CN112990682A - 一种基于大数据的化工装置控制参数优化方法和*** - Google Patents
一种基于大数据的化工装置控制参数优化方法和*** Download PDFInfo
- Publication number
- CN112990682A CN112990682A CN202110254054.0A CN202110254054A CN112990682A CN 112990682 A CN112990682 A CN 112990682A CN 202110254054 A CN202110254054 A CN 202110254054A CN 112990682 A CN112990682 A CN 112990682A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- control parameter
- control
- historical
- 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 104
- 239000000126 substance Substances 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 96
- 230000008569 process Effects 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 42
- 239000000047 product Substances 0.000 claims description 161
- 238000012360 testing method Methods 0.000 claims description 17
- 238000006243 chemical reaction Methods 0.000 claims description 16
- 239000012467 final product Substances 0.000 claims description 13
- 238000004886 process control Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 4
- BZLVMXJERCGZMT-UHFFFAOYSA-N Methyl tert-butyl ether Chemical compound COC(C)(C)C BZLVMXJERCGZMT-UHFFFAOYSA-N 0.000 description 18
- 238000012216 screening Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- GOOHAUXETOMSMM-UHFFFAOYSA-N Propylene oxide Chemical compound CC1CO1 GOOHAUXETOMSMM-UHFFFAOYSA-N 0.000 description 4
- 238000006735 epoxidation reaction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- CIHOLLKRGTVIJN-UHFFFAOYSA-N tert‐butyl hydroperoxide Chemical compound CC(C)(C)OO CIHOLLKRGTVIJN-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 238000001134 F-test Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003054 catalyst Substances 0.000 description 2
- 239000007795 chemical reaction product Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 description 1
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/904—Browsing; Visualisation therefor
-
- 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
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请提供一种基于大数据的化工装置控制参数优化方法和***，其中的方法包括：获取产品的历史加工控制数据作为样本数据，所述历史加工控制数据包括负荷区间段、产品摩尔百分含量以及与负荷区间段、产品摩尔百分含量对应的控制参数；根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出；将产品的实际负荷区间段、目标摩尔百分含量输入至所述控制参数获取模型得到目标控制参数。以上方案可有效提高控制参数稳定性，提升产品质量。
