CN117970821B - 一种加氢机的自动化调节控制方法 - Google Patents
一种加氢机的自动化调节控制方法 Download PDFInfo
- Publication number
- CN117970821B CN117970821B CN202410389375.5A CN202410389375A CN117970821B CN 117970821 B CN117970821 B CN 117970821B CN 202410389375 A CN202410389375 A CN 202410389375A CN 117970821 B CN117970821 B CN 117970821B
- Authority
- CN
- China
- Prior art keywords
- data
- hydrogenation
- generate
- time
- sensor
- 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
Links
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 527
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000005457 optimization Methods 0.000 claims abstract description 112
- 238000004088 simulation Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 75
- 230000004927 fusion Effects 0.000 claims abstract description 57
- 238000012545 processing Methods 0.000 claims abstract description 42
- 238000013135 deep learning Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 60
- 230000002159 abnormal effect Effects 0.000 claims description 59
- 238000004458 analytical method Methods 0.000 claims description 39
- 230000008859 change Effects 0.000 claims description 36
- 230000005856 abnormality Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000001514 detection method Methods 0.000 claims description 28
- 238000005516 engineering process Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012300 Sequence Analysis Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 18
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 12
- 238000003066 decision tree Methods 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000010354 integration Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008713 feedback mechanism Effects 0.000 claims description 6
- 238000011002 quantification Methods 0.000 claims description 5
- 230000001364 causal effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 17
- 238000012544 monitoring process Methods 0.000 description 12
- 238000011217 control strategy Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 10
- 229910052739 hydrogen Inorganic materials 0.000 description 10
- 239000001257 hydrogen Substances 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 8
- 230000008485 antagonism Effects 0.000 description 6
- 238000005265 energy consumption Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000183024 Populus tremula Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000005111 flow chemistry technique Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013105 post hoc analysis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及智能加氢参数调控技术领域,尤其涉及一种加氢机的自动化调节控制方法。所述方法包括以下步骤:获取加氢机部位数据;对加氢机部位数据进行传感器计算节点部署,生成边缘计算节点运行数据;对边缘计算节点运行数据进行数据融合,从而生成传感器融合数据;对传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行加氢设备运行状态分析,生成动态加氢过程优化指标数据;基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号。本发明通过边缘计算节点、数据融合、深度学习优化及虚拟化仿真,提高了加氢机自动化调节控制中的实时性、数据准确性以及安全性。
Description
技术领域
本发明涉及智能加氢参数调控技术领域,尤其涉及一种加氢机的自动化调节控制方法。
背景技术
加氢设备是一种用于将氢气与其他物质反应,产生有用化合物的设备。在加氢过程中,精确的温度、压力和流量控制至关重要,以确保反应达到最佳效果。随着科技的不断发展,加氢设备的自动化调节控制方法逐渐成为行业的焦点。随着传感器技术的不断改进,加氢设备的自动化调节控制变得更加精确和灵活。先进的传感器能够实时监测反应中的各种参数,将数据传输给控制系统。这使得系统能够及时调整反应条件,确保反应过程的稳定性和高效性。人工智能(AI)技术的崛起为加氢设备的自动化调节控制带来了新的可能性。基于机器学习和模型预测控制的方法,可以更好地适应反应条件的变化,并通过学习历史数据来不断优化控制策略。然而目前的加氢机的自动化调节不能很好适应加氢过程中的动态变化,同时不能很好的提前预先知道实际操作中可能出现的问题,导致加氢机调节的可靠性和安全性不足。
发明内容
基于此,有必要提供一种加氢机的自动化调节控制方法,以解决至少一个上述技术问题。
为实现上述目的,一种加氢机的自动化调节控制方法,包括以下步骤:步骤S1:获取加氢机部位数据;对加氢机部位数据进行传感器计算节点部署,生成边缘计算节点运行数据;对边缘计算节点运行数据进行数据融合,从而生成传感器融合数据;
步骤S2:对传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行加氢设备运行状态分析,生成动态加氢过程优化指标数据;基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号;
步骤S3:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;基于实时控制决策数据进行虚拟化验证环境执行,生成虚拟化仿真执行数据;对虚拟化仿真执行数据进行关键性能指标提取,生成加氢虚拟调控数据;
步骤S4:对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据;获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行控制闭环处理,以实现加氢机自动化参数调节。
本发明通过传感器融合数据,可以实时监测加氢设备各个部位的状态和性能,及时发现异常并预测可能的故障。综合分析传感器融合数据可以帮助优化加氢设备的运行策略,提高设备的效率和性能,并优化维护计划,延长设备的使用寿命。及时准确地了解加氢设备的状态可以减少不必要的停机时间和维修成本,降低生产风险,提高生产效率和利润。通过对标准传感器流式数据的实时分析和深度学习,可以实现对加氢过程的实时优化,提高设备的效率和性能。动态加氢过程优化指标数据的分析和深度学习可以帮助系统提前发现设备可能的故障或异常情况,从而采取及时的维护措施,避免停机时间。基于对抗网络算法的深度学习使系统能够自适应于加氢过程中的变化,提高了系统的智能性和适应性。生成的加氢过程反馈信号可以用于实现更精细化的控制,优化资源利用,降低能耗成本。通过实时控制决策,系统能够迅速响应加氢过程的变化,实现更有效的过程调控。虚拟化验证环境可以用于测试不同控制策略在安全性方面的效果,而无需在实际生产中进行尝试,从而降低了潜在的安全风险。通过虚拟化仿真,可以在不消耗实际资源的情况下评估不同控制决策对加氢过程的影响,从而提高资源利用效率并减少试错成本。通过对虚拟化仿真执行数据的分析,系统可以提取关键性能指标并优化实际加氢过程的控制策略,以达到更高的效率和产能。智能校准和闭环控制系统使得加氢设备能够根据实时运行数据进行自动调节,以达到最佳的生产性能。自动化参数调节减少了对人工操作的需求,降低了运营成本并提高了生产效率。智能校准使得控制器更具适应性,能够应对不同工况和变化,提高系统的鲁棒性。闭环控制系统能够实现对实际运行数据的实时响应,确保加氢设备在各种工况下都能稳定运行。因此,本发明通过边缘计算节点、数据融合、深度学习优化及虚拟化仿真,提高了加氢机自动化调节控制中的实时性、数据准确性以及安全性。
