CN113191496A - 汽油辛烷值损失预测及优化方法 - Google Patents
汽油辛烷值损失预测及优化方法 Download PDFInfo
- Publication number
- CN113191496A CN113191496A CN202110533290.6A CN202110533290A CN113191496A CN 113191496 A CN113191496 A CN 113191496A CN 202110533290 A CN202110533290 A CN 202110533290A CN 113191496 A CN113191496 A CN 113191496A
- Authority
- CN
- China
- Prior art keywords
- data
- processed data
- processing
- processed
- gasoline
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 42
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 5
- 238000006477 desulfuration reaction Methods 0.000 description 4
- 230000023556 desulfurization Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004523 catalytic cracking Methods 0.000 description 1
- 230000003197 catalytic effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- C10G45/00—Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds
- C10G45/02—Refining of hydrocarbon oils using hydrogen or hydrogen-generating compounds to eliminate hetero atoms without changing the skeleton of the hydrocarbon involved and without cracking into lower boiling hydrocarbons; Hydrofinishing
-
- 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
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/20—Characteristics of the feedstock or the products
- C10G2300/201—Impurities
- C10G2300/202—Heteroatoms content, i.e. S, N, O, P
-
- 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
- C10G2300/00—Aspects relating to hydrocarbon processing covered by groups C10G1/00 - C10G99/00
- C10G2300/20—Characteristics of the feedstock or the products
- C10G2300/30—Physical properties of feedstocks or products
- C10G2300/305—Octane number, e.g. motor octane number [MON], research octane number [RON]
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种汽油辛烷值损失预测及优化方法，该方法首先根据工艺要求与操作经验，总结出原始数据变量的操作范围，采用最大最小的限幅方法剔除一部分不在此范围的样本；然后对只有部分时间点的位点，如果其残缺数据较多，无法补充，则将此类位点删除；最后对部分数据为空值的位点，空值处出用其前后两个小时数据的平均值代替。采用全连接高深度神经网络作为预测模型，全连接神经网络的预测准确性高，并且能够充分逼近复杂的非线性关系。实验结果显示，该模型取得了较好的优化效果。
Description
技术领域
本发明涉及一种汽油辛烷值损失预测及优化方法。
背景技术
随着国家经济的迅速发展，目前小型车辆已成为大众出门的日常工具，但汽车的尾气排放对大气环境产生重要的影响。为此，需利用技术在对催化裂化汽油进行脱硫和降烯烃此，此过程中会普遍降低汽油的辛烷值。
辛烷值是衡量汽油性能的重要指标，在催化同时尽量保持辛烷值。化工过程的建模一般是通过数据关联和机理建模的方法实现，但由于数据的关联和机理建模受到炼油工艺的复杂性、设备的多样性、原料的要求等因素的影响，机理建模效果并不理想。对于石化企业进行催化裂化汽油精制脱硫，辛烷值每降低1个单位，相当于损失约150元/吨，在保证汽油产品的脱硫效果，尽量降低辛烷值损失在30％以上。
发明内容
本发明的目的在于提供一种汽油辛烷值损失预测及优化方法。
为解决上述问题，本发明提供一种汽油辛烷值损失预测及优化方法，包括：
