CN116227673A - 一种基于加氢裂化装置的自适应温度预警方法及系统 - Google Patents
一种基于加氢裂化装置的自适应温度预警方法及系统 Download PDFInfo
- Publication number
- CN116227673A CN116227673A CN202211692704.0A CN202211692704A CN116227673A CN 116227673 A CN116227673 A CN 116227673A CN 202211692704 A CN202211692704 A CN 202211692704A CN 116227673 A CN116227673 A CN 116227673A
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- variable
- cluster
- model
- 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 68
- 238000004517 catalytic hydrocracking Methods 0.000 title claims abstract description 39
- 238000004519 manufacturing process Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010219 correlation analysis Methods 0.000 claims abstract description 5
- 238000006243 chemical reaction Methods 0.000 claims description 43
- 230000008569 process Effects 0.000 claims description 22
- 239000000203 mixture Substances 0.000 claims description 16
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000004138 cluster model Methods 0.000 claims description 7
- 238000005065 mining Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 230000004043 responsiveness Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000007405 data analysis Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003502 gasoline Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005504 petroleum refining Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Production Of Liquid Hydrocarbon Mixture For Refining Petroleum (AREA)
Abstract
本发明提供一种基于加氢裂化装置的自适应温度预警方法及系统，方法为：收集历史数据，并对数据进行预处理；基于预处理后的数据使用相关性分析算法并结合经验数据获取影响反应器温度的关键特征变量；基于关键特征变量的历史数据建立聚类模型，聚类模型对数据进行聚类划分；基于不同聚类簇的历史数据分别建立温度预测模型，进行温度的预测；将当前温度变量的数据输入聚类模型得到当前数据所属聚类簇，将当前温度变量和关键特征数据输入该聚类簇对应的温度预测模型，预测得到未来时刻反应器的温度值，基于预测结果对生产安全进行决策。该方法能自适应生产工况进行温度预警对加氢裂化装置的生产温度指标进行快速精准地预测，提高生产过程的安全性。
Description
技术领域
本发明涉及加氢裂化生产反应过程中温度预测技术领域，具体涉及一种基于加氢裂化装置的自适应温度预警方法及系统。
背景技术
加氢裂化是石油炼制过程之一，是在加热、高氢压和催化剂存在的条件下，使重质油发生裂化反应，转化为气体、汽油、喷气燃料、柴油等的过程。其主要特点是生产灵活性大，产品质量稳定性好。加氢裂化的生产条件苛刻，具有多工艺、非稳态的特性。加氢裂化装置工况正常运行是炼油化工生产中最重要的一环，装置温度更是装置是否正常生产的关键指标。