Description
技术领域
本申请涉及化工产品自动工艺控制技术领域，具体地，涉及一种基于大数据的化工装置控制参数优化方法和***。
背景技术
在化工领域，加工得到的产品成分含量决定产品是否合格。例如，MTBE(甲基叔丁基醚)产品，要求MTBE的摩尔百分含量在97.1-97.3之间是最优质的。MTBE的摩尔百分含量超过97.3时虽然产品合格但是经济性差；MTBE的摩尔百分含量低于97.1时产品不合格。因此产品加工过程中，需要人工依据其个人经验对加工过程中的关键控制参数进行调整，以把MTBE产品摩尔百分含量控制在97.1-97.3。而其他各类化工产品的加工过程中，对其中关键控制参数的调整过程均与上述方式类似。
实际生产中，化工产品的加工结果受上游工况影响，负荷经常变化。不同的负荷条件下，装置的控制参数需要控制至不同的水平，单纯靠操作工人的经验操作，精度很差，容易导致产品不合格率过高。
发明内容
本申请实施例旨在提供一种基于大数据的化工装置控制参数优化方法和***，以解决现有技术中化工产品加工过程中产品合格率存在进一步提升空间的技术问题。
为此，本申请一些实施例中提供一种基于大数据的化工装置控制参数优化方法，包括如下步骤：
获取产品的历史加工控制数据作为样本数据，所述历史加工控制数据包括负荷区间段、产品摩尔百分含量以及与负荷区间段、产品摩尔百分含量对应的控制参数；
根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出；
将产品的实际负荷区间段、目标摩尔百分含量输入至所述控制参数获取模型得到目标控制参数。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，获取产品的历史加工控制数据作为样本数据的步骤中：
所述历史加工控制数据中的负荷区间段包括五个，将五个所述负荷区间段对应的历史加工控制数据分别记为data1、data2、data3、data4、data5；所述历史加工控制数据中的产品摩尔百分含量包括：优质产品对应的最优加工控制参数、不合格产品对应的不合格产品控制参数以及合格产品对应的合格控制参数；所述优质产品指产品摩尔百分含量位于其最优区间内的产品，不合格产品指产品摩尔百分含量低于其最优区间下限值的产品，所述合格产品是指产品摩尔百分含量超过其最优区间上限值的产品；
所述控制参数包括：优质产品对应的最优控制参数范围和不合格产品对应的报警控制参数范围。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出的步骤中，针对每一负荷区间段的历史加工控制数据执行如下步骤：
为datai中产品摩尔百分含量位于其最优区间内的数据设置第一标识，其余数据设置第二标识后所得到的数据作为datai1，1≤i≤5；
将datai1按照比例分为训练样本集datai1_train和测试样本集datai1_test；
对训练样本集datai1_train中包含的历史加工控制数据进行标准化处理，使用支持向量机模型进行模型训练后，以支持向量中记有第一标识的数据作为datai3；
获取datai3中所有控制参数的低分位数作为最优控制参数范围的最优控制下限值，获取datai3中所有控制参数的高分位数作为最优控制参数范围的最优控制上限值。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出的步骤中，针对每一负荷区间段的历史加工控制数据执行如下步骤：
选取datai中产品摩尔百分含量大于最优区间下限值的历史加工控制数据并将其记为datai2，1≤i≤5；
获取datai2中所有控制参数的低分位数和高分位数；
根据所述低分位数和所述高分位数得到报警控制参数范围的报警下限值和报警上限值。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，还包括如下步骤：
生成产品加工过程中的可视化显示界面，所述可视化界面用于显示被控制设备以及与每一被控制设备对应的实时控制参数；
当所述被控制设备的实时控制参数在该设备最优控制参数范围内时以第一显示模式进行显示；当所述被控制设备的实时控制参数在该设备报警控制参数范围内时以第二显示模式进行显示；当所述被控制设备的实时控制参数在其他范围内时以第三显示模式进行显示。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，获取产品的历史加工控制数据作为样本数据的步骤中：
获取产品加工过程中的所有关联参数与产品摩尔百分含量数据；
利用所有关联参数与产品摩尔百分含量对机器学习算法进行训练；
