一种基于深度学习的加氢裂化软测量建模方法技术

本发明专利技术公开了一种基于深度学习的加氢裂化软测量建模方法。涉及软测量技术领域，该方法使用Java编写了分别获取过程历史数据库和生产过程质量检测类LIMS数据库的过程数据和质量数据的定时程序，周期性的获取过程数据；根据加氢裂化工艺的先验知识选取了软测量建模中所需的辅助变量，并对相应的过程数据进行了数据预处理；然后，建立了深度置信网络和深度神经网络结合的网络模型，深度置信网络用于提取复杂非线性过程数据的特征和降低数据维度，深度神经网络用于回归预测质量变量。

A soft sensor modeling method for hydrocracking based on deep learning

【技术实现步骤摘要】
一种基于深度学习的加氢裂化软测量建模方法
本专利技术涉及软测量领域，尤其涉及一种基于深度学习的加氢裂化软测量建模方法。
技术介绍
在石化和炼油行业中，最常用的技术方法之一就是加氢裂化，它指的是原料在高温高压和催化剂的条件下，通过加氢反应和裂化反应达到产品要求的一类工艺技术。目前，加氢裂化过程参数的监控，大多数还是依靠工作人员的先验经验，以及现场采集数据并在实验室进行离线分析的方法。该方法耗时长、时滞严重且精度较低，没有能够有效的利用已产生的大规模的数据，影响了最终结果的准确性。那么，如何获取与加氢裂化阶段密切相关的数据，以及或者建立对应的软测量预测模型就显得尤为重要。软测量技术把是生产过程知识有机的结合起来，应用计算机技术对难以测量或者暂时不能测量的重要变量，选择另外一些容易测量的变量，通过构成某种数学关系来推断或者估计，以软件来替代硬件的功能的技术。软测量技术分为基于机理的传统建模方法、基于数据驱动的建模方法和混合建模方法三类。目前，主流的数据驱动软测量建模方法主要来自于机器学习和模式识别领域。另外，考虑到在实际过程工业中过程的内在变化会影响很多过程变量，采集到的数据的维度要远远大本文档来自技高网...

【技术保护点】
1.一种基于深度学习的加氢裂化软测量建模方法，其特征在于，所述方法包括以下步骤：步骤一：获取数据，定时获取固定时间间隔的过程数据步骤二：根据过程知识选择辅助变量；步骤三：预处理数据。首先从原始样本中去除所有可能的异常值，然后进行归一化以便所有的样本是零均值和单位方差；步骤四：确定网络的体系结构，并通过连续训练每个单独的RBM以无监督的方式预训练DBN；步骤五：通过反向传播用目标变量微调DNN，使用预训练的DBN输出初始化DNN的参数；步骤六：通过附加数据集验证深度网络。如果存在过拟合，请回到步骤五。步骤七：在测试数据集中测试软测量模型。使用均方根误差(RMSE)评价模型。

【技术特征摘要】
1.一种基于深度学习的加氢裂化软测量建模方法，其特征在于，所述方法包括以下步骤：步骤一：获取数据，定时获取固定时间间隔的过程数据步骤二：根据过程知识选择辅助变量；步骤三：预处理数据。首先从原始样本中去除所有可能的异常值，然后进行归一化以便所有的样本是零均值和单位方差；步骤四：确定网络的体系结构，并通过连续训练每个单独的RBM以无监督的方式预训练DBN；步骤五：通过反向传播用目标变量微调DNN，使用预训练的DBN输出初始化DNN的参数；步骤六：通过附加数据集验证深度网络。如果存在过拟合，请回到步骤五。步骤七：在测试数据集中测试软测量模型。使用均方根误差(RMSE)评价模型。2.根据权利要求1所述的一种基于深度学习的加氢裂化软测量建模方法，其特征在于，步骤一中所述获取过程数据集方法包括以下步骤：加氢裂化过程数据来自过程历史数据库(PHD)和LIMS质量数据库。使用Java编写后台定时任务通过JDBC每隔5min获取过程数据和过程数据对应的质量数据。3.根据权利要求1所述的一种基于深度学习的加氢裂化软测量建模方法，其特征在于，步骤二所述的关于根据过程知识选择辅助变量的获得方法包括以下步骤：辅助变量的选择通常首先根据先验知识初步确定待选的辅助变量集，然后根据统计方法选择最佳的变量集。选取这13个变量构成航空煤油干点软测量建模的辅助变量，整个软测量模型可用公式(1)表示：Y＝f(Th，Fh，Tj，Fj，Tr，Fr，Ttop，Ptop，Tin，Fin，Tb，Fb，Fl)(1)。4.根据权利要求1所述的...

【专利技术属性】
技术研发人员：秦岭，赵志涛，杨小健，张振，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：江苏,32