本发明的有益效果在于通过获取加氢机部位数据,进行传感器计算节点部署,以及数据融合,实现对实时数据的采集和处理。这确保系统可以及时地获取关键的运行信息。对传感器融合数据进行流式处理,生成标准传感器流式数据。通过对这些数据进行加氢设备运行状态分析,再应用深度学习算法进行动态加氢过程优化指标的生成,实现了对加氢过程的实时、动态优化。使用对抗网络算法对动态加氢过程优化指标数据进行深度学习,这可以提高系统对复杂、非线性系统的建模和优化能力,从而更有效地生成加氢过程反馈信号。通过对加氢过程反馈信号的实时控制决策,生成实时控制决策数据。虚拟化验证环境的执行使得系统在实际生产之前能够通过仿真验证调节策略的有效性,提高了系统的稳定性和可靠性。通过对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据。这使得系统能够自适应地调整参数,通过闭环控制对加氢机运行数据进行实时调节,从而实现自动化的参数调节。因此,本发明通过边缘计算节点、数据融合、深度学习优化及虚拟化仿真,提高了加氢机自动化调节控制中的实时性、数据准确性以及安全性。
附图说明
图1为加氢机的自动化调节控制方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图1中步骤S3的详细实施步骤流程示意图;
图4为图3中步骤S31的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种加氢机的自动化调节控制方法,包括以下步骤:步骤S1:获取加氢机部位数据;对加氢机部位数据进行传感器计算节点部署,生成边缘计算节点运行数据;对边缘计算节点运行数据进行数据融合,从而生成传感器融合数据;
步骤S2:对传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行加氢设备运行状态分析,生成动态加氢过程优化指标数据;基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号;
步骤S3:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;基于实时控制决策数据进行虚拟化验证环境执行,生成虚拟化仿真执行数据;对虚拟化仿真执行数据进行关键性能指标提取,生成加氢虚拟调控数据;
步骤S4:对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据;获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行控制闭环处理,以实现加氢机自动化参数调节。
本发明通过传感器融合数据,可以实时监测加氢设备各个部位的状态和性能,及时发现异常并预测可能的故障。综合分析传感器融合数据可以帮助优化加氢设备的运行策略,提高设备的效率和性能,并优化维护计划,延长设备的使用寿命。及时准确地了解加氢设备的状态可以减少不必要的停机时间和维修成本,降低生产风险,提高生产效率和利润。通过对标准传感器流式数据的实时分析和深度学习,可以实现对加氢过程的实时优化,提高设备的效率和性能。动态加氢过程优化指标数据的分析和深度学习可以帮助系统提前发现设备可能的故障或异常情况,从而采取及时的维护措施,避免停机时间。基于对抗网络算法的深度学习使系统能够自适应于加氢过程中的变化,提高了系统的智能性和适应性。生成的加氢过程反馈信号可以用于实现更精细化的控制,优化资源利用,降低能耗成本。通过实时控制决策,系统能够迅速响应加氢过程的变化,实现更有效的过程调控。虚拟化验证环境可以用于测试不同控制策略在安全性方面的效果,而无需在实际生产中进行尝试,从而降低了潜在的安全风险。通过虚拟化仿真,可以在不消耗实际资源的情况下评估不同控制决策对加氢过程的影响,从而提高资源利用效率并减少试错成本。通过对虚拟化仿真执行数据的分析,系统可以提取关键性能指标并优化实际加氢过程的控制策略,以达到更高的效率和产能。智能校准和闭环控制系统使得加氢设备能够根据实时运行数据进行自动调节,以达到最佳的生产性能。自动化参数调节减少了对人工操作的需求,降低了运营成本并提高了生产效率。智能校准使得控制器更具适应性,能够应对不同工况和变化,提高系统的鲁棒性。闭环控制系统能够实现对实际运行数据的实时响应,确保加氢设备在各种工况下都能稳定运行。因此,本发明通过边缘计算节点、数据融合、深度学习优化及虚拟化仿真,提高了加氢机自动化调节控制中的实时性、数据准确性以及安全性。
本发明实施例中,参考图1所述,为本发明一种加氢机的自动化调节控制方法的步骤流程示意图,在本实例中,所述一种加氢机的自动化调节控制方法包括以下步骤:步骤S1:获取加氢机部位数据;对加氢机部位数据进行传感器计算节点部署,生成边缘计算节点运行数据;对边缘计算节点运行数据进行数据融合,从而生成传感器融合数据;
本发明实施例中,通过使用各种传感器(如温度传感器、压力传感器、流量传感器等)来获取加氢设备不同部位的数据,具体为氢气储存部位、氢气净化部位和氢气充装部位。这些传感器可以直接安装在设备上或者通过网络连接到设备。在加氢设备附近或内部部署边缘计算节点。这些节点是虚拟化的实体,它们用于接收、处理和存储从传感器获取的数据。边缘计算节点负责实时处理和分析传感器数据。这可能涉及数据预处理、降噪、数据格式转换等操作,以确保数据质量和可用性。在边缘计算节点上对来自不同传感器的数据进行融合,具体采用加权平均方式进行融合。这包括将不同传感器的数据整合成统一的格式和数据结构,以便进行后续的分析和处理。经过数据融合处理后,生成的传感器融合数据将包含来自多个传感器的综合信息,反映了加氢设备各个部位的综合状态和性能。
步骤S2:对传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行加氢设备运行状态分析,生成动态加氢过程优化指标数据;基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号;
本发明实施例中,通过将传感器融合数据输入流式处理系统。使用流处理框架如Apache Kafka、Apache Flink等,以确保实时性要求。流式处理可包括数据清洗、过滤、聚合等操作,以生成标准传感器流式数据。利用标准传感器流式数据进行运行状态分析。这可能涉及使用机器学习模型或规则引擎,以检测设备的当前状态、性能和异常情况。可以采用监督学习、无监督学习等方法,根据历史数据训练模型,其中历史数据为不同时间点收集到的加氢设备运行数据。通过对加氢设备运行状态进行分析,其中设备运行状态分析模型的训练数据是标准传感器流式数据,包括了历史上记录的加氢设备各种传感器的数据和设备状态。这个模型的输入是标准传感器流式数据,输出是设备的状态分析结果和优化指标数据。设备运行状态分析模型可能需要的训练数据包括:各种传感器数据(温度、压力、流量等)、设备运行状态(正常、异常)、设备故障历史等,生成动态加氢过程的优化指标数据,训练得到的模型具体为传感器流式数据处理模型。这些指标可以包括设备效率、能耗、产出质量等方面的信息,用于评估加氢过程的性能。使用对抗网络(GAN)等深度学习算法对动态加氢过程的优化指标数据进行学习和生成。GAN可以用于生成具有真实性的新数据,可以用来模拟加氢过程的变化情况,提供更多的训练数据,其中训练数据为之前的步骤生成的动态加氢过程优化指标数据,根据深度学习模型的输出,生成加氢过程的反馈信号。这可能包括调整设备参数、优化操作策略或提供实时建议,以实现加氢过程的动态优化,具体的深度学习模型即为基于对抗网络算法的对抗神经网络模型,生成的加氢过程的反馈信号是一系列优化参数,比如设备参数的调整建议、操作策略的优化参数等。
步骤S3:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;基于实时控制决策数据进行虚拟化验证环境执行,生成虚拟化仿真执行数据;对虚拟化仿真执行数据进行关键性能指标提取,生成加氢虚拟调控数据;
本发明实施例中,通过使用步骤S2中生成的加氢过程反馈信号作为输入数据,在实时控制系统中进行处理和分析。这可能涉及使用实时数据处理系统、控制算法和决策引擎等技术。控制算法可以根据当前的反馈信号和预设的优化目标,生成实时控制决策数据,其中控制算法具体为PID 控制器算法,预设的优化目标是指在加氢过程中所期望达到的最优化指标或目标,这些目标可以根据具体情况设置,如最大化氢气产量、最大化设备效率、最小化能耗、维持设备在安全运行边界内以及优化设备的寿命和稳定性等。这些决策数据可以包括调整设备参数、改变操作策略等。将实时控制决策数据输入到虚拟化验证环境中执行。这个环境可以是一个仿真系统或虚拟现实环境,用于模拟加氢过程的运行情况。在虚拟化环境中,将实时控制决策应用于模拟加氢过程,以评估其效果和性能。这可以帮助在实际操作之前进行预测试和验证。从虚拟化仿真执行数据中提取关键性能指标。这些指标可以包括设备效率、能耗、产品质量等方面的数据。可以使用数据分析和挖掘技术,从仿真执行数据中提取并计算这些性能指标。将从仿真执行数据提取的关键性能指标组合起来,形成加氢虚拟调控数据。这些数据可以用于评估实时控制决策的效果,并为进一步优化提供反馈,其中关键性能指标是单个的性能参数,如温度、压力、流量等,而加氢虚拟调控数据包括了温度、压力、氢气流量等关键性能指标的实时数值,以及根据控制算法生成的实时控制决策数据。比如,在一段时间内,加氢虚拟调控数据可能会包括设定的温度、压力范围,以及根据 PID 控制器实时计算出的调整值。
步骤S4:对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据;获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行控制闭环处理,以实现加氢机自动化参数调节。
