CN113420498B - 常减压装置的ai建模方法 - Google Patents

Abstract

本发明属于石油炼化领域，公开了一种常减压装置的AI建模方法，该方法包括：确定常减压装置的模型构成和建模方法；扩充建模所需样本；对所述常减压装置进行建模，其中，所述的建模结合机器学习建模和经验机理建模两种方式；模型的自学习。本发明利用机理模型产生大量数据，以弥补生产数据范围窄而无法全面模拟生产装置的不足；该方法建立的模型能和机理模型一样表达出生产装置的特性，在计算方面比机理模型计算速度快；并能根据装置实时特性修正模型，从而提高模型的准确度，并能保持自我学习和更新，适应动态变化。

Description

常减压装置的AI建模方法

技术领域

本发明涉及石油炼化技术领域，尤其是涉及一种常减压装置的AI建模方法。

背景技术

炼化行业生产决策方式，从以往的依靠经验发展到目前的工艺专家建立机理模型测算，经历了两个阶段的变化。

凭经验决策阶段：缺乏测算工具和模型，计划人员依据统计数据和经验来为生产计划分配物流走向；操作员根据自己的操作经验和操作手册，结合现场的生产情况给出操作参数调整方向，并通过化验分析结果一步步小幅度调整。

工艺专家用机理模型测算指导阶段：通过工况标定，建立和校正机理模型，再由工艺专家根据专业知识提出的优化思路，利用机理模型模拟测算或者设置简单的优化策略进行测算来验证，最后得到生产计划和操作方案用于指导生产。流程模拟软件20世纪50年代问世，经过几十年的发展，在业界得到了广泛的应用，并培养了一批优秀的建模和工艺优化专家。这些工艺专家利用机理模型和专业知识测算装置加工方案和生产计划，为生产提供指导，取得了一定的经济效益。

但是，现有技术中，机理模型的计算速度慢，建模过程复杂，难以适应现代化生产的需求。并且，生产数据范围窄而无法全面模拟生产装置，使得用于训练的数据量较少，故而不能完全反应装置的生产过程。

发明内容

针对现有技术中存在的上述问题，本发明的目的是提供一种常减压装置的AI建模方法，以解决现有技术中单纯采用机理模型导致的计算速度慢、难收敛以及生产数据范围窄无法完全模拟常减压装置的问题。

为解决上述技术问题，本发明采用的技术方案如下：

确定常减压装置的模型构成和建模方法，其中，所述的建模方法结合机器学习建模和经验机理建模两种方式；

利用严格机理模拟扩充建模所需样本；

对所述常减压装置进行机器学习建模和经验机理建模；

模型自学习。

进一步地，所述样本的扩充包括：

建立常减压装置严格机理模型，利用模型模拟装置的生产历史数据，获得装置在生产周期内的特性变化；

样本模拟，在不同的装置特性条件下，通过所述严格机理模型模拟不同原料、分馏塔操作条件和换热网络相关操作下的装置性能；

样本分布可视化和样本补充，在获得样本后，通过可视化方法判断样本覆盖范围是否达到设定的要求以及样本的分布密度，并对样本稀疏区域或未覆盖区域进行样本补充，对样本密集区域进行相似样本筛选，删除部分相似样本。

进一步地，通过机器学习建模的过程包括：

样本准备和预处理，对样本数据进行清洗，对清洗后的数据进行指定计算；

构建神经网络，确定模型的网络结构；

对样本数据进行处理，确定用于模型训练的样本数据；

为待训练的模型指定输入、输出变量，设置隐含层数和神经元，并利用所述样本数据计算各个信息的权重；

采用不同隐含层数和不同神经元个数进行训练，获得不同模型。

对模型的输出结果进行分析比较，获得最佳模型。

进一步地，构建所述神经网络的过程包括：

根据建模目的选择输出变量；

选择输入变量，其中，所述输入变量的选择基于输入变量之间的相关性、输入变量物理意义的重要性、输入变量本身测量值是否存在误差三种因素；

确定输出变量对应的输入变量；

构建所述神经网络。

进一步地，构建所述神经网络时，将输入变量根据关联性强弱分成几组，各组变量之间相对独立，组内变量之间关联性强；根据每组内输入变量的个数，选择性的为组内输入变量构建一个子神经网络，其输出作为整个模型的神经网络的一个隐含层中的神经元，神经元个数由模型精度决定，或者将输入变量直接作为模型的输入；将输入变量构建网络形成的隐含层的神经元和没有构建网络的输入变量共同作为模型的输入，在此基础上构建多个隐含层和神经元，形成整个模型的神经网络。

