油品质量的测定方法以及测定系统技术方案

本发明专利技术提供了一种油品质量的测定方法，包括以下步骤：获取油品质量样本数据；提取所述油品质量样本的数据特征；根据所述油品质量样本的数据特征，建立至少两个弱分类器；根据所述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将所述油品质量的待预测样本输入到所述总分类器，对所述预测数据进行分类分析，以确定所述待预测样本的油品质量分类。类。类。

【技术实现步骤摘要】
油品质量的测定方法以及测定系统


[0001]本专利技术涉及油品质量测定的
，尤其涉及一种油品质量的测定方法、一种油品质量的测定系统以及一种计算机可读存储介质。

技术介绍

[0002]随着工业4.0的提出与发展，各大工厂开始利用信息化进行产业变革，生产过程的智能化水平不断提高。在炼油行业，种类繁多的传感器可以比较精确地测量油品的各种属性，但是传感器并不能直接获取油品的深层次信息，如该油品能否可以用作沥青料、催化料、渣加料、焦化料。因此，需要对传感器获取的属性进行一系列的处理方可得到对应的油品质量信息，并由此指导炼油过程，使炼制的油品更加满足生产要求。
[0003]当前，主流方法常采用支持向量机、神经网络对油品进行质量预测，此类方法的局限性非常明显，支持向量机解决多分类问题困难，且对参数以及核函数选择较为敏感，在实际使用场合往往准确率较低，而单独使用神经网络则可解释性较差，难以指导炼油过程。决策树因其良好的解释性在各种方法中脱颖而出，可以根据任务设定选取不同的方法。然而单一的决策树往往泛化性能较差，难以应用在实际场景中。原因如下：首先，单一决策树只考虑油品已有的属性，无法使用对分类有帮助的隐藏特征；其次，单个决策树学习能力较弱，受特殊数据影响较大，处理能力较弱；最后，传统的决策树无法处理缺失值数据，因此在工业实际场景下无法实施。
[0004]为了克服现有技术存在的上述缺陷，本领域亟需一种油品质量的测定方法，用于使得预测油品质量的模型的学习能力更强，从而能够更加准确地对于油品质量进行预测。
专利
技术实现思路