本发明实施例中,通过采用机器学习或深度学习算法,通过对历史实际运行数据和虚拟调控数据进行训练,建立智能模型。模型可以包括神经网络、回归模型或其他适用的算法,以实现对虚拟调控数据的智能校准。使用训练好的智能模型,对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据。校准数据应该能够捕捉实际系统的动态特性,以更准确地反映设备的响应和性能。部署传感器和监测设备,以实时获取加氢设备的运行数据,包括温度、压力、流量等关键参数。运行数据的获取可以通过现场设备接口、传感器网络或其他数据采集手段实现。利用智能控制器校准数据建立控制闭环系统,将实际运行数据输入智能控制器。控制器根据校准数据进行实时调整,以优化加氢设备的性能,保持设备在安全和高效的工作状态。利用智能控制器的实时调整能力,实现加氢设备的自动化参数调节。控制器可根据运行数据的变化,动态地调整操作参数,以满足设备的不同工况和生产要求。设置监控系统,实时监测加氢设备的性能和运行状况。根据监控结果,反馈到智能控制器,实现系统性能的持续优化和调整,具体的智能模型通过历史实际运行数据和虚拟调控数据进行训练,学习并建立虚拟调控数据与实际运行数据之间的关系,训练好的智能模型用于生成智能控制器校准数据,校准实际运行数据,提供控制参数调整或者实时操作建议,智能控制器根据实际运行数据和智能控制器校准数据,实现加氢设备的智能控制和优化,因此,智能控制器是由智能模型生成的,智能控制器校准数据是由智能模型根据历史实际运行数据和虚拟调控数据生成的,然后智能控制器利用这些校准数据进行实际运行数据的调整和优化。
优选的,步骤S1包括以下步骤:步骤S11:获取加氢机部位数据;
步骤S12:根据加氢机部位数据进行传感器配置,生成传感器配置数据;基于传感器配置数据进行实时通信网络搭建,生成通信网络性能数据;
步骤S13:对传感器配置数据进行端口节点分析,得到传感器端口节点数据;通过传感器端口节点数据对传感器进行边缘节点计算,生成边缘计算节点数据;利用轻量化容器技术对边缘计算节点数据进行计算节点部署,生成边缘计算节点运行数据;
步骤S14:对边缘计算节点运行数据进行数据滤波,生成边缘计算节点滤波数据;对边缘计算节点滤波数据进行数据校正,生成传感器校正数据集;通过多维态势感知算法对传感器校正数据集进行数据融合,从而生成传感器融合数据。
本发明通过实时获取加氢设备部位数据,配置传感器并建立通信网络,系统能够快速响应环境变化,提高对交通状况的实时感知和准确性。通过实时通信网络搭建并生成通信网络性能数据,可以优化通信效率,确保传感器数据的及时传输,提高系统的整体性能。通过端口节点分析、边缘节点计算和轻量化容器技术的应用,可以有效管理和优化边缘计算资源,提高系统的计算效率和灵活性。数据滤波和校正的步骤有助于降低传感器数据中的噪声和误差,提高数据质量,使得最终的传感器校正数据集更加可靠。利用多维态势感知算法对传感器校正数据进行数据融合,系统可以更全面、综合地理解环境状况,提高决策的准确性和系统的智能化水平。采用轻量化容器技术对边缘计算节点进行部署,增强了系统的可扩展性,可以更容易地适应不同规模和需求的环境。通过端口节点分析和轻量化容器技术,能够更有效地管理系统的计算资源,提高资源的利用效率,降低系统运行成本。
本发明实施例中,通过使用传感器或设备直接采集加氢设备的位置和状态数据。可以利用各种传感器技术,如GPS、惯性导航系统、压力传感器等,根据具体需求选择合适的传感器。数据获取可以通过有线或无线方式进行,根据实际情况选择合适的通信方式。将加氢设备的位置数据用于配置传感器,包括选择传感器类型、位置安装、采样频率等参数。基于传感器配置数据,建立实时通信网络,可以采用传统的网络设备(如路由器、交换机)或者专用的通信设备。通信网络可以采用有线或者无线方式,根据需求选择合适的通信协议和技术,如Wi-Fi、蓝牙、LoRa等。对传感器配置数据进行端口节点分析,确定传感器的数据接口和节点信息。根据传感器端口节点数据,进行边缘节点计算,确定边缘计算节点的位置和数量。利用轻量化容器技术,将边缘计算节点的计算资源进行虚拟化和隔离,便于管理和部署。对边缘计算节点运行数据进行数据滤波,采用合适的滤波算法(如卡尔曼滤波、移动平均滤波等)降低数据噪声。对滤波后的数据进行校正,根据实际场景进行数据修正和修正。使用多维态势感知算法对传感器校正数据集进行数据融合,综合利用不同传感器的数据,得到更准确和全面的态势感知结果,具体的可以使用融合滤波算法、模糊逻辑算法等多维态势感知算法,将来自不同传感器的特征进行整合,生成一个更高维度、更丰富的特征向量。这种融合方式旨在将多源数据的信息融合到一个特征空间中,将融合后的数据输入到多维态势感知算法中,通过对数据的综合分析和处理,实现对环境状况的全面、综合的理解,涉及到模式识别、异常检测、事件预测等技术。
优选的,步骤S2包括以下步骤:步骤S21:对传感器融合数据进行数据清洗,生成传感器融合清洗数据;对传感器融合清洗数据进行缺失值检测,生成传感器缺失检测数据;对传感器缺失检测数据进行数据标准化,生成标准传感器融合数据;
步骤S22:对标准传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行数据流聚合,生成传感器聚合数据流;对传感器聚合数据流进行多源传感器特征提取,生成多源传感器综合特征数据;
步骤S23:对多源传感器综合特征数据进行加氢设备运行状态分析,生成加氢机运行状态数据;对加氢机运行状态数据进行变化优化,生成动态加氢过程优化指标数据;
步骤S24:基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号。
本发明通过清洗传感器融合数据,可以去除异常值、噪声和错误数据,确保数据的质量和可靠性。检测并处理传感器融合清洗数据中的缺失值,避免缺失值对后续分析和决策产生不良影响。将传感器融合清洗数据进行标准化,使得数据在不同传感器之间具有一致的尺度,有助于后续的数据处理和建模。对标准传感器融合数据进行流式处理,实现实时数据处理,有助于对快速变化的情况作出实时响应。将流式数据聚合,减少数据的冗余,提高数据的可读性和可解释性。从标准传感器流式数据中提取多源传感器的综合特征,帮助识别系统的复杂模式和趋势。通过对多源传感器综合特征数据进行分析,生成加氢设备的运行状态数据,帮助了解设备的工作状况和性能。对加氢设备运行状态数据进行优化,可以提高系统的效率、稳定性和安全性。基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,可以学习系统的复杂模式和非线性关系,提高预测和决策的准确性。生成的加氢过程反馈信号可以用于实时监控、调整系统参数,进而实现动态优化和智能控制。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:步骤S21:对传感器融合数据进行数据清洗,生成传感器融合清洗数据;对传感器融合清洗数据进行缺失值检测,生成传感器缺失检测数据;对传感器缺失检测数据进行数据标准化,生成标准传感器融合数据;
本发明实施例中,通过统计分析、数学模型或规则检测传感器融合数据中的异常值,并采取适当的措施处理,可以是替换为均值、中位数,或通过插值方法填补。利用滤波技术或其他信号处理方法,去除传感器数据中的噪声,以提高数据的质量。利用算法或规则检测传感器融合清洗数据中的缺失值,这可能涉及到数据的统计分析或机器学习方法。对检测到的缺失值采取适当的处理策略,可以是删除缺失值所在的记录,也可以是通过插值、回归等方法进行填充。使用标准化方法将传感器融合清洗数据进行尺度调整,确保不同传感器的数据具有一致的尺度和单位。常见的标准化方法包括Z-score标准化、Min-Max标准化等。根据具体情况选择标准化的参数,例如均值和标准差,确保标准化后的数据具备零均值和单位方差。将经过数据清洗、缺失值检测和数据标准化处理的数据合并,生成标准传感器融合数据集。
步骤S22:对标准传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行数据流聚合,生成传感器聚合数据流;对传感器聚合数据流进行多源传感器特征提取,生成多源传感器综合特征数据;
本发明实施例中,通过选择合适的流式处理框架,如Apache Flink、Apache KafkaStreams或Spark Streaming。配置流式处理管道以接收标准传感器融合数据。设计和实现流式处理算法,包括数据窗口设置、事件处理逻辑等,以确保实时处理数据流。定义聚合窗口大小和滑动间隔,以适应系统需求。在流式处理管道中应用聚合操作,例如求和、平均值等,以生成传感器聚合数据流。考虑数据流的时序性,确保正确处理乱序数据。确定要提取的特征,可以基于领域知识选择关键特征。利用合适的特征提取算法,如统计特征、时频域特征、深度学习模型等,从传感器聚合数据流中提取多源传感器特征。确保特征提取过程是实时的,适应流式处理的要求。将从不同传感器提取的特征合并为一个综合的特征向量。组织特征数据的格式,确保数据的一致性和可解释性。可以考虑使用标准的数据交换格式,如JSON或Parquet。集成流式处理管道和特征提取模块。进行系统级测试,确保整个流程在实际环境中可靠运行。调优系统性能,例如处理延迟、吞吐量等方面。部署实现的系统到目标环境中。设置监控系统以追踪流式处理的性能和健康状况。定期维护和更新系统,确保其在不同条件下稳定运行。
步骤S23:对多源传感器综合特征数据进行加氢设备运行状态分析,生成加氢机运行状态数据;对加氢机运行状态数据进行变化优化,生成动态加氢过程优化指标数据;
本发明实施例中,通过清洗和验证多源传感器综合特征数据,处理缺失值和异常值。将特征数据按时间序列组织,以便进行运行状态分析。利用特征选择方法,选择最相关的特征,以降低维度并保留关键信息。如果特征维度较高,考虑使用降维技术,如主成分分析(PCA)或t分布邻域嵌入(t-SNE)。使用机器学习或深度学习模型,例如支持向量机(SVM)、决策树、神经网络等,对加氢设备的运行状态进行分类。对模型进行训练,并使用验证数据集进行模型评估。根据分类结果,生成加氢设备的运行状态数据,标识设备当前的工作状态,如正常运行、维护中、异常等。定义加氢过程的优化指标,如产物纯度、反应效率、能耗等。这些指标应与加氢设备的运行状态和目标一致。设置实时监测系统,持续收集加氢设备运行状态数据和其他相关数据。利用这些数据实时更新优化指标,并反馈给系统操作人员。利用历史数据和实时数据进行加氢过程的数据分析,识别潜在的优化机会。设计和实施优化算法,以调整加氢过程的参数,提高设备性能和效率。基于优化算法的结果,生成动态加氢过程的优化指标数据。这些数据可用于生成报告、实时监视仪表板等,以支持运营决策,具体的优化算法为粒子群优化算法,通过对历史数据和实时数据进行分析,识别加氢过程中的潜在优化机会,并设计出调整加氢过程参数的方法,以提高设备性能和效率,加氢过程的参数是指影响加氢过程效果的控制变量,例如:加氢反应器的温度、加氢反应器的压力、氢气流量、催化剂用量、反应时间等,更具体的数据分析中的数据包括过去加氢过程的记录数据和当前正在运行的加氢过程的实时监测数据,优化指标数据是通过优化算法调整加氢过程参数后得到的结果数据,反映了优化后的加氢过程的效果和性能。
