CN112464554A - 一种汽油精制设备的操作参数优化方法 - Google Patents

一种汽油精制设备的操作参数优化方法 Download PDF

Info

Publication number
CN112464554A
CN112464554A CN202011212157.2A CN202011212157A CN112464554A CN 112464554 A CN112464554 A CN 112464554A CN 202011212157 A CN202011212157 A CN 202011212157A CN 112464554 A CN112464554 A CN 112464554A
Authority
CN
China
Prior art keywords
data
variables
parameters
values
octane number
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
Application number
CN202011212157.2A
Other languages
English (en)
Inventor
谢晓兰
翟青海
梁荣华
郑伟程
刘亚荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guilin University of Technology
Original Assignee
Guilin University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guilin University of Technology filed Critical Guilin University of Technology
Priority to CN202011212157.2A priority Critical patent/CN112464554A/zh
Publication of CN112464554A publication Critical patent/CN112464554A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种汽油精制设备的操作参数优化方法。首先采集若干组原始数据并对原始数据进行处理，利用距离相关系数获得主要特征向量，然后将获得的特征向量利用BP神经网络建立关于最终产品辛烷值和硫含量的预测模型，最后根据建立的预测模型，采用遗传算法获得主要特征向量的最优操作操作参数组合，同时将实际产生的优化结果加入样本库再学习。本发明提供的一种汽油精制设备的操作参数优化方法，可以准确预测产品最终辛烷值和硫含量，并能获得主要操作变量优化设定值，有效降低辛烷值损失，实现汽油精制过程的智能优化过程。