进一步地，用于描述常减压装置的数学模型包括以下两类子模型：

第一类子模型：产品性质软仪表预测模型、原油性质软仪表预测模型、中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型、减压炉和转油线相关温度和压力预测模型；

第二类子模型：减压塔全塔压降相关模型、全塔物料平衡模型和全塔能量平衡模型；

其中，第一类子模型采用机器学习方法建模，第二类子模型采用经验机理方法建模。

进一步地，对样本数据的处理包括：

判断是否存在输入变量数据相似但输出变量数据变化大的情况，若存在，则根据数据总体分布，剔除逸出样本；

检查样本分布密度，去除密度大的区域中的部分相似样本。

进一步地，对模型的输出结果进行分析包括总体分析、详细分析、异常检测和模型的物理意义分析，其中，

所述总计分析包括：基于数据科学分析训练结果，基于工艺分析查看训练结果精度是否满足实际生产需求；

所述详细分析包括：针对每个模型的训练集和测试集就误差、每个输入变量的数据和每个输出的数据进行分析，查看两者分布是否一致，利用可视化手段分别对比误差和每个输出变量的数据分布、误差和每个输入变量的数据分布；查看误差和输出之间是否存在一些相同规律，误差和输入之间是否存在一些相同规律；

所述异常检测包括：在详细分析结果上提取出误差比较大的样本，进一步对比训练集中误差大的样本和测试集误差大的样本，从两个误差分布中提取出一些共同特征或规律，并将误差大的样本投入到严格机理模型中重新模拟，从而找到这些样本异常的规律和原因，确定解决异常的方法；

所述模型的物理意义分析包括：基于ANN模型对输入变量进行灵敏度分析，与基于严格机理模型进行的灵敏度分析进行对比，查看ANN模型中输入变量对输出变量的影响是否遵循物理规律，并利用Python中的模型解释包进入ANN模型内部，进一步查看ANN模型参数表征的物理意义，同时排查是否存在对输出结果影响很小甚至是没有影响的神经元。

进一步地，所述模型的自学习包括：

对运行数据超出当前模型适用范围的进行样本增强，并将补充样本和已有样本合并后重新训练；

根据对生产数据的物理逻辑重建计算得到装置实时特性，将特性参数更新到模型中，使模型能实时精确反映动态生产过程。

与现有技术相比，本发明所述的一种常减压装置的AI建模方法，具有如下技术效果：

1、本发明中，常减压AI模型的建立以数据挖掘得到的现场工况为原型、机理模型数据为增强，采用机器自学习和经验机理混合算法，实现对装置的数字重现。在整个产品运行过程中，生产过程新产生的工况数据不断通过信息系统反馈至核心模型，通过与计算结果进行对比，定时对模型参数进行校正，达到自学习效果。

2、装置AI模型具有适用性广、计算速度快的特点，是打造智能化决策引擎的重要基础。

3、本发明中，所有装置建立AI模型之后可以集成起来形成全厂智能优化模型，可以同时支持经营、计划、调度层面的测算，使各层面模型达到同样的精度，缩小测算与实际生产的差距。在生产计划阶段可以实现物料分配与装置操作参数同步优化，计划与调度整体测算，从而大大提高生产方案的可执行性，使炼化行业向精准的企业资源计划更进一步。

附图说明

图1为本发明实施例所述的常减压装置的AI建模方法的流程示意图。

具体实施方式

以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。

步骤S1、确定常减压装置的模型构成和建模方法

常减压装置覆盖范围包括电脱盐、初馏塔、常压炉、常压塔、减压炉、减压塔和换热网络。为实现精确描述常减压动态生产过程并能实时感知数千个运行参数包括原油馏程、关键产品指标和馏程、塔板水力学、塔段板效、换热器污垢热阻、转油线/塔段压降等，用于描述常减压装置的数学模型包括以下子模型：产品性质软仪表预测模型、原油性质软仪表预测模型、中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型、减压炉和转油线相关温度和压力预测模型、减压塔全塔压降相关模型、全塔物料平衡模型和全塔能量平衡模型。