步骤S24:基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号。
本发明实施例中,通过使用步骤S23生成的动态加氢过程优化指标数据作为训练数据。数据标准化:对数据进行标准化,确保各个特征在相同的尺度上。选择适当的对抗网络算法,如生成对抗网络(GAN)。GAN包括生成器(Generator)和判别器(Discriminator),通过对抗学习生成具有逼真性的数据。定义生成器和判别器的网络结构。生成器负责生成反馈信号,而判别器负责区分生成的信号和真实信号。考虑使用深度神经网络,如多层感知器(MLP)或卷积神经网络(CNN),根据问题的复杂性选择适当的架构。设计对抗网络的损失函数,包括生成器的损失和判别器的损失。目标是通过对抗学习使得生成器生成的信号在统计上与真实信号相似。使用准备好的训练数据训练生成器和判别器,其中训练数据是动态加氢过程优化指标数据。通过反复迭代训练过程,使得生成器不断改进生成的反馈信号,而判别器不断提高区分能力,其中反馈信号为生成器模型根据输入的随机噪声向量 z(来自潜在空间)生成的虚拟加氢过程的数据。使用验证集数据评估生成器的性能,确保生成的反馈信号符合预期的优化目标。考虑采用评估指标,如生成信号的分布与真实信号的相似性、误差等。将训练好的生成器模型部署到实际系统中,用于实时生成加氢过程的反馈信号。确保模型与实际系统的集成和稳定性。
优选的,步骤S23包括以下步骤:步骤S231:对多源传感器综合特征数据进行时序分析,生成多源传感器时序分析数据;
步骤S232:对多源传感器时序分析数据进行机器运行状态分析,生成加氢机运行状态数据;通过加氢机异常检测公式对加氢机运行状态数据进行异常系数量化,生成加氢机运行异常系数;
步骤S233:将加氢机运行异常系数和预设的标准异常阈值进行对比,当加氢机运行异常系数大于预设的标准异常阈值时,则将加氢机运行状态数据划分为一类异常运行状态数据;当加氢机运行异常系数小于预设的标准异常阈值时,则将加氢机运行状态数据划分为二类正常运行状态数据;
步骤S234:对一类异常运行状态数据进行成因性分析,生成一类异常成因数据;根据一类异常成因数据对加氢机进行设备影响范围评估,生成一类异常影响范围数据;通过对一类异常影响范围数据对加氢机硬件配置进行更换,从而生成硬件配置更换指标数据;
步骤S235:对二类正常运行状态数据进行参数调控,生成二类正常参数调控数据;根据二类正常参数调控数据对加氢机进行二次异常检测,得到二类加氢机二次运行异常系数;将二类正常运行状态数据所对应的加氢机运行异常系数和二类加氢机二次运行异常系数进行差值对比,得到软件配置调控指标数据;
步骤S236:根据硬件配置更换指标数据和软件配置调控指标数据对加氢机运行状态数据进行变化优化,生成动态加氢过程优化指标数据。
本发明通过对多源传感器综合特征数据进行时序分析,生成了多源传感器时序分析数据,为后续分析提供了基础。对多源传感器时序分析数据进行分析,可以准确地生成加氢机的运行状态数据。这有助于了解加氢机的实时运行情况,识别潜在的异常情况。通过加氢机异常检测公式,将加氢机的运行状态数据转化为异常系数。这种异常系数量化可以帮助确定加氢机的异常程度,并提供了一种量化的指标来评估其运行状态的异常程度。将加氢机运行异常系数与预设的标准异常阈值进行对比,将运行状态数据划分为异常和正常两类。这有助于确定加氢机的运行是否正常,及时发现潜在的问题。对一类异常运行状态数据进行成因性分析,可生成一类异常成因数据。通过对异常成因的分析,可以了解导致加氢机异常的具体原因。根据一类异常成因数据,对加氢机进行设备影响范围评估,生成一类异常影响范围数据。这有助于确定异常的影响范围,以便针对性地采取措施来解决问题。通过一类异常影响范围数据对加氢机的硬件配置进行更换评估,生成硬件配置更换指标数据。这有助于确定是否需要更换硬件配置来解决异常问题。对二类正常运行状态数据进行参数调控,生成二类正常参数调控数据。根据二类正常参数调控数据进行二次异常检测,得到二类加氢机二次运行异常系数。通过将二类正常运行状态数据所对应的加氢机运行异常系数和二类加氢机二次运行异常系数进行差值对比,可以生成软件配置调控指标数据。这有助于优化加氢机的运行状态,提高工作效率和性能。通过对硬件配置更换指标数据和软件配置调控指标数据进行变化优化,生成了动态加氢过程优化指标数据。提供了对系统性能的实时优化反馈,使得加氢过程能够在变化的工作条件下保持高效运行。
本发明实施例中,通过对多源传感器综合特征数据进行时序分析,生成多源传感器时序分析数据。这可能包括以下操作:从各个传感器中收集原始数据。对原始数据进行预处理,如去噪、插值等。进行时序分析,可能包括趋势分析、周期性分析等。生成多源传感器的时序分析数据。对多源传感器时序分析数据进行机器运行状态分析,生成加氢设备运行状态数据。可能的操作包括:利用机器学习或统计方法对时序数据进行运行状态分析。生成加氢设备的运行状态数据,描述设备的当前运行情况。通过加氢设备异常检测公式对运行状态数据进行异常系数量化,生成加氢设备运行异常系数。这可能包括:制定异常检测公式,可能是基于阈值、模型等。对运行状态数据进行异常检测,生成异常系数。将加氢设备运行异常系数与预设的标准异常阈值进行对比,进行异常状态的分类。可能的操作包括:制定标准异常阈值。比较异常系数与阈值,判定设备的运行状态是否异常。根据比较结果将运行状态数据分为一类异常运行状态数据和二类正常运行状态数据。对一类异常运行状态数据进行成因性分析,生成一类异常成因数据。可能的操作包括:分析一类异常的原因,可能涉及设备故障、操作失误等,生成描述异常成因的数据。根据一类异常成因数据对加氢设备进行设备影响范围评估,生成一类异常影响范围数据。可能的操作包括:评估异常对设备的影响范围,可能是设备的局部或整体影响。生成描述异常影响范围的数据。通过一类异常影响范围数据对加氢设备硬件配置进行更换,从而生成硬件配置更换指标数据,可能的操作包括:根据评估结果确定需要更换的硬件,生成描述硬件配置更换的指标数据。对二类正常运行状态数据进行参数调控,生成二类正常参数调控数据,可能的操作包括:对二类正常运行状态数据进行参数调整,以减少异常发生的概率,生成描述参数调控的数据。基于上述的加氢机异常检测公式根据二类正常参数调控数据对加氢设备进行二次异常检测,得到二类加氢机二次运行异常系数,可能的操作包括:使用调整后的参数进行再次运行状态分析,得到二次运行异常系数,此时的二次运行异常系数为第二次的检测的加氢机运行异常系数。将二类正常运行状态数据所对应的加氢机运行异常系数和二类加氢机二次运行异常系数进行差值对比,得到软件配置调控指标数据,可能的操作包括:比较两次异常系数的变化,生成描述软件配置调控的指标数据,从而可以清晰明了的了解软件配置调控后发生异常的概率是否减少,根据硬件配置更换指标数据和软件配置调控指标数据对加氢设备运行状态数据进行变化优化,生成动态加氢过程优化指标数据。可能的操作包括:利用硬件和软件配置的指标数据进行加氢过程的优化,生成描述优化结果的指标数据。
优选的,步骤S232中的加氢机异常检测公式具体如下:
式中,表示为加氢机运行异常系数,表示为起始时间点,表示为结束时间点,表示为加氢机在时刻的压力值,表示为加氢机在时刻的温度值,表示为压力
对异常系数量化的影响程度系数,表示为温度对异常系数量化的影响程度系数,表示为
压力变化率对异常系数量化的影响程度系数,表示为当前时刻。
本发明通过分析并整合了一种加氢机异常检测公式,公式中的表示为加氢机运
行异常系数,该系数用于量化加氢设备在给定时间范围内的异常程度,数值越大表示异常
程度越高。和分别表示异常检测的起始时间点和结束时间点。通过设定合适的时间范
围,可以控制异常检测的时间窗口,以便对设备的特定时间段进行异常检测。表示加
氢机在时刻 的压力值,表示加氢机在时刻 的温度值。这些参数反映了加氢设备
的运行状态,异常设备往往会在压力和温度上显示出异常的变化。和 是压力和温度的
影响系数。它们表示了压力和温度对异常系数量化的影响程度。通过调整这些系数,可以根
据实际情况确定压力和温度对异常程度的重要性。是压力变化率的影响系数。它表示了
压力变化率对异常系数量化的影响程度。通过调整这个系数,可以控制压力变化率对异常
程度的敏感程度。在使用本领域常规的加氢机异常检测公式时,可以得到加氢机运行异常
系数,通过应用本发明提供的加氢机异常检测公式,可以更加精确的计算出加氢机运行异
常系数。通过积分和指数函数的运算,公式综合考虑了压力、温度、压力变化率和温度与压
力的关系,以量化加氢设备的运行异常程度。通过调整参数的值,可以根据具体情况和需求
来优化异常检测算法,从而提高检测准确性和可靠性。
优选的,步骤S24包括以下步骤:步骤S241:利用图卷积神经网络架构和循环神经网络架构对动态加氢过程优化指标数据进行模型架构设计,生成加氢过程学习模型架构;通过知识迁移技术对加氢过程学习模型架构进行先验知识引入,生成加氢深度学习模型架构图;
步骤S242:将动态加氢过程优化指标数据进行数据集划分,生成模型训练集和模型测试集;对模型训练集进行动态数据增强,生成模型增强训练集;通过数据合成技术对模型增强训练集和模型测试集进行数据合成划分,生成模型混合训练集和模型混合测试集;
步骤S243:将动态加氢过程优化指标数据作为奖励信号,并利用模型混合训练集对奖励信号进行模型训练,生成模型训练输出集;对模型训练输出集进行经验回放,从而生成动态加氢过程预模型;
步骤S244:基于对抗网络算法利用模型测试集对动态加氢过程预模型进行对抗性训练,生成动态加氢过程模型;对动态加氢过程模型进行贝叶斯优化,生成动态加氢过程优化模型;将动态加氢过程优化指标数据导入至动态加氢过程优化模型中进行信号转换,生成加氢过程反馈信号。