根据机器学习算法的训练结果确定关联参数中每一控制参数的重要度。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，还包括如下步骤：
根据产品加工过程中的实际过程数据，预测加工得到的最终产品中的产品摩尔百分含量，所述实际过程数据包括反应过程中每一反应设备的温度、压力和流量；
根据预测的产品摩尔百分含量得到最终产品的质量预测结果。
本申请部分实施例中的基于大数据的化工装置控制参数优化方法中，根据产品加工过程中的实际过程数据，预测加工得到的最终产品中的产品摩尔百分含量，预测加工得到的最终产品中的产品摩尔百分含量的步骤中：
根据产品的历史加工过程数据对机器学习算法进行训练，以训练后得到的模型作为质量预测模型；所述历史加工过程数据包括历史加工过程中每一反应设备的历史温度、历史压力和历史流量以及对应产品摩尔百分含量；
将产品加工过程中的实际过程数据输入至所述质量预测模型，根据所述质量预测模型的输出预测最终产品中的产品摩尔百分含量。
本申请一些实施例中还提供一种存储介质，所述存储介质中存储有程序信息，计算机读取所述程序信息后执行以上任一项所述的基于大数据的化工装置控制参数优化方法。
本申请一些实施例中还提供一种化工产品加工控制***，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序信息，至少一个所述处理器运行所述程序信息后执行以上任一项所述的基于大数据的化工装置控制参数优化方法。
本申请提供的上述技术方案，与现有技术相比，至少具有如下有益效果：通过历史加工控制数据进行基于大数据的分析方式，学习训练，挖掘出产品加工过程中负荷区间段、控制参数与得到产品的摩尔百分含量之间的关系，在实际产品加工过程中，根据实际的负荷区间段和所需要达到的目标摩尔百分含量，就能够确定出目标控制参数，以此向实际加工生产线提供技术支持，提高控制参数稳定性，提升产品质量。
附图说明
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述。
图1为本申请一个实施例所述基于大数据的化工装置控制参数优化方法的流程图；
图2为本申请一个实施例所述设备控制参数可视化界面的示意图；
图3为本申请另一个实施例所述设备控制参数以数据表的方式展现可视化界面的示意图；
图4为本申请一个实施例所述多方法变量筛选XGBoost算法框图；
图5为本申请一个实施例所述实际产品摩尔百分含量值与预测产品摩尔百分含量值之间的关系；
图6为本申请一个实施例所述化工产品加工控制***的结构框图。
具体实施方式
在本申请的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请的简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
在一些实施例中提供一种基于大数据的化工装置控制参数优化方法，如图1所示，包括如下步骤：
S101：获取产品的历史加工控制数据作为样本数据，所述历史加工控制数据包括负荷区间段、产品摩尔百分含量以及与负荷区间段、产品摩尔百分含量对应的控制参数。历史加工控制数据可以选择一定时间段内加工数据，例如近三年内，其可以在用于存储加工信息的实时数据库***中选取，其中的产品摩尔百分含量可以从实验室信息管理***中选取。在实际应用时，控制参数为按照采样周期进行排序的连续数据(如一分钟一条数据)，产品摩尔百分含量的结果为离散数据，此时可以采用线性插值的方式，将离散的产品摩尔百分含量补充为一分钟一条连续数据，并与控制参数数据对齐后得到所需要的历史加工控制数据。
S102：根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出。学习模型可以选择已有的成熟的模型。
S103：将产品的实际负荷区间段、目标摩尔百分含量输入至所述控制参数获取模型得到目标控制参数。
本实施例提供的以上方案，通过历史加工控制数据进行基于大数据的分析方式，学习训练，挖掘出产品加工过程中负荷区间段、控制参数与得到产品的摩尔百分含量之间的关系，在实际产品加工过程中，根据实际的负荷区间段和所需要达到的目标摩尔百分含量，就能够确定出目标控制参数，以此向实际加工生产线提供技术支持，提高控制参数稳定性，提升产品质量。