由于常减压装置工艺复杂且原油组分复杂，因此装置的机理模型规模庞大，基于此复杂机理模型的相关计算和优化不仅求解花费时间长且可能无法获得计算结果，更无法快速反映生产过程的实时状况。为解决此问题，本方法采用由数据驱动的机器学习方法和经验机理建模方法相结合的方法建立常减压装置模型。对子模型涉及的流程进行机理分析，根据是否具有明确机理或机理的复杂程度确定采用机器学习方法建模的子模型包括产品性质软仪表预测模型、原油性质软仪表预测模型、中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型以及减压炉、转油线相关温度和压力预测模型，采用经验机理方法建模的子模型包括减压塔全塔压降相关模型、全塔物料平衡模型和全塔能量平衡模型。

步骤S2、扩充样本，为建立数据驱动的模型提供数据支撑

机器学习的方法建模需要大量数据支撑，大量的现场数据提供了一定的建模条件。但现场数据由于装置操作变化较小，所以多样性差，且数据分布不均衡，存在大量样本数据缺失或数据质量不高的区域，因此，需要全面考虑原料、加工量、操作条件、产品分布、设备和装置性能以及工艺流程等变化，产生大量样本，使数据覆盖区域从历史操作区域扩展到未知操作区域，以确保覆盖未知可能的最优操作区域，从而使模型能充分表达装置动态生产过程。

扩充的样本均来自于常减压装置严格机理模型的模拟，所以每一套样本数据都符合常减压装置遵循的物理规律。样本扩充的具体方法如下：

步骤S21：建立常减压装置严格机理模型。搭建包含电脱盐、初馏塔、常压炉、常压塔、减压炉、减压塔和换热网络的常减压装置模型，利用模型模拟装置生产历史数据，从而获得装置特性如塔板板效等。

步骤S22：选取扩展变量，包括原料相关变量包括性质和流量，分馏塔操作条件相关变量包括进料温度、压力、汽提蒸汽流量、中段回流量、塔顶回流量、产品流量、塔板温度等，换热网络相关变量包括分流率和污垢热阻等。分析它们的历史分布情况，包括最大值、最小值、各个区间出现的概率等。将扩展变量分为独立变量和中间变量。采用拉丁超立方方法为独立变量产生数十万套随机数据，中间变量根据给定公式和独立变量数据进行相关计算。采用简化模型模拟对上述独立变量和中间变量的数据进行过滤，并产生第三部分变量的数据，将上述三部分数据合并作为严格机理模型模拟的输入样本数据。

步骤S23：样本模拟。在不同的装置特性条件下，利用严格机理模型模拟不同原料、分馏塔操作条件和换热网络相关操作下的装置性能。原料相关变量包括性质和流量，分馏塔操作条件相关变量包括进料温度、压力、汽提蒸汽流量、中段回流量、塔顶回流量、产品流量、塔板温度等，换热网络相关变量包括分流率和污垢热阻等。

步骤S24：样本分布可视化和补充样本。获得样本后，通过可视化方法判断样本覆盖范围是否达到要求以及样本分布密度。对样本稀疏区域或未覆盖区域进行样本补充；对样本密集区域进行相似样本筛选，删除部分样本。从而使样本在所需覆盖区域均匀分布。

对于高维数据的可视化存在很多困难，为了使传统的可视化方法仍然能够生效，需要借助降维方法。t-SNE(t-Distributed Stochastic Neighbor Embedding)分布式随机邻域嵌入是一种用于挖掘高维数据的非线性降维算法。t-SNE算法对每个数据点近邻的分布进行建模，其中近邻是指相互靠近数据点的集合。在原始高维空间中，将高维空间建模为高斯分布，而在二维输出空间中，可以将其建模为t分布。该过程的目标是找到将高维空间映射到二维空间的变换，并且最小化所有点在这两个分布之间的差距。与高斯分布相比t分布有较长的尾部，这有助于数据点在二维空间中更均匀地分布。

根据该过程，塔模型输入变量280余个，初馏塔和常压塔输出变量3700余个，减压塔输出变量2500余个，换热网络输入变量800余个，输出变量3500余个，一个完整的样本共计10000余个变量数，最后样本扩充后的数据量可达数十亿个，工况达数十万个。

步骤S3、常减压装置建模

其中，根据不同的模型结构，建模采用的方法不同，主要包括机器学习建模和经验机理建模两种方式。

机器学习建模具体方法如下：

人工神经网络(ArtificialNeural Network，简称ANN)是机器学习的技术之一，它模拟了人脑神经元网络结构以及对信息的处理方式，采用大量的神经元之间相互联接构成的多层方程结构实现对输入信息的计算输出，是一种结构复杂但计算速度快速的模型，可模拟非常复杂并且参数众多的各种过程。同时ANN模型具备自学习功能，当生产工况出现较大变化时，随着现场新数据的输入，可逐步对模型参数进行调整以适应新工况，模拟精度得到逐步改善。因此，ANN建模非常适用于本身工况多变的常减压装置。