Description

一种汽油精制设备的操作参数优化方法
技术领域
本发明涉及工业自动控制技术领域，特别涉及一种基于神经网络及遗传算法的汽油精制设备的操作参数优化方法。
背景技术
目前，我国有超过70％的汽油都是由催化裂化生产得到的，因此在成品汽油中，有95％以上的硫和烯烃来自催化裂化汽油。其中，烯烃是影响汽油辛烷值(衡量汽油抗爆震燃烧能力的指标，数值越高越好)的重要化学成份，而硫会对汽车原件造成不良影响以及污染环境。所以，必须对催化裂化汽油进行精制处理以满足汽油质量要求并且在处理过程中减少辛烷值损失和降低硫含量。催化裂化汽油吸附脱硫S-Zorb装置具有耗氢量少、脱硫率高、辛烷值损失小的特点，可以满足国内日益提高的环保要求。因此，S-Zorb装置为国内主要的催化裂化汽油精制设备之一。
但是，S-Zorb装置设备操作参数有氢油比、反应过滤器压差、还原器压力等超过三百个操作变量。因此，需要调整优化装置的各个操作参数，以获得高质量的汽油。传统的优化方法一般为数据关联方法确定参数和因变量之间的相关性或者化学机理方法根据相关重要化学反应强度或化学参数对部分参数进行调整，然而数据关联模型中要求变量相对较少，化学机理对原料的分析要求较高和对过程优化的响应不及时，因此，两种优化方法效果不是很理想。
本发明通过采集原始数据，并对其进行数据清洗，包括采用最大最小限幅方法和拉依达准则以及均值法对异常值进行处理，然后计算各个变量之间的相关距离系数生成相关距离系数矩阵，进而获得相关性评分并根据评分大小选择主要操作变量，之后通过神经网络模型建立辛烷值和硫含量的预测模型，最后采用遗传算法获取主要操作变量的最佳操作参数组合。
发明内容
本发明目的在于提供一种汽油精制设备的操作参数优化方法，对不同操作变量下的汽油辛烷值和硫含量进行预测；通过优化主要操作变量参数，减少汽油精制过程中的辛烷值损失量并确保脱硫效果。
为了实现以上目的，本发明所采用的技术方案包括以下步骤：
步骤S1.原始数据采集：记录原料、产品和吸附剂性质并从精制设备上采集数据，包括氢油比、反应过滤器压差、还原器压力等在设备上的可调整的操作变量；
步骤S2.数据处理：对步骤S1中获得的数据进行处理得到正常数据；
步骤S3.特征选择：计算所有操作变量的距离相关系数，之后对操作变量的距离相关系数求和获得评分系数，按照评分系数排序获得25个主要操作变量；
步骤S4.神经网络模型训练：将经过处理的数据样本送入预设的神经网络模型进行训练；
步骤S5.操作参数优化：将已知较优的操作参数作为初始化变量，代入遗传算法中并将参数代入预测模型中迭代获得最优操作参数变量；
步骤S6.再学习：将优化后的主要操作参数输入至精制设备中，获得实际产品辛烷值和硫含量。将获得的参数和实际的产品辛烷值和硫含量再次加入样本库中，使得神经网络模型越来越稳定，预测准确率越来越高。
所述步骤S2数据处理包括最大最小值限幅、拉依达准则去除异常值以及均值法替换异常值:
步骤S21:所述最大最小值限幅是指根据操作变量理论取值范围确定实际测量值是否异常，如果异常则剔除；
步骤S22:所述拉依达准则去除异常值是指假设采集到的一组数据记为(x1,x2,...,xn)，计算其算术平均值为
Figure BDA0002759140920000021
和剩余误差
Figure BDA0002759140920000022
之后利用公式(1)计算标准差σ，若剩余误差|vi|满足：|vi|＞3σ，则认为数据xi为异常值，需要将其剔除；
Figure BDA0002759140920000023
步骤S23:所述均值法是指当去除异常值以后，计算异常值所属特征的均值，并将异常值替换为该均值；
所述步骤S3特征选择包括以下步骤：
S31:归一化，将数据按照公式(2)归一化处理:
Figure BDA0002759140920000024
式中，x为需要归一化的值，xmax为所采集数据特征中最大的值，xmin为所采集数据特征中最小的值；
S32:计算距离相关系数，假设X,Y为两组采集到的模为n特征向量，则X,Y的距离相关系数计算步骤如下：
首先计算所有元素成对的距离，公式如下：
Figure BDA0002759140920000025
其中，(aj,k)和(bj,k)分别为X,Y各自元素之间的距离矩阵。
然后，计算中心距离矩阵，计算方法如下：
Figure BDA0002759140920000031
其中,
Figure BDA0002759140920000032
和
Figure BDA0002759140920000033