本发明通过利用图卷积神经网络架构和循环神经网络架构对动态加氢过程的优化指标数据进行模型架构设计。这可能有助于更好地捕捉输入数据的空间和时间依赖关系。通过知识迁移技术对学习模型架构引入先验知识。这可以帮助模型更快地收敛,特别是在数据有限的情况下。将动态加氢过程的优化指标数据划分为模型训练集和模型测试集。这有助于评估模型的泛化性能。对模型训练集进行动态数据增强,可能包括旋转、缩放、平移等。这有助于增加训练样本的多样性,提高模型的泛化性。通过数据合成技术对模型增强训练集和模型测试集进行数据合成划分,生成模型混合训练集和模型混合测试集。这可以引入更多的变化和噪声,使模型更具鲁棒性。将动态加氢过程的优化指标数据作为奖励信号,使用模型混合训练集进行模型训练。这有助于模型学习如何根据输入数据调整其参数以最大化奖励信号。对模型训练输出集进行经验回放。这是一种训练技术,通过重新使用先前的经验(训练样本)来改善模型的性能,有助于提高训练的稳定性和效率。利用对抗网络算法对动态加氢过程预模型进行对抗性训练。这可以提高模型的鲁棒性,使其在面对未知和复杂情况时表现更好。对动态加氢过程模型进行贝叶斯优化。这有助于在模型的不确定性方面进行建模,并在实际应用中提供更可靠的结果。
本发明实施例中,通过根据动态加氢过程的特点和数据结构,设计适合的GCN和RNN网络结构。GCN用于处理空间结构,RNN用于处理时间序列数据。可以选择合适的网络深度、节点数、激活函数等超参数,以及适当的连接方式和层次结构。使用预训练模型或者迁移学习的方法,将先验知识引入模型中。这可以通过调整模型参数、初始化权重等方式实现。先验知识可能来自于先前的相关任务或领域知识,可以帮助模型更快地学习和更好地泛化。将动态加氢过程的优化指标数据划分为训练集和测试集,通常采用70-30或80-20的比例。确保在划分时保持数据的分布均匀,以避免数据偏斜问题。对训练集中的数据进行动态增强,如旋转、缩放、平移、加噪声等操作,以扩大训练数据集的多样性。使用数据合成技术(如GAN、VAE等)生成合成数据,以增加训练数据的多样性和数量。确保合成数据能够保持与真实数据的相似性,以提高模型的泛化能力。使用模型混合训练集进行模型训练,将动态加氢过程的优化指标数据作为奖励信号。可以采用深度学习框架(如TensorFlow、PyTorch等)进行模型训练,选择合适的优化算法和损失函数。将模型训练输出集中的经验保存下来,并随机选择一部分进行经验回放,以避免模型过拟合和提高训练效率。使用对抗网络算法对动态加氢过程预模型进行对抗性训练,以提高模型的鲁棒性。可以通过引入对抗性样本、设计适当的损失函数等方式实现对抗性训练。使用贝叶斯优化算法对动态加氢过程模型进行优化,以获得更好的性能和泛化能力。这可以通过采样、参数调整、超参数优化等方式实现。将动态加氢过程优化指标数据导入到优化模型中进行信号转换,生成加氢过程反馈信号。这可能涉及到将模型输出转换为实际控制参数或建议,以指导实际加氢过程的优化和改进,其中GCN 用于处理加氢过程中的空间相关性数据,比如不同部位的温度、压力等传感器数据之间的关系。RNN 用于处理时间序列数据,比如不同时间点下的加氢过程优化指标数据,如氢气产量、反应器温度变化等,GCN 可以用于构建一个加氢过程的空间特征图,用于处理不同部位传感器数据的空间相关性。RNN 可以用于处理加氢过程中的时间序列数据,比如对历史数据进行建模和预测。GCN 和 RNN 在这个场景中一起工作,GCN 处理空间数据,RNN 处理时间序列数据,二者相互补充,在对抗网络中,生成器用于生成逼真的加氢过程的反馈信号,判别器用于区分真实的加氢过程反馈信号和生成的虚拟信号,加氢过程学习模型架构包括了 GCN 和 RNN,用于学习和预测加氢过程的优化指标数据,对抗网络的生成器和判别器是针对加氢过程的反馈信号生成和判别,而加氢过程学习模型架构是针对加氢过程的优化指标数据的学习和预测,而模型混合训练集是根据动态加氢过程的优化指标数据划分增强合成等得到的数据集,在这里,奖励信号指的是动态加氢过程的优化指标数据,可以作为奖励的指标,用于指导模型的训练,使用模型混合训练集对奖励信号进行模型训练,这里的模型是对抗网络的生成器模型或者加氢过程学习模型架构中的某一部分模型,通过模型训练得到的模型输出结果,即生成器模型生成的反馈信号。
优选的,步骤S3包括以下步骤:步骤S31:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;
步骤S32:基于实时控制决策数据进行虚拟化验证环境配置,生成虚拟化验证环境配置数据,其中虚拟化验证环境配置数据包括加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据;
步骤S33:根据加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据进行虚拟环境构建,生成虚拟化加氢验证环境;将实时控制决策数据注入虚拟化加氢验证环境中进行仿真执行,生成虚拟化仿真执行数据;
步骤S34:利用仿真性能评估公式对虚拟化仿真执行数据进行关键性能指标提取,生成仿真性能评估数据;通过反馈机制将仿真性能评估数据反馈至虚拟化加氢验证环境中进行场景优化,生成加氢虚拟调控数据。
本发明通过根据动态加氢过程的反馈信号,系统生成实时控制决策数据。实时控制决策使系统能够快速响应动态加氢过程中的变化。可以根据实时情况对加氢过程进行调整和优化,提高生产效率和产品质量。虚拟化验证环境提供了一个安全、成本低廉的实验平台,用于测试和验证实时控制决策的有效性和稳定性。可以在虚拟环境中模拟各种实际场景,加速实验和测试的过程。虚拟化仿真执行可以在不影响实际生产的情况下评估实时控制决策的效果和性能。可以在不同条件下进行仿真实验,探索最佳的控制策略和参数配置。通过对仿真执行数据进行评估和分析,可以及时发现问题并进行优化。场景优化和虚拟调控数据的生成有助于提高加氢过程的稳定性、效率和可靠性。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S3包括:步骤S31:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;
本发明实施例中,通过安装传感器和仪器来实时监测加氢过程的各种参数,例如温度、压力、流量等。建立数据采集系统,将传感器获取的数据实时传输到控制系统。在控制系统中建立实时数据处理模块,对采集到的数据进行实时处理和分析。利用控制算法对实时数据进行实时分析,例如PID控制(比例-积分-微分)等。基于实时数据的分析结果,控制系统应用预定义的控制算法生成实时控制决策。实时控制决策可能涉及对反馈信号的调整,以维持加氢过程的稳定性和符合设定的目标。可以使用先进的控制方法,如模型预测控制(MPC)或强化学习,以动态调整实时控制策略。在实时基础上对控制参数进行优化,以适应不同工况和生产要求。生成的实时控制决策数据将被输出到系统的执行层,例如执行单元或操作界面。这些数据将用于调整加氢过程的操作,实现实际的生产控制。
步骤S32:基于实时控制决策数据进行虚拟化验证环境配置,生成虚拟化验证环境配置数据,其中虚拟化验证环境配置数据包括加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据;
本发明实施例中,通过创建包含加氢设备的虚拟模型库,其中包括设备的物理特性、工作原理、传感器反馈等模型数据。参数化虚拟模型,使其能够根据实际控制决策数据进行调整,以反映实际工况。选择适当的仿真引擎,例如MATLAB Simulink、Aspen HYSYS等,用于实现虚拟化验证。将实时控制决策数据集成到仿真引擎中,确保虚拟模型在仿真中能够按照实时控制决策进行调整。设计一个实时环境数据注入器,负责将实际环境数据注入虚拟化验证环境中。确保实时环境数据注入器与实际加氢过程中的数据采集系统同步,以模拟真实工况。制定标准的数据接口和协议,确保虚拟模型、仿真引擎和注入器之间能够有效地交换数据。确保数据的实时传递,以便虚拟环境能够及时响应实际系统的变化。确定一系列验证场景,涉及不同的控制决策和工况,以全面测试虚拟化验证环境的性能和稳定性。包括设备故障、异常操作等边界条件,以评估系统对不同情况的响应能力。将虚拟模型、仿真引擎和实时环境数据注入器整合到一个统一的虚拟化验证环境中。进行系统调试,解决可能出现的数据不一致或性能问题,优化虚拟化验证环境的运行效果。
步骤S33:根据加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据进行虚拟环境构建,生成虚拟化加氢验证环境;将实时控制决策数据注入虚拟化加氢验证环境中进行仿真执行,生成虚拟化仿真执行数据;
本发明实施例中,通过使用加氢设备的虚拟模型数据,通过相应的模型加载工具将虚拟模型导入到虚拟化环境中。将仿真引擎数据与虚拟模型整合,确保它们协同工作。这可能需要使用引擎的API(Application Programming Interface)或其他集成机制。利用实时环境数据注入器数据,建立虚拟环境中的实时数据注入机制。这可能包括建立数据通道、校准数据格式等。根据实际系统的参数,调整虚拟环境的配置,确保其与实际系统相符。将实时控制决策数据引入虚拟化加氢验证环境。这可能通过建立数据接口,将决策数据传递给虚拟环境中的控制系统。在虚拟环境中启动仿真引擎,使其执行虚拟化加氢验证环境的仿真。确保仿真引擎能够根据实时控制决策数据模拟加氢过程。在仿真执行过程中,实时监控虚拟环境的运行状态,以确保仿真过程中的数据一致性和稳定性。在仿真执行期间,记录仿真引擎的输出数据,包括加氢设备的状态、反馈信息等。将仿真执行期间生成的数据存储在适当的数据库或文件系统中,以备后续分析和验证使用。对仿真执行数据进行分析,评估虚拟环境中的加氢过程是否符合预期,检查实时控制决策的执行效果。设计实时反馈机制,将仿真执行的结果反馈给实时控制决策系统。这有助于实时调整控制策略。根据仿真执行数据的分析结果,调整虚拟模型、控制算法或其他相关参数,优化虚拟环境的性能,其中实时控制决策具体包括针对特定的加氢过程状态,设定的操作策略和流程;在特定条件下的安全措施和应对措施。以及根据模型预测结果或优化算法的输出,提供的优化操作指令,比如根据预测的氢气产量变化趋势,调整氢气供给量的指令。
步骤S34:利用仿真性能评估公式对虚拟化仿真执行数据进行关键性能指标提取,生成仿真性能评估数据;通过反馈机制将仿真性能评估数据反馈至虚拟化加氢验证环境中进行场景优化,生成加氢虚拟调控数据。
