CN102880905A - 一种常顶油干点在线软测量方法 - Google Patents
一种常顶油干点在线软测量方法 Download PDFInfo
- Publication number
- CN102880905A CN102880905A CN2011101984555A CN201110198455A CN102880905A CN 102880905 A CN102880905 A CN 102880905A CN 2011101984555 A CN2011101984555 A CN 2011101984555A CN 201110198455 A CN201110198455 A CN 201110198455A CN 102880905 A CN102880905 A CN 102880905A
- Authority
- CN
- China
- Prior art keywords
- neural network
- variable
- oil
- model
- normal
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000010992 reflux Methods 0.000 claims abstract description 4
- 238000010206 sensitivity analysis Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 241000183024 Populus tremula Species 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims 1
- 230000003203 everyday effect Effects 0.000 claims 1
- 238000013507 mapping Methods 0.000 claims 1
- 239000003921 oil Substances 0.000 abstract description 35
- 239000010779 crude oil Substances 0.000 abstract description 6
- 238000005292 vacuum distillation Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004886 process control Methods 0.000 abstract 1
- 239000011159 matrix material Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005504 petroleum refining Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 0 *C1C(CC2)CC2C1 Chemical compound *C1C(CC2)CC2C1 0.000 description 1
- 238000012369 In process control Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种常顶油干点的在线软测量方法;选取和构造影响常顶油干点的关键变量,即常压塔塔顶温度、常压塔塔顶压力、常压塔塔顶回流温度、常压塔塔顶循环带出能量、采出比和常压塔侧线采出总量作为神经网络模型的输入变量,常顶油干点作为对应的输出,建立基于人工神经网络模型的常顶油干点的软仪表,通过人工分析值对模型输出进行校正,实现对常压塔塔顶产品质量的实时监测和控制;该方法不仅可以指导操作人员对操作过程进行及时调整,而且软仪表给出的干点估计值可以为过程控制提供依据,进而实现操作过程的优化,提高常减压装置的原油拔出率。
Description
技术领域
本发明属于石油炼制与智能控制交叉领域,涉及石油炼制过程中常减压装置中常压塔产品-常顶油干点的一种在线软测量方法。
背景技术
常压塔作为常减压装置的主要设备,大量处理来自初馏塔的原油,并消耗大量的能量。因此,保证常压塔高效、稳定运行,成为常减压装置节能降耗、提高原油拔出率的关键。
常顶油干点是常顶产品的主要质量控制指标,其主要反映采出油品的轻重,所以其控制的好坏不仅关系到常压塔原油的拔出率,同时影响后面的加工过程。当前,对于干点,还没有合适的仪表能够实时给出测量值,多数炼厂还是依赖于实验室的人工分析值。人工分析的周期一般为每4个小时或者8个小时一次,每次分析需要近两个小时,然后根据人工分析的结果对操作工况进行调整,所以滞后较大,往往容易造成采出的产品太重不合格或者为了保证产品的质量而最终影响到原油的拔出率。
为了解决上述问题,在过程控制中,开发了许多软测量的方法,利用各种不同的数学模型来估计干点值。通过选取与常顶油干点值密切相关的变量作为模型的辅助变量,然后根据模型输入实时估计出干点值。软测量中使用的模型众多,大体可以分为三类,即机理模型、统计模型和智能建模方法。机理模型法和统计模型法是传统的建模方法,它们的共同缺点是不能准确描述常减压装置这种高度非线性的***,所以模型精度都不够高。近年来发展起来的智能建模技术,为非线性***建模提供了一种新的思路。智能建模方法有人工神经网络、支持向量机等,它们共同的特点是具有自学习、自组织能力,对于非线性***可以给出较为准确的描述,所以在过程建模中得到了广泛的应用。
目前,针对常压塔的软测量方法中,不管是传统的建模方法还是智能建模,都存在如下一些问题:
(1)由于原油性质及操作工况经常发生变化,造成所建模型的计算精度随时间逐渐降低,所以软测量模型发挥的效果有限。
