延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置制造方法及图纸

本发明专利技术涉及迁移预测技术领域，实施例提供一种延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置。其中方法包括：确定炉管温度的目标测点及与目标测点存在相似性的源测点；获取所述源测点的源域样本数据，所述源域样本数据包括源测点的温度关联量及所述温度关联量对应的温度；采用所述源域样本数据对基于机器学习的深度预测模型进行训练，得到训练好的深度预测模型；基于目标域样本数据和迁移策略对所述训练好的深度预测模型进行调整，所述目标域样本数据包括目标测点的温度关联量及所述温度关联量对应的温度；将通过监测所述目标测点所获取到的温度关联量输入调整后的训练好的深度预测模型，得到所述目标测点温度的预测值。测值。测值。

【技术实现步骤摘要】
延迟焦化加热炉炉管温度的动态深度迁移预测方法及装置


[0001]本专利技术涉及迁移预测
，具体地涉及一种延迟焦化加热炉炉管温 度的动态深度迁移预测方法、一种延迟焦化加热炉炉管温度的动态深度迁移 预测装置以及一种电子设备。

技术介绍

[0002]焦化加热炉是延迟焦化装置的核心，决定着整个装置的操作周期和经济 效益。因此对炉管温度等关键变量建立动态预测模型，获取趋势变化的提前 量，赢得充足的预操作时间，维持运行工况的相对平稳，对于提升产品质量、 经济效益乃至安全环保水平，具有重大意义。
[0003]随着过程监测数据量和计算机处理能力的爆炸式增长，数据驱动的智能 预测备受青睐。其中，深度学习作为该领域革命性的新技术，其多层非线性 网络结构具有强大的复杂函数拟合能力，克服了传统浅层网络对先验知识和 人工特征的依赖，能自动处理海量原始数据，自适应挖掘敏感特征，进而建 立由辅助数据到目标参量的智能预测模型。特别是深度学习中的长短时记忆 网络(LongShort
‑
Term Memory，LSTM)，其独特“门”结构在处理更多关 联变量的同时，能有效挖掘时间序列中的长周期依赖性，提升预测效果。与 浅层神经网络、支持向量回归等传统方法相比，LSTM等深度网络的模型结 构更复杂，训练难度更大，多采用离线训练、在线部署的模式。该模式有两 个基本要求：(1)离线阶段有足够多的标签样本以完成训练，否则模型容 易过拟合，性能难以达标；(2)在线阶段的测试(实时)数据与训练(历 史)数据具有相同的分布规律，否则模型泛化性不足，实时预测精度差。
[0004]然而上述条件在实际生产中很难得到同时满足：从时间尺度上讲，焦化 加热炉属于非线性时变系统。运行工况多变、操作调整频繁，致使监测数据 的分布规律时刻变化，造成历史数据训练的温度预测模型随时间推移而适用 性逐渐下降，直至失效。因此所选训练样本距离当前时间点越近，其与实时 数据的分布差异越小，所训练模型越能描述系统当前状态，预测精度越高。 但同时，可使用的样本数量越少，且剩余的海量历史监测数据中同样包含了 大量的有用信息，未得到充分利用。
[0005]从空间尺度上讲，延迟焦化生产场景中通常会涉及多条加热炉管和多个 温度测点。各测点变量间存在显著的分布差异，难以共用一个模型而需要分 别建模，带来巨大的运算负担和时间成本。而且，位置相近的测点间，数据 变化规律必然存在极高的相似性，单独建模还会导致已建模测点中挖掘的先 验知识未能应用到其他相近测点中，造成资源浪费；再如，当与原有装置工 艺、结构相似的新建装置投产时，由于缺乏历史数据，直接使用新建装置的 少量样本会导致预测效果较差，而原有装置的海量数据却被闲置。
[0006]综上，现有智能预测模型在线上运行过程中，存在如下问题：一方面， 由于数据获取难度大或成本高，可用于模型训练的标签样本非常稀少，造成 模型泛化性、适应性和准确性不足；另一方面，与目标问题相似的领域积累 有海量数据，但由于时间和空间上的分布差异，这些相似数据及其训练的模 型或隐含的知识，很难直接用于解决目标问题，造成
极大的资源浪费。而且 这类方法目前多针对静态过程开展，鲜少涉及动态系统的迁移，不适合延迟 焦化等复杂时变过程。

