inspection policy for a one-shot system with two types of units
CN118154048B (zh) 一种基于数字孪生的智能制造系统
CN118014165B (zh) 锂离子电池生产的溯源管理方法及系统

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231008

Address after: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Patentee after: CHINA PETROLEUM & CHEMICAL Corp.

Patentee after: Sinopec (Dalian) Petrochemical Research Institute Co.,Ltd.

Address before: 100728 No. 22 North Main Street, Chaoyang District, Beijing, Chaoyangmen

Patentee before: CHINA PETROLEUM & CHEMICAL Corp.

Patentee before: DALIAN RESEARCH INSTITUTE OF PETROLEUM AND PETROCHEMICALS, SINOPEC Corp.