(2)常减压装置是高度非线性***,变量耦合严重,软测量建模中所选变量往往较多,而且相互关联,冗余变量较多,反而造成模型的输出稳定性下降。
常压塔的操作变量较多,为了合理选取软测量模型的辅助变量,避免模型过于精简,不能完全描述干点的变化规律,同时,为了减少冗余变量的产生,本发明首先采用Aspen Plus对常压塔进行流程模拟,模拟出常压塔的实际操作工况,然后进行常压塔关键操作变量关于常顶油干点的灵敏度分析,根据灵敏度分析的结果,选取对常顶油干点影响较大的变量作为软测量模型辅助变量的候选集合,然后基于石油精馏原理,对候选的辅助变量进行相关性分析,去除冗余的变量,最终确定模型的输入变量。依据确定的辅助变量,采集现场的历史生产数据,去除异常数据,形成训练样本集。然后利用BP算法训练3层前馈神经网络,在误差满足一定要求后,输出模型参数。
发明内容
本发明的目的是给出一种常压塔常顶油干点的人工神经网络软测量方法。首先通过Aspen Plus灵敏度分析,选取常顶温度(x1,℃)、常顶压力(x2,Kpa)、常顶回流温度(x3,℃)、常顶循带出能量(x4,℃·t/h)、采出比(x5)和常压塔侧线采出总量(x6,t/h)作为神经网络模型的输入变量。其中x1,x2,x3可由仪表直接测量得到,x4,x5,x6可在仪表测量值的基础上通过计算得到,通过集散控制***的人机接口输入上一天时刻t′的常压塔常顶油干点的人工分析值;经过模型在线计算,并根据模型输出值和输入的上一天时刻t′的人工分析值的相对误差,对模型输出值进行校正,实现在线给出常顶油干点的估计值。
1、软测量模型辅助变量的选取或者构造
常压塔的操作变量很多,各个变量相互影响,耦合严重。对常顶油干点的影响变量有:常顶油采出量、常一线油采出量、常二线采出量、常三线采出量、常四线采出量、常压塔总进料量、进料温度、加热炉出口温度、常顶温度、常顶压力、常顶循取热量、常一中取热量、常二中取热量、常一线汽提加热负荷、常二线汽提蒸汽量、常三线汽提蒸汽量、常压塔塔釜汽提蒸汽量。其中,像常顶循取热量、常一中取热量、常二中取热量、常一线汽提加热负荷等变量的精确计算涉及到原油的物性数据,由于原油性质变化较为频繁,不能及时获得较为准确的物性数据,所以取热量用换热温度差和流量的乘积进行简单表征。对上述变量逐个用Aspen plus进行关于常顶油干点的灵敏度分析,如图1所示,给出了加热炉出口温度对常顶油干点的灵敏度分析结果,依此例,可以对其它变量逐个进行灵敏度分析。根据灵敏度分析的结果,选取对干点影响显著的操作变量作为软测量模型的辅助变量的候选集。
本发明的特点:
(1)利用Aspen plus对操作变量进行灵敏度分析,选择对常顶油干点影响显著的变量作为软测量模型辅助变量的候选集,然后基于石油精馏原理,去掉冗余变量,确定模型的辅助变量。
(2)构造了常顶循带出能量、采出比、常压塔侧线采出量三个辅助变量,来分别表征常顶循的取热量、常顶油的采出比例、常压塔的四个侧线的采出量总和。
(3)利用常顶油干点前一天时刻t′的人工分析值,对接下来一天的软测量模型输出进行校正,以应对由于原油性质频繁变换而导致的模型精度逐渐下降的问题。
为此,常压塔常顶油干点神经网络软测量模型选取的辅助变量如下:
①常顶温度(x1,℃)
②常顶压力(x2,Kpa)
③常顶回流温度(x3,℃)
④常顶循带出能量(x4)
⑤采出比(x5)
⑥常压塔侧线采出量(x6,t/h)
其中,常顶循带出能量、采出比、常压塔侧线采出量的计算公式构造如下:
x4=F1×(t1-t2) (1)
x5=F2/F (2)
x6=F3+F4+F5+F6 (3)
其中,F1为常顶循流量(t/h),t1、t2分别为常顶循的抽出和返回温度(℃),F2为常顶汽油采出量(t/h),F为常压塔进料量(t/h),F3,F4,F5,F6分别为常一线、常二线、常三线、常四线采出量(t/h)。
2、数据预处理
根据上面确定的模型的辅助变量,采集常压塔的历史生产数据,包括x1,x2,x2及计算所x4,x5,x6需的变量:常顶循流量F1、常顶循的抽出和返回温度t1、t2,常顶汽油采出量F2,常压塔进料量F以及常一线、常二线、常三线、常四线采出量F3,F4,F5,F6和对应时刻的干点人工分析值。采集的数据范围应覆盖较宽的操作工况,同时应避免采集开、停车和异常工况下的数据,对采集到的数据进行粗大误差的去除和侦破,形成数据样本集。
由于模型各个输入变量数量级相差较大,所以模型的输入变量按照下式进行归一化处理:
式中,xi是神经网络模型第i个输入变量的测量值,sxi表示第i个输入变量经归一化处理后神经网络的输入值,和表示采集的第i个输入变量变化范围的下限和上限,a和b表示归一化处理后输入变量的下限和上限,这里,取b=1和a=-1。
神经网络模型的输出变量利用下式进行归一化处理:
式中,y为输出变量常顶油干点的实际分析值,ymin,ymax为输出变量实际分析值的下限和上限,归一化以后的值为sy,c和d表示归一化处理后神经网络模型的输出值的下限和上限。这里取d=0.9和c=0.1,归一化以后的值(sx1,sx2L sx6,sy)作为神经网络训练样本集。
3.人工神经网络模型的建立
人工神经网络采用三层前馈网络,如图2所示。激活函数均使用tansig函数,采用误差反向传播算法(BP算法)对网络进行训练,输入层节点个数为6,隐含层节点个数定为5~10个,输出层节点为1,利用训练样本集对网络进行训练,训练的误差函数MSE如下:
其中,y′为神经网络的计算值,sy为归一化以后干点的人工分析值。
经过一定的训练代数后,当误差小于一定的要求后,停止训练,输出神经网络的权值和阈值,即获得用神经网络描述的sx1,sx2L sx6与sy的近似关系,可以写为:
sy≈y′=f(sx1,sx2L sx6) (7)
4、软测量模型的在线校正