本发明实施例中,通过明确定义与虚拟化仿真执行相关的关键性能指标。这可能包括加氢效率、反应速率、设备利用率等。制定仿真性能评估公式,将关键性能指标以数学形式表达。这些公式应该能够量化系统在虚拟环境中的性能表现。利用设计的性能评估公式,从虚拟化仿真执行数据中提取关键性能指标。这可能涉及对仿真执行数据进行统计分析或数学运算。确保提取的性能指标数据符合反馈机制的需求,可能需要进行格式转换或归一化处理。设计用于将仿真性能评估数据反馈至虚拟化加氢验证环境的数据传输通道。这可以通过网络通信或其他适当的通信手段来实现。建立实时反馈机制,确保性能评估数据能够迅速而准确地传递给虚拟化加氢验证环境。这可能包括设置数据传输频率、数据格式等。基于仿真性能评估数据,设计场景优化算法。这可能包括调整控制策略、优化参数配置等。利用场景优化算法生成加氢虚拟调控数据,这些数据将用于优化虚拟化加氢验证环境中的实时控制决策。利用生成的加氢虚拟调控数据对虚拟化加氢验证环境进行调整。这可能涉及控制算法的更新、模型参数的调整等。建立反馈循环机制,确保实时性能评估数据能够不断影响虚拟环境,实现动态优化。
优选的,步骤S31包括以下步骤:步骤S311:对加氢过程反馈信号进行信号强度分析,生成加氢过程反馈强度数据;对加氢过程反馈强度数据进行快速傅里叶变换,生成加氢过程反馈频谱图;
步骤S312:对加氢过程反馈频谱图进行曲折点时序分析,得到加氢过程变化时序点;基于加氢过程变化时序点对加氢机进行加氢过程数据采集,从而获得加氢过程实时数据,其中加氢过程实时数据包括加氢温度数据、加氢压力数据和加氢流量数据;
步骤S313:通过分布式感知技术对加氢温度数据、加氢压力数据和加氢流量数据进行多维数据整合,生成加氢过程多维实时数据;根据决策树算法对加氢过程多维实时数据和预设的控制目标进行控制匹配,从而生成实时加氢控制决策;
步骤S314:基于实时加氢控制决策对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据。
本发明通过信号强度分析,系统能够提取加氢过程反馈信号中的关键特征,这有助于识别加氢过程中的重要事件或状态变化。利用快速傅里叶变换生成频谱图,使系统能够在频域上分析反馈信号,进一步了解信号的频率成分。通过曲折点时序分析,系统得到加氢过程的变化时序点,这有助于捕捉加氢过程中的重要状态变化。基于变化时序点对加氢设备进行数据采集,获取实时的加氢过程数据,其中包括温度、压力和流量等关键参数。利用分布式感知技术,系统对加氢温度、压力和流量等多维数据进行整合,形成更全面的加氢过程实时数据。应用决策树算法对实时数据与预设控制目标进行匹配,从而生成实时加氢控制决策,提高系统对加氢过程的智能化程度。基于实时加氢控制决策,系统能够实施对加氢过程的实时控制,以应对变化的条件和要求。在实施实时控制决策的同时,系统生成实时控制决策数据,为后续监测、分析和优化提供基础。系统通过分析反馈信号、采集实时数据以及实时控制,能够在加氢过程中做出及时的决策响应。利用多维数据整合和决策树算法,系统具备智能化的控制能力,提高了加氢过程的稳定性和效率。通过时序分析和多维数据整合,系统能够对加氢过程进行精细化的监控,发现潜在问题并进行预测性维护。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S31包括:步骤S311:对加氢过程反馈信号进行信号强度分析,生成加氢过程反馈强度数据;对加氢过程反馈强度数据进行快速傅里叶变换,生成加氢过程反馈频谱图;
本发明实施例中,通过传感器或仪表系统实时采集加氢过程中的反馈信号,例如加氢反应器的温度、压力、流量等参数。对采集到的信号进行预处理,包括去噪、滤波等,以确保信号质量良好。使用适当的算法或技术对信号强度进行分析,可能涉及振幅、功率谱密度等参数的计算。将经过强度分析得到的加氢过程反馈强度数据转换为时域序列。对时域序列应用快速傅里叶变换算法,将时域信号转换为频域信号。根据FFT的结果,生成加氢过程反馈的频谱图,其中横轴表示频率,纵轴表示信号的强度或功率。
步骤S312:对加氢过程反馈频谱图进行曲折点时序分析,得到加氢过程变化时序点;基于加氢过程变化时序点对加氢机进行加氢过程数据采集,从而获得加氢过程实时数据,其中加氢过程实时数据包括加氢温度数据、加氢压力数据和加氢流量数据;
本发明实施例中,通过对加氢过程的频谱图进行解析,识别频率或振幅的变化曲折点。这些曲折点可能对应于加氢过程中的重要变化或事件。从曲折点中提取时序信息,确定变化发生的时间点。这些时序点可以作为加氢过程的关键时刻。部署实时监测系统,通过传感器或仪表采集与加氢过程相关的实时数据,包括温度、压力和流量等。利用曲折点时序分析的结果,设置触发条件,使系统在关键时序点附近进行数据采集。这可以确保采集到与加氢过程变化相关的详细数据。将从不同传感器获取的实时数据整合成一套完整的加氢过程实时数据。利用实时数据进行加氢过程的监控,可以及时发现和响应变化,并采取必要的控制措施。
步骤S313:通过分布式感知技术对加氢温度数据、加氢压力数据和加氢流量数据进行多维数据整合,生成加氢过程多维实时数据;根据决策树算法对加氢过程多维实时数据和预设的控制目标进行控制匹配,从而生成实时加氢控制决策;
本发明实施例中,通过部署分布式传感器网络,涵盖加氢设备的各个关键部位,以实时采集温度、压力和流量等数据。确保传感器之间能够实时、可靠地通信,采用合适的通信协议和技术,如物联网协议。统一不同传感器输出的数据格式,以便进行有效的整合。利用分布式处理技术,对实时数据进行流式处理,确保数据整合的时效性。将整合后的多维实时数据存储在可访问的数据库中,以备后续决策树算法使用。选择与加氢过程控制相关的特征,例如温度、压力、流量等。利用历史数据,将多维实时数据与相应的控制结果进行匹配,形成训练数据集。使用决策树算法构建模型,以学习多维实时数据与控制目标之间的关系。对模型进行优化,考虑加入合适的参数调整,以提高决策的准确性。将实时采集到的多维数据输入训练好的决策树模型。根据模型的输出,生成实时的加氢控制决策。将生成的决策与预设的控制目标进行匹配,确保控制决策与设定的目标一致。
步骤S314:基于实时加氢控制决策对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据。
本发明实施例中,通过建立一个实时数据采集系统,用于获取加氢过程的反馈信号,包括但不限于加氢温度、加氢压力和加氢流量等数据。这可以通过传感器、监测设备或其他数据源实现。对从实时数据采集系统获取的数据进行预处理。这可能包括数据清洗、去噪、校准和时间同步等步骤,以确保数据的准确性和一致性。使用分布式感知技术,将加氢温度、加氢压力和加氢流量等多维数据整合到一个综合的数据集中。这有助于形成加氢过程的全面实时数据视图。利用决策树算法对整合的多维实时数据进行分析和匹配。决策树可以用于制定控制策略,使加氢过程的运行符合预设的控制目标。根据决策树算法的结果,生成实时加氢控制决策。这可能涉及到根据当前数据状态调整加氢温度、压力和流量等参数,以实现最优的加氢过程控制。实施生成的实时控制决策,调整加氢过程的运行参数。这可能需要与控制系统集成,以实现对加氢设备的迅速而准确的响应。在实施过程中,持续监测加氢过程的性能,并根据实时反馈进行调整。这有助于确保控制决策的实施能够在动态环境中保持有效性。记录实施过程中的关键数据,并生成报告。这有助于事后分析、性能评估和改进控制策略。
优选的,步骤S34中的仿真性能评估公式具体如下:
式中,表示为仿真性能评估数据,表示为虚拟化仿真执行数据的总数,表示
为每个虚拟机的子任务数量,表示为第个虚拟机的第个子任务的执行时间,表示为
第个虚拟机的第个子任务的计算资源需求,表示为仿真时间的上限,表示为仿真中的
时间间隔,表示为仿真时间的分割数,表示为每个时间片中的并发任务数量,表示为
第个时间片中第个并发任务的数据传输量,表示为第个时间片中第个并发任务的
传输速率。
本发明通过分析并整合了一种仿真性能评估公式,公式的原理是在仿真的时间范
围内,对每个虚拟机的每个子任务的计算资源需求和执行时间进行加权求和,然后对每个
时间片的并发任务的数据传输量和传输速率进行加权求和。最终,将所有时间片的结果进
行加权求和,得到整个仿真过程的性能评估数据。公式中的虚拟机数量 和每个虚拟机的
子任务数量 影响了整个系统的任务规模。更多的虚拟机和子任务意味着更多的计算和
传输需求,对性能评估结果有直接影响。子任务的执行时间 和计算资源需求反映了
每个虚拟机的计算负载和计算能力。执行时间越长、计算资源需求越高,系统性能可能会下
降。仿真时间的上限 和时间间隔 决定了仿真时间的划分和粒度。较长的仿真时间和较
小的时间间隔可以提供更准确的性能评估结果,但也会增加计算成本。时间片的分割数
和每个时间片中的并发任务数量 反映了并发性和任务调度的情况。更多的时间片和并
发任务可以更好地模拟实际系统的并行性,但也会增加计算复杂度。并发任务的数据传输
量 和传输速率 描述了任务之间的数据交互情况。较大的数据传输量和较高的传输
速率可能导致网络拥塞和延迟,影响系统性能。在使用本领域常规的仿真性能评估公式时,
可以得到仿真性能评估数据,通过应用本发明提供的仿真性能评估公式,可以更加精确的
计算出仿真性能评估数据。通过综合考虑这些参数之间的相互作用,公式可以量化系统的
性能指标 ,从而帮助评估和优化虚拟化仿真执行的效果。通过调整参数的取值,可以研究
不同配置对性能的影响,优化虚拟化系统的性能,提高系统的可扩展性和效率。
优选的,步骤S4包括以下步骤:步骤S41:对加氢虚拟调控数据进行控制数据集成,生成加氢控制数据库;利用加氢控制数据对加氢机控制器进行智能校准,生成智能控制器校准数据;
步骤S42:获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行自动化调节控制,生成自动化调节控制数据;基于自动化调节控制数据进行控制闭环处理,以实现加氢机自动化参数调节。
