一种加氢裂化过程的产品质量预测方法和系统技术方案

本发明专利技术提供一种加氢裂化过程的产品质量预测方法，包括：采集一个或多个查询样本，对于每一个查询样本，根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组，根据局部建模样本组建立对应的局部加权偏最小二乘模型；将查询样本分别输入到每一个局部加权偏最小二乘模型中，获取每一个局部加权偏最小二乘模型下查询样本的产品质量的预测值；基于预测值，获取产品质量的集成预测值。本发明专利技术基于不同的相似度准则对同一查询样本建立不同的局部加权偏最小二乘模型，获取查询样本在所有相似度准则下的集成预测值，解决了单一相似度驱动即时学习方法的预测精度不足和泛化能力弱的问题。

A method and system for predicting product quality in hydrocracking process

The invention provides a method for predicting the product quality of a hydrocracking process, which comprises: collecting one or more query samples, selecting from a history sample library, according to different similarity criteria, parts of multiple historical samples with the highest similarity under the corresponding similarity criteria for each query sample. The local weighted partial least squares (LWPLS) model is constructed according to the local modeling samples. The query samples are input into each LWPLS model to obtain the predicted product quality of each LWPLS model. The integrated prediction value of quality. The method establishes different local weighted partial least squares models for the same query sample based on different similarity criteria, obtains integrated prediction values of the query sample under all similarity criteria, and solves the problems of insufficient prediction accuracy and weak generalization ability of single similarity driven instant learning method.