进一步地，以上方案中，获取产品的历史加工控制数据作为样本数据的步骤中，所述历史加工控制数据中的负荷区间段包括五个，将五个所述负荷区间段对应的历史加工控制数据分别记为data1、data2、data3、data4、data5；所述历史加工控制数据中的产品摩尔百分含量包括：优质产品对应的最优加工控制参数、不合格产品对应的不合格产品控制参数以及合格产品对应的合格控制参数；所述优质产品指产品摩尔百分含量位于其最优区间内的产品，不合格产品指产品摩尔百分含量低于其最优区间下限值的产品，所述合格产品是指产品摩尔百分含量超过其最优区间上限值的产品；所述控制参数包括：优质产品对应的最优控制参数范围和不合格产品对应的报警控制参数范围。本实施例中，以MTBE为例，选择2017年8月至2020年8月的历史加工控制数据作为样本可将其记为data，其中负荷包括TBA进料量，可以将进料量在40t/h-45t/h、45t/h-50t/h、50t/h-55t/h、55t/h-60t/h、60t/h-65t/h五个区间段，分别记这五个区间段对应的历史加工控制数据为data1、data2、data3、data4、data5。而优质产品即为产品摩尔百分含量位于97.1％-97.3％之间的产品，不合格产品为产品摩尔百分含量低于97.1％的产品，合格产品为产品摩尔百分含量高于97.3％的产品。
根据以上历史加工控制数据，针对每一负荷区间段的历史加工控制数据执行如下步骤：
(1)获取最优控制参数范围
1.1：为datai中产品摩尔百分含量位于其最优区间内的数据设置第一标识，其余数据设置第二标识后所得到的数据作为datai1，1≤i≤5。例如，将data1数据新增标签列‘sign’，将产品摩尔百分含量在区间[97.1-97.3]的数据sign值标记为1，其他数据sign值标记为0，之后得到的数据记为data11。
1.2：将datai1按照比例分为训练样本集datai1_train和测试样本集datai1_test；所述比例为8:2。
1.3：对训练样本集datai1_train中包含的历史加工控制数据进行标准化处理，使用支持向量机模型进行模型训练后，以支持向量中记有第一标识的数据作为datai3。即将训练样本集datai_train做标准化，使用支持向量机(SVM)模型做数据分类，kernal为线性核，模型训练后，取出1、0分类的支持向量中sign为1的数据记为datai3。
1.4：获取datai3中所有控制参数的低分位数作为最优控制参数范围的最优控制下限值，获取datai3中所有控制参数的高分位数作为最优控制参数范围的最优控制上限值。例如，取数据datai3的10％分位作为最优控制下限值，取数据data13的90％分位作为最优控制上限值。
(2)获取报警控制参数范围
2.1：选取datai中产品摩尔百分含量大于合格区间下限值的历史加工控制数据并将其记为datai2；对于MTBE来说，就是选择出产品摩尔百分含量大于97.3％的数据。
2.2：获取datai2中所有控制参数的低分位数和高分位数；低分位和高分位可以根据实际对应的产品加工过程标定获取，本方案针对MTBE的加工过程中，选择低分位为25％、高分位为75％。
2.3：根据所述低分位数和所述高分位数得到报警控制参数范围的报警下限值和报警上限值。本实施例中通过如下计算方式得到各控制参数：
报警上限值＝75％分位数+1.5*(75％分位-25％分位)；
报警下限值＝75％分位数-1.5*(75％分位-25％分位)。
以上方案中得到的报警下限值、最优控制下限值、最优控制上限值和报警上限值满足如下关系：报警下限值＜最优控制下限值＜最优控制上限值＜报警上限值。
如图2所示，上述方法还可以包括如下步骤：生成产品加工过程中的可视化显示界面，所述可视化界面用于显示被控制设备以及与每一被控制设备对应的实时控制参数；当所述被控制设备的实时控制参数在该设备最优控制参数范围内时以第一显示模式进行显示；当所述被控制设备的实时控制参数在该设备报警控制参数范围内时以第二显示模式进行显示；当所述被控制设备的实时控制参数在其他范围内时以第三显示模式进行显示。图2中仅示意性的给出两个被控制塔的控制参数显示方式，在实际应用时，每一化工产品在加工制备的过程中，可能会涉及非常多的设备，则在可视化过程中就会直接根据实际场景进行展现。优选地，第一显示模式为以绿色背景进行显示，第二显示模式以黄色背景进行显示，第三显示模式以红色背景进行显示。采用不同背景色对各个设备的控制参数是否处于最优状态进行提示，更加直观。
除了直观显示的方式，也可以采用图3所示的数据表方式进行汇总，能够使数据具有更好的对比性，从表中能够看出对于那些实时值不在最优区间内的控制参数，与最优值的差别是多少，应调高还是调低才能使其落入到最优区间。
进一步地，上述方案中的基于大数据的化工装置控制参数优化方法，获取产品的历史加工控制数据作为样本数据的步骤中可以包括：获取产品加工过程中的所有关联参数与产品摩尔百分含量数据；利用所有关联参数与产品摩尔百分含量对机器学习算法进行训练；根据机器学习算法的训练结果确定关联参数中每一控制参数的重要度。优选地，根据产品加工过程中的实际过程数据，预测加工得到的最终产品中的产品摩尔百分含量，所述实际过程数据包括反应过程中每一反应设备的温度、压力和流量；根据预测的产品摩尔百分含量得到最终产品的质量预测结果。例如，可以利用data1中控制参数与产品摩尔百分含量数据构建XGBoost模型(模型训练使用的是XGBoost模块下的XGBRegressor函数)，并提取特征重要度(feature_importances_)作为控制参数的重要度指标。