现有对加氢裂化方面的研究大多为对加氢裂化装置温度异常的处置方法，以及根据机理或历史数据生成各种约束控制条件或优化目标，进而将加氢裂化反应温度保持在可控范围内，提高控制精度。这样仅是对当前温度控制方面的完善，并不能对加氢裂化装置的未来温度进行预测，做不到防范于未然，具有一定的潜在安全风险，一旦温度产生异常，将影响产品质量，甚至发生安全事故。
现有的技术没有对加氢裂化装置未来温度的预测工作，也没有考虑生产过程中不同工艺对反应温度的产生的波动影响，不能提前发现异常工况，不具有及时性。实际生产中通常需要具有丰富经验的工作人员对生产安全进行主观的判断，人工成本高，需要有一定经验的工作人员才可以进行推算，经验不足的工作人员企业更需要花费资源进行员工培训，产生额外成本。
因此，需要对加氢裂化装置的温度预测提供一个方法，本发明旨在通过历史的生产数据建立数据驱动模型对加氢裂化装置的反应温度进行预测预警，更精准、及时地有效预知潜在风险，降低生产风险，减少企业损失，降低人工成本。
发明内容
本发明要解决的技术问题在于提供一种基于加氢裂化装置的自适应温度预警方法及系统，其能够提前发现可能出现的异常温度，既可以减少员工检查装置的频率，提高工作效率，又可以大大提高生产过程的安全性，做到防范于未然。
为了解决上述技术问题，本发明提供如下技术方案。
第一方面，本发明提供一种基于加氢裂化装置的自适应温度预警方法，包括如下步骤：
S1:收集历史数据，并对数据进行预处理；
S2:基于预处理后的历史数据使用相关性分析算法并结合经验数据获取影响反应器温度的关键特征变量；所述关键特征变量包括控制特征变量和筛选后的反应特征变量；
S3:基于关键特征变量的历史数据建立聚类模型将历史数据划分为不同的聚类簇；
S4:基于不同聚类簇的历史数据分别建立温度预测模型，进行温度的预测；
S5:将当前温度变量的数据输入聚类模型得到当前数据所属聚类簇，将当前温度变量和关键特征数据输入该聚类簇对应的温度预测模型，预测得到未来时刻反应器的温度值，基于预测结果对生产安全进行决策。
进一步的，所述历史数据包括时间和位号信息，所述位号信息由dcs系统采集获得，所述数据预处理包括dcs异常数据的剔除、空值填充、标准化中的多种或全部。
进一步的，步骤S2中，筛选反应特征变量通过数据的互信息进行选择，互信息计算如下：
其中，X、Y表示两个反应特征变量；P(X,Y)表示反应特征变量X，反应特征变量Y的联合概率；P(X)表示出现x的概率，P(y)表示出现y的概率；
当两个反应特征变量的互信息值大于预设阈值时，则进行舍弃，保留其中一个反应特征变量；当两个反应特征变量的互信息值小于预设阈值时，则两个反应特征变量全部保留。
进一步的，步骤S3中，使用高斯混合模型聚类算法建立聚类模型，高斯混合模型概率分布为：
其中αk是系数，
φ(y|θk)是高斯分布密度函数，
K为聚类模型中的聚类簇的个数，μk表示第k个聚类簇的均值；σk表示第k个聚类簇的标准差；第k个聚类簇为：
进一步的，向高斯混合模型输入由dcs系统的实时数据库获得的温度变量数据y1，y2…yn，从而求出高斯混合模型中的各个参数，通过参数求解得出该温度变量数据属于第k个聚类簇的概率，求解具体包括：
S301：初始化参数值开始迭代；
S302：依据当前模型参数，计算第k个聚类簇对观测数据yj的响应度；
S303：计算新一轮迭代的模型参数；
S304：重复步骤S302、S303，直到参数收敛；
得出温度变量数据yn属于第k个聚类簇φ(y|θk)的概率为：
p(yn|θ)＝αk。
进一步的，步骤S4中，于不同聚类簇内采用基于神经网络拟合的方法建立温度预测模型，对温度变量进行预测，所述神经网络以LSTM网络作为基础，结合实际工艺参数的历史数据建立温度预测模型，温度预测模型的输入为当前聚类簇内的关键特征变量和温度变量，具体为：
Y＝(y1,y2,...,yn)
xmn表示第m个关键特征变量在n时刻的值；yn表示对应于n时的温度变量的值；m为变量个数；
输出为未来需要预测的第h个时刻的预测变量yt+h；具体为：
进一步的，步骤S5中，所述聚类模型和温度预测模型根据当前周期的生产数据在其原来历史数据基础上进行更新迭代。
第二方面，本发明提供一种基于加氢裂化装置的自适应温度预警系统，用于执行上述所述的方法，包括：
数据收集模块，用于收集历史数据；
数据预处理模块，用于对收集的历史数据进行预处理；