分别表示a,b第j行的平均值，
Figure BDA0002759140920000034
和
Figure BDA0002759140920000035
分别表示a,b第k列的平均值，
Figure BDA0002759140920000036
和
Figure BDA0002759140920000037
分别表示a,b的总均值。
之后分别计算X与X,X与Y，Y与Y的距离方差，公式如下：
Figure BDA0002759140920000038
Figure BDA0002759140920000039
Figure BDA00027591409200000310
最后计算距离相关系数，公式如下：
Figure BDA00027591409200000311
S33:在计算特征之间的距离相关系数生成距离相关系数矩阵以后，对距离相关系数矩阵按列求和获得评分系数，根据评分系数大小排序，选取评分最高的25个操作变量为主要特征值；
所述步骤S4神经网络模型采用BP神经网络模型，隐含层的层数为9层，将数据按照8:2比例分成训练集和测试集，迭代次数为500次，学习率为0.01；
所述步骤S5参数优化是指通过遗传算法优化操作变量。首先将样本初始操作参数作为种群初始化值，之后进行编码并计算种群适应度，再采用轮盘的方式选择个体并进行交叉和变异操作。将所获得的操作变量输入神经网络模型获得产品硫含量和辛烷值损失预测值。并判断硫含量及辛烷值损失是否达到阈值。若达到阈值则对获得的操作变量进行编码继续选择较优个体以获得满足要求的操作变量，否则作为优化参数供后续实际调整操作。
本发明具有以下有益效果及优点：
(1)在建立好辛烷值和硫含量预测模型以后，通过基于遗传算法的参数优化预测模型可以对具有不同化学性质的原料快速产生较优的操作参数，相对于传统参数优化方法具有及时性和全面性的特点；
(2)采用算法优化的操作参数可以减小辛烷值损失，进而降低经济损失。
附图说明
图1为本发明一种汽油精制设备的操作参数优化方法示意图。
图2为本发明基于BP神经网络的预测模型结构。
图3为本发明基于遗传算法优化操作参数的实现流程。
具体实施方式
实施例：
如图1所示，本发明技术方案包含六个方面的步骤：原始数据采集，数据处理，特征选择，神经网络模型训练，操作参数优化和再学习。
所述步骤S1原始数据采集：测定原料性质并且每三分钟记录操作参数，由于产品辛烷值的测定相对复杂，因此产品辛烷值和硫含量每隔两小时测定一次，并且计算两小时内的操作参数均值，认为产品辛烷值和硫含量为操作参数均值的影响结果。记录样本数据以后将数据上传至数据库；
所述步骤S2数据处理:对采集到的数据按照最大最小限幅法和拉依达准则去除异常值；
所述步骤S3特征选择:对经过处理的数据归一化，并根据距离相关系数选取独立性强的25个操作变量；
所述步骤S4神经网络模型训练：将经过数据处理原料性质、吸附剂性质数据和降维后的主要操作变量数据样本送入预设的神经网络模型进行训练；
所述步骤S5操作参数优化：将已有进行使用的主要操作参数作为初始化种群，利用遗传算法产生新的操作参数并代入预测模型中，如果辛烷值损失值和硫含量达标，则将该组操作参数作为使用参数使用，如果不达标则继续迭代。
所述步骤S6再学习：将机器设备参数逐步调整为步骤S5产生的设定参数，并记录实际辛烷值和硫含量，将该组数据作为新的样本加入样本库。
本发明所述一种汽油精制设备的操作参数优化方法的工作过程分为以下几步：
首先记录原料性质和操作参数变量值，并进行数据处理；
由于操作变量较多，且变量之间具有非线性和强耦合关系，因此采用距离相关系数两两计算距离相关系数，由此生成距离相关系数矩阵。对距离相关相关系数矩阵按列求和得到每个操作变量的距离相关系数评分，按照评分大小获得相关性较弱的25个主要操作变量；
对原料性质、吸附剂性质数据和选取的主要操作变量采用BP神经网络建立关于辛烷值和硫含量的损失预测模型，其中，训练集和测试集的比例为8：2；
对已有的较优主要操作变量作为初始化变量，采用遗传算法获得新的操作变量并代入预测模型判断操作变量是否达到要求，若达到要求则做为实际操作操作变量进行操作并将获得的实际产品辛烷值和硫含量作为新的样本数据供神经网络再学习，若达不到要求则继续迭代生成新的操作变量。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业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公开的原理和新颖特点相一致的最宽的范围。

