一种炼油化工生产过程的模拟方法及系统技术方案

本发明专利技术公开了一种炼油化工生产过程的模拟方法及系统，所述模拟方法包括如下步骤：获取历史的炼油化工生产过程中的输入数据参数和输出结果，建立样本数据集；建立炼油化工生产过程模拟的神经网络模型；利用样本数据集对神经网络模型进行训练，获得训练后的神经网络模型；将待模拟的炼油化工生产过程中的输入数据参数输入训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。本发明专利技术利用线性神经网络具有的学习能力、容错性和快速收敛性等优势，对目标对象的输入输出数据进行参数拟合，由于神经网络算法是一种迭代算法，无需对矩阵求解，提高了炼油化工生产过程的模拟的精度，进而提高炼油化工生产的安全。

【技术实现步骤摘要】
一种炼油化工生产过程的模拟方法及系统
本专利技术涉及炼油化工生产管理
，特别涉及一种炼油化工生产过程的模拟方法及系统。
技术介绍
在炼油化工生产过程中，基于最小二乘法和偏最小二乘法拟合算法是常用的计算方法。但两种算法均需要对矩阵求解，若矩阵是奇异矩阵，参数拟合有可能得不到结果，或是拟合结果的精度可能较差，从而影响到系统建模、软测量等，对安全生产和提高效益带来不利影响。
技术实现思路
本专利技术的目的是提供一种炼油化工生产过程的模拟方法及系统，以提高炼油化工生产过程的模拟的精度，进而提高炼油化工生产的安全性。为实现上述目的，本专利技术提供了如下方案：一种炼油化工生产过程的模拟方法，所述模拟方法包括如下步骤：获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；建立炼油化工生产过程模拟的神经网络模型；利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。可选的，所述获取历史的炼油化工生产过程中的输入数据参数和输出结果，建立样本数据集，之后还包括对所述样本数据集中的样本数据，利用公式进行Z-Score规范化处理；其中，Ai1、Aij和AiN分别为第1个数据样本、第j个样本数据和第N个数据样本中的第i个变量，X1ij表示规范化之后的第j个样本数据中的第i个变量，X2i表示N个样本数据中第i个变量的方差，X3i表示N个样本数据中第i个变量的平均值；i＝1,2,…,M，j＝1,2,…,N；N表示样本数量，M表示变量个数，第1个变量到第M-1个变量为自变量，第M个变量为因变量。可选的，所述利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型，具体包括：将样本数据中的自变量输入所述神经网络模型，获得输出量；计算样本数据中的因变量和所述输出量的差值作为线性网络误差；采用Widrow-Hoff学习规则，利用公式Wi(t)＝Wi(t-1)+η*errorj*X1ij，调整神经网络模型中的权值参数；其中，Wi(t-1)和Wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；判断迭代次数是否小于迭代次数阈值，获得判断结果；若所述判断结果表示是，则令迭代次数的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；若所述判断结果表示否，则输出训练后的神经网络模型。可选的，所述将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，之后还包括：利用公式YOUT＝y_yout*X2M+X3M，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；其中，YOUT表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，X2M表示N个样本数据中第M个变量的方差，X3M表示N个样本数据中第M个变量的平均值。一种炼油化工生产过程的模拟系统，所述模拟系统具体包括：样本数据集建立模块，用于获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；神经网络模型建立模块，用于建立炼油化工生产过程模拟的神经网络模型；神经网络模型训练模块，用于利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；过程模拟模块，用于将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。可选的，所述模拟系统还包括：规范化处理模块，用于对所述样本数据集中的样本数据，利用公式进行Z-Score规范化处理；其中，Ai1、Aij和AiN分别为第1个数据样本、第j个样本数据和第N个数据样本中的第i个变量，X1ij表示规范化之后的第j个样本数据中的第i个变量，X2i表示N个样本数据中第i个变量的方差，X3i表示N个样本数据中第i个变量的平均值；i＝1,2,…,M，j＝1,2,…,N；N表示样本数量，M表示变量个数，第1个变量到第M-1个变量为自变量，第M个变量为因变量。可选的，所述神经网络模型训练模块，具体包括：输出量获取子模块，用于将样本数据中的自变量输入所述神经网络模型，获得输出量；线性网络误差计算子模块，用于计算样本数据中的因变量和所述输出量的差值作为线性网络误差；权值参数调整子模块，用于采用Widrow-Hoff学习规则，利用公式Wi(t)＝Wi(t-1)+η*errorj*X1ij，调整神经网络模型中的权值参数，并令迭代次数t的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；其中，Wi(t-1)和Wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；判断子模块，用于判断迭代次数是否小于迭代次数阈值，获得判断结果；返回子模块，用于若所述判断结果表示是，则令迭代次数t的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；训练后的神经网络模型输出子模块，用于若所述判断结果表示否，则输出训练后的神经网络模型。可选的，所述模拟系统还包括：反规范化处理模块，用于利用公式YOUT＝y_yout*X2M+X3M，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；其中，YOUT表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，X2M表示N个样本数据中第M个变量的方差，X3M表示N个样本数据中第M个变量的平均值。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术公开了一种炼油化工生产过程的模拟方法及系统，所述模拟方法包括如下步骤：获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；建立炼油化工生产过程模拟的神经网络模型；利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获本文档来自技高网...

【技术保护点】
1.一种炼油化工生产过程的模拟方法，其特征在于，所述模拟方法包括如下步骤：/n获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；/n建立炼油化工生产过程模拟的神经网络模型；/n利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；/n将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。/n

【技术特征摘要】
1.一种炼油化工生产过程的模拟方法，其特征在于，所述模拟方法包括如下步骤：
获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；
建立炼油化工生产过程模拟的神经网络模型；
利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；
将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。


2.根据权利要求1所述的炼油化工生产过程的模拟方法，其特征在于，所述获取历史的炼油化工生产过程中的输入数据参数和输出结果，建立样本数据集，之后还包括：
对所述样本数据集中的样本数据，利用公式进行Z-Score规范化处理；
其中，



Ai1、Aij和AiN分别为第1个数据样本、第j个样本数据和第N个数据样本中的第i个变量，X1ij表示规范化之后的第j个样本数据中的第i个变量，X2i表示N个样本数据中第i个变量的方差，X3i表示N个样本数据中第i个变量的平均值；
i＝1,2,…,M，j＝1,2,…,N；N表示样本数量，M表示变量个数，第1个变量到第M-1个变量为自变量，第M个变量为因变量。


3.根据权利要求2所述的的炼油化工生产过程的模拟方法，其特征在于，所述利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型，具体包括：
将样本数据中的自变量输入所述神经网络模型，获得输出量；
计算样本数据中的因变量和所述输出量的差值作为线性网络误差；
采用Widrow-Hoff学习规则，利用公式Wi(t)＝Wi(t-1)+η*errorj*X1ij，调整神经网络模型中的权值参数；
其中，Wi(t-1)和Wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；
判断迭代次数是否小于迭代次数阈值，获得判断结果；
若所述判断结果表示是，则令迭代次数的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；
若所述判断结果表示否，则输出训练后的神经网络模型。


4.根据权利要求2所述的的炼油化工生产过程的模拟方法，其特征在于，所述将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，之后还包括：
利用公式YOUT＝y_yout*X2M+X3M，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；
其中，YOUT表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，X2M表示N个样本数据中第M个变量的方差，X3M表示N个样本数据中第M个变量的平均值。


5....

【专利技术属性】
技术研发人员：耿雪山，耿昕泽，耿昕诺，
申请(专利权)人：北京清大华亿科技有限公司，
类型：发明
国别省市：北京;11