关键特征变量挖掘模块，用于根据预处理后的历史数据挖掘影响反应器温度的关键特征变量，所述关键特征变量包括控制特征变量和筛选后的反应特征变量；
聚类划分模块，基于获取的关键特征变量数据将历史数据聚类划分为若干聚类簇，并根据当前温度变量判断当前数据所属聚类簇；
温度预测模块，基于当前温度变量和当前关键特征变量数据预测未来时刻反应器的温度值。
相比于现有技术，本发明提供的基于加氢裂化装置的自适应温度预警方法及系统具有如下有益效果：
该基于加氢裂化装置的自适应温度预警方法利用历史数据建立聚类模型，聚类模型将历史生产工艺数据进行聚类划分为不同聚类簇，不同聚类簇内分别基于神经网络结构建立温度预测模型；其中，聚类模型通过当前温度变量的数据可判断当前工艺数据所属聚类簇，根据所述聚类簇对应的温度预测模型进行未来时刻温度的预测，精确度高，操作人员可以对加氢裂化装置的生产温度进行更快速和精准地预测，既可以减少员工检查装置的频率，提高工作效率，又可以大大提高生产过程的安全性，降低了企业的安全风险，做到防范于未然。
附图说明
图1为本发明实施例提供的基于加氢裂化装置的自适应温度预警方法的主要流程图；
图2为本发明实施例中反应特征变量选择的流程图；
图3为本发明实施例中对当前温度变量进行聚类划分的流程图；
图4为本发明实施例中基础LSTM神经网络结构模型；
图5为本发明实施例中神经网络结构设计图；
图6为本发明实施例中温度预测模型的输入输出关系图；
图7为本发明实施例中温度变量的预测值和实际值的总体数据分布的对比图；
图8为本发明实施例中聚类簇数为3的高斯混合模型进行训练预测的结果与将所有数据直接训练进行预测的结果对比图。
具体实施方式
为清晰地阐明本发明的目的、技术方案和优点，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案。显然，所描述的实施例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，本领域普通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。
参见图1，本发明提供一种基于加氢裂化装置的自适应温度预警方法，包括如下步骤：
S1.收集历史数据，并对数据进行预处理；
收集的历史数据主要是时间、位号信息，其中位号信息由dcs(DistributedControl System分布式控制系统)系统采集得到，主要是反应器各个床层入口温度、反应器各床层出口温度、反应器各床层温升、反应器总温升、反应器压力、换热器入口温度、换热器出口温度、以及进料量、新氢量等。
数据预处理包括dcs异常数据的剔除、空值填充、标准化等。
其中，异常数据包括两种情况，其一是dcs标记的异常数据，dcs将异常数据置信度标记为0，正常数据标记为100，置信度标记为0的这类数据在该数据预处理步骤中被剔除。另一种是可能存在异常数据，此类数据在后续S4步骤时通过算法确定是否剔除。
空值填充为均值填充，数据值缺失是数据分析中经常遇到的问题之一，当缺失比例很小时，可直接对缺失记录进行舍弃或进行手工处理。在实际数据中，往往缺失的数据占有相当的比重，但此时如果舍弃缺失的记录，则会丢失大量信息，使不完全观测数据与完全观测数据间产生系统差异。均值是表示一组数据集中趋势的量数，使用均值对缺失的数据进行填充，降低数据分析的错误率。
标准化主要是将数据进行归一化处理，不同评价指标往往具有不同的量纲和量纲单位，会影响数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以实现数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。本实施例中选用Z-score标准化方法，此方法可以将数据处理成均值为0，方差为1的数据。此方法受异常值的影响较小，并可以使结果具有更好的拟合效果。
S2.基于预处理后的历史数据使用相关性分析算法并结合经验数据获取影响反应器温度的关键特征变量；
特征变量分为控制特征变量和反应特征变量。控制特征变量指的是外界输入控制的变量，例如进料量，生产中通常根据需要设置不同的工艺参数，以此得到不同工况下的产品。反应特征变量指的是反应中的变量，其变量值是测量出来的，不受外界控制的。结合经验数据，在进行特征选择时，控制特征变量全部选择，反应特征变量使用相关性分析算法进行选择。