Claims (1)

1.一种汽油精制设备的操作参数优化方法，其特征在于，包括以下步骤：
步骤S1.原始数据采集：记录原料、产品和吸附剂性质并从从精制设备上采集若干数据，包括氢油比、反应过滤器压差、还原器压力在设备上的可设定的操作变量；
步骤S2.数据处理：对步骤一中获得的数据剔除异常值获得正常数据；
步骤S3.特征选择：计算所有操作变量的距离相关系数并对操作变量求和获得评分系数，按照评分系数排序获得25个主要操作变量；
步骤S4.神经网络模型训练：将经过处理的数据样本送入预设的神经网络模型进行训练；
步骤S5.参数优化：将已知较优的操作参数作为初始化变量，代入遗传算法中并将参数代入预测模型中迭代获得最优操作参数变量；
步骤S6.再学习:将优化后的主要操作参数输入至精制设备中，获得实际产品辛烷值和硫含量；将获得的参数和实际的产品辛烷值和硫含量加入样本库中，使得神经网络模型越来越稳定，预测准确率越来越高；
所述步骤S2数据处理包括最大最小值限幅、拉依达准则去除异常值；
步骤S21:所述最大最小值限幅是指根据操作变量理论取值范围确定实际测量值是否异常，如果异常则剔除；
步骤S22:所述拉依达准则去除异常值是指假设采集到的一组数据记为(x1,x2,...,xn)，计算其算术平均值为
Figure FDA0002759140910000014
和剩余误差
Figure FDA0002759140910000011
之后利用公式(1)计算标准差σ，若剩余误差|vi|满足：|vi|＞3σ，则认为数据xi为异常值，需要将其剔除；
Figure FDA0002759140910000012
所述步骤S3特征选择包括以下步骤：
S31:归一化，将数据按照公式(2)归一化处理:
Figure FDA0002759140910000013
式中，x为需要归一化的值，xmax为所采集数据特征中最大的值，xmin为所采集数据特征中最小的值；
S32:计算距离相关系数，假设X,Y为两组采集到的模为n特征向量，则X,Y的距离相关系数计算步骤如下：
首先计算所有元素成对的距离，公式如下：
Figure FDA0002759140910000021
(aj,k)和(bj,k)分别为X,Y各自元素之间的距离矩阵；
然后，计算中心距离矩阵，计算方法如下：
Figure FDA0002759140910000022
其中,
Figure FDA0002759140910000023
和
Figure FDA0002759140910000024
分别表示a,b第j行的平均值，
Figure FDA0002759140910000025
和
Figure FDA0002759140910000026
分别表示a,b第k列的平均值，
Figure FDA0002759140910000027
和
Figure FDA0002759140910000028
分别表示a,b的总均值；
之后分别计算X与X,X与Y，Y与Y的距离方差，公式如下：
Figure FDA0002759140910000029
Figure FDA00027591409100000210
Figure FDA00027591409100000211
最后计算距离相关系数，公式如下：
Figure FDA00027591409100000212
S33:在计算特征之间的距离相关系数生成距离相关系数矩阵以后，对距离相关系数矩阵按列求和获得评分系数，根据评分系数大小排序，选取评分最高的25个操作变量为主要特征值；
所述步骤S4神经网络模型采用BP神经网络模型，隐含层的层数为9层，将数据按照8:2比例分成训练集和测试集，迭代次数为500次，学习率为0.01；
所述步骤S5参数优化选择遗传算法优化操作变量,首先将样本初始操作参数作为种群初始化值，之后进行编码并计算种群适应度，再采用轮盘的方式选择个体并进行交叉和变异操作，将所获得的操作变量输入神经网络模型获得产品硫含量和辛烷值损失预测值，并判断硫含量及辛烷值损失是否达到阈值，若达到阈值则对获得的操作变量进行编码继续选择较优个体以获得满足要求的操作变量，否则作为优化参数供后续实际调整操作。
CN202011212157.2A 2020-11-03 2020-11-03 一种汽油精制设备的操作参数优化方法 Pending CN112464554A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011212157.2A CN112464554A (zh) 2020-11-03 2020-11-03 一种汽油精制设备的操作参数优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011212157.2A CN112464554A (zh) 2020-11-03 2020-11-03 一种汽油精制设备的操作参数优化方法

Publications (1)

Publication Number Publication Date
CN112464554A true CN112464554A (zh) 2021-03-09

Family

ID=74834999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011212157.2A Pending CN112464554A (zh) 2020-11-03 2020-11-03 一种汽油精制设备的操作参数优化方法

Country Status (1)