[0005]以下给出一个或多个方面的简要概述以提供对这些方面的基本理解。此概述不是所有构想到的方面的详尽综览，并且既非旨在指认出所有方面的关键性或决定性要素亦非试图界定任何或所有方面的范围。其唯一的目的是要以简化形式给出一个或多个方面的一些概念以为稍后给出的更加详细的描述之前序。
[0006]具体来说，根据本专利技术的第一方面提供的上述油品质量的测定方法包括以下步骤：获取油品质量样本数据；提取上述油品质量样本的数据特征；根据上述油品质量样本的数据特征，建立至少两个弱分类器；根据上述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将上述油品质量的待预测样本输入到上述总分类器，对上述预测数据进行分类分析，以确定上述待预测样本的油品质量分类。
[0007]进一步地，在本专利技术的一些实施例中，上述提取上述油品质量样本的数据特征，包括以下步骤：对上述样本数据进行数据预处理；根据上述预处理后的上述样本数据，建立全连接神经网络；以及将上述全连接神经网络的隐藏层的结果作为上述数据特征。
[0008]进一步地，在本专利技术的一些实施例中，上述建立全连接神经网络，包括以下步骤：根据上述油品质量样本数据，将无缺失值的属性值作为输入，并将分类结果作为监督，训练
神经网络以构建初始的全连接神经网络；根据二分类交叉熵损失函数，确定反向传播梯度以及损失值；以及响应于上述损失值收敛，确定上述全连接神经网络的参数。
[0009]进一步地，在本专利技术的一些实施例中，在确定上述全连接神经网络的参数之后，上述测定方法还包括以下步骤：选取多个上述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型；以及通过后续模块，确定所述模型对应的所述隐藏层的最佳维度。
[0010]进一步地，在本专利技术的一些实施例中，上述根据上述油品质量样本的数据特征，建立至少两个弱分类器，包括以下步骤：将上述数据特征与上述样本数据中包含缺失值的第一样本数据进行拼接，以得到第二样本数据；以及根据上述第二样本数据，构建至少两个分类树作为上述弱分类器。
[0011]进一步地，在本专利技术的一些实施例中，上述构建至少两个分类回归树作为上述弱分类器，包括以下步骤：将平方误差作为上述分类回归树的损失函数；根据上述损失函数，确定上述分类回归树的正则化项；根据上述正则化项，确定上述分类回归树分裂的增益；以及根据上述分类回归树分裂的增益以及贪心算法确定上述分类回归树的切分点以及上述分类回归树的特征以构建上述分类回归树作为上述弱分类器。
[0012]进一步地，在本专利技术的一些实施例中，上述根据上述弱分类器的集成，确定总分类器，包括以下步骤：根据上述油品质量样本数据，对于上述弱分类器的结果进行权重叠加，以作为上述总分类器的结果；以及根据上述总分类器的结果，对上述总分类器进行超参数优化，以确定优化的总分类器。
[0013]进一步地，在本专利技术的一些实施例中，上述超参数选自树的最大深度、正则化项的权重、学习率以及所述隐藏层的维度(看作是一种超参数)中的一者或多者。
[0014]进一步地，在本专利技术的一些实施例中，上述待预测样本的油品质量分类结果选自以下的一者或多者：能否用作沥青料、能否用作沥青料催化料、能否用作沥青料渣加料、能否用作沥青料焦化料。
[0015]此外，根据本专利技术的第二方面提供的油品质量的测定系统包括：存储器；以及处理器，上述处理器连接上述存储器，并被配置上述油品质量的测定方法。
[0016]此外，根据本专利技术的第三方面提供的计算机可读存储介质，其上存储有计算机指令，其特征在于，上述计算机指令被处理器执行时，实施上述的油品质量的测定方法。
附图说明
[0017]在结合以下附图阅读本公开的实施例的详细描述之后，能够更好地理解本专利技术的上述特征和优点。在附图中，各组件不一定是按比例绘制，并且具有类似的相关特性或特征的组件可能具有相同或相近的附图标记。
[0018]图1示出了根据本专利技术的一些实施例提供的油品质量的测定系统的架构图；
[0019]图2示出了根据本专利技术的一些实施例提供的油品质量的测定方法的流程图；
[0020]图3示出了根据本专利技术的额一些实施例提供的油品质量的测定方法的流程示意图；
[0021]图4示出了根据本专利技术的一些实施例提供的回归树可视化的示意图。
具体实施方式
[0022]以下由特定的具体实施例说明本专利技术的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本专利技术的其他优点及功效。虽然本专利技术的描述将结合优选实施例一起介绍，但这并不代表此专利技术的特征仅限于该实施方式。恰恰相反，结合实施方式作专利技术介绍的目的是为了覆盖基于本专利技术的权利要求而有可能延伸出的其它选择或改造。为了提供对本专利技术的深度了解，以下描述中将包含许多具体的细节。本专利技术也可以不使用这些细节实施。此外，为了避免混乱或模糊本专利技术的重点，有些具体细节将在描述中被省略。
[0023]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本专利技术中的具体含义。
[0024]另外，在以下的说明中所使用的“上”、“下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种油品质量的测定方法，其特征在于，包括以下步骤：获取油品质量样本数据；提取所述油品质量样本的数据特征；根据所述油品质量样本的数据特征，建立至少两个弱分类器；根据所述弱分类器的集成，确定总分类器；获取油品质量的待预测样本；以及将所述油品质量的待预测样本输入到所述总分类器，对所述预测数据进行分类分析，以确定所述待预测样本的油品质量分类。2.根据权利要求1所述的测定方法，其特征在于，所述提取所述油品质量样本的数据特征，包括以下步骤：对所述样本数据进行数据预处理；根据所述预处理后的所述样本数据，建立全连接神经网络；以及将所述全连接神经网络的隐藏层的结果作为所述数据特征。3.根据权利要求2所述的测定方法，其特征在于，所述建立全连接神经网络，包括以下步骤：根据所述油品质量样本数据，将无缺失值的属性值作为输入，并将分类结果作为监督，训练神经网络以构建初始的全连接神经网络；根据二分类交叉熵损失函数，确定反向传播梯度以及损失值；以及响应于所述损失值收敛，确定所述全连接神经网络的参数。4.根据权利要求3所述的测定方法，其特征在于，在确定所述全连接神经网络的参数之后，所述测定方法还包括以下步骤：选取多个所述隐藏层的维度进行多次训练，以得到提取多种不同维度特征的多个模型；以及通过后续模块，确定所述模型对应的所述隐藏层的最佳维度。5.根据权利要求1所述的测定方法，其特征在于，所述根据所述油品质量样本的数据特征，建立至少两个弱分类器，包括以下步骤：将所述数据特征与所述样本数据中包含缺失值的第一样本数据进行拼接，以得到第二样本数...

【专利技术属性】
技术研发人员：唐漾，杜文莉，钱锋，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：