通过在集散控制***建点,将以上的神经网络模型写入DCS中,通过实时采集或者计算得到6个输入变量的值,然后通过模型计算,给出常顶油干点的模型计算值,将模型计算值和相应时刻的人工分析值作对比,利用二者的误差对模型计算值进行校正,最终输出校正值。
模型的校正方式如下:
由于每8个小时对干点进行一次人工分析,所以对模型每8小时进行一次校正。计算公式如下:
附图说明
图1是加热炉出口温度对常顶油干点的灵敏度分析图
图2是常顶油干点神经网络软测量模型框图
具体实施方式
1、数据采集及预处理
从工业现场采集400余组历史生产数据,去除粗大误差和异常数据后,选取400组来进行神经网络的训练,利用式(4),对输入变量进行归一化处理,x1的变化范围为[100.5,114.86],x2的变化范围为[32.31,55.35],x3的变化范围为[69.21,86.67],x4的变化范围为[2747.49,4427.83],x5的变化范围为[0.0145,0.0279],x6的变化范围为[97.9,123.1],这里,a=-1,b=1。输入变量归一化计算公式如下:
利用式(5),对因变量进行归一化处理,常顶油归一化的范围为[135.4,154.6],归一化到[0.1,0.9],这里d=0.9,c=0.1,计算公式为:
2、软测量模型的建立
神经网络的输入层节点数为6,中间层节点数为8,输出层节点数为1。以归一化以后的320组数据作为训练样本,利用BP算法对3层前馈神经网络进行训练,以余下的80组样本作为测试数据,对模型进行检验,在模型训练误差平均值及平均预测误差≯2℃后,输出神经网络的参数,得到常顶油干点软测量模型。常顶油干点神经网络相关参数如下所示:
w2=[18.8856 0.0618 -0.1445 -0.1367 0.2957 -0.1004 -0.1698 19.0212]
b1=[1.5976 -127.559 1.4681 -0.5036 0.0191 17.9897 -3.2703 -1.6006]
b2=0.6431
其中,w1,w2为神经网络的连接权值,b1,b2分别为隐含层节点和输出节点的阈值。所以,常顶油干点的神经网络模型为:
oh=t(sx·w1+b1) (10)
y′=t(oh·w2+b2) (11)
y′为神经网络的计算值,经过反归一化,就可以得到神经网络的预测值,常顶油归一化的范围为[135.4,154.6],归一化到[0.1,0.9],d=0.9,c=0.1,所以反归一化公式为:
以上描述了基于集散控制***的常顶油干点神经网络模型,接下来,描述模型的校正方法。以某一时刻t模型的计算值为例:
设时刻t时6个输入变量的采集或者计算值为:
归一化后,得到[sx1,sx2L sx6]=[0.024,0.450,0.438,0.162,-0.772,0.307],代入以上神经网络模型得到,模型的计算值为:时刻t对应的前一次的人工分析值为142,当时的软测量模型输出值为141.18,所以利用如下公式进行校正:
Claims (7)
1.一种常顶油干点在线软测量方法,其特征在于:所述软测量方法包括如下步骤:
(1)利用Aspen plus对常压塔的操作工况进行模拟,对常压塔的关键操作变量进行关于常顶油干点的灵敏度分析,根据灵敏度分析的结果,选取对常顶油干点有显著影响的操作变量作为常顶油干点软测量模型辅助变量的候选集;
(2)对经过灵敏度分析选取的辅助变量进行变量之间的相关性分析,去除冗余变量,最终选择常顶温度x1,℃、常顶压力x2,Kpa、常顶回流温度x3,℃、常顶循带出能量x4,℃·t/h、采出比x5和常压塔侧线采出总量x6,t/h作为神经网络模型的输入变量;
(3)选取常顶油干点作为网络模型的输出值;
(4)利用相应的数据采集点的测量仪表或者集散控制***DCS,直接测量或者通过间接计算得到辅助变量x1~x6的值;
(5)通过对采集的现场数据进行数据预处理,形成神经网络训练样本集,利用误差反向传播BP算法对三层前馈神经网络进行训练,在误差达到一定要求后,输出神经网络模型的参数,即连接权值和阈值,得到关于常顶油干点的神经网络模型;
(6)根据神经网络模型的输入、输出变量在DCS中建点,然后将模型写入DCS,根据输入变量的实时数据,通过模型计算,实时计算输出,即干点的软测量值(y,℃),进而指导操作人员对生产过程及时调整。
2.根据权利要求1所述的常顶油干点在线软测量方法,其特征在于,所述辅助变量x1,x2,x3通过仪表直接测量得到,所述变量x4,x5,x6通过以下公式间接计算得到:
x4=F1×(t1-t2)
x5=F2/F
x6=F3+F4+F5+F6
其中,F1为常顶循流量(t/h),t1、t2分别为常顶循的出口和入口温度℃,F2为常顶汽油采出量(t/h),F为常压塔进料量(t/h),F3,F4,F5,F6分别为常一线、常二线、常三线、常四线采出量(t/h)。
3.根据权利要求1所述的常顶油干点在线软测量方法,其特征在于,所述神经网络的输入、输出变量均经归一化处理。
5.根据权利要求4所述的常顶油干点在线软测量方法,其特征在于,输入、输出数据经归一化后得到训练样本集(sx1,sx2L sx10,sy),然后采用BP算法来训练三层前馈神经网络,在训练误差满足一定的要求后,输出模型参数,得到模型输入输出的映射关系:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110198455.5A CN102880905B (zh) | 2011-07-15 | 2011-07-15 | 一种常顶油干点在线软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110198455.5A CN102880905B (zh) | 2011-07-15 | 2011-07-15 | 一种常顶油干点在线软测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102880905A true CN102880905A (zh) | 2013-01-16 |