ANN建模以大量的合理数据为支撑，以神经网络结构为基础，经过不断调整结构参数获得精度较高的模型。具体方法如下：

步骤S31、样本准备和预处理

首先对上一步得到的样本进行清洗。样本数据可能存在一些错误，如产品的流量为负值或热量不平衡，也可能存在数据超范围或不符合指定约束条件的情况。因此需要删除不符合严格模拟和约束要求的样本，从而以样本数据的准确性确保模型的准确性。

然后，对清洗后的数据进行指定计算。将清洗后样本数据按照指定公式进行计算，获得建模所需的另一些数据。比如根据转换公式转换原油性质表达方式，获得建模所需的原油性质。

步骤S32：构建神经网络

其中，构建神经网络主要包括如下步骤：

步骤S321：选择输出变量

输出变量根据建模目的，即模型需要计算出的变量确定，目前的输出变量包含三个种类：

(1)操作条件：例如塔的抽出板温度、冷凝器负荷等；

(2)产品性质：比如各个产品的干点、闪点、馏程曲线等；

(3)塔性质：如气液相负荷、塔温等。

步骤S322：选择输入变量。

输入变量的选择将影响AI模型的预测结果。输入变量的选择参考如下几点：输入变量之间的相关性，输入变量物理意义的重要性，输入变量本身测量值是否存在误差。

可通过相关性分析方法获得输入变量之间的相关性，对于相关性强的输入变量，可通过主成分分析方法来减少装置AI模型输入变量个数的同时能保留原有数据的特性。对经过筛选后的输入变量进行物理意义分析，保留在物理化学定律中确实存在重要意义的输入变量。

另外，尽量避免使用测量值存在误差的输入变量，以免测量数据误导装置AI模型训练的结果。

步骤S323：确定输出变量对应的输入变量。

通过相关性分析方法分析输出变量和输入变量的相关性，从步骤S322获得的输入变量中选取与输出变量相关性强的输入变量。

以对减压塔性能影响较大的减压炉和转油线相关温度和压力为例进一步说明。经分析物理过程可知，转油线压降主要受物料组成、粘度、气化率、流量和温度影响。因此转油线压力预测ANN模型的输入变量包括常渣组成、粘度、气化率和流量以及减压炉进、出口温度，输出变量是减压炉出口压力。减压塔进料温度和压力与减压炉出口和压力遵循等焓变化。因此，减压塔进料温度预测ANN的输入变量包括常渣性质和流量、减压炉出口温度和压力以及减压塔进料压力，输出变量为减压塔进料温度。

步骤S324：构建神经网络

有些强关联的输入变量既有共性也有自己的特点，若将每一个输入变量均作为模型的输入，模型将会学习其共性和特性，而这种学习容易导致模型过拟合，使模型无法突出表达装置运行所遵守的物理规律，从而影响预测结果的准确度。因此需要先提取此类输入变量的共性信息，作为模型输入，从而避免模型过拟合的现象。针对上述问题，每个ANN模型网络构建采用如下方法：

将输入变量根据关联性强弱分成几组，各组变量之间相对独立，组内变量之间关联性强。根据每组内输入变量的个数和模型的准确度，可以选择性的为组内输入变量构建一个子神经网络，其输出作为整个模型的神经网络的一个隐含层中的神经元，神经元个数由模型精度决定；也可将输入变量直接作为模型的输入。将输入变量构建网络形成的隐含层的神经元和没有构建网络的输入变量共同作为模型的输入，在此基础上构建多个隐含层和神经元，形成整个模型的神经网络。

步骤S33：数据处理

模型网络结构确定后，需要确定模型训练所用的样本数据。样本数据选取方法如下：

检查是否存在输入变量数据相似但相应输出变量数据变化大的情况，若存在，则根据数据总体分布，剔除逸出样本。获得输入变量和输出变量反映同一趋势的样本。

检查样本分布密度，去除密度大的区域中的部分相似样本，使样本均匀分布。

步骤S34：模型训练

根据上述步骤结果为待训练的模型指定输入、输出变量，设置隐含层数和神经元，调用Python里面的ANN训练计算包对每个ANN模型进行训练，也就是算出各个信息的权重。