本实施例中反应特征变量的选择通过数据的互信息矩阵进行选择，互信息(Mutual information，MI)可以衡量变量之间的相关关系或者依赖关系，包括线性关系和非线性关系，互信息值越接近1表示越相关，越接近0表示越无关。本实施例中，根据专家与工程师实验经验设定相应的阈值，阈值为0.75；当两个反应特征变量的互信息值大于设定的阈值时，则进行舍弃，保留其中一个反应特征变量；若两个反应特征变量的互信息值小于所述阈值，则两个反应特征变量全部保留，具体参见图2。
其中，互信息计算如下：
其中，X、Y表示两个反应特征变量；P(X,Y)表示反应特征变量X，反应特征变量Y的联合概率；P(X)表示出现x的概率；P(y)表示出现y的概率。当生产中两个特征变量的互信息值I(X,Y)＝0时，表示他们之间无相关性。
S3.基于关键特征变量的历史数据建立聚类模型，聚类模型对历史数据进行聚类划分为不同聚类簇；
需要说明的是，使用机器学习相关聚类算法建立聚类模型，将关键特征变量历史数据划分为不同的聚类簇。聚类是为了对生产工况进行细致的划分，于每个具体聚类簇内对未来温度变量进行预测，减小由于工况差异导致的预测误差。
其中，聚类算法体系庞大，基于不同的数据特点可采用不同的聚类算法，本实施例中，基于生产中相同工艺下生产数据无较大波动这一特性使用高斯混合模型(GaussianMixture Mode，GMM)进行聚类，高斯混合模型是一种概率式的聚类方法，其概率分布模型具有如下形式：
其中αk是系数，
φ(y|θk)是高斯分布密度函数
K为聚类模型中的聚类簇的个数，μk表示第k个聚类簇的均值；σk表示K个聚类簇的标准差；
称为第k个聚类簇，或者描述为第k个聚类簇。
模型参数求解时通过由dcs系统的实时数据库获得的样本温度变量数据y1，y2…yn输入高斯混合模型，从而求出高斯混合模型中的各个参数，进而通过参数求解得出该样本温度变量属于第k个聚类簇的概率。具体的求解过程如下：
S301：初始化参数值开始迭代；
S302:依据当前模型参数，计算第k个聚类簇对观测数据yj的响应度；
S303：计算新一轮迭代的模型参数；
S304：重复步骤2，3，直到参数收敛；
即可以得出，对于某个样本yn，其属于第k个聚类簇φ(y|θk)的概率为：
p(yn|θ)＝αk；
即根据样本yn选用其对应概率最大的聚类簇。
S4.基于不同聚类簇的历史数据分别建立温度预测模型，进行温度的预测；
聚类划分后对不同聚类簇对应的工艺参数历史数据分别训练得到温度预测模型，即不同聚类簇分别建立用于温度预测的温度预测模型，进而分别进行多工艺工况的温度变量预测，使得预测结果更稳定，从而降低整个系统的方差与偏差，提升系统的稳定性。
具体地，加氢裂化装置dcs系统通常以毫秒级存储，本实施例中其实时数据库以15秒存储，每月接近20w数据，为了减小数据的随机波动，以及实际生产时给工艺人员预留一定的处理时间，本实施例采用150秒间隔取数，经预处理后共11978个数据，针对这类较大数据量的拟合，采用基于神经网络拟合的方法。
本实施例中具体采用LSTM(Long shorttermmemory，长短时记忆网络)网络作为基础结构，结合实际工艺参数的历史数据特征并对网络结构加以一定的设计。其中，基础LSTM神经网络结构模型如图4所示；该模型拥有3个门结构，遗忘门ft、输入门it、和输出门ot，其中，遗忘门控制当前时刻忘掉前一时刻细胞状态(单元模块)Ct-1的比例，输入门控制当前时刻可以学习的信息量，输出门控制当前时刻输入给下一时刻的信息量。
其中，ht-1，ht表示前一时刻和当前时刻的输出值，Wf，Wi，Wo均表示权重，bf，bi，bo均表示偏置，σ为sigmoid函数，tanh为激活函数。每一时刻的ht表示当前时刻的隐向量，均蕴含一部分前面序列的信息，因此可以将最后时刻的隐向量作为包含当前序列信息的向量，也可以把每一时刻的隐向量做平均，作为序列信息向量。本实施例以最后时刻的输出隐层向量作为当前预测变量Y序列信息。
在加氢裂化反应中，影响预测变量的反应特征变量也是时间序列类型的数据，反应特征变量为关键特征变量，通过LSTM网络分别对温度变量以及关键特征变量进行拟合，即根据当前时间段的温度以及关键特征变量工艺数据共同得到预测温度，总体神经网络结构如图5所示，输入如下：
Y＝(y1,y2,...,yn)
xmn表示第m个关键特征变量在n时刻的值；yn表示对应于n时的温度变量的值；m为变量个数；输出为神经网络对Y序列的未来预测值。
本实施例中参见图6，具体的输入数据包括当前K时段内的关键特征变量X和温度变量Y，输出为未来需要预测的第h个时刻的温度变量yt+h，即：
其中，不同工艺下当前关键特征变量对未来时刻的影响不一样，则预测长度h一般随具体工艺需求，以及数据的取值间隔进行设定，所述取值间隔包括分钟级、小时级或秒级等；通过对h的不同设定，该模型可实现对不同工艺进行不同未来时间点的预测。
