常减压装置的AI建模方法制造方法及图纸

本发明专利技术属于石油炼化领域，公开了一种常减压装置的AI建模方法，该方法包括：确定常减压装置的模型构成和建模方法；扩充建模所需样本；对所述常减压装置进行建模，其中，所述的建模结合机器学习建模和经验机理建模两种方式；模型的自学习。本发明专利技术利用机理模型产生大量数据，以弥补生产数据范围窄而无法全面模拟生产装置的不足；该方法建立的模型能和机理模型一样表达出生产装置的特性，在计算方面比机理模型计算速度快；并能根据装置实时特性修正模型，从而提高模型的准确度，并能保持自我学习和更新，适应动态变化。适应动态变化。适应动态变化。

【技术实现步骤摘要】
常减压装置的AI建模方法


[0001]本专利技术涉及石油炼化
，尤其是涉及一种常减压装置的AI建模方法。

技术介绍

[0002]炼化行业生产决策方式，从以往的依靠经验发展到目前的工艺专家建立机理模型测算，经历了两个阶段的变化。
[0003]凭经验决策阶段：缺乏测算工具和模型，计划人员依据统计数据和经验来为生产计划分配物流走向；操作员根据自己的操作经验和操作手册，结合现场的生产情况给出操作参数调整方向，并通过化验分析结果一步步小幅度调整。
[0004]工艺专家用机理模型测算指导阶段：通过工况标定，建立和校正机理模型，再由工艺专家根据专业知识提出的优化思路，利用机理模型模拟测算或者设置简单的优化策略进行测算来验证，最后得到生产计划和操作方案用于指导生产。流程模拟软件20世纪50年代问世，经过几十年的发展，在业界得到了广泛的应用，并培养了一批优秀的建模和工艺优化专家。这些工艺专家利用机理模型和专业知识测算装置加工方案和生产计划，为生产提供指导，取得了一定的经济效益。
[0005]但是，现有技术中，机理模型的计算速度慢，建本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种常减压装置的AI建模方法，其特征在于，该方法包括：确定常减压装置的模型构成和建模方法，其中，所述的建模方法结合机器学习建模和经验机理建模两种方式；利用严格机理模拟扩充建模所需样本；对所述常减压装置进行机器学习建模和经验机理建模；模型自学习。2.根据权利要求1所述的AI建模方法，其特征在于，所述样本的扩充包括：建立常减压装置严格机理模型，利用模型模拟装置的生产历史数据，获得装置在生产周期内的特性变化；样本模拟，在不同的装置特性条件下，通过所述严格机理模型模拟不同原料、分馏塔操作条件和换热网络相关操作下的装置性能；样本分布可视化和样本补充，在获得样本后，通过可视化方法判断样本覆盖范围是否达到设定的要求以及样本的分布密度，并对样本稀疏区域或未覆盖区域进行样本补充，对样本密集区域进行相似样本筛选，删除部分相似样本。3.根据权利要求1或2所述的AI建模方法，其特征在于，通过机器学习建模的过程包括：样本准备和预处理，对样本数据进行清洗，对清洗后的数据进行指定计算；构建神经网络，确定模型的网络结构；对样本数据进行处理，确定用于模型训练的样本数据；为待训练的模型指定输入、输出变量，设置隐含层数和神经元，并利用所述样本数据计算各个信息的权重；采用不同隐含层数和不同神经元个数进行训练，获得不同模型；对模型的输出结果进行分析比较，获得最佳模型。4.根据权利要求3所述的AI建模方法，其特征在于，构建所述神经网络的过程包括：根据建模目的选择输出变量；选择输入变量，其中，所述输入变量的选择基于输入变量之间的相关性、输入变量物理意义的重要性、输入变量本身测量值是否存在误差三种因素；确定输出变量对应的输入变量；构建所述神经网络。5.根据权利要求4所述的AI建模方法，其特征在于，构建所述神经网络时，将输入变量根据关联性强弱分成几组，各组变量之间相对独立，组内变量之间关联性强；根据每组内输入变量的个数，选择性的为组内输入变量构建一个子神经网络，其输出作为整个模型的神经网络的一个隐含层中的神经元，神经元个数由模型精度决定，或者将输入变量直接作为模型的输入；将输入变量构建网络形成的隐含层的神经元和没有构建网络的输入变量共同作为模型的输入，在此基础上构建多个隐含层和神经元，形成整个模型的神经网络。6.根据权利要求1所述的AI建模方法，其特征在于，用于描述常减压装置的数学模型包括以下两类子...

【专利技术属性】
技术研发人员：王士波，陈露，甘雪琴，郑欢欢，梁延桂，
申请(专利权)人：北京宜能高科科技有限公司，
类型：发明
国别省市：