一种加氢裂化流程产品质量在线预测方法技术

本发明专利技术提供一种加氢裂化流程产品质量在线预测方法。所述方法包括：S1基于产品质量离线化验时间前一个流程时滞时间窗口内的产品的敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个流程时滞时间窗口内系统处于稳态的稳态数据；S3基于所述稳态数据中各敏感参数在流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。本发明专利技术的方法充分利用加氢裂化全流程过程变量使得预测得到的质量能够反映全局运行状况。

【技术实现步骤摘要】
一种加氢裂化流程产品质量在线预测方法
本专利技术涉及产品质量检测领域，更具体地，涉及一种加氢裂化流程产品质量在线预测方法。
技术介绍
加氢裂化流程是石化企业极为重要的一个二次加工工艺流程，即在加热、高氢压和催化剂的条件下，使重质油发生裂化反应，转化成石脑油、汽油、航煤、柴油等轻质、高质量的油品。加氢裂化流程具有加工原料范围宽、原料适应性强、生产灵活性大、碳丢失率低、产品质量好、液体产品收率高等优点，是大型炼厂和石化企业最重要、最可靠、最灵活和最有效的加工手段之一，并且其产品也被广泛用于汽车、航空、船舶、重型机械、润滑油生产等方面。然而，由于原料油属性变化、催化剂活性降低、装置性能退化、生产方案及操作参数变化等原因，加氢裂化流程产品质量也在发生变化，并且，产品的质量不仅代表该流程的运行状况好坏，也会对下游的石化流程起到至关重要的作用。因此，对加氢裂化流程产品质量进行检测并根据产品质量对过程进行评估、调整尤为重要。目前，实际的加氢裂化流程产品质量检测大都采用人工离线化验，这种检测方式存在严重滞后，很可能导致操作人员不能及时调整过程变量而生产出不合格的产品油。为了及时评估加氢裂化流程的全局运行状况、并做出相应的调整，在线的产品质量检测则显得尤为关键。然而，考虑到安全性和可操作性，像馏点、硫含量、闪点、水含量等产品质量指标是无法通过在线化验方式进行检测的。因此，使用软测量技术来实现加氢裂化流程产品质量在线预测成为了学者们研究的热点问题。软测量技术是以可测或易测的过程变量(或辅助变量)为基础，利用辅助变量和难测或待测过程变量(或主导变量)之间的数学关系(即软测量模型)，通过各种数学计算和估计实现对主导变量的测量。广义的软测量技术其实主要由数据采集、数据处理、软测量模型和软测量数据存储、显示与输出4个部分组成。目前，根据软测量模型建立的方式，加氢裂化流程产品质量在线预测方法分为基于机理的和数据驱动的两种。基于机理的加氢裂化流程产品质量在线预测是建立在对加氢裂化流程工艺和机理有深刻认识的基础上，通过对加氢裂化流程产品质量的机理分析，找出其他实时可测辅助变量和不可测产品质量指标之间的关系，例如结合主要的过程变量和轻石脑油干点的关联公式，建立加氢裂化流程产品质量在线预测模型。但这种方法只能适用于机理明确的化工过程，并且针对每种产品质量指标都需要建立特定的模型，建模过程复杂。基于数据驱动的加氢裂化流程产品质量在线预测是通过多元线性回归(MLR)、主元分析(PCR)、部分最小二乘(PLS)等统计分析方法和人工神经网络(ANN)、模糊技术、支持向量机(SVM)等智能算法，利用实际加氢裂化流程生产数据建立实时可测辅助变量和不可测产品质量指标之间的回归模型，从而实现产品质量的在线预测。这种方法非常适合变量多、非线性的复杂系统，泛化性能好，简单实用，具有较高的应用价值。然而，目前来说，该类方法研究仍存在以下问题：第一，并没有充分利用加氢裂化全流程过程变量，所建立的产品质量在线预测模型基本都是只考虑分馏系统这一部分的过程变量，不利于加氢裂化流程全局运行状况评估；第二，加氢裂化流程过程变量多，目前主要依靠机理分析和工厂经验选取辅助变量，主观因素大；第三，加氢裂化流程是个大时滞系统，即使是分馏系统也有近1.5小时的时滞，在外部条件发生变化时，该过程存在稳态和非稳态情况，不同模态下所建立的质量在线预测模型也是不同的，需要区分。
技术实现思路
本专利技术针对现有加氢裂化产品质量预测的数据驱动建模存在的问题，提供一种加氢裂化流程产品质量在线预测方法，所述方法包括：S1.基于产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内的产品敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2.基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内系统处于稳态的稳态数据；S3.基于所述稳态数据中各敏感参数在所述加氢裂化流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。与现有的方法相比，本专利技术提出的加氢裂化流程产品质量在线预测方法具有以下效果：充分利用加氢裂化全流程过程变量使得预测得到的质量能够反映全局运行状况；基于Spearman相关分析的部分逐步回归法引入了敏感变量因子SVF，从多类型、多分布和多关联海量数据中提取反映当前运行状况、与产品质量密切相关的敏感变量；基于主成分分析(PCA)对敏感变量进行降维，得到敏感参数，对高维的特征进行降维、降低计算复杂度、加快处理速度，而且它还可以处理高耦合性特征，以使敏感参数尽量互不相关从而完全表现出系统的特征；基于主成分分析(PCA)中的单个主元贡献率引入了稳态权重因子SSWF，从而消除了以往在构建系统稳态指数SSSI时采用经验赋值的主观因素影响；充分考虑系统的稳态和非稳态的情况，基于稳态数据建立加氢裂化流程柴油产品质量在线预测模型，科学严谨；使用的随机森林回归算法(RFR)相对于其他机器学习算法来说，具有预测精度高、泛化能力好、收敛速度快等优点，可有效避免“过拟合”现象的发生，适合各种高维数据集。附图说明图1为根据本专利技术实施例中加氢裂化流程产品质量在线预测方法的总体流程图；图2为根据本专利技术一个优选实施例中加氢裂化流程产品质量在线预测方法的总体流程图；图3为根据本专利技术实施例1中基于主成分分析法的敏感参数及其稳态权重因子获取的流程图；图4为根据本专利技术实施例1中多项式最小二乘法拟合对敏感参数的采样区间数据进行滑动窗口回归示意图；图5为根据本专利技术实施例1中随机森林回归算法单棵决策树算法简图；图6为根据本专利技术实施例1中随机森林回归算法简图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。本专利技术的加氢裂化流程产品质量在线预测方法，包括：S1.基于产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内的产品敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2.基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内系统处于稳态的稳态数据；S3.基于所述稳态数据中各敏感参数在所述加氢裂化流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。本专利技术的方法充分利用加氢裂化全流程过程变量，使得预测得到的质量能够反映全局运行状况。在本专利技术的一个实施例中，为了更好的去噪，在S1中使用多项式最小二乘法拟合对每个所述敏感参数的采样区间数据进行滑动窗口H回归，得到敏感参数在各个采样点的回归值，用回归值代替原测量值可以更好地去噪。同时，多项式最小二乘法拟合含有所述敏感参数的回归值的变化信息，求一阶导，得到敏感参数的稳态指数。即多项式最小二乘法拟合含有敏感参数的变化信息，其在采样点的一阶导数即为该敏感参数在该采样点的变化快慢，并将共定义为该敏感参数的稳态指数SSI，根据敏感参数的稳态指数可本文档来自技高网...