S5.将当前温度变量的数据输入聚类模型得到当前数据所属聚类簇，将当前温度变量和关键特征变量输入该聚类簇对应的温度预测模型，预测得到未来时刻的温度值，基于预测结果对生产安全进行决策。
参见图3，该方法应用时，将当前温度变量的工艺参数输入聚类模型，得到当前工艺所属聚类簇，采用概率最大的聚类簇对应的温度预测模型进行未来温度变量的预测。
本实施例中，该基于加氢裂化装置的自适应温度预警方法线上应用时，每生产一个周期，当前周期的生产数据在原来模型上进行更新迭代，所述模型包括聚类模型和温度预测模型，所述周期为一个星期、半个月或一个月等，根据实际生产情况而定。
实际应用时，采集了石化企业加氢裂化装置11978个历史数据，使用80％数据作为模型的训练数据，20％数据作为模型的测试数据，对加氢裂化第一反应器第二床层8个位点的平均温度进行预测，对温度变量序列的预测值和实际温度序列值进行对比，数据总体分布如图7所示，通过结合实际工况和数据分布图，可以得到聚类簇数为3的高斯混合模型，分别在每个聚类簇内训练温度预测模型，可以得到本方法的训练结果与将所有数据直接训练进行预测的对比结果，如图8所示。可知，通过本方法中高斯混合模型进行聚类之后进行预测的结果在R2(R-Square)、最大误差、最小误差、平均绝对误差等这些评价指标中相对直接训练预测的方式，预测结果都有一定的提升。
综上所述，本发明中的聚类模型会自动根据当前工艺参数计算出当前工艺数据所属聚类簇，通过当前聚类簇对应的温度预测模型得出预测结果，即通过聚类模型自适应选择对应的温度预测模型，从而高精确度地实现加氢裂化反应进程的在线温度预测。
本发明还提供一种基于加氢裂化装置的自适应温度预警系统，用于执行上述所述的方法，包括：
数据收集模块，用于收集历史数据；
数据预处理模块，用于对收集的历史数据进行预处理；
关键特征变量挖掘模块，用于根据预处理后的历史数据影响反应器温度的关键特征变量，所述关键特征变量包括控制特征变量和筛选后的反应特征变量；
聚类划分模块，基于挖掘的关键特征变量数据将历史数据聚类划分为若干聚类簇，并根据当前温度变量判断当前数据所属聚类簇；
温度预测模块，基于当前温度变量和当前关键特征变量数据预测未来时刻反应器的温度值。
上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种基于加氢裂化装置的自适应温度预警方法，其特征在于，包括如下步骤：
S1:收集历史数据，并对数据进行预处理；
S2:基于预处理后的历史数据使用相关性分析算法并结合经验数据获取影响反应器温度的关键特征变量；所述关键特征变量包括控制特征变量和筛选后的反应特征变量；
S3:基于关键特征变量的历史数据建立聚类模型将历史数据划分为不同的聚类簇；
S4:基于不同聚类簇的历史数据分别建立温度预测模型，进行温度的预测；
S5:将当前温度变量的数据输入聚类模型得到当前数据所属聚类簇，将当前温度变量和关键特征数据输入该聚类簇对应的温度预测模型，预测得到未来时刻反应器的温度值，基于预测结果对生产安全进行决策。
2.根据权利要求1所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，所述历史数据包括时间和位号信息，所述位号信息由dcs系统采集获得，所述数据预处理包括dcs异常数据的剔除、空值填充、标准化中的多种或全部。
3.根据权利要求1所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，步骤S2中，筛选反应特征变量通过数据的互信息进行选择，互信息计算如下：
其中，X、Y表示两个反应特征变量；P(X,Y)表示反应特征变量X，反应特征变量Y的联合概率；P(X)表示出现x的概率，P(y)表示出现y的概率；
当两个反应特征变量的互信息值大于预设阈值时，则进行舍弃，保留其中一个反应特征变量；当两个反应特征变量的互信息值小于预设阈值时，则两个反应特征变量全部保留。
4.根据权利要求1所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，步骤S3中，使用高斯混合模型聚类算法建立聚类模型，高斯混合模型概率分布为：
其中αk是系数，
φ(y|θk)是高斯分布密度函数，
K为聚类模型中的聚类簇的个数，μk表示第k个聚类簇的均值；σk表示第k个聚类簇的标准差；第k个聚类簇为：