CN102880905B CN102880905B (zh) | 2016-01-20 |
Family
ID=47482221
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110198455.5A Active CN102880905B (zh) | 2011-07-15 | 2011-07-15 | 一种常顶油干点在线软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880905B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868512A (zh) * | 2016-05-19 | 2016-08-17 | 南京富岛信息工程有限公司 | 一种基于原油实时性质的常压塔塔板效率因子修正方法 |
CN106444428A (zh) * | 2016-10-25 | 2017-02-22 | 中国石油化工股份有限公司 | 基于流程模拟软件的常减压装置优化操作***及方法 |
CN106709169A (zh) * | 2016-12-12 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种原油加工过程的性质估计方法 |
CN107220393A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线干点预测方法 |
CN107220392A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线10%点预测方法 |
CN107220252A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线闪点预测方法 |
CN107220705A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔顶干点预测方法 |
CN108205056A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油干点在线软测量方法 |
CN108204997A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油闪点在线软测量方法 |
CN109188903A (zh) * | 2018-08-20 | 2019-01-11 | 北京化工大学 | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 |
CN109764924A (zh) * | 2019-02-25 | 2019-05-17 | 上海碳索能源环境服务有限公司 | 基于神经网络模型的宽工况高精度智能流量计 |
CN114300068A (zh) * | 2021-11-19 | 2022-04-08 | 石化盈科信息技术有限责任公司 | 油干点预测计算方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1454965A (zh) * | 2003-05-08 | 2003-11-12 | 中国石化集团洛阳石油化工工程公司 | 石油常减压蒸馏工艺及其装置 |
US20070106399A1 (en) * | 2005-11-10 | 2007-05-10 | Korchinski William J | Method and apparatus for improving the accuracy of linear program based models |
CN101169387A (zh) * | 2007-11-28 | 2008-04-30 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
-
2011
- 2011-07-15 CN CN201110198455.5A patent/CN102880905B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1454965A (zh) * | 2003-05-08 | 2003-11-12 | 中国石化集团洛阳石油化工工程公司 | 石油常减压蒸馏工艺及其装置 |
US20070106399A1 (en) * | 2005-11-10 | 2007-05-10 | Korchinski William J | Method and apparatus for improving the accuracy of linear program based models |
CN101169387A (zh) * | 2007-11-28 | 2008-04-30 | 华东理工大学 | 一种在线确定常压塔顶石脑油质量指标的软测量方法 |
Non-Patent Citations (1)
Title |
---|
金思毅等: "常减压装置常压塔塔顶汽油干点的软测量", 《2006年石油和化工行业节能技术研讨会会议论文集》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220705A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔顶干点预测方法 |