采用不同隐含层数和不同神经元个数进行训练，获得不同模型。增加神经网络的层数和参数，神经网络表示能力大幅度增强，很容易出现过拟合现象。采用正则化技术，防止神经网络出现过拟合。

最终，通过机器学习方法建立产品性质软仪表预测模型、原油/中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型以及减压炉和转油线相关温度和压力预测模型。

步骤S35：结果分析

训练完之后ANN计算的结果可能和样本数据存在偏差，需要分析原因，可能是样本数据存在隐藏的问题，也可能是输入选择的不够合理，根据这些原因再对网络进行调整，直到计算精度能够满意。对结果的分析分为四个层次。

步骤S351：总体分析

基于数据科学分析训练结果，比如查看训练用时、损失函数值、迭代次数、均方误差和均方根误差等。基于工艺分析查看训练结果精度是否满足实际生产需求，比如查看标准差、最大差值、有较大偏差的样本占比等。

步骤S352：详细分析

深入到每个模型中的每个变量，针对每个模型的训练集和测试集就误差、输入和输出进行分析，查看两个数据集分布是否一致。利用可视化手段分别对比误差和输出分布、误差和输入分布。

查看误差和输出之间是否存在一些相同规律，误差和输入之间是否存在一些相同规律。

步骤S353：异常检测

在详细分析结果上提取出误差比较大的样本，进一步对比训练集中误差大的样本和测试集误差大的样本，从两个误差分布中提取出一些共同特征或规律；将误差大的样本重新投入到严格机理模型中模拟。

通过上述分析找到这些样本异常的规律和原因，比如模拟问题、样本稀疏问题、模型不合理等，根据问题确定解决异常的方法。

步骤S354：模型物理意义

基于ANN模型对输入变量进行灵敏度分析，与基于严格机理模型进行的灵敏度分析进行对比，查看ANN模型中输入变量对输出变量的影响是否遵循物理规律，帮助判断模型的准确性。

利用Python中的模型解释包进入ANN模型内部，进一步查看ANN模型参数表征的物理意义，同时排查是否存在对输出结果影响很小甚至是没有影响的神经元。

步骤S36：模型验证

利用严格机理模型验证ANN模型预测的结果，若验证结果误差在允许范围内，则认为ANN模型可被采用，否则需要修正模型。

对采用不同隐含层和神经元形成的模型进行分析和验证，对比其结果，确定最终采用的模型。

经验机理建模具体方法如下：

经验机理建模采用第一原理形成机理模型或根据输入、输出变量关系建立的黑箱模型。质量平衡、能量平衡和减压塔全塔压降的模型机理明确且简单，因此均可通过经验机理建模的方法实现。

以减压塔全塔压降相关模型为例进一步说明。

经过历史数据相关性分析发现，压降的大小和减压塔进料量、进料性质、进料温度和塔板效率相关，分别对压降和其相关变量的趋势进行分析，确定压降和相关变量的关系式。利用历史数据回归出关系式中的系数，从而获得压降模型。

综合上述所有ANN预测模型和质量、能量平衡模型以及减压塔全塔压降模型形成了常减压装置AI模型。

步骤S4、模型自学习

当运行数据超出当前模型适用范围时，利用样本增强方法补充部分样本，使补充样本覆盖运行数据且均匀分布在运行数据和已有样本之间的稀疏区域。将补充样本和已有样本合并，利用合并样本重新训练ANN模型，实现模型自我校正。同时根据对生产数据的物理逻辑重建计算得到装置实时特性，将特性参数更新到模型中，使模型能实时精确反映动态生产过程。

本发明实施例中考虑原料、加工量、操作条件、产品分布、设备和装置性能以及工艺流程等变化，产生数十亿机理模型数据，利用人工智能技术，建立由数百万模型参数和数百个神经网络群组成的常减压AI模型，实时感知数千个运行参数，包括原油馏程、关键产品指标和馏程、塔板水力学、塔段板效、换热器污垢热阻、转油线/塔段压降等。常减压AI模型建模技术结合机理建模和数据建模两者优势，突破单一技术局限，精确描述装置生产过程，并保持自我学习和更新，适应动态变化。单次模拟计算在10分钟以内，收敛率达到95％以上，实时过程建模在5分钟以内。

上述说明示出并描述了本发明的若干优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (6)