例如，在环氧丙烷装置环氧化单元，叔丁基过氧化氢(TBHP)与丙烯在催化剂作用下发生环氧化反应生成环氧丙烷(PO)和TBA，环氧化反应分为恒温反应和绝热反应两个步骤，***设置17个恒温反应器、8个一段绝热反应器和4个二段绝热反应器。反应物料与催化剂首先一次通过恒温反应器进行恒温反应，然后反应产物进入绝热反应部分，环氧化绝热反应又分两段进行。二段绝热反应有重要的反应产物环氧丙烷，该反应产物的摩尔百分含量是操作工日常操作的重要关注点。本实施例中的样本数据依然是来自于实时历史数据库***与实验室信息管理***，采用近三年内的数据作为样本。本申请实施例提供了一种基于大数据运算方法实现的产品质量预测，能够克服现有检测方法费时费力，效率低的问题，可以满足日益增加的现场实时控制的需要。
例如：根据产品的历史加工过程数据对机器学习算法进行训练，以训练后得到的模型作为质量预测模型；所述历史加工过程数据包括历史加工过程中每一反应设备的历史温度、历史压力和历史流量以及对应产品摩尔百分含量；将产品加工过程中的实际过程数据输入至所述质量预测模型，根据所述质量预测模型的输出预测最终产品中的产品摩尔百分含量。具体地，加工过程数据可以包括：各类原料质量、占比、上下限、控制范围和合格率；上游进项物料的质量、组分等数据；中间采出量、回流量、再沸量等环境控制数据；塔压、塔顶温度、侧线温度、反应器温升等环境监测数据；配氨量、氢烃比等上游工序物料控制数据；相关设备参数、压缩机转速等装置运行数据。本申请实施例中，从上述大量控制参数中，通过机器学习的方式选择出主要控制参数，具体地，将主要控制参数与产品合格率数据提取出来，构建模型并提取特征重要度，按照重要程度排序，作为最终输出，只保留重要的较少的对产品产生作用的控制参数。
优选地，如图4所示，可以选择4种数据处理方法组合后对以上选择的样本数据(原始数据)进行变量筛选，如皮尔逊相关系数(Pearson Correlation Coefficient)、互信息(mutual information)、F检验(F-test)、极端随机树(Extra-Trees)四种方法，将筛选好的数据分别建立XGBoost模型，选择最优的模型作为产品预测模型的方法。
以上方案中，为了保证软测量模型的预测精度(生产实际需要)，先尽可能多地选择自变量，如此不至于丢失信息。数据备好之后，需要做变量筛选，可有以下好处：防止模型过拟合，减少训练开销，保留重要变量，增强模型可解释性与鲁棒性。变量筛选的方法有很多，此次软测量变量筛选用到皮尔逊相关系数、互信息、F检验、极端随机树等四种方法。这四种方法的类型、在本文中的使用对象、作用不尽相同，如表1：
表1变量筛选方法
| 变量筛选方法 | 类型 | 使用对象 | 作用 |
| 皮尔逊相关系数 | 线性 | 自变量 | 去除相关性高的自变量 |
| 互信息 | 非线性 | 自变量与因变量 | 去除对因变量影响不大的自变量 |
| F检验 | 线性 | 自变量与因变量 | 去除与因变量相关性较低的自变量 |
| 极端随机树 | 非线性 | 自变量与因变量 | 去除对树模型“重要度”较低的自变量 |
以上四种变量筛选方法进行组合，分别为互信息+极端随机树、互信息+F检验+极端随机树、相关系数+互信息+极端随机树、相关系数+互信息+F检验+极端随机树。每种组合通过对相关系数值、互信息值、F检验P值、极端随机树变量重要度等有关值的设定，筛选出四组训练数据。具体模型建立过程包括：
(3)建模
模型训练使用的是XGBoost模块下的XGBRegressor函数。分别调试六个参数：n_estimators、max_depth、min_child_weight、reg_alpha、reg_lambda、learning_rate，选择最优的参数组合作为最终的模型参数。
(4)模型验证
将数据按指定时间(例如2020年3月15日)拆为两部分：指定时间之前的数据用于模型训练，指定时间之后的数据用于模型测试。采用MAE(Mean Absolute Error，平均绝对值误差)作为模型性能指标。如表2：
表2不同方法的MAE结果
| 变量筛选方法 | 训练MAE | 测试MAE |
| 互信息+极端随机树 | 0.042 | 0.102 |
| 互信息+F检验+极端随机树 | 0.045 | 0.082 |
| 相关系数+互信息+极端随机树 | 0.050 | 0.098 |
| 相关系数+互信息+F检验+极端随机树 | 0.047 | 0.100 |
模型结果如上图:选择测试MAE最小的模型作为最终模型。测试拟合效果可见图5，在真实值有较大变化时，模型可以预测出大致趋势；在真实值比较平稳的状态，模型有比较高的预测精度。
采用以上方案预测到的最终产品摩尔百分含量的结果可以实时传输至DCS工程师站OPC Server服务器，使得操作工可在DCS控制屏上直接查看最新的产品质量。