【技术实现步骤摘要】
一种加氢裂化过程的产品质量预测方法和系统
本专利技术涉及集成学习
，更具体地，涉及一种加氢裂化过程的产品质量预测方法和系统。
技术介绍
加氢裂化过程是石化企业非常重要的一个二次加工工艺过程，它由入料系统、加氢精制反应器、加氢裂化反应器、高低压分离系统、分馏系统(包括脱硫化氢汽提塔、主分馏塔、脱丁烷塔、石脑油分馏塔)等多个关键工序级联而成。在该加氢裂化过程中，原料由入口进入到产品的生成，中间需要经过几个小时甚至更长时间的物料传输和反应过程。为了保证最终产品质量，需要对质量指标进行实时监测和控制。但是，产品质量指标的检测往往都是在产品输出端进行采样进行离线化验，该过程需要花费大量时间，离线化验将引入较大的时间滞后性。同时，由于采样和化验的过程繁琐，产品质量的检测时刻较少，在一天生产过程中往往只检测某几个固定时刻点。因此，现有生产过程无法对产品质量进行实时检测。在生产过程中，若产品质量发生波动，生产人员和质检人员也无法及时获取相应信息，造成生产过程的控制、优化的滞后性。另一方面，生产装置中往往装有大量的过程变量传感器，用于对整个生产过程的监测，而这些可测的过程变量与质量指标之间具有较大的相关关系。为此，可利用过程生产中容易检测的温度、压力、流量等过程变量信息，建立产品质量指标与过程变量之间的软测量预测模型，对产品质量进行在线实时估计与预测。而现有的即时学习建模，往往都是采用某单一的相似度准则选择局部建模样本组，如欧氏距离，角度距离等。这些单一相似度度量准则的使用，往往只考虑样本相似度的某一方面特性，而忽略了其他特性，因而会限制即时学习建模方法在加氢裂化过程中预测效果的提升。同时，在加氢裂化过程中，由于无法获取准确的数据样本之间的相似度特征，单一的相似度度量准则无法正确描述过程数据样本之间的真实相似度。因此，如何基于该过程的历史数据快速、准确地预测出产品的质量指标，对过程的控制和优化都具有重要意义，也是目前加氢裂化过程在实际生产中亟需解决的问题。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的加氢裂化过程的产品质量预测方法和系统。一方面，本专利技术提供一种加氢裂化过程的产品质量预测方法，包括：S1，采集一个或多个查询样本，对于每一个查询样本，根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组，根据所述局部建模样本组建立对应的局部加权偏最小二乘模型；S2，将所述查询样本分别输入到每一个所述局部加权偏最小二乘模型中，获取每一个所述局部加权偏最小二乘模型下查询样本的产品质量的预测值；S3，基于所述预测值，获取产品质量的集成预测值；其中，所述查询样本为与加氢裂化过程具有关联性的过程变量，所述相似度准则表示计算不同样本间相似程度的方法，所述历史样本库由加氢裂化过程中采集的一定数量的历史样本组成。优选地，步骤S1中所述根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组具体包括：从历史样本库中连续抽取第一预设数量的历史样本作为训练集；对于每一个查询样本，根据欧氏距离、欧氏距离与角度相结合和输出相关性这三种相似度准则，分别计算所述查询样本与所述训练集中每一个历史样本间的相似度指标；对于每一个相似度准则，将对应求得的所有相似度指标从大到小排列，取排列靠前的第二预设数量的历史样本作为局部建模样本组。优选地，所述欧氏距离的相似度指标的计算公式如下：disi＝||xq-xi||2其中，所述par1为距离参数，s1,i表示查询样本与第i个历史样本间的第一相似度指标，disi表示查询样本与第i个历史样本间的欧氏距离，xq表示查询样本，xi表示第i个历史样本。优选地，所述欧氏距离与角度相结合的相似度指标的计算公式如下：disi＝||xq-xi||2Δxq＝xq-xq-1Δxi＝xi-xi-1其中，所述par2为距离参数，s2,i表示查询样本与第i个历史样本间的第二相似度指标，disi表示查询样本与第i个历史样本间的欧氏距离，xq表示查询样本，xi表示第i个历史样本，γ为权值参数。优选地，所述输出相关性的相似度指标的计算公式如下：dis′i＝||tq-ti||2其中，所述par3为距离参数，s3,i表示查询样本与第i个历史样本间的第三相似度指标，dis′i表示隐变量空间中查询样本与第i个历史样本间的欧氏距离，tq表示查询样本xq映射到输出相关的隐变量空间的投影，ti表示第i个历史样本xi映射到输出相关的隐变量空间的投影。优选地，步骤S1中所述根据所述局部建模样本组建立对应的局部加权偏最小二乘模型的具体步骤包括：对于每一种相似度准则，将所述查询样本与局部建模样本组中所有历史样本间的相似性指标作为权值列向量，根据所述局部建模样本组与所述权值列向量分别计算所述局部建模样本组的输入变量和输出变量的加权均值；根据所述加权均值对所述查询样本与所述局部建模样本组的输入变量及输出变量进行去均值处理，根据处理后的查询样本、输入变量和输出变量建立局部加权偏最小二乘模型。优选地，步骤S3具体包括：根据每一种相似度准则对应的局部加权偏最小二乘模型，获取所述相似度准则的集成权值；对每一种相似度准则对应的预测值与集成权值进行加权求和，获取产品质量的集成预测值。优选地，所述获取相似度准则的集成权值的步骤具体包括：从历史样本库中连续抽取第三预设数量的历史样本作为验证集，所述验证集中不存在与所述训练集中重合的历史样本；对于每一种相似度准则对应的局部加权偏最小二乘模型，输入验证集中所有的历史样本，每一个历史样本对应输出一个预测值；根据所述预测值与每一个历史样本对应的真实值，计算该相似度准则下所述预测值与对应的真实值间的均方根误差，获取该相似度准则的集成权值。优选地，所述获取该相似度准则的集成权值的计算公式如下：其中，所述RMSEk为第k种相似度准则下预测值与对应的真实值间的均方根误差，par表示权值调节参数，γk表示第k种相似度准则的权值，表示所有相似度准则对应的权值的和，γ′k表示第k种相似度准则的集成权值。另一方面，本专利技术提供一种加氢裂化过程的产品质量预测系统，包括：局部建模模块，用于采集一个或多个查询样本，对于每一个查询样本，根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组，根据所述局部建模样本组建立对应的局部加权偏最小二乘模型；第一预测值获取模块，用于将所述查询样本分别输入到每一个所述局部加权偏最小二乘模型中，获取每一个所述局部加权偏最小二乘模型下查询样本的产品质量的预测值；第二预测值获取模块，用于基于所述预测值，获取产品质量的集成预测值；其中，所述查询样本为与加氢裂化过程具有关联性的过程变量，所述相似度准则表示计算不同样本间相似程度的方法，所述历史样本库由加氢裂化过程中采集的一定数量的历史样本组成。本专利技术提供的一种加氢裂化过程的产品质量预测方法和系统，对于每一个查询样本，都基于不同的相似度准则建立不同的局部加权偏最小二乘模型，获取查询样本在不同相似度准则下的预测值，对不同相似度准则下的预测值进行加权求和，获取该查询样本最终的集成预测值，通过集成查询样本本文档来自技高网...