步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据；
步骤2：对第一处理数据进行补充，以得到第二处理数据；
步骤3：从第二处理数据中剔除数据，以得到第三处理数据；
步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据；
步骤5：通过随机森林对第四处理数据中的变量降维，通过降维处理，将第四处理数据中的次要的变量进行删除，以得到第五处理数据；
步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据：将第五处理数据中的每个样本变换为单位范数的向量，以得到第六处理数据；
步骤7：将全连接高深度神经网络作为预测模型，将第六处理数据输入预测模型，以得到训练完成的预测模型。
进一步的，在上述方法中，步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据，包括：
对于只有部分时间点的位点的原始样本数据，若残缺数据较多，无法补充，将此类位点删除，以得到第一处理数据。
进一步的，在上述方法中，步骤2：对第一处理数据进行补充，以得到第二处理数据，包括：
对于第一处理数据中部分为空值的位点，进行补充，以得到第二处理数据。
进一步的，在上述方法中，步骤3：从第二处理数据中剔除数据，以得到第三处理数据，包括：
剔除所述第二处理数据中一部分不在各个预设变量范围的样本，以得到第三处理数据。
进一步的，在上述方法中，步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据，包括：
根据拉依达准则，首先算出第三处理数据中各个变量的平均值及剩余误差，并按照贝塞尔公式算出标准误差，若该位点的数据剩余误差的绝对值大于3，则认为该变量是含有粗大误差值的坏值，进行剔除，以得到第四处理数据。
进一步的，在上述方法中，步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据，包括：
将第五处理数据中的每个样本变换为单位范数的向量，以得到第六处理数据，其中，各样本之间是相互独立的，其实际上，是对向量中的每个分量值除以正规化因子。
与现有技术相比，本发明首先根据工艺要求与操作经验，总结出原始数据变量的操作范围，采用最大最小的限幅方法剔除一部分不在此范围的样本；然后对只有部分时间点的位点，如果其残缺数据较多，无法补充，则将此类位点删除；最后对部分数据为空值的位点，空值处出用其前后两个小时数据的平均值代替。采用全连接高深度神经网络作为预测模型，全连接神经网络的预测准确性高，并且能够充分逼近复杂的非线性关系。实验结果显示，该模型取得了较好的优化效果。
附图说明
图1为本发明一实施例提供的基于数据挖掘技术的汽油辛烷值损失预测及优化方法模型流程图；
图2为本发明一实施例提供的基于数据挖掘技术的汽油辛烷值损失预测及优化方法模型结构图；
图3为本发明一实施例使用到的激活函数曲线图；
图4为本发明一实施例涉及的机器学习新性能评估指标的示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1～4所示，本发明提供一种汽油辛烷值损失预测及优化方法，包括：
步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据；
步骤2：对第一处理数据进行补充，以得到第二处理数据；
步骤3：从第二处理数据中剔除数据，以得到第三处理数据；
步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据；
步骤5：通过随机森林对第四处理数据中的变量降维，通过降维处理，将第四处理数据中的次要的变量进行删除，以得到第五处理数据；
步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据：将第五处理数据中的每个样本(向量)变换为单位范数的向量，以得到第六处理数据，其中，各样本之间是相互独立的，其实际上，是对向量中的每个分量值除以正规化因子；
步骤7：将全连接高深度神经网络作为预测模型，将第六处理数据输入预测模型，以得到训练完成的预测模型。
其中，全连接神经网络的预测准确性高，并且能够充分逼近复杂的非线性关系。为方便优化，结合我们数据的分布特点，我们使用均方误差(MSE)来作为我们的损失函数，以次来衡量我们预测结果和实际结果之间差值。公式如下：
激活函数使用sigmoid函数。
在此，针对现有技术中的缺陷，本发明根据某石化公司企业的催化裂化汽油精致脱硫装置思念运行积累的大量数据，提供一种RON损失预测模型，在保证汽油产品的脱硫效果的同时，进行操作优化。
该方法首先根据工艺要求与操作经验，总结出原始数据变量的操作范围，采用最大最小的限幅方法剔除一部分不在此范围的样本；然后对只有部分时间点的位点，如果其残缺数据较多，无法补充，则将此类位点删除；最后对部分数据为空值的位点，空值处出用其前后两个小时数据的平均值代替。采用全连接高深度神经网络作为预测模型，全连接神经网络的预测准确性高，并且能够充分逼近复杂的非线性关系。实验结果显示，该模型取得了较好的优化效果。
本发明的汽油辛烷值损失预测及优化方法一实施例中，步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据，包括：
对于只有部分时间点的位点的原始样本数据，若残缺数据较多，无法补充，将此类位点删除，以得到第一处理数据。
本发明的汽油辛烷值损失预测及优化方法一实施例中，步骤2：对第一处理数据进行补充，以得到第二处理数据，包括：