本申请一些实施例中还提供一种存储介质，所述存储介质中存储有程序信息，计算机读取所述程序信息后执行以上任一项所述的基于大数据的化工装置控制参数优化方法。
本申请一些实施例中提供一种化工产品加工控制***，如图6所示，化工产品加工控制***包括至少一个处理器101和至少一个存储器102，至少一个所述存储器102中存储有程序指令，至少一个所述处理器101读取所述程序指令后执行以上任一方案所述的基于大数据的化工装置控制参数优化方法。上述化工产品加工控制***还可以包括：输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接。上述***可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例所提供的方法。
本申请提供的以上方案，极大地降低了产品分析成本，目前对于石化类组成分析的单个样品内部分析成本为300元-600元左右，通过本申请的以上方案预计降本200万元。并且，在化工产品加工的工艺段能实现监测预警，根据历史数据挖掘建立工艺稳态模型，同时进行监控预警，进一步为工艺参数调整提供支持。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于大数据的化工装置控制参数优化方法，其特征在于，包括如下步骤：
获取产品的历史加工控制数据作为样本数据，所述历史加工控制数据包括负荷区间段、产品摩尔百分含量以及与负荷区间段、产品摩尔百分含量对应的控制参数；
根据所述历史加工控制数据对学习算法进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出；
将产品的实际负荷区间段、目标摩尔百分含量输入至所述控制参数获取模型得到目标控制参数。
2.根据权利要求1所述的基于大数据的化工装置控制参数优化方法，其特征在于，获取产品的历史加工控制数据作为样本数据的步骤中：
所述历史加工控制数据中的负荷区间段包括五个，将五个所述负荷区间段对应的历史加工控制数据分别记为data1、data2、data3、data4、data5；
所述历史加工控制数据中的产品摩尔百分含量包括：优质产品对应的最优加工控制参数、不合格产品对应的不合格产品控制参数以及合格产品对应的合格控制参数；所述优质产品指产品摩尔百分含量位于其最优区间内的产品，不合格产品指产品摩尔百分含量低于其最优区间下限值的产品，所述合格产品是指产品摩尔百分含量超过其最优区间上限值的产品；
所述控制参数包括：优质产品对应的最优控制参数范围和不合格产品对应的报警控制参数范围。
3.根据权利要求2所述的基于大数据的化工装置控制参数优化方法，其特征在于，根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出的步骤中，针对每一负荷区间段的历史加工控制数据执行如下步骤执行如下步骤：
为datai中产品摩尔百分含量位于其最优区间内的数据设置第一标识，其余数据设置第二标识后所得到的数据作为datai1，1≤i≤5；
将datai1按照比例分为训练样本集datai1_train和测试样本集datai1_test；
对训练样本集datai1_train中包含的历史加工控制数据进行标准化处理，使用支持向量机模型进行模型训练后，以支持向量中记有第一标识的数据作为datai3；
获取datai3中所有控制参数的低分位数作为最优控制参数范围的最优控制下限值，获取datai3中所有控制参数的高分位数作为最优控制参数范围的最优控制上限值。
4.根据权利要求2所述的基于大数据的化工装置控制参数优化方法，其特征在于，根据所述历史加工控制数据对学习模型进行训练得到控制参数获取模型，训练过程中以负荷区间段和产品摩尔百分含量作为所述学习模型的输入，以控制参数作为输出的步骤中，针对每一负荷区间段的历史加工控制数据执行如下步骤执行如下步骤：
选取datai中产品摩尔百分含量大于最优区间下限值的历史加工控制数据并将其记为datai2，1≤i≤5；
获取datai2中所有控制参数的低分位数和高分位数；
根据所述低分位数和所述高分位数得到报警控制参数范围的报警下限值和报警上限值。
5.根据权利要求4所述的基于大数据的化工装置控制参数优化方法，其特征在于，还包括如下步骤：
生成产品加工过程中的可视化显示界面，所述可视化界面用于显示被控制设备以及与每一被控制设备对应的实时控制参数；
当所述被控制设备的实时控制参数在该设备最优控制参数范围内时以第一显示模式进行显示；当所述被控制设备的实时控制参数在该设备报警控制参数范围内时以第二显示模式进行显示；当所述被控制设备的实时控制参数在其他范围内时以第三显示模式进行显示。
6.根据权利要求1-5任一项所述的基于大数据的化工装置控制参数优化方法，其特征在于，获取产品的历史加工控制数据作为样本数据的步骤中：
获取产品加工过程中的所有关联参数与产品摩尔百分含量数据；
利用所有关联参数与产品摩尔百分含量对机器学习算法进行训练；
