一种油气分离器出口压力预测方法技术

本公开揭示了一种油气分离器出口压力预测方法

【技术实现步骤摘要】
一种油气分离器出口压力预测方法、装置及电子设备


[0001]本公开属于油气工业领域，具体涉及一种油气分离器出口压力预测方法
、
装置及电子设备
。

技术介绍

[0002]油气分离器是油气工业中常见的一种设备，用于将混合物中的油和气分离开来
。
在油气分离器的运行过程中，出口压力是一个重要的参数，对生产效率和产品质量有着直接的影响
。
因此，准确预测油气分离器出口压力是工业生产过程中的一个重要问题
。
目前，预测油气分离器出口压力的方法主要包括基于经验公式和数学模型的方法
。
然而，经验公式和数学模型都较为死板，不能有效捕捉具有时序特征的数据，从而无法准确预测出口压力
。

技术实现思路

[0003]针对现有技术中的不足，本公开的目的在于提供一种油气分离器出口压力预测方法，该方法在双向长短期神经网络模型的基础上引入自适应聚焦机制，能够精准预测分离器出口压力
。
[0004]为实现上述目的，本公开提供以下技术方案：
[0005]一种油气分离器出口压力预测方法，包括以下步骤：
[0006]S100
：采集待测油气分离器的实时生产数据；
[0007]S200
：对油气分离器的所述生产数据进行预处理；
[0008]S300
：构建油气分离器出口压力预测模型并进行训练，其中，所述油气分离器出口压力预测模型包括双向长短期神经网络层，且在双向长短期神经网络层后引入自适应聚焦机制层，所述自适应聚焦机制层用于对由双向长短期神经网络层从油气分离器的所述生产数据提取到的特征进行加权，使得模型聚焦于待测油气分离器的实时生产数据中与压力相关的信息；
[0009]S400
：将预处理后的生产数据输入训练好的油气分离器出口压力预测模型并输出预测值，以实现对油气分离器出口压力的预测
。
[0010]优选的，步骤
S200
中，通过以下方法对油气分离器的所述生产数据进行预处理：
[0011]S201
：对生产数据进行异常值检测；
[0012]S202
：对异常值检测后的生产数据进行补全；
[0013]S203
：对补全后的生产数据进行归一化
。
[0014]优选的，步骤
S300
中，所述油气分离器出口压力预测模型还包括输入层
、
输出层，其中，输出层包括2个全连接层
。
[0015]优选的，步骤
S300
中，所述油气分离器出口压力预测模型的训练方法包括以下步骤：
[0016]S301
：构建模型训练数据集，对数据集预处理，并划分为训练集和测试集；
[0017]S302
：设置训练参数，利用训练集对模型进行训练，在训练的过程中，计算模型的损失函数，并对损失函数进行损失优化，当损失函数收敛，模型训练完成；
[0018]S303
：利用测试集对训练后的模型进行测试，在测试过程中，根据误差值的大小衡量测试是否通过，测试不通过，调整模型训练参数重新进行训练
。
[0019]优选的，步骤
S302
中，所述损失函数表示为：
[0020][0021]其中，
MSE
表示均方误差，
N
表示输入信息的数量，
i
表示1至
N
中的一个预测值，
j
表示1至
N
中的一个目标值，
pre
i
表示第
i
个预测值，
real
j
表示第
j
个目标值
。
[0022]本公开还提供一种油气分离器出口压力预测装置，包括：
[0023]采集模块，用于采集待测油气分离器实时生产数据；
[0024]预处理模块，用于对所述生产数据预处理；
[0025]训练模块，用预构建油气分离器出口压力预测模型并进行训练；其中，所述油气分离器出口压力预测模型包括双向长短期神经网络层，且在双向长短期神经网络层后引入自适应聚焦机制层，所述自适应聚焦机制层用于对由双向长短期神经网络层从油气分离器的所述生产数据提取到的特征进行加权，使得模型聚焦于待测油气分离器的实时生产数据中与压力相关的信息；
[0026]预测模块，用于将预处理后的生产数据预处理输入训练好的油气分离器出口压力预测模型，以实现对油气分离器出口压力的预测
。
[0027]优选的，所述预处理模块包括：
[0028]异常检测子模块，用于对生产数据进行异常值检测；