技术实现思路

[0007]本专利技术实施例的目的是提供一种延迟焦化加热炉炉管温度的动态深度 迁移预测方法及装置，以及一种电子设备。首先选取与目标域时间或空间相 近的领域作为源域，运用其丰富的历史数据训练深度预测模型；然后将源域 预测模型迁移至目标域，并用少量目标域样本微调模型，消除分布差异；再 后用微调过的模型预测目标域实时数据；最后衡量预测误差，在其超过阈值 时，选取最新的目标域数据再次更新模型，形成动态机制。
[0008]为了实现上述目的，本专利技术第一方面提供一种延迟焦化加热炉炉管温度 的动态深度迁移预测方法，所述预测方法包括：确定炉管温度的目标测点及 与目标测点存在相似性的源测点；获取所述源测点的源域样本数据，所述源 域样本数据包括源测点的温度关联量及所述温度关联量对应的温度；采用所 述源域样本数据对基于机器学习的深度预测模型进行训练，得到训练好的深 度预测模型；基于目标域样本数据和迁移策略对所述训练好的深度预测模型 进行调整，所述目标域样本数据包括目标测点的温度关联量及所述温度关联 量对应的温度；将通过监测所述目标测点所获取到的温度关联量输入调整后 的训练好的深度预测模型，得到所述目标测点温度的预测值。
[0009]优选的，所述与目标测点存在相似性的源测点，包括：与所述目标测点 存在空间相似性的源测点；和/或与所述目标测点存在时间相似性的源测点。
[0010]优选的，所述源域样本数据和目标域样本数据分别通过对源域历史数据 和目标域历史数据处理后得到；所述源域历史数据和目标域历史数据均包括 温度测点数据和与温度关联量测点数据；
[0011]所述处理包括：规范化处理：所述规范化处理包括数据清洗、数据补足、 数据归一化、数据互相关分析中的至少一者；以及构建处理：将规范化处理 后的数据构建为矩阵形式。
[0012]优选的，所述将规范化处理后的数据构建为矩阵形式，包括：获取温度 关联量的个数为m，每个温度关联量包含n个测点，样本特征长度为k；将 所述规范化处理后的数据构建为n
‑
k组样本数据，每个样本数据的特征为m
ꢀ×
k的矩阵；所述样本数据为所述源域样本数据或所述目标域样本数据。
[0013]优选的，所述深度预测模型为长短期记忆网络模型；所述长短期记忆网 络模型的神经元更新机制如下：
[0014]f
(t)
＝σ(W
fX
x
(t)
+W
fh
h
(t
‑
1)
+b
f
)
[0015]i
(t)
＝σ(W
iX
x
(t)
+W
ih
h
(t
‑
1)
+b
i
)
[0016][0017][0018]o
(t)
＝σ(W
oX
x
(t)
+W
oh
h
(t
‑
1)
+b
o
)
[0019][0020]所述长短期记忆网络模型的损失函数为均方误差。
[0021]优选的，采用所述源域样本数据对基于机器学习的深度预测模型进行训 练，包括：将所述源域样本数据分为训练样本和验证样本；采用所述训练样 本对所述长短期记忆网络模型进行训练；采用所述验证样本测试模型预测效 果。
[0022]优选的，基于目标域样本数据和迁移策略对所述训练好的深度预测模型 进行调整，包括：确定所述训练好的深度预测模型对所述目标测点的温度的 预测误差大于设定阈值，根据目标域样本数据和源域样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种延迟焦化加热炉炉管温度的动态深度迁移预测方法，其特征在于，包括：确定炉管温度的目标测点及与目标测点存在相似性的源测点；获取所述源测点的源域样本数据，所述源域样本数据包括源测点的温度关联量及所述温度关联量对应的温度；采用所述源域样本数据对基于机器学习的深度预测模型进行训练，得到训练好的深度预测模型；基于目标域样本数据和迁移策略对所述训练好的深度预测模型进行调整，所述目标域样本数据包括目标测点的温度关联量及所述温度关联量对应的温度；将通过监测所述目标测点所获取到的温度关联量输入调整后的训练好的深度预测模型，得到所述目标测点温度的预测值。2.根据权利要求1所述的预测方法，其特征在于，所述与目标测点存在相似性的源测点，包括：与所述目标测点存在空间相似性的源测点；和/或与所述目标测点存在时间相似性的源测点。3.根据权利要求1所述的预测方法，其特征在于，所述源域样本数据和目标域样本数据分别通过对源域历史数据和目标域历史数据处理后得到；所述源域历史数据和目标域历史数据均包括温度测点数据和与温度关联量测点数据；所述处理包括：规范化处理：所述规范化处理包括数据清洗、数据补足、数据归一化、数据互相关分析中的至少一者；以及构建处理：将规范化处理后的数据构建为矩阵形式。4.根据权利要求3所述的预测方法，其特征在于，所述将规范化处理后的数据构建为矩阵形式，包括：获取温度关联量的个数为m，每个温度关联量包含n个测点，样本特征长度为k；将所述规范化处理后的数据构建为n
‑
k组样本数据，每个样本数据的特征为m
×
k的矩阵；所述样本数据为所述源域样本数据或所述目标域样本数据。5.根据权利要求1所述的预测方法，其特征在于，所述深度预测模型为长短期记忆网络模型；所述长短期记忆网络模型的神经元更新机制如下：f
(t)
＝σ(W
fX
x
(t)
+W
fh
h
(t
‑
1)
+b
f
)i
(t)
＝σ(W
iX
x
(t)
+W
ih
h
(t
‑
1)
+b
i
)g
(t)
＝tanh(W
gX
x
(t)
+W
gh
h
(t
‑
1)
+b
g
)o
(t)
＝σ(W
oX
x
(t)
+W
oh
h
(t
‑
1)
+b
o
)所述长短期记忆网络模型的损失函数为均方误差。6.根据权利要求5所述的预测方法，其特征在于，采用所述源域样本数据对基于机器学习的深度预测模型进行训练，包括：
将所述源域样本数据分为训练样本和验证样本；采用所述训练样本对所述长短期记忆网络模型进行训练；采用所述验证样本测试训练后的长短期记忆网络模型的预测效果。7.根据权利要求5所述的预测方法，其特征在于，基于目标域样本数据和迁移策略对所述训练好的深度预测模型进行调整，包括：确定所述训练好的深度预测模型对所述目标测点的温度的预测误差大于设定阈值，根据目标域样本数据和源域样本数据的数量比例和相似度评价，从预设的迁移策略中选择对应的迁移策略；采用选择的迁移策略对所述训...

【专利技术属性】
技术研发人员：袁壮，李传坤，高新江，王春利，何亚东，
申请(专利权)人：中国石油化工股份有限公司青岛安全工程研究院，
类型：发明
国别省市：