根据机器学习算法的训练结果确定关联参数中每一控制参数的重要度。
7.根据权利要求6所述的基于大数据的化工装置控制参数优化方法，其特征在于，还包括如下步骤：
根据产品加工过程中的实际过程数据，预测加工得到的最终产品中的产品摩尔百分含量，所述实际过程数据包括反应过程中每一反应设备的温度、压力和流量；
根据预测的产品摩尔百分含量得到最终产品的质量预测结果。
8.根据权利要求7所述的基于大数据的化工装置控制参数优化方法，其特征在于，根据产品加工过程中的实际过程数据，预测加工得到的最终产品中的产品摩尔百分含量，预测加工得到的最终产品中的产品摩尔百分含量的步骤中：
根据产品的历史加工过程数据对机器学习算法进行训练，以训练后得到的模型作为质量预测模型；所述历史加工过程数据包括历史加工过程中每一反应设备的历史温度、历史压力和历史流量以及对应产品摩尔百分含量；
将产品加工过程中的实际过程数据输入至所述质量预测模型，根据所述质量预测模型的输出预测最终产品中的产品摩尔百分含量。
9.一种存储介质，其特征在于，所述存储介质中存储有程序信息，计算机读取所述程序信息后执行权利要求1-8任一项所述的基于大数据的化工装置控制参数优化方法。
10.一种化工产品加工控制***，其特征在于，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序信息，至少一个所述处理器运行所述程序信息后执行权利要求1-8任一项所述的基于大数据的化工装置控制参数优化方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254054.0A CN112990682A (zh) | 2021-03-09 | 2021-03-09 | 一种基于大数据的化工装置控制参数优化方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110254054.0A CN112990682A (zh) | 2021-03-09 | 2021-03-09 | 一种基于大数据的化工装置控制参数优化方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112990682A true CN112990682A (zh) | 2021-06-18 |
Family
ID=76336127
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110254054.0A Pending CN112990682A (zh) | 2021-03-09 | 2021-03-09 | 一种基于大数据的化工装置控制参数优化方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112990682A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115509196A (zh) * | 2022-10-27 | 2022-12-23 | 深圳市卓讯达科技发展有限公司 | 一种基于机器学习的制造工艺优化方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414158A (zh) * | 2008-11-19 | 2009-04-22 | 华东理工大学 | 一种乙烯裂解炉裂解反应操作条件的优化方法 |
| CN102183892A (zh) * | 2011-05-10 | 2011-09-14 | 上海交通大学 | 甲醇三塔精馏***的变负荷能耗优化控制方法 |
| CA2814625A1 (en) * | 2012-04-27 | 2013-10-27 | Centre De Recherche Industrielle Du Quebec | Method and apparatus for stabilizing production of pulp from wood chips |
| CN110898454A (zh) * | 2019-11-19 | 2020-03-24 | 万华化学集团股份有限公司 | 精馏塔控制方法、存储介质及电子设备 |
| CN112215398A (zh) * | 2020-04-27 | 2021-01-12 | 深圳华工能源技术有限公司 | 电力用户负荷预测模型建立方法、装置、设备及存储介质 |
-
2021
- 2021-03-09 CN CN202110254054.0A patent/CN112990682A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101414158A (zh) * | 2008-11-19 | 2009-04-22 | 华东理工大学 | 一种乙烯裂解炉裂解反应操作条件的优化方法 |