1.一种常减压装置的AI建模方法，其特征在于，该方法包括：

确定常减压装置的模型构成和建模方法，其中，所述常减压装置的模型构成包括两类子模型：第一类子模型：产品性质软仪表预测模型、原油性质软仪表预测模型、中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型、减压炉和转油线相关温度和压力预测模型；第二类子模型：减压塔全塔压降相关模型、全塔物料平衡模型和全塔能量平衡模型；所述第一类子模型采用机器学习方法建模，所述第二类子模型采用经验机理方法建模；

利用严格机理模拟扩充建模所需样本；

对所述常减压装置进行机器学习建模和经验机理建模；

模型自学习；

其中，通过机器学习建模的过程包括：

样本准备和预处理，对样本数据进行清洗，对清洗后的数据进行指定计算；根据建模目的选择输出变量；选择输入变量，其中，所述输入变量的选择基于输入变量之间的相关性、输入变量物理意义的重要性、输入变量本身测量值是否存在误差三种因素；确定输出变量对应的输入变量；

将输入变量根据关联性强弱分成几组，各组变量之间相对独立，组内变量之间关联性强；根据每组内输入变量的个数，选择性的为组内输入变量构建一个子神经网络，其输出作为整个模型的神经网络的一个隐含层中的神经元，神经元个数由模型精度决定，或者将输入变量直接作为模型的输入；将输入变量构建网络形成的隐含层的神经元和没有构建网络的输入变量共同作为模型的输入，在此基础上构建多个隐含层和神经元，形成整个模型的神经网络，确定模型的网络结构；

对样本数据进行处理，确定用于模型训练的样本数据；为待训练的模型指定输入、输出变量，设置隐含层数和神经元，并利用所述样本数据计算各个信息的权重；采用不同隐含层数和不同神经元个数进行训练，获得不同模型；对模型的输出结果进行分析比较，获得最佳模型。

2.根据权利要求1所述的AI建模方法，其特征在于，所述样本的扩充包括：

建立常减压装置严格机理模型，利用模型模拟装置的生产历史数据，获得装置在生产周期内的特性变化；

样本模拟，在不同的装置特性条件下，通过所述严格机理模型模拟不同原料、分馏塔操作条件和换热网络相关操作下的装置性能；

样本分布可视化和样本补充，在获得样本后，通过可视化方法判断样本覆盖范围是否达到设定的要求以及样本的分布密度，并对样本稀疏区域或未覆盖区域进行样本补充，对样本密集区域进行相似样本筛选，删除部分相似样本。

3.根据权利要求1所述的AI建模方法，其特征在于，对样本数据的处理包括：

判断是否存在输入变量数据相似但输出变量数据变化大的情况，若存在，则根据数据总体分布，剔除逸出样本；

检查样本分布密度，去除密度大的区域中的部分相似样本。

4.根据权利要求2所述的AI建模方法，其特征在于，对模型的输出结果进行分析包括总体分析、详细分析、异常检测和模型的物理意义分析，其中，

所述总体 分析包括：基于数据科学分析训练结果，基于工艺分析查看训练结果精度是否满足实际生产需求；

所述详细分析包括：针对每个模型的训练集和测试集就误差、每个输入变量的数据和每个输出的数据进行分析，查看两者分布是否一致，利用可视化手段分别对比误差和每个输出变量的数据分布、误差和每个输入变量的数据分布；查看误差与输入、输出之间是否存在相同的规律；

所述异常检测包括：在详细分析结果上提取出误差大的样本，进一步对比训练集中误差大的样本和测试集误差大的样本，从两个误差分布中提取出共同特征或规律，并将误差大的样本投入到严格机理模型中重新模拟；

所述模型的物理意义分析包括：基于ANN模型对输入变量进行灵敏度分析，与基于严格机理模型进行的灵敏度分析进行对比，查看ANN模型中输入变量对输出变量的影响是否遵循物理规律，并利用Python中的模型解释包进入ANN模型内部，进一步查看ANN模型参数表征的物理意义，同时排查是否存在对输出结果影响很小甚至是没有影响的神经元。

5.根据权利要求1所述的AI建模方法，其特征在于，所述模型的自学习包括：

对超出当前模型适用范围的运行数据进行样本增强，并将补充样本和已有样本合并后重新训练；

根据对生产数据的物理逻辑重建计算得到装置实时特性，将特性参数更新到模型中，使模型能实时精确反映动态生产过程。

6.根据权利要求1～5任一项所述的AI建模方法在炼油厂常减压系统、催化系统以及加氢系统的任一系统中的应用。

Images