[發明專利]常減壓裝置的AI建模方法

有效

• 申請號: 202110647015.7
• 申請日: 2021-06-10
• 公開（公告）號: CN113420498B
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 王士波;陳露;甘雪琴;鄭歡歡;梁延桂
• 申請（專利權）人: 北京宜能高科科技有限公司;北京中環信科科技股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京市萬慧達律師事務所 11111
• 代理人: 劉偉

1.一種常減壓裝置的AI建模方法，其特征在于，該方法包括：

確定常減壓裝置的模型構成和建模方法，其中，所述常減壓裝置的模型構成包括兩類子模型：第一類子模型：產品性質軟儀表預測模型、原油性質軟儀表預測模型、中間流股性質軟儀表預測模型、操作條件軟儀表預測模型、塔板氣液相負荷軟儀表預測模型、帶有詳細換熱器結構的換熱網絡模型、流股單位焓值預測模型、減壓爐和轉油線相關溫度和壓力預測模型；第二類子模型：減壓塔全塔壓降相關模型、全塔物料平衡模型和全塔能量平衡模型；所述第一類子模型采用機器學習方法建模，所述第二類子模型采用經驗機理方法建模；

利用嚴格機理模擬擴充建模所需樣本；

對所述常減壓裝置進行機器學習建模和經驗機理建模；

模型自學習；

其中，通過機器學習建模的過程包括：

樣本準備和預處理，對樣本數據進行清洗，對清洗后的數據進行指定計算；根據建模目的選擇輸出變量；選擇輸入變量，其中，所述輸入變量的選擇基于輸入變量之間的相關性、輸入變量物理意義的重要性、輸入變量本身測量值是否存在誤差三種因素；確定輸出變量對應的輸入變量；

將輸入變量根據關聯性強弱分成幾組，各組變量之間相對獨立，組內變量之間關聯性強；根據每組內輸入變量的個數，選擇性的為組內輸入變量構建一個子神經網絡，其輸出作為整個模型的神經網絡的一個隱含層中的神經元，神經元個數由模型精度決定，或者將輸入變量直接作為模型的輸入；將輸入變量構建網絡形成的隱含層的神經元和沒有構建網絡的輸入變量共同作為模型的輸入，在此基礎上構建多個隱含層和神經元，形成整個模型的神經網絡，確定模型的網絡結構；

對樣本數據進行處理，確定用于模型訓練的樣本數據；為待訓練的模型指定輸入、輸出變量，設置隱含層數和神經元，并利用所述樣本數據計算各個信息的權重；采用不同隱含層數和不同神經元個數進行訓練，獲得不同模型；對模型的輸出結果進行分析比較，獲得最佳模型。

2.根據權利要求1所述的AI建模方法，其特征在于，所述樣本的擴充包括：

建立常減壓裝置嚴格機理模型，利用模型模擬裝置的生產歷史數據，獲得裝置在生產周期內的特性變化；

樣本模擬，在不同的裝置特性條件下，通過所述嚴格機理模型模擬不同原料、分餾塔操作條件和換熱網絡相關操作下的裝置性能；

樣本分布可視化和樣本補充，在獲得樣本后，通過可視化方法判斷樣本覆蓋范圍是否達到設定的要求以及樣本的分布密度，并對樣本稀疏區域或未覆蓋區域進行樣本補充，對樣本密集區域進行相似樣本篩選，刪除部分相似樣本。

3.根據權利要求1所述的AI建模方法，其特征在于，對樣本數據的處理包括：

判斷是否存在輸入變量數據相似但輸出變量數據變化大的情況，若存在，則根據數據總體分布，剔除逸出樣本；

檢查樣本分布密度，去除密度大的區域中的部分相似樣本。

4.根據權利要求2所述的AI建模方法，其特征在于，對模型的輸出結果進行分析包括總體分析、詳細分析、異常檢測和模型的物理意義分析，其中，

所述總體 分析包括：基于數據科學分析訓練結果，基于工藝分析查看訓練結果精度是否滿足實際生產需求；

所述詳細分析包括：針對每個模型的訓練集和測試集就誤差、每個輸入變量的數據和每個輸出的數據進行分析，查看兩者分布是否一致，利用可視化手段分別對比誤差和每個輸出變量的數據分布、誤差和每個輸入變量的數據分布；查看誤差與輸入、輸出之間是否存在相同的規律；

所述異常檢測包括：在詳細分析結果上提取出誤差大的樣本，進一步對比訓練集中誤差大的樣本和測試集誤差大的樣本，從兩個誤差分布中提取出共同特征或規律，并將誤差大的樣本投入到嚴格機理模型中重新模擬；

所述模型的物理意義分析包括：基于ANN模型對輸入變量進行靈敏度分析，與基于嚴格機理模型進行的靈敏度分析進行對比，查看ANN模型中輸入變量對輸出變量的影響是否遵循物理規律，并利用Python中的模型解釋包進入ANN模型內部，進一步查看ANN模型參數表征的物理意義，同時排查是否存在對輸出結果影響很小甚至是沒有影響的神經元。