CN111849545B - 加氢裂化的产品质量预测方法、装置和存储器 - Google Patents

加氢裂化的产品质量预测方法、装置和存储器 Download PDF

Info

Publication number
CN111849545B
CN111849545B CN201910351708.4A CN201910351708A CN111849545B CN 111849545 B CN111849545 B CN 111849545B CN 201910351708 A CN201910351708 A CN 201910351708A CN 111849545 B CN111849545 B CN 111849545B
Authority
CN
China
Prior art keywords
data
preset
property information
working condition
product quality
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.)
Active
Application number
CN201910351708.4A
Other languages
English (en)
Other versions
CN111849545A (zh
Inventor
黄新露
吕建新
陈玉石
赵玉琢
佟伟
王建平
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 CN201910351708.4A priority Critical patent/CN111849545B/zh
Publication of CN111849545A publication Critical patent/CN111849545A/zh
Application granted granted Critical
Publication of CN111849545B publication Critical patent/CN111849545B/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)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (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)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了加氢裂化的产品质量预测方法、装置和存储器，其中所述方法包括步骤：预设加氢裂化系统的监测数据的数据标准；获取加氢裂化系统的监测数据；根据数据标准对历史监测数据进行数据整理；根据监测数据统一的采集周期和采集时间点，对监测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；根据预设目标变量和预设自变量通过分类模型对建模数据进行模型训练，生成产品质量预测模型。本发明能够以采集时间点为关联点将各种监测数据进行同步关联。从而使各监测数据之间就具有了更好的对应性，因此，就可以实时获取的监测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。

Description

加氢裂化的产品质量预测方法、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预测方法、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，虽然现有技术中，上述多种业务系统所采集的数据背后隐藏着大量重要的生产信息，但是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，因此工艺人员不能根据上述历史数据来及时了解当前工况参数会对产品质量产生什么样的影响。
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预测方法、装置和存储器。本发明可以提高对产品质量预判的准确性和及时性。
本发明提供一种加氢裂化的产品质量预测方法，包括步骤：
S11、预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
S12、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；
S13、根据所述数据标准对所述历史监测数据进行数据整理，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；
S14、根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型对所述建模数据进行模型训练，生成产品质量预测模型；所述预设自变量包括性质信息数据和工况数据；所述预设目标变量包括加氢裂化系统预设产品的产品质量。
优选的，在本发明实施例中，还包括：
S16、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；
S17、以实时获得的所述重点参数项为输入，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。
优选的，在本发明实施例中，所述对所述建模数据进行分类模型训练，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，在本发明实施例中，所述根据所述监测数据统一的采集周期和采集时间点，对所述监测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，在本发明实施例中，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，在本发明实施例中，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。
优选的，在本发明实施例中，所述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，包括：
所述预设时段为所述采集时间点前30分钟至所述采集时间点后30分钟。
优选的，在本发明实施例中，所述产品包括液化气、轻石脑油、重石脑油、航煤、柴油或尾油。
在本发明实施例的另一面，还提供了一种加氢裂化的产品质量预测装置，包括：
标准化单元，用于预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
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；
数据整理单元，用于根据所述数据标准对所述历史监测数据进行数据整理，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；
建模数据生成单元，用于根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型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据和工况数据；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。
在本发明实施例的另一面，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预测方法的步骤。
由上可以看出，在本发明中，通过预设加氢裂化系统的监测数据的数据标准，为来自不同监测设备的监测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，对各种监测数据进行关联。
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测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，可以使多种监测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测数据进行同步关联。本发明实施例能够使各监测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测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预测方法的步骤示意图；
图2为本发明中所述加氢裂化的产品质量预测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预测装置的结构示意图；
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。
为了提高加氢裂化的产品质量预测的及时性和准确度，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预测方法，包括步骤：
S11、预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
本发明实施例中，作为的监测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（Distributed Control System，DCS）、生产过程执行系统MES(Manufacturing ExecutionSystem，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。
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测数据的数据标准，以统一各种监测数据的采集周期和采集时间点；在本发明实施例中，监测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；
S12、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；
在预设了监测数据的数据标准后，就可以通过上述多种采集设备和存储器来获取加氢裂化系统的监测数据了。
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。
S13、根据所述数据标准对所述历史监测数据进行数据整理，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。
S14、根据所述监测数据统一的采集周期和采集时间点，对所述监测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测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测数据进行同步关联。本发明实施例能够使各监测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通过分类模型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据和工况数据；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测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测数据的数据标准，为来自不同监测设备的监测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，对各种监测数据进行关联。
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测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，可以使多种监测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测数据进行同步关联。本发明实施例能够使各监测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测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。
优选的，在本发明实施例中，还可以包括有步骤：
S16、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；
在本发明实施例中，建模数据是用于预判产品质量的，因此，还可以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；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，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；从而从工况数据和/或性质信息数据中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。
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。
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、以实时获得的所述重点参数项为输入，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。
通过重点参数项的选定，精简了预测模型的输入参数的项数，不但提高了预测模型的运行效率，还减少了一些非典型的数据和噪音数据对于预测模型的干扰。从而还提高了预测模型的预测结果。
由上可知，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质量预测模型的预测准确率更加的精确。
在本发明实施例中，还提供了一种加氢裂化的产品质量预测装置，图3示出本发明实施例提供的加氢裂化的产品质量预测装置的结构示意图，所述加氢裂化的产品质量预测装置为与实施例1中所述加氢裂化的产品质量预测方法对应的装置，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预测方法，构成所述加氢裂化的产品质量预测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预测装置包括：
标准化单元01，用于预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
数据获取单元02，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；
数据整理单元03，用于根据所述数据标准对所述历史监测数据进行数据整理，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；
建模数据生成单元04，用于根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型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据和工况数据；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。
由于本发明实施例中加氢裂化的产品质量预测装置的工作原理和有益效果已经在实施例1中的加氢裂化的产品质量预测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预测方法中的各个步骤。
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预测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202中，当被所述一个或者多个处理器203执行时，执行：
S11、预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
S12、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；
S13、根据所述数据标准对所述历史监测数据进行数据整理，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；
S14、根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型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据和工况数据；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。
优选的，还可以包括：
S16、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；
S17、以实时获得的所述重点参数项为输入，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。
由于本发明实施例中的存储器和加氢裂化的产品质量预测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预测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预测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 (9)