CN107220252B (zh) * | 2016-03-22 | 2020-06-02 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线闪点预测方法 |
CN107220705B (zh) * | 2016-03-22 | 2020-10-09 | 中国石油化工股份有限公司 | 常减压装置常压塔顶干点预测方法 |
CN107220393A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线干点预测方法 |
CN107220392A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线10%点预测方法 |
CN107220252A (zh) * | 2016-03-22 | 2017-09-29 | 中国石油化工股份有限公司 | 常减压装置常压塔常一线闪点预测方法 |
CN105868512A (zh) * | 2016-05-19 | 2016-08-17 | 南京富岛信息工程有限公司 | 一种基于原油实时性质的常压塔塔板效率因子修正方法 |
CN106444428A (zh) * | 2016-10-25 | 2017-02-22 | 中国石油化工股份有限公司 | 基于流程模拟软件的常减压装置优化操作***及方法 |
CN106709169A (zh) * | 2016-12-12 | 2017-05-24 | 南京富岛信息工程有限公司 | 一种原油加工过程的性质估计方法 |
CN108205056A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油干点在线软测量方法 |
CN108204997A (zh) * | 2016-12-20 | 2018-06-26 | 中国石油天然气股份有限公司 | 常一线油闪点在线软测量方法 |
CN109188903A (zh) * | 2018-08-20 | 2019-01-11 | 北京化工大学 | 基于记忆增强优化的cnn加热炉操作变量的软测量方法 |
CN109764924A (zh) * | 2019-02-25 | 2019-05-17 | 上海碳索能源环境服务有限公司 | 基于神经网络模型的宽工况高精度智能流量计 |
CN114300068A (zh) * | 2021-11-19 | 2022-04-08 | 石化盈科信息技术有限责任公司 | 油干点预测计算方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN102880905B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102880905A (zh) | 一种常顶油干点在线软测量方法 | |
CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
CN101630376B (zh) | 多模型神经网络的生物发酵过程软测量建模方法及软仪表 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN105955219B (zh) | 基于互信息的分布式动态过程故障检测方法 | |
CN103400044B (zh) | 一种改进的水环境安全评价分析方法 | |
CN104765346A (zh) | 一种炼油过程全流程建模方法 | |
CN109272146A (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
CN102425148B (zh) | 基于静力触探和bp神经网络的路基沉降快速预测方法 | |
CN103530818B (zh) | 一种基于brb***的供水管网建模方法 | |
CN107704962A (zh) | 一种基于不完整时间序列数据集的冶金企业蒸汽流量区间预测方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN108204997A (zh) | 常一线油闪点在线软测量方法 | |
CN109272190A (zh) | 一种基于动量bp神经网络的电力电缆状态评价方法 | |
CN112541571A (zh) | 基于双并联神经网络的机器学习的注采连通性确定方法 | |
CN109711435A (zh) | 一种基于遗传算法的支持向量机在线电压稳定性监测方法 | |
CN107464017A (zh) | 基于带时间差分贝叶斯网络的自适应软测量预测方法 | |
CN115526108B (zh) | 一种基于多源监测数据的滑坡稳定性智能动态预测方法 | |
CN109412155A (zh) | 一种基于图计算的配电网供电能力评估方法 | |
CN101673096B (zh) | 一种丹参注射液生产浓缩过程密度的软测量方法 | |
CN114548680A (zh) | 城市暴雨洪水管理模型参数自动率定方法及*** | |
CN112989660A (zh) | 基于偏最小二乘法的地铁杂散电流下管道腐蚀预测方法 | |
CN101201331A (zh) | 一种在线确定初馏塔顶石脑油质量指标的软测量方法 | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
CN115330203A (zh) | 一种基于博弈证据网络的液化天然气储罐健康状态评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |