System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及了一种结晶风险预测方法,涉及化工特种换热设备铵盐腐蚀失效防护领域,具体涉及一种基于数据驱动的换热设备铵盐结晶风险预测方法。
技术介绍
1、近年来诸多行业对石油产品的需求日益增加,总体炼油规模不断扩大,原油重质化、劣质化程度逐步加剧。加氢裂化石化企业最重要的加工手段之一,具有较宽的可加工物料范围、较强的原料适用性以及较高的产品质量等特点。由于劣质原油中存在大量的杂质如s、cl、n等元素,加氢过程中这些元素随着环境温度的改变会发生结晶反应生成铵盐。炼油工艺中,换热设备主要用于加热、冷凝、冷却油品及余热回收等,是保证工艺流程正常运转和节能降耗的重要设备。由于加氢裂化系统的生产特性,多家炼油企业的换热设备出现铵盐结晶导致管束堵塞、泄漏穿孔和爆管的情况,导致了火灾、爆炸等重大安全事故,带来了巨大的经济损失以及社会负面影响。
2、加氢装置的铵盐结晶腐蚀失效问题是企业的共性问题,国内外学者围绕铵盐结晶沉积与腐蚀问题开展了大量的研究。查阅相关文献可知,研究重点主要集中在对结晶温度及其影响因素和铵盐溶液的腐蚀性探讨,通过数值模拟对铵盐结晶位置实现预测,但现阶段的研究成果还很难做到铵盐结晶特性和流动沉积规律的预测的深入分析。
3、国内对换热器铵盐结晶腐蚀失效的研究开展较晚,风险预测方法也主要是借鉴国外相关经验和标准,尤其是对换热器管束的风险评估、结晶趋势研究以及剩余寿命预测等方面的研究还存在一些不足。虽然流程工艺软件可以模拟出换热设备的铵盐结晶情况,但不具备时效性,且与实际工况差距较大。因此,对换热设备的运行状
技术实现思路
1、为了解决
技术介绍
中存在的问题,本专利技术所提供一种基于数据驱动的换热设备铵盐结晶风险预测方法。
2、本专利技术采用的技术方案是:
3、本专利技术的基于数据驱动的换热设备铵盐结晶风险预测方法,包括:
4、s1、采集换热器在实际运行过程中的工况数据,形成换热器铵盐结晶腐蚀失效初始数据库,对初始数据库进行预处理获得预处理数据库。
5、s2、根据预处理数据库,使用相关性分析方法后进行排序,提取出预处理数据库中的若干对变量构建为换热器铵盐结晶风险参数群。
6、s3、将预处理数据库按照预设比例划分为训练集和验证集并输入机器学习模型中进行学习,获得训练完成的机器学习模型。
7、s4、采集待预测的换热器在实际运行过程中的工况数据,输入训练完成的机器学习模型中,训练完成的机器学习模型输出换热器在当前工况下的结晶温度,根据结晶温度判断实现换热设备铵盐结晶风险的预测。
8、所述的步骤s1中,换热器的工况数据中的参数包括原料氯含量x1、原料氮含量x2、原料疏含量x3、设备运行压力z1、设备运行温度t1、原料油加工量xc、管束入口平均流速v1、管束入口平均流速v2和注水量m1。
9、工业现场实际运行工况数据需包含从原油组分到设备运行参数各项数据,同时所有的数据须为同一油品生产工艺数据。
10、所述的步骤s1中,进行预处理具体为针对工况数据中的每个参数,将超出预设参数误差的参数进行剔除,然后将剩余的参数的数据字符大小进行统一化处理,最后再进行规范化处理。
11、所述的进行规范化处理具体为将参数的数据格式统一为数值型,同时将参数的数据单位均转化为国际标准单位。
12、所述的步骤s2中,根据预处理数据库,使用相关性分析方法后进行排序,具体为使用相关性分析方法计算获得预处理数据库中的每两个变量之间的皮尔逊相关系数值,根据皮尔逊相关系数值进行排序,提取其中皮尔逊相关系数值较高的预设数量对变量构建为换热器铵盐结晶风险参数群。
13、相关性分析处理主要如下:
14、将初始数据库中所有数据每两个变量均计算其协方差及标准差;将得到的协方差及标准差进行商变换,转化为-1到1之间的标准值,得到各项参数间的相关性分析数据。
15、所述的步骤s3中,机器学习模型具体为卷积神经网络结构,将换热器铵盐结晶风险参数群输入机器学习模型中进行学习,直至机器学习模型的训练误差达到预设误差以下停止训练。
16、机器学习模型配置学习网络参数及核心函数,通过训练集及验证集的多次试验验证不断改变模型中激活函数主要参数。训练误差达到预设误差以下停止训练,优化机器学习模型的学习效果。
17、具体实施时,将进行数据处理后的数据按照6:2:2的比例进行训练集、验证集、测试集的划分。
18、所述的卷积神经网络结构的配置模型结构与参数主要包括网络隐含层数量、激活函数、损失函数、优化器;网络隐含层数量预设范围为0-30,损失函数为交叉熵损失函数,输出层激活函数为线性purelin函数,输入层激活函数为s型双曲正切tansing函数,优化器为带自适应参数的粒子群pso算法。
19、所述的步骤s4中,根据结晶温度判断实现换热设备铵盐结晶风险的预测,具体为判断结晶温度是否在换热器的预设运行温度区间内,若在则预测换热设备具有铵盐结晶风险,若不在则预测换热设备没有铵盐结晶风险。
