[發明專利]一種基于機器學習的常減壓裝置生產模擬方法及系統

在審

• 申請號: 202010022944.4
• 申請日: 2020-01-09
• 公開（公告）號: CN111241677A
• 公開（公告）日: 2020-06-05
• 發明（設計）人: 張揚;吳玉成
• 申請（專利權）人: 浙江中控技術股份有限公司;浙江中控軟件技術有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N20/00;G06Q50/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

1.一種基于機器學習的常減壓裝置生產模擬方法，其特征在于，包括：

S1：采集常減壓裝置不同工況下的工況數據；

S2：將所有工況數據按照同一時刻進行對齊建立工況數據集；

S3：將工況數據集劃分為訓練數據集、驗證數據集；

S4：建立基于機器學習的常減壓裝置生產模擬模型，將訓練數據集的數據中的進料量、進料組成、進料性質和裝置操作條件數據作為模型的輸入項，以產品分布、產品收率、產品性質和公用工程消耗數據為輸出項，進行模型的訓練；

S5：將驗證數據集中的進料量、進料組成、進料性質和裝置操作條件數據作為模型的輸入項，計算不同參數組合下的產品分布、產品收率和產品性質的預測值，計算每個參數組合下的模型在驗證數據集上的預測值與真實值之間的均方根誤差；

S6：通過k折交叉驗證方法，重復步驟S3～S4 k次，選取均方根誤差均值最小的參數組合下的模型并保存；

S7：根據已保存的常減壓裝置生產模擬模型，向模型中輸入變量：進料量、進料組成、進料性質和裝置操作條件后，模型計算得到輸出變量：產品分布、產品收率、產品性質和公用工程消耗。

2.根據權利要求1所述的一種基于機器學習的常減壓裝置生產模擬方法，其特征在于，所述將工況數據集劃分為訓練數據集、驗證數據集包括：

將工況數據集按照k折交叉驗證方法劃分為訓練數據集、驗證數據集。

3.根據權利要求1所述的一種基于機器學習的常減壓裝置生產模擬方法，其特征在于，所述進料性質為每種原油的類別、實沸點蒸餾數據、密度、API、凝點、運動粘度、酸值、鹽含量、殘碳、灰分、蠟含量、膠質含量、瀝青質含量、硫含量、氮含量、鐵含量。

4.根據權利要求1所述的一種基于機器學習的常減壓裝置生產模擬方法，其特征在于，所述裝置操作條件為初餾塔塔頂壓力、汽化段壓力、進料段壓力、加熱爐溫度、塔頂冷凝器溫度、塔底汽提蒸汽；常壓塔塔頂壓力、汽化段壓力、進料段壓力、塔頂冷凝器溫度、加熱爐溫度、塔底汽提蒸汽量、常一線蒸汽量、常二線蒸汽量、常三線蒸汽量、常一抽出流量、常一中回塔溫度、常二中抽出流量、常二中回塔溫度、常三中抽出流量、常三中回塔溫度；減壓塔塔頂壓力、汽化段壓力、進料段壓力、加熱爐負荷、塔底汽提蒸汽、減一中抽出流量、減一中回塔熱負荷、減二中抽出流量、減二中回塔溫度、減三中抽出流量、減三中回塔溫度、減四中抽出流量、減四中回塔溫度。

5.根據權利要求1～4任一項所述的一種基于機器學習的常減壓裝置生產模擬方法，其特征在于，所述采集常減壓裝置不同工況下的工況數據之后還包括：

對工況數據中的異常值、缺失值進行預處理。

6.一種基于機器學習的常減壓裝置生產模擬系統，其特征在于，包括：

數據采集單元，用于采集常減壓裝置不同工況下的工況數據；

數據集成單元，用于將所有工況數據按照同一時刻進行對齊建立工況數據集；

數據集劃分單元，用于將工況數據集劃分為訓練數據集、驗證數據集；

模型訓練單元，用于建立基于機器學習的常減壓裝置生產模擬模型，將訓練數據集的數據中的進料量、進料組成、進料性質和裝置操作條件數據作為模型的輸入項，以產品分布、產品收率、產品性質和公用工程消耗數據為輸出項，進行模型的訓練；

模型驗證單元，用于將驗證數據集中的進料量、進料組成、進料性質和裝置操作條件數據作為模型的輸入項，計算不同參數組合下的產品分布、產品收率和產品性質的預測值，計算每個參數組合下的模型在驗證數據集上的預測值與真實值之間的均方根誤差；

模型參數選擇單元，用于通過k折交叉驗證方法，重復步驟S3～S4 k次，選取均方根誤差均值最小的參數組合下的模型并保存；

模型存儲單元，用于根據已保存的常減壓裝置生產模擬模型，向模型中輸入變量：進料量、進料組成、進料性質和裝置操作條件后，模型計算得到輸出變量：產品分布、產品收率、產品性質和公用工程消耗。

7.根據權利要求6所述的一種基于機器學習的常減壓裝置生產模擬系統，其特征在于，所述數據集劃分單元將工況數據集按照k折交叉驗證方法劃分為訓練數據集、驗證數據集。