[0029]补全子模块，用于对异常值检测后的生产数据进行补全；
[0030]归一化子模块，用于对补全后的生产数据进行归一化
。
[0031]优选的，所述训练模块包括：
[0032]训练数据集构建子模块，用于构建模型训练数据集并预处理，以及将预处理后的数据集并划分为训练集和测试集；
[0033]训练子模块，用于利用训练集对模型进行训练；
[0034]测试子模块，用于利用测试集对训练后的模型进行测试
。
[0035]本公开还提供一种电子设备，包括：
[0036]存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，
[0037]所述处理器执行所述程序时实现如前任一所述的方法
。
[0038]本公开还提供一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，所述计算机可执行指令用于执行如前任一所述的方法
。
[0039]与现有技术相比，本公开带来的有益效果为：
[0040]1、
本公开在双向长短期神经网络中引入自适应聚焦机制，可以有效捕捉油气分离器运行中具有时序特征的数据信息；
[0041]2、
本公开采用深度学习模型对分离器出口压力进行预测，能够更加准确地预测出口压力；
[0042]3、
本公开建立的预测模型具有较强的适应性和泛化能力，通过其训练过程可以适
应不同工况和工艺参数的变化，从而更好地满足实际生产需要
。
附图说明
[0043]图1为本公开一个实施例提供的一种油气分离器出口压力预测方法流程示意图；
[0044]图2是本公开另一个实施例提供的油气分离器出口压力预测模型的结构示意图；
[0045]图3为本公开另一个实施例提供的双向长短期神经网络的结构示意图；
[0046]图4为本公开另一个实施例提供的自适应聚焦机制层的结构示意图；
[0047]图5是本公开另一个实施例提供的模型预测结果示意图
。
具体实施方式
[0048]下面将参照附图1至图5详细地描述本公开本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种油气分离器出口压力预测方法，其特征在于，所述方法包括以下步骤：
S100
：采集待测油气分离器的实时生产数据；
S200
：对油气分离器的所述生产数据进行预处理；
S300
：构建油气分离器出口压力预测模型并进行训练，其中，所述油气分离器出口压力预测模型包括双向长短期神经网络层，且在双向长短期神经网络层后引入自适应聚焦机制层，所述自适应聚焦机制层用于对由双向长短期神经网络层从油气分离器的所述生产数据提取到的特征进行加权，使得模型聚焦于待测油气分离器的实时生产数据中与压力相关的信息；
S400
：将预处理后的生产数据输入训练好的油气分离器出口压力预测模型并输出预测值，以实现对油气分离器出口压力的预测
。2.
根据权利要求1所述的方法，其特征在于，步骤
S200
中，通过以下方法对油气分离器的所述生产数据进行预处理：
S201
：对生产数据进行异常值检测；
S202
：对异常值检测后的生产数据进行补全；
S203
：对补全后的生产数据进行归一化
。3.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述油气分离器出口压力预测模型还包括输入层
、
输出层，其中，输出层包括2个全连接层
。4.
根据权利要求1所述的方法，其特征在于，步骤
S300
中，所述油气分离器出口压力预测模型的训练方法包括以下步骤：
S301
：构建模型训练数据集，对数据集预处理，将预处理后的数据集并划分为训练集和测试集；
S302
：设置训练参数，利用训练集对模型进行训练，在训练的过程中，计算模型的损失函数，并对损失函数进行损失优化，当损失函数收敛，模型训练完成；
S303
：利用测试集对训练后的模型进行测试，在测试过程中，根据模型输出的预测值与实际值的误差的大小衡量测试是否通过，当误差值满足预设范围，测试通过；否则调整训练参数重新对模型...

【专利技术属性】
技术研发人员：贺亮，刘云川，李劲涛，文宏川，周伟，
申请(专利权)人：重庆泓宝科技股份有限公司，
类型：发明
国别省市：