| CN102183892A (zh) * | 2011-05-10 | 2011-09-14 | 上海交通大学 | 甲醇三塔精馏***的变负荷能耗优化控制方法 |
| CA2814625A1 (en) * | 2012-04-27 | 2013-10-27 | Centre De Recherche Industrielle Du Quebec | Method and apparatus for stabilizing production of pulp from wood chips |
| CN110898454A (zh) * | 2019-11-19 | 2020-03-24 | 万华化学集团股份有限公司 | 精馏塔控制方法、存储介质及电子设备 |
| CN112215398A (zh) * | 2020-04-27 | 2021-01-12 | 深圳华工能源技术有限公司 | 电力用户负荷预测模型建立方法、装置、设备及存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115509196A (zh) * | 2022-10-27 | 2022-12-23 | 深圳市卓讯达科技发展有限公司 | 一种基于机器学习的制造工艺优化方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11487252B2 (en) | Process model identification in a process control system | |
| CN100461044C (zh) | 一种丙烯聚合生产中熔融指数检测的故障诊断***及方法 | |
| US8065251B2 (en) | Dynamic management of a process model repository for a process control system | |
| CN103440368B (zh) | 一种多模型动态软测量建模方法 | |
| CN102601881B (zh) | 一种橡胶硬度的在线质量监控和预测模型更新的方法 | |
| TW201615844A (zh) | 異因分析與校正方法與系統 | |
| CN106681183A (zh) | 监测制造装置的方法、装置、***与计算机可读储存媒介 | |
| JP2004532476A (ja) | プロセス装置の監視プログラム | |
| CN111352408B (zh) | 一种基于证据k近邻的多工况流程工业过程故障检测方法 | |
| US8046318B2 (en) | Automated system for checking proposed human adjustments to operational or planning parameters at a plant | |
| CN112990682A (zh) | 一种基于大数据的化工装置控制参数优化方法和*** | |
| CN117556366B (zh) | 基于数据筛选的数据异常检测***及方法 | |
| CN102621953A (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
| CN100461043C (zh) | 工业聚丙烯生产熔融指数检测故障诊断***及方法 | |
| CN112394163A (zh) | 一种原油含水量分析方法及装置 | |
| CN116029617B (zh) | 质量验收表单的生成方法、装置、设备及可读存储介质 | |
| CN116032016B (zh) | 智慧风电场运行状态在线监测预警***及预警方法 | |
| CN115407753B (zh) | 一种多变量加权集成学习的工业故障诊断方法 | |
| CN116665805A (zh) | 一种基于数字孪生的白酒发酵预测和反馈干预*** | |
| CN116224887A (zh) | 一种多工况间歇过程故障监测方法 | |
| CN102608303B (zh) | 一种橡胶硬度的在线测量方法 | |
| Collani et al. | Economic adjustment designs for X control charts | |
| CN114384872A (zh) | 产品研制过程质量综合管控*** | |
| CN118092362B (zh) | 烧结过程异常原因分析方法、装置及设备 | |
| CN108250342B (zh) | 一种聚全氟乙丙烯产品生产方法及*** |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |
|
| RJ01 | Rejection of invention patent application after publication |