本发明通过对加氢虚拟调控数据进行控制数据集成,得到的加氢虚拟调控数据可能是模拟的或者以某种方式生成的虚拟数据。这些数据可能包括不同操作条件下的加氢参数、反馈信号等。将这些虚拟调控数据整合到一个数据库中,形成加氢控制数据库,为后续的智能校准提供基础。利用加氢控制数据库的实际数据,对加氢设备的控制器进行智能校准。这可能包括调整控制器的参数、优化控制算法,以确保加氢设备在不同工况下能够更智能、更有效地运行。智能校准过程可能利用机器学习、优化算法或其他智能化方法。在校准过程完成后,生成智能控制器校准数据,这些数据记录了经过智能校准后的控制器参数和算法设置。从加氢设备中获取实际运行数据,这可能包括加氢温度、压力、流量等参数以及其他关键性能指标。利用先前生成的智能控制器校准数据,对实际运行数据进行自动化调节控制。这意味着系统能够根据实时运行状况,自动地调整控制器的参数和算法,以优化加氢设备的性能。记录自动化调节过程中生成的数据,包括调整后的控制器参数、运行数据的变化等信息。基于自动化调节控制数据建立控制闭环,实现实时监控和反馈。这使得系统能够持续地自我优化,确保加氢设备在不同工况下都能够保持最佳的运行状态。
本发明实施例中,通过收集和整合加氢虚拟调控数据,包括各种操作条件下的加氢参数、反馈信号等。可以使用数据集成工具或平台,确保数据格式一致性和可用性。将整合后的数据存储在一个数据库中,该数据库可以是关系型数据库、时间序列数据库或其他适用的数据存储方式。数据库应具备高效的读写能力,以便后续智能校准过程中能够快速访问和调用数据。利用机器学习算法、优化算法或其他智能化方法,对加氢设备的控制器进行校准。校准过程中可能涉及参数优化、模型训练等步骤,以确保控制器在不同工况下能够做出智能的调整。记录经过智能校准后的控制器参数、模型权重等数据。生成的智能控制器校准数据将用于后续的自动化调节。部署传感器和数据采集系统,以实时获取加氢设备的运行数据。运行数据可能包括温度、压力、流量、反馈信号等信息。利用先前生成的智能控制器校准数据,通过自动化算法对加氢设备的运行数据进行实时调节。这可能包括调整控制器参数、更新模型权重等。记录自动化调节过程中的数据,包括调整后的控制器参数、运行数据的变化等。这些数据用于评估调节效果和为控制闭环处理提供依据。利用生成的自动化调节控制数据建立控制闭环。在闭环中,系统根据实时运行数据不断调整控制器参数,以实现加氢设备的自动化参数调节。控制闭环的设计可能涉及反馈控制算法、PID控制等技术。
本发明的有益效果在于通过获取加氢机部位数据,进行传感器计算节点部署,以及数据融合,实现对实时数据的采集和处理。这确保系统可以及时地获取关键的运行信息。对传感器融合数据进行流式处理,生成标准传感器流式数据。通过对这些数据进行加氢设备运行状态分析,再应用深度学习算法进行动态加氢过程优化指标的生成,实现了对加氢过程的实时、动态优化。使用对抗网络算法对动态加氢过程优化指标数据进行深度学习,这可以提高系统对复杂、非线性系统的建模和优化能力,从而更有效地生成加氢过程反馈信号。通过对加氢过程反馈信号的实时控制决策,生成实时控制决策数据。虚拟化验证环境的执行使得系统在实际生产之前能够通过仿真验证调节策略的有效性,提高了系统的稳定性和可靠性。通过对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据。这使得系统能够自适应地调整参数,通过闭环控制对加氢机运行数据进行实时调节,从而实现自动化的参数调节。因此,本发明通过边缘计算节点、数据融合、深度学习优化及虚拟化仿真,提高了加氢机自动化调节控制中的实时性、数据准确性以及安全性。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种加氢机的自动化调节控制方法,其特征在于,包括以下步骤:
步骤S1:获取加氢机部位数据;对加氢机部位数据进行传感器计算节点部署,生成边缘计算节点运行数据;对边缘计算节点运行数据进行数据融合,从而生成传感器融合数据;
步骤S2:对传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行加氢设备运行状态分析,生成动态加氢过程优化指标数据;基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号;
步骤S3:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;基于实时控制决策数据进行虚拟化验证环境执行,生成虚拟化仿真执行数据;对虚拟化仿真执行数据进行关键性能指标提取,生成加氢虚拟调控数据;
步骤S4:对加氢虚拟调控数据进行智能校准,生成智能控制器校准数据;获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行控制闭环处理,以实现加氢机自动化参数调节。
2.根据权利要求1所述的加氢机的自动化调节控制方法,其特征在于,步骤S1包括以下步骤:
步骤S11:获取加氢机部位数据;
步骤S12:根据加氢机部位数据进行传感器配置,生成传感器配置数据;基于传感器配置数据进行实时通信网络搭建,生成通信网络性能数据;
步骤S13:对传感器配置数据进行端口节点分析,得到传感器端口节点数据;通过传感器端口节点数据对传感器进行边缘节点计算,生成边缘计算节点数据;利用轻量化容器技术对边缘计算节点数据进行计算节点部署,生成边缘计算节点运行数据;
步骤S14:对边缘计算节点运行数据进行数据滤波,生成边缘计算节点滤波数据;对边缘计算节点滤波数据进行数据校正,生成传感器校正数据集;通过多维态势感知算法对传感器校正数据集进行数据融合,从而生成传感器融合数据。
3.根据权利要求1所述的加氢机的自动化调节控制方法,其特征在于,步骤S2包括以下步骤:
步骤S21:对传感器融合数据进行数据清洗,生成传感器融合清洗数据;对传感器融合清洗数据进行缺失值检测,生成传感器缺失检测数据;对传感器缺失检测数据进行数据标准化,生成标准传感器融合数据;
步骤S22:对标准传感器融合数据进行流式处理,生成标准传感器流式数据;对标准传感器流式数据进行数据流聚合,生成传感器聚合数据流;对传感器聚合数据流进行多源传感器特征提取,生成多源传感器综合特征数据;
步骤S23:对多源传感器综合特征数据进行加氢设备运行状态分析,生成加氢机运行状态数据;对加氢机运行状态数据进行变化优化,生成动态加氢过程优化指标数据;
步骤S24:基于对抗网络算法对动态加氢过程优化指标数据进行深度学习,生成加氢过程反馈信号。
4.根据权利要求3所述的加氢机的自动化调节控制方法,其特征在于,步骤S23包括以下步骤:
步骤S231:对多源传感器综合特征数据进行时序分析,生成多源传感器时序分析数据;
步骤S232:对多源传感器时序分析数据进行机器运行状态分析,生成加氢机运行状态数据;通过加氢机异常检测公式对加氢机运行状态数据进行异常系数量化,生成加氢机运行异常系数;
步骤S233:将加氢机运行异常系数和预设的标准异常阈值进行对比,当加氢机运行异常系数大于预设的标准异常阈值时,则将加氢机运行状态数据划分为一类异常运行状态数据;当加氢机运行异常系数小于预设的标准异常阈值时,则将加氢机运行状态数据划分为二类正常运行状态数据;
步骤S234:对一类异常运行状态数据进行成因性分析,生成一类异常成因数据;根据一类异常成因数据对加氢机进行设备影响范围评估,生成一类异常影响范围数据;通过对一类异常影响范围数据对加氢机硬件配置进行更换,从而生成硬件配置更换指标数据;
步骤S235:对二类正常运行状态数据进行参数调控,生成二类正常参数调控数据;根据二类正常参数调控数据对加氢机进行二次异常检测,得到二类加氢机二次运行异常系数;将二类正常运行状态数据所对应的加氢机运行异常系数和二类加氢机二次运行异常系数进行差值对比,得到软件配置调控指标数据;
步骤S236:根据硬件配置更换指标数据和软件配置调控指标数据对加氢机运行状态数据进行变化优化,生成动态加氢过程优化指标数据。
5.根据权利要求4所述的加氢机的自动化调节控制方法,其特征在于,步骤S232中的加氢机异常检测公式如下所示:
式中,表示为加氢机运行异常系数,/>表示为起始时间点,/>表示为结束时间点,/>表示为加氢机在时刻/>的压力值,/>表示为加氢机在时刻/>的温度值,/>表示为压力对异常系数量化的影响程度系数,/>表示为温度对异常系数量化的影响程度系数,/>表示为压力变化率对异常系数量化的影响程度系数,/>表示为当前时刻。
6.根据权利要求4所述的加氢机的自动化调节控制方法,其特征在于,步骤S24包括以下步骤:
步骤S241:利用图卷积神经网络架构和循环神经网络架构对动态加氢过程优化指标数据进行模型架构设计,生成加氢过程学习模型架构;通过知识迁移技术对加氢过程学习模型架构进行先验知识引入,生成加氢深度学习模型架构图;
步骤S242:将动态加氢过程优化指标数据进行数据集划分,生成模型训练集和模型测试集;对模型训练集进行动态数据增强,生成模型增强训练集;通过数据合成技术对模型增强训练集和模型测试集进行数据合成划分,生成模型混合训练集和模型混合测试集;
步骤S243:将动态加氢过程优化指标数据作为奖励信号,并利用模型混合训练集对奖励信号进行模型训练,生成模型训练输出集;对模型训练输出集进行经验回放,从而生成动态加氢过程预模型;
步骤S244:基于对抗网络算法利用模型测试集对动态加氢过程预模型进行对抗性训练,生成动态加氢过程模型;对动态加氢过程模型进行贝叶斯优化,生成动态加氢过程优化模型;将动态加氢过程优化指标数据导入至动态加氢过程优化模型中进行信号转换,生成加氢过程反馈信号。
7.根据权利要求1所述的加氢机的自动化调节控制方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据;
步骤S32:基于实时控制决策数据进行虚拟化验证环境配置,生成虚拟化验证环境配置数据,其中虚拟化验证环境配置数据包括加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据;
步骤S33:根据加氢设备虚拟模型数据、仿真引擎数据和实时环境数据注入器数据进行虚拟环境构建,生成虚拟化加氢验证环境;将实时控制决策数据注入虚拟化加氢验证环境中进行仿真执行,生成虚拟化仿真执行数据;
步骤S34:利用仿真性能评估公式对虚拟化仿真执行数据进行关键性能指标提取,生成仿真性能评估数据;通过反馈机制将仿真性能评估数据反馈至虚拟化加氢验证环境中进行场景优化,生成加氢虚拟调控数据。
8.根据权利要求7所述的加氢机的自动化调节控制方法,其特征在于,步骤S31包括以下步骤:
步骤S311:对加氢过程反馈信号进行信号强度分析,生成加氢过程反馈强度数据;对加氢过程反馈强度数据进行快速傅里叶变换,生成加氢过程反馈频谱图;