1.一种加氢裂化的产品质量预测方法，其特征在于，包括步骤：
S11、预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
S12、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；
S13、根据所述数据标准对所述历史监测数据进行数据整理，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；
S14、根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型对所述建模数据进行模型训练，生成产品质量预测模型；所述预设自变量包括性质信息数据和工况数据；所述预设目标变量包括加氢裂化系统预设产品的产品质量；
所述对所述建模数据进行模型训练，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。
2.根据权利要求1中所述产品质量预测方法，其特征在于，还包括：
S16、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；
S17、以实时获得的所述重点参数项为输入，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。
3.根据权利要求1中所述产品质量预测方法，其特征在于，所述根据所述监测数据统一的采集周期和采集时间点，对所述监测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。
4.根据权利要求1中所述产品质量预测方法，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。
5.根据权利要求2中所述产品质量预测方法，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。
6.根据权利要求1中所述产品质量预测方法，其特征在于，所述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，包括：
所述预设时段为所述采集时间点前30分钟至所述采集时间点后30分钟。
7.根据权利要求1至6中任一所述产品质量预测方法，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。
8.一种加氢裂化的产品质量预测装置，其特征在于，包括：
标准化单元，用于预设加氢裂化系统的监测数据的数据标准，所述数据标准包括监测数据统一的采集周期和采集时间点；所述监测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；
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；
数据整理单元，用于根据所述数据标准对所述历史监测数据进行数据整理，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；
建模数据生成单元，用于根据所述监测数据统一的采集周期和采集时间点，对所述监测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通过分类模型对所述建模数据进行模型训练，生成产品质量预测模型；所述预设自变量包括性质信息数据和工况数据；所述预设目标变量包括加氢裂化系统预设产品的产品质量。
9.一种存储器，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7中任一所述产品质量预测方法的步骤。
CN201910351708.4A 2019-04-28 2019-04-28 加氢裂化的产品质量预测方法、装置和存储器 Active CN111849545B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910351708.4A CN111849545B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量预测方法、装置和存储器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910351708.4A CN111849545B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量预测方法、装置和存储器

Publications (2)

Publication Number Publication Date
CN111849545A CN111849545A (zh) 2020-10-30
CN111849545B true CN111849545B (zh) 2021-08-06

Family

ID=72965215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910351708.4A Active CN111849545B (zh) 2019-04-28 2019-04-28 加氢裂化的产品质量预测方法、装置和存储器

Country Status (1)

Country Link
CN (1) CN111849545B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113762609A (zh) * 2021-08-27 2021-12-07 浙江天垂科技有限公司 产品质量预测方法及装置

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

Also Published As

Publication number Publication date
CN111849545A (zh) 2020-10-30

Similar Documents

Publication Publication Date Title
CN106951984B (zh) 一种系统健康度动态分析预测方法及装置
CN108780313B (zh) 为装配线执行目标参数分析的方法、系统和计算机可读介质
CN109522962B (zh) 一种化工厂安全定量评估方法
CN107240011B (zh) 一种指标配置加工方法和系统
CN111849544B (zh) 加氢裂化的产品质量自控方法、装置和存储器
CN113111095B (zh) 一种智能化信息管理方法及系统
Ungermann et al. Data analytics for manufacturing systems–a data-driven approach for process optimization
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
CN113098888A (zh) 异常行为预测方法、装置、设备及存储介质
Fernandes et al. Machine learning and process mining applied to process optimization: bibliometric and systemic analysis
CN111849545B (zh) 加氢裂化的产品质量预测方法、装置和存储器
CN111931323B (zh) 存储器、加氢裂化设备故障预测方法、装置和设备
CN110021377B (zh) 加氢裂化催化剂的失活预测方法、装置和存储设备
Schroeder et al. Predicting and evaluating software model growth in the automotive industry
CN111915184A (zh) 汽车行业零件质量早期预警方法及存储介质
Blischke et al. Preliminary data analysis
Friederich et al. A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems
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
CN110597729B (zh) 基于维度的压力测试方法、装置及系统
WO2022059030A1 (en) A system and method for automatically detecting anomaly present within dataset(s)
CN113610225A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
Yun et al. Metaheuristic-based inspection policy for a one-shot system with two types of units
CN118014165B (zh) 锂离子电池生产的溯源管理方法及系统
CN118011990B (zh) 基于人工智能的工业数据品质监控与提升系统

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: 20231007

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.