【技术保护点】
一种加氢裂化流程产品质量在线预测方法，其特征在于，包括：S1.基于产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内的产品敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2.基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内系统处于稳态的稳态数据；S3.基于所述稳态数据中各敏感参数在所述加氢裂化流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。

【技术特征摘要】
1.一种加氢裂化流程产品质量在线预测方法，其特征在于，包括：S1.基于产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内的产品敏感参数，利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数；S2.基于所述每个敏感参数的稳态指数和所述每个敏感参数对所述流程的影响程度，利用Dempster规则构建系统稳态指数；根据系统稳态指数，获得产品质量离线化验时间前一个所述加氢裂化流程时滞时间窗口内系统处于稳态的稳态数据；S3.基于所述稳态数据中各敏感参数在所述加氢裂化流程时滞时间窗口内的数据均值，利用随机森林产品质量在线预测模型实现所述产品的质量在线预测。2.根据权利要求1所述的方法，其特征在于，S1中利用多项式最小二乘法拟合得到所述每个敏感参数的稳态指数具体为：使用多项式最小二乘法拟合对每个所述敏感参数的采样区间数据进行滑动窗口回归，得到敏感参数在各个采样点的回归值；使用多项式最小二乘法拟合所述敏感参数的回归值的变化信息，得到所述敏感参数的稳态指数。3.根据权利要求1或2所述的方法，其特征在于，所述产品敏感参数的获取包括：从生产数据库中提取加氢裂化全流程中相关的过程变量；基于所述过程变量在外部条件发生变化时的波动趋势，筛选出主要过程变量；使用带滑窗的中值滤波对所述主要过程变量的实际历史运行数据进行滤波去噪得到所述敏感参数。4.根据权利要求3所述的方法，其特征在于，所述敏感参数的获取还包括：在去噪后，基于滤波去噪后的主要过程变量，利用Spearman相关性分析的部分逐步回归法定义敏感变量因子并进行敏感变量优选，得到所述敏感参数。5.根据权利要求1或2所述的方法，其特征在于，在使用多项式最小二乘法之前还包括将所述敏感参数经过PCA归一化和正规化特征向量矩阵变化处理。6.根据权利要求5所述的方法，其特征在于，所述PCA主成分分析法归一化处理包括：基于所述敏感参数，利用主成分分析法归一化得到主成分，所述主成分为敏感参数，并将每个敏感参...

【专利技术属性】
技术研发人员：王雅琳，夏海兵，李灵，袁小锋，孙备，孙克楠，张旭，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43