步骤S312:对加氢过程反馈频谱图进行曲折点时序分析,得到加氢过程变化时序点;基于加氢过程变化时序点对加氢机进行加氢过程数据采集,从而获得加氢过程实时数据,其中加氢过程实时数据包括加氢温度数据、加氢压力数据和加氢流量数据;
步骤S313:通过分布式感知技术对加氢温度数据、加氢压力数据和加氢流量数据进行多维数据整合,生成加氢过程多维实时数据;根据决策树算法对加氢过程多维实时数据和预设的控制目标进行控制匹配,从而生成实时加氢控制决策;
步骤S314:基于实时加氢控制决策对加氢过程反馈信号进行实时控制决策,生成实时控制决策数据。
9.根据权利要求7所述的加氢机的自动化调节控制方法,其特征在于,步骤S34中的仿真性能评估公式如下所示:
式中,表示为仿真性能评估数据,/>表示为虚拟化仿真执行数据的总数,/>表示为每个虚拟机的子任务数量,/>表示为第/>个虚拟机的第/>个子任务的执行时间,/>表示为第/>个虚拟机的第/>个子任务的计算资源需求,/>表示为仿真时间的上限,/>表示为仿真中的时间间隔,/>表示为仿真时间的分割数,/>表示为每个时间片中的并发任务数量,/>表示为第/>个时间片中第/>个并发任务的数据传输量,/>表示为第/>个时间片中第/>个并发任务的传输速率。
10.根据权利要求1所述的加氢机的自动化调节控制方法,其特征在于,步骤S4包括以下步骤:
步骤S41:对加氢虚拟调控数据进行控制数据集成,生成加氢控制数据库;利用加氢控制数据对加氢机控制器进行智能校准,生成智能控制器校准数据;
步骤S42:获取加氢机运行数据;通过智能控制器校准数据对加氢机运行数据进行自动化调节控制,生成自动化调节控制数据;基于自动化调节控制数据进行控制闭环处理,以实现加氢机自动化参数调节。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389375.5A CN117970821B (zh) | 2024-04-02 | 2024-04-02 | 一种加氢机的自动化调节控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410389375.5A CN117970821B (zh) | 2024-04-02 | 2024-04-02 | 一种加氢机的自动化调节控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117970821A CN117970821A (zh) | 2024-05-03 |
CN117970821B true CN117970821B (zh) | 2024-05-28 |
Family
ID=90859755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410389375.5A Active CN117970821B (zh) | 2024-04-02 | 2024-04-02 | 一种加氢机的自动化调节控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117970821B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597853A (zh) * | 2016-12-28 | 2017-04-26 | 中南大学 | 一种加氢裂化流程中主动式动态调控方法 |
CN109726844A (zh) * | 2017-10-31 | 2019-05-07 | 中国石油化工股份有限公司 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN115797689A (zh) * | 2022-11-29 | 2023-03-14 | 中车青岛四方车辆研究所有限公司 | 加氢口位姿识别系统及基于低温加注的自动加氢系统 |
CN117113882A (zh) * | 2023-09-11 | 2023-11-24 | 山东能源集团有限公司 | 一种氢气浓度分布预测方法、装置、设备及存储介质 |
-
2024
- 2024-04-02 CN CN202410389375.5A patent/CN117970821B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597853A (zh) * | 2016-12-28 | 2017-04-26 | 中南大学 | 一种加氢裂化流程中主动式动态调控方法 |
CN109726844A (zh) * | 2017-10-31 | 2019-05-07 | 中国石油化工股份有限公司 | 加氢裂化装置的产品收率自动调控方法、系统和存储设备 |
WO2020227429A1 (en) * | 2019-05-06 | 2020-11-12 | Strong Force Iot Portfolio 2016, Llc | Platform for facilitating development of intelligence in an industrial internet of things system |
CN115797689A (zh) * | 2022-11-29 | 2023-03-14 | 中车青岛四方车辆研究所有限公司 | 加氢口位姿识别系统及基于低温加注的自动加氢系统 |
CN117113882A (zh) * | 2023-09-11 | 2023-11-24 | 山东能源集团有限公司 | 一种氢气浓度分布预测方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
加氢裂化装置动态仿真;邵书成;王健红;王德;;计算机仿真;20130215(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117970821A (zh) | 2024-05-03 |
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 | |
CN117495210B (zh) | 公路混凝土施工质量管理系统 | |
US7483774B2 (en) | Method and system for intelligent maintenance | |
EP3847586A1 (en) | Computer-implemented method, computer program product and system for anomaly detection and/or predictive maintenance | |
US20190227504A1 (en) | Computer System And Method For Monitoring Key Performance Indicators (KPIs) Online Using Time Series Pattern Model | |
US8577815B2 (en) | Method and system for concurrent event forecasting | |
CN110571792A (zh) | 一种电网调控系统运行状态的分析评估方法及系统 | |
CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
CN117670378A (zh) | 一种基于大数据的食品安全监控方法及系统 | |
CN117970821B (zh) | 一种加氢机的自动化调节控制方法 | |
CN116909712A (zh) | 基于机器学习的智能任务调度系统及其方法 | |
GB2465861A (en) | A reasoning inference making tool for recommending actions based on a hybridisation of a data driven model and knowledge based logic. | |
Casimiro et al. | A probabilistic model checking approach to self-adapting machine learning systems | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
Xin et al. | Dynamic probabilistic model checking for sensor validation in Industry 4.0 applications | |
Velayutham et al. | Artificial Intelligence assisted Canary Testing of Cloud Native RAN in a mobile telecom system | |
Zaefferer | Optimization and empirical analysis of an event detection software for water quality monitoring | |
CN118037016B (zh) | 一种基于深度学习的电力资源响应控制方法及系统 | |
Kekäläinen | Data Pipelines and Edge Analysis in Engine Installations | |
CN118014165B (zh) | 锂离子电池生产的溯源管理方法及系统 | |
Kuk et al. | ML-based proactive control of industrial processes | |
Karagiorgou et al. | On making factories smarter through actionable predictions based on time-series data | |
KR102666880B1 (ko) | 인공지능이 적용된 조립 공정 통합 품질 관리 시스템 | |
Eamrurksiri | Applying Machine Learning to LTE/5G Performance Trend Analysis |
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 |