基于变量加权深度学习的炼油过程产品预测方法和系统技术方案

本发明专利技术提供一种基于变量加权深度学习的炼油过程产品预测方法和系统，所述方法包括：获取脱丁烷塔过程中的过程变量，并基于已训练的深度学习模型，以所述过程变量作为所述深度学习模型的输入，得到产品质量预测值；其中，所述深度学习模型包括至少三个变量加权自编码器，且在训练深度学习模型时，每相邻的两个变量加权自编码器中，将排列在前的变量加权自编码器的隐含层特征数据作为排列在后的变量加权自编码器的输入变量，对排列在后的变量加权自编码器进行训练。利用多个加权自编码器堆栈成深度网络模型，能够逐步获得由低层次到高层次的深度输出相关特征，强化质量指标相关的特征，为产品质量提供准确预测值，具有预测精度高、泛化性好等优点。

Prediction method and system for refining process product based on variable weighted depth learning

The invention provides a product prediction method and system for oil refining process based on variable weighted depth learning. The method comprises acquiring process variables in the process of debutane tower, and taking the process variables as the input of the depth learning model based on the trained depth learning model, obtaining the product quality prediction value. The depth learning model includes at least three variable weighted self-encoders, and in each adjacent two variable weighted self-encoders when training the depth learning model, the hidden layer feature data of the variable weighted self-encoder arranged in the front is used as the input variable of the variable weighted self-encoder arranged in the rear, and is aligned with each other. The variable weights listed in the encoder are trained. Using multi-weighted self-encoder stack to form depth network model, the depth output correlation features from low level to high level can be obtained step by step, and the quality index correlation features can be strengthened to provide accurate prediction value for product quality, which has the advantages of high prediction accuracy and good generalization.

【技术实现步骤摘要】
基于变量加权深度学习的炼油过程产品预测方法和系统
本专利技术涉及化工
，更具体地，涉及一种基于变量加权深度学习的炼油过程产品预测方法和系统。
技术介绍
炼油生产是一个多原料多装置多工序多产品的复杂流程工业过程。在炼油生产中,来自不不同油田的原油混合均匀后，经初馏塔、常减压蒸馏塔等一次加工设备，催化裂化、加氢裂化、延迟焦化等二次加工设备，以及催化加氢、催化重整、加氢精制等三次加工设备的精细生产，最终获得多牌号汽油、柴油、航空煤油、燃料油等石油产品，苯、甲苯、混二甲苯、邻二甲苯及丙烯、聚丙烯等多种中间石化产品，以及液化气、石油焦、沥青、尿素等其他产品。我国的炼油生产实际过程，存在流程长、联接关系复杂、反应装置与操作变量众多、原油种类及品质波动大、加工方案调整频繁等问题，生产指标在时间、空间和系统层级各个维度具有复杂的分布，全局控制优化运行性能的实时效果难以及时掌握。为了实现炼油生产的实时控制优化，需要对生产过程进行实时产品质量检测。由于测量环境恶劣、测量仪器昂贵和测量滞后性等原因，炼油生产过程关键产品质量难以实时测量。为此，软测量技术通过建立容易测量的过程变量与难以检测的质量变量的本文档来自技高网...

【技术保护点】
1.一种炼油过程产品预测方法，其特征在于，包括：获取炼油生产过程中的过程变量，并基于已训练的深度学习模型，以所述过程变量作为所述深度学习模型的输入，得到产品质量预测值；其中，所述深度学习模型包括至少三个变量加权自编码器，且在训练深度学习模型时，每相邻的两个变量加权自编码器中，将排列在前的变量加权自编码器的隐含层特征数据作为排列在后的变量加权自编码器的输入变量，对排列在后的变量加权自编码器进行训练。

【技术特征摘要】
1.一种炼油过程产品预测方法，其特征在于，包括：获取炼油生产过程中的过程变量，并基于已训练的深度学习模型，以所述过程变量作为所述深度学习模型的输入，得到产品质量预测值；其中，所述深度学习模型包括至少三个变量加权自编码器，且在训练深度学习模型时，每相邻的两个变量加权自编码器中，将排列在前的变量加权自编码器的隐含层特征数据作为排列在后的变量加权自编码器的输入变量，对排列在后的变量加权自编码器进行训练。2.根据权利要求1所述的方法，其特征在于，所述深度学习模型包括第一变量加权自编码器、第二变量加权自编码器和第三变量加权自编码器，且在训练深度学习模型时，所述第一变量加权自编码器的输入变量为炼油生产过程中的过程变量；所述第二变量加权自编码器的输入变量为训练后的所述第一变量加权自编码器的隐含层特征数据；所述第三变量加权的输入变量为训练后的所述第二变量加权自编码器的隐含层特征数据。3.根据权利要求1所述的方法，其特征在于，获取炼油生产过程中的过程变量前还包括训练深度学习模型：获取脱丁烷塔历史数据中的过程变量和质量变量，将所述过程变量作为输入变量，计算输入变量和质量变量的第一相关系数，并基于所述第一相关系数建立第一加权目标函数，对所述第一变量加权自编码器进行训练；将训练后的第一变量加权自编码器的隐含层特征数据作为输入变量，计算该输入变量和质量变量的第二相关系数，并基于所述第二相关系数建立第二加权目标函数，对所述第二变量加权自编码器进行训练；将训练后的第二变量加权自编码器的隐含层特征数据作为输入变量，计算该输入变量和质量变量的第三相关系数，并基于所述第三相关系数建立第三加权目标函数，对所述第三变量加权自编码器进行训练；计算所述第三变量加权自编码器的隐含层特征数据，并在所述第三变量加权自编码器的隐含层上连接所述深度学习模型的最终输出层。4.根据权利要求3所述的方法，其特征在于，获取炼油生产过程中的质量变量和过程变量具体包括：获取设定时间段内的过程变量xi,j和质量变量yi,，其中i＝1,2,…,N,j＝1,2,…,m，将所述过程变量和质量变量作为样本数据，对所述过程变量和质量变量进行归一化处理：式中，xmin,j和xmax,j分别表示第j个过程变量的最小值和最大值，ymin和ymax分别表...

【专利技术属性】
技术研发人员：袁小锋，王雅琳，阳春华，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43