5.根据权利要求4所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，向高斯混合模型输入由dcs系统的实时数据库获得的温度变量数据y1，y2…yn，从而求出高斯混合模型中的各个参数，通过参数求解得出该温度变量数据属于第k个聚类簇的概率，求解具体包括：
S301：初始化参数值开始迭代；
S302：依据当前模型参数，计算第k个聚类簇对观测数据yj的响应度；
S303：计算新一轮迭代的模型参数；
S304：重复步骤S302、S303，直到参数收敛；
得出温度变量数据yn属于第k个聚类簇φ(y|θk)的概率为：
p(yn|θ)＝αk。
6.根据权利要求1所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，步骤S4中，于不同聚类簇内采用基于神经网络拟合的方法建立温度预测模型，对温度变量进行预测，所述神经网络以LSTM网络作为基础，结合实际工艺参数的历史数据建立温度预测模型，温度预测模型的输入为当前聚类簇内的关键特征变量和温度变量，具体为：
Y＝(y1,y2,…,yn)
xmn表示第m个关键特征变量在n时刻的值；yn表示对应于n时的温度变量的值；m为变量个数；
输出为未来需要预测的第h个时刻的预测变量yt+h；具体为：
7.根据权利要求1-6任一项所述的基于加氢裂化装置的自适应温度预警方法，其特征在于，步骤S5中，所述聚类模型和温度预测模型根据当前周期的生产数据在其原来历史数据基础上进行更新迭代。
8.一种基于加氢裂化装置的自适应温度预警系统，用于执行如权利要求1-7任一项所述的方法，其特征在于，包括：
数据收集模块，用于收集历史数据；
数据预处理模块，用于对收集的历史数据进行预处理；
关键特征变量挖掘模块，用于根据预处理后的历史数据挖掘影响反应器温度的关键特征变量，所述关键特征变量包括控制特征变量和筛选后的反应特征变量；
聚类划分模块，基于获取的关键特征变量数据将历史数据聚类划分为若干聚类簇，并根据当前温度变量判断当前数据所属聚类簇；
温度预测模块，基于当前温度变量和当前关键特征变量数据预测未来时刻反应器的温度值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211692704.0A CN116227673A (zh) | 2022-12-28 | 2022-12-28 | 一种基于加氢裂化装置的自适应温度预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211692704.0A CN116227673A (zh) | 2022-12-28 | 2022-12-28 | 一种基于加氢裂化装置的自适应温度预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116227673A true CN116227673A (zh) | 2023-06-06 |
Family
ID=86572242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211692704.0A Pending CN116227673A (zh) | 2022-12-28 | 2022-12-28 | 一种基于加氢裂化装置的自适应温度预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227673A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117930911A (zh) * | 2024-03-22 | 2024-04-26 | 山东飞扬化工有限公司 | 用于制备丁二酸反应的温度控制系统 |
| CN117970004A (zh) * | 2024-02-22 | 2024-05-03 | 南京莱芯科技有限公司 | 功率放大器的测试方法、装置、介质和电子设备 |
-
2022
- 2022-12-28 CN CN202211692704.0A patent/CN116227673A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970004A (zh) * | 2024-02-22 | 2024-05-03 | 南京莱芯科技有限公司 | 功率放大器的测试方法、装置、介质和电子设备 |
| CN117930911A (zh) * | 2024-03-22 | 2024-04-26 | 山东飞扬化工有限公司 | 用于制备丁二酸反应的温度控制系统 |