【技术保护点】
1.一种加氢裂化过程的产品质量预测方法，其特征在于，包括：S1，采集一个或多个查询样本，对于每一个查询样本，根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组，根据所述局部建模样本组建立对应的局部加权偏最小二乘模型；S2，将所述查询样本分别输入到每一个所述局部加权偏最小二乘模型中，获取每一个所述局部加权偏最小二乘模型下查询样本的产品质量的预测值；S3，基于所述预测值，获取产品质量的集成预测值；其中，所述查询样本为与加氢裂化过程具有关联性的过程变量，所述相似度准则表示计算不同样本间相似程度的方法，所述历史样本库由加氢裂化过程中采集的一定数量的历史样本组成。

【技术特征摘要】
1.一种加氢裂化过程的产品质量预测方法，其特征在于，包括：S1，采集一个或多个查询样本，对于每一个查询样本，根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组，根据所述局部建模样本组建立对应的局部加权偏最小二乘模型；S2，将所述查询样本分别输入到每一个所述局部加权偏最小二乘模型中，获取每一个所述局部加权偏最小二乘模型下查询样本的产品质量的预测值；S3，基于所述预测值，获取产品质量的集成预测值；其中，所述查询样本为与加氢裂化过程具有关联性的过程变量，所述相似度准则表示计算不同样本间相似程度的方法，所述历史样本库由加氢裂化过程中采集的一定数量的历史样本组成。2.根据权利要求1所述的加氢裂化过程的产品质量预测方法，其特征在于，步骤S1中所述根据不同的相似度准则，从历史样本库中选择与该查询样本在对应相似度准则下相似度最高的多个历史样本组成局部建模样本组具体包括：从历史样本库中连续抽取第一预设数量的历史样本作为训练集；对于每一个查询样本，根据欧氏距离、欧氏距离与角度相结合和输出相关性这三种相似度准则，分别计算所述查询样本与所述训练集中每一个历史样本间的相似度指标；对于每一个相似度准则，将对应求得的所有相似度指标从大到小排列，取排列靠前的第二预设数量的历史样本作为局部建模样本组。3.根据权利要求2所述的加氢裂化过程的产品质量预测方法，其特征在于，所述欧氏距离的相似度指标的计算公式如下：disi＝||xq-xi||2其中，所述par1为距离参数，s1,i表示查询样本与第i个历史样本间的第一相似度指标，disi表示查询样本与第i个历史样本间的欧氏距离，xq表示查询样本，xi表示第i个历史样本。4.根据权利要求2所述的加氢裂化过程的产品质量预测方法，其特征在于，所述欧氏距离与角度相结合的相似度指标的计算公式如下：disi＝||xq-xi||2Δxq＝xq-xq-1Δxi＝xi-xi-1其中，所述par2为距离参数，s2,i表示查询样本与第i个历史样本间的第二相似度指标，disi表示查询样本与第i个历史样本间的欧氏距离，xq表示查询样本，xi表示第i个历史样本，γ为权值参数。5.根据权利要求2所述的加氢裂化过程的产品质量预测方法，其特征在于，所述输出相关性的相似度指标的计算公式如下：dis′i＝||tq-ti||2其中，所述par3为距离参数，s3,i表示查询样本与第i个历史样本间的第三相似度指标，dis′i表示隐变量空间中查询样本与第i个历史样本间的欧氏距离，tq表示查询样本xq映射到输出相关的隐变量空间的投影，ti表示第i个历史样本xi映射...

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