Country Link
CN (1) CN112464554A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191496A (zh) * 2021-05-17 2021-07-30 上海应用技术大学 汽油辛烷值损失预测及优化方法
CN114021463A (zh) * 2021-11-09 2022-02-08 南通大学 一种汽油精制过程中的路径优化模型

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392098A (zh) * 2014-10-27 2015-03-04 中国石油大学(北京) 一种预测催化裂化汽油产率的方法
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和***
CN111027733A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 一种基于大数据技术的石油化工装置产品收率优化方法
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392098A (zh) * 2014-10-27 2015-03-04 中国石油大学(北京) 一种预测催化裂化汽油产率的方法
CN107358021A (zh) * 2017-06-01 2017-11-17 华南理工大学 一种基于优化bp神经网络的do预测模型建立方法
CN109034388A (zh) * 2018-07-27 2018-12-18 湖北中烟工业有限责任公司 一种基于遗传算法优化神经网络的卷烟材料与主流烟气成分的预测模型
CN111027733A (zh) * 2018-10-10 2020-04-17 中国石油化工股份有限公司 一种基于大数据技术的石油化工装置产品收率优化方法
CN110046743A (zh) * 2019-03-06 2019-07-23 上海交通大学 基于ga-ann的公共建筑能耗预测方法和***
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张忠洋,李泽钦等: "GA辅助BP神经网络预测催化裂化装置汽油产率", 《石油炼制与化工》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113191496A (zh) * 2021-05-17 2021-07-30 上海应用技术大学 汽油辛烷值损失预测及优化方法
CN113191496B (zh) * 2021-05-17 2024-02-02 上海应用技术大学 汽油辛烷值损失预测及优化方法
CN114021463A (zh) * 2021-11-09 2022-02-08 南通大学 一种汽油精制过程中的路径优化模型

Similar Documents

Publication Publication Date Title
CN109814513B (zh) 一种基于数据模型的催化裂化装置优化方法
CN112464554A (zh) 一种汽油精制设备的操作参数优化方法
CN111007040B (zh) 大米食味品质近红外光谱快速评价方法
CN112668105B (zh) 一种基于sae与马氏距离的直升机传动轴异常判定方法
CN109299501B (zh) 一种基于工作流的振动光谱分析模型优化方法
CN109657411B (zh) 一种基于数据驱动的溶剂脱沥青装置建模及优化方法
CN110568483A (zh) 基于卷积神经网络的地震线性噪声压制效果自动评估方法
CN112489733A (zh) 基于粒子群算法和神经网络的辛烷值损失预测方法
CN115188429A (zh) 一种融合时序特征提取的催化裂化装置关键指标建模方法
CN110991495A (zh) 生产制造过程中产品质量预测方法、***、介质及设备
CN111126255A (zh) 基于深度学习回归算法的数控机床刀具磨损值预测方法
CN114416707A (zh) 工业时序数据的自动化特征工程方法和装置
CN111949640A (zh) 基于工业大数据的智能调参方法及***
CN114757413A (zh) 一种基于时序数列分析耦合神经网络预测的不良数据辨识方法
CN106281431B (zh) 一种加氢裂化装置反应深度的实时预测方法及装置
CN114202060A (zh) 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法
CN111204867B (zh) 膜生物反应器-mbr膜污染智能决策方法
CN112215410B (zh) 基于改进深度学习的电力负荷预测方法
CN106647285A (zh) 一种基于软测量技术的催化剂活性检测方法
CN113567375B (zh) 一种基于线性特征分离的自适应多金属离子浓度回归预测方法及***
CN110705373B (zh) 一种基于小波包分析和残差网络的槽电压信号分类方法
CN113793652A (zh) 一种基于分段智能优选的谱图化学计量学解析方法
CN111797574A (zh) 聚合物分子量分布的集成高斯过程回归模型方法
CN111242350A (zh) 一种连续重整装置分馏与抽提优化方法、***及介质
CN110389948A (zh) 一种基于数据驱动的加氢裂化装置的尾油预测方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210309