| CN117930911B (zh) * | 2024-03-22 | 2024-08-09 | 山东飞扬化工有限公司 | 用于制备丁二酸反应的温度控制系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112202736B (zh) | 基于统计学习和深度学习的通信网络异常分类方法 | |
| CN109459993B (zh) | 一种流程工业过程在线自适应故障监测与诊断方法 | |
| CN116227673A (zh) | 一种基于加氢裂化装置的自适应温度预警方法及系统 | |
| Ge et al. | Quality prediction for polypropylene production process based on CLGPR model | |
| CN117633722B (zh) | 基于智能检测机器人的检测控制方法及系统 | |
| US20240144043A1 (en) | Prediction model for predicting product quality parameter values | |
| CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
| CN112364560B (zh) | 矿山凿岩装备作业工时智能预测方法 | |
| CN118154174B (zh) | 一种工业设备智慧运维云平台 | |
| CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
| CN114118982A (zh) | 云计算和边缘计算结合的生产控制系统 | |
| CN111340269B (zh) | 用于流程工业过程的实时优化方法 | |
| CN112257914A (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| Lee et al. | In-line predictive monitoring framework | |
| CN114757407A (zh) | 一种lng接收站能耗优化大数据分析方法及系统 | |
| CN117826606A (zh) | 一种吸收稳定系统的变量优化方法及控制设备 | |
| CN115599068B (zh) | 一种工业过程异常检测方法、装置、设备及存储介质 | |
| Zeiser et al. | Requirements towards optimizing analytics in industrial processes | |
| Zhao et al. | A machine learning methodology for reliability evaluation of complex chemical production systems | |
| CN113253682B (zh) | 非线性化工过程故障检测方法 | |
| CN114861759A (zh) | 一种线性动态系统模型的分布式训练方法 | |
| CN113536601A (zh) | 一种提高连续重整装置催化剂碳含量预估精度的方法 | |
| TWI794077B (zh) | 觸媒活性的監測方法與硫磺工場 | |
| CN118068819B (zh) | 用于高质量诊断与决策的大模型数据管理系统 | |
| Jiang | A novel approach for selecting underlying variables of a stochastic degradation process |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: No. 309 Liuhe Road, Binjiang District, Hangzhou City, Zhejiang Province (High tech Zone) Applicant after: Zhongkong Technology Co.,Ltd. Address before: No. six, No. 309, Binjiang District Road, Hangzhou, Zhejiang Applicant before: ZHEJIANG SUPCON TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information |