对于第一处理数据中部分为空值的位点，进行补充，以得到第二处理数据。
本发明的汽油辛烷值损失预测及优化方法一实施例中，步骤3：从第二处理数据中剔除数据，以得到第三处理数据，包括：
剔除所述第二处理数据中一部分不在各个预设变量范围的样本，以得到第三处理数据。
本发明的汽油辛烷值损失预测及优化方法一实施例中，步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据，包括：
根据拉依达准则，首先算出第三处理数据中各个变量的平均值及剩余误差，并按照贝塞尔公式算出标准误差，若该位点的数据剩余误差的绝对值大于3，则认为该变量是含有粗大误差值的坏值，进行剔除，以得到第四处理数据。
本发明的汽油辛烷值损失预测及优化方法一实施例中，步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据，包括：
将第五处理数据中的每个样本(向量)变换为单位范数的向量，以得到第六处理数据，其中，各样本之间是相互独立的，其实际上，是对向量中的每个分量值除以正规化因子。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
专业人员还可以进一步意识到，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。专业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。
显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (6)
1.一种汽油辛烷值损失预测及优化方法，其特征在于，包括：
步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据；
步骤2：对第一处理数据进行补充，以得到第二处理数据；
步骤3：从第二处理数据中剔除数据，以得到第三处理数据；
步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据；
步骤5：通过随机森林对第四处理数据中的变量降维，通过降维处理，将第四处理数据中的次要的变量进行删除，以得到第五处理数据；
步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据：将第五处理数据中的每个样本变换为单位范数的向量，以得到第六处理数据；
步骤7：将全连接高深度神经网络作为预测模型，将第六处理数据输入预测模型，以得到训练完成的预测模型。
2.如权利要求1所述的汽油辛烷值损失预测及优化方法，其特征在于，步骤1：获取汽油的原始样本数据，去除原始样本数据中的缺失数据，以得到第一处理数据，包括：
对于只有部分时间点的位点的原始样本数据，若残缺数据较多，无法补充，将此类位点删除，以得到第一处理数据。
3.如权利要求1所述的汽油辛烷值损失预测及优化方法，其特征在于，步骤2：对第一处理数据进行补充，以得到第二处理数据，包括：
对于第一处理数据中部分为空值的位点，进行补充，以得到第二处理数据。
4.如权利要求1所述的汽油辛烷值损失预测及优化方法，其特征在于，步骤3：从第二处理数据中剔除数据，以得到第三处理数据，包括：
剔除所述第二处理数据中一部分不在各个预设变量范围的样本，以得到第三处理数据。
5.如权利要求1所述的汽油辛烷值损失预测及优化方法，其特征在于，步骤4：根据拉达准则去除所述第三处理数据中的异常值，以得到第四处理数据，包括：
根据拉依达准则，首先算出第三处理数据中各个变量的平均值及剩余误差，并按照贝塞尔公式算出标准误差，若该位点的数据剩余误差的绝对值大于3，则认为该变量是含有粗大误差值的坏值，进行剔除，以得到第四处理数据。
6.如权利要求1所述的汽油辛烷值损失预测及优化方法，其特征在于，步骤6：对第五处理数据进行数据标准化处理，以得到第六处理数据，包括：
将第五处理数据中的每个样本变换为单位范数的向量，以得到第六处理数据，其中，各样本之间是相互独立的，其实际上，是对向量中的每个分量值除以正规化因子。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110533290.6A CN113191496B (zh) | 2021-05-17 | 2021-05-17 | 汽油辛烷值损失预测及优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110533290.6A CN113191496B (zh) | 2021-05-17 | 2021-05-17 | 汽油辛烷值损失预测及优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113191496A true CN113191496A (zh) | 2021-07-30 |
| CN113191496B CN113191496B (zh) | 2024-02-02 |
Family
ID=76982108
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110533290.6A Active CN113191496B (zh) | 2021-05-17 | 2021-05-17 | 汽油辛烷值损失预测及优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191496B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN112307001A (zh) * | 2020-11-02 | 2021-02-02 | 中南大学 | 基于da优化的汽油精炼过程中辛烷值损失预测方法与系统 |
| CN112464554A (zh) * | 2020-11-03 | 2021-03-09 | 桂林理工大学 | 一种汽油精制设备的操作参数优化方法 |
| CN112489733A (zh) * | 2020-12-14 | 2021-03-12 | 郑州轻工业大学 | 基于粒子群算法和神经网络的辛烷值损失预测方法 |
| CN112687349A (zh) * | 2020-12-25 | 2021-04-20 | 广东海洋大学 | 一种降低辛烷值损失模型的构建方法 |
-
2021
- 2021-05-17 CN CN202110533290.6A patent/CN113191496B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
| CN112307001A (zh) * | 2020-11-02 | 2021-02-02 | 中南大学 | 基于da优化的汽油精炼过程中辛烷值损失预测方法与系统 |
| CN112464554A (zh) * | 2020-11-03 | 2021-03-09 | 桂林理工大学 | 一种汽油精制设备的操作参数优化方法 |
| CN112489733A (zh) * | 2020-12-14 | 2021-03-12 | 郑州轻工业大学 | 基于粒子群算法和神经网络的辛烷值损失预测方法 |
| CN112687349A (zh) * | 2020-12-25 | 2021-04-20 | 广东海洋大学 | 一种降低辛烷值损失模型的构建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 李炜;刘全银;王凯东;: "基于混合粒子群优化的异类多模型软测量方法研究与应用", 化工自动化及仪表, no. 02 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113191496B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7460915B2 (en) | Methods and apparatus for process control using catalyst state estimation | |
| US8992766B2 (en) | Methodology to determine feed quality (di+ring aromatic content) of FCC and hydrocracking feeds | |
| CN111695209A (zh) | 元深度学习驱动的旋转机械小样本健康评估方法 | |
| CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| CN115099147A (zh) | 一种基于smt产线的工艺分析及智能决策方法 | |
| CN113191496A (zh) | 汽油辛烷值损失预测及优化方法 | |
| CN115375122A (zh) | 基于互联网的生产质量监控预警方法及系统 | |
| CN110021377B (zh) | 加氢裂化催化剂的失活预测方法、装置和存储设备 | |
| CN114118982A (zh) | 云计算和边缘计算结合的生产控制系统 | |
| CN114446398A (zh) | 存储器、炼化过程全流程模拟方法、装置和设备 | |
| CN112949680A (zh) | 一种基于对应分析和多元线性回归的污染源识别方法 | |
| CN112528230A (zh) | 基于精密度和分布转换修正的参数一致性控制方法及装置 | |
| CN110321911B (zh) | 一种油品质量群落分析系统 | |
| CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
| CN116089771A (zh) | 一种颗粒物来源分析方法、装置、终端及存储介质 | |
| CN114912372B (zh) | 一种基于人工智能算法的高精度充填管路故障预警方法 | |
| WO2024000764A1 (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
| CN116049157A (zh) | 一种质量数据分析方法及系统 | |
| CN114429038A (zh) | 一种提高催化裂化模型预测精度的方法及装置 | |
| CN108051856A (zh) | 一种基于amd-hht的时频域流体识别方法 | |
| CN107203661B (zh) | 一种催化裂化反应软测量辅助变量的选取方法及系统 | |
| Zhang et al. | Enhanced Performance Assessment of Subspace Model‐Based Predictive Controller with Parameters Tuning | |
| 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 | |
| CN117995290A (zh) | 催化剂置换过程中催化装置产品分布、产品性质预测方法 |
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 |