20、本专利技术的机器学习模型采用卷积神经网络结构,经过预处理及规范化后的运行工况数据及其对应的铵盐结晶风险结果为数据库,结合自适应粒子群算法构建与优化机器学习模型,以实现根据加氢反应流出物系统实际运行工况预测其换热设备铵盐结晶风险的目的。本专利技术能够充分利用目前已大量积累的大量反应流出物系统实际运行工况数据及化工现场特种设备失效数据,深入分析其失效原因,结合机器学习建立起反应流出物系统换热器设备铵盐结晶风险的高性能预测方法。本专利技术对提升反应流出物系统换热器设备铵盐结晶失效检测效率,改善换热设备铵盐结晶失效预测方法的准确性具有重要意义。
21、本专利技术的有益效果是:
22、本专利技术基于机器学习的预测模型可以完美继承神经网络中的强非线性映射能力,即可以以任意精度逼近任何非线性连续函数,特别适合求解内部机制复杂问题;同时神经网络具有极强的自学习能力和自适应能力,在机器学习模型中,每一个隐含层节点都能够在整合重组上一个输出的基础上学习识别特定的特征并且通过网络的增加不断扩充其能学习到的特征量,使之能够有效提升预测能力。
23、本专利技术能够有效对流程工业换热器设备流动腐蚀特征参数实现快速预测,快速识别设备运行风险,为工艺防护提供有效指导。本专利技术能够实现换热设备从工业现场数据到铵盐结晶风险的直接预测,有效提高换热设备失效检测效率,降低换热设备检修维护成本。
本文档来自技高网...【技术保护点】
1.一种基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于,包括:
2.根据权利要求1所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤S1中,换热器的工况数据中的参数包括原料氯含量x1、原料氮含量x2、原料疏含量x3、设备运行压力z1、设备运行温度t1、原料油加工量xc、管束入口平均流速v1、管束入口平均流速v2和注水量m1。
3.根据权利要求2所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤S1中,进行预处理具体为针对工况数据中的每个参数,将超出预设参数误差的参数进行剔除,然后将剩余的参数的数据字符大小进行统一化处理,最后再进行规范化处理。
4.根据权利要求3所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的进行规范化处理具体为将参数的数据格式统一为数值型,同时将参数的数据单位均转化为国际标准单位。
5.根据权利要求1所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤S2中,根据预处理数据库,使用相关性分析方法后进行排序,具体为使用相关性分
6.根据权利要求2所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤S3中,机器学习模型具体为卷积神经网络结构,将换热器铵盐结晶风险参数群输入机器学习模型中进行学习,直至机器学习模型的训练误差达到预设误差以下停止训练。
7.根据权利要求6所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的卷积神经网络结构的配置模型结构与参数主要包括网络隐含层数量、激活函数、损失函数、优化器;网络隐含层数量预设范围为0-30,损失函数为交叉熵损失函数,输出层激活函数为线性purelin函数,输入层激活函数为S型双曲正切tansing函数,优化器为带自适应参数的粒子群PSO算法。
8.根据权利要求2所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤S4中,根据结晶温度判断实现换热设备铵盐结晶风险的预测,具体为判断结晶温度是否在换热器的预设运行温度区间内,若在则预测换热设备具有铵盐结晶风险,若不在则预测换热设备没有铵盐结晶风险。
...【技术特征摘要】
1.一种基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于,包括:
2.根据权利要求1所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤s1中,换热器的工况数据中的参数包括原料氯含量x1、原料氮含量x2、原料疏含量x3、设备运行压力z1、设备运行温度t1、原料油加工量xc、管束入口平均流速v1、管束入口平均流速v2和注水量m1。
3.根据权利要求2所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤s1中,进行预处理具体为针对工况数据中的每个参数,将超出预设参数误差的参数进行剔除,然后将剩余的参数的数据字符大小进行统一化处理,最后再进行规范化处理。
4.根据权利要求3所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的进行规范化处理具体为将参数的数据格式统一为数值型,同时将参数的数据单位均转化为国际标准单位。
5.根据权利要求1所述的基于数据驱动的换热设备铵盐结晶风险预测方法,其特征在于:所述的步骤s2中,根据预处理数据库,使用相关性分析方法后进行排序,具体为使用相关性分析方法计算获得预处理数据库中的每两个变量之间的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。