本發(fā)明涉及一種常減壓裝置常壓塔常一線干點(diǎn)預(yù)測(cè)方法。

背景技術(shù)：

常減壓裝置中，從常壓塔最高側(cè)線出來(lái)的餾出物稱(chēng)為常一線。常壓塔的常一線干點(diǎn)是常一線產(chǎn)品的主要質(zhì)量控制指標(biāo)，其主要反映采出油品的輕重，所以其控制的好壞不僅關(guān)系到常壓塔原油的拔出率，同時(shí)影響后面的加工過(guò)程。當(dāng)前，對(duì)于干點(diǎn)，還沒(méi)有合適的儀表能夠?qū)崟r(shí)給出測(cè)量值，多數(shù)煉廠還是依賴(lài)于實(shí)驗(yàn)室的人工分析值。對(duì)于人工分析，從現(xiàn)場(chǎng)采樣到實(shí)驗(yàn)室化驗(yàn)得出結(jié)果、再錄入到lims系統(tǒng)，時(shí)間相當(dāng)長(zhǎng)，大約1h-2h；此外，人工分析的周期一般為每4h或者8h一次。因此，時(shí)間上的滯后非常嚴(yán)重，通過(guò)這樣一個(gè)化驗(yàn)過(guò)程只能大概了解了之前操作條件下常一線產(chǎn)品的質(zhì)量，根本無(wú)法實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量的實(shí)時(shí)直接控制。

為了解決上述問(wèn)題，學(xué)術(shù)上有關(guān)于一些這方面的研究，但是在實(shí)際應(yīng)用中存在預(yù)測(cè)精度不高、魯棒性差的問(wèn)題。在過(guò)程控制中，開(kāi)發(fā)了許多軟測(cè)量的方法，如一種常頂油干點(diǎn)在線軟測(cè)量方法(申請(qǐng)?zhí)?01110198455.5)、一種在線確定常壓塔頂石腦油質(zhì)量指標(biāo)的軟測(cè)量方法(申請(qǐng)?zhí)?00710171116.1)，利用各種不同的數(shù)學(xué)模型來(lái)估計(jì)干點(diǎn)值。然而還未有關(guān)于常一線干點(diǎn)軟測(cè)量的應(yīng)用專(zhuān)利。

軟測(cè)量的基本思想是把自動(dòng)控制理論與生產(chǎn)過(guò)程知識(shí)有機(jī)結(jié)合起來(lái)，應(yīng)用計(jì)算機(jī)技術(shù)，針對(duì)難于測(cè)量或暫時(shí)不能測(cè)量的重要變量(或稱(chēng)之為主動(dòng)變量)，選擇另外一些容易測(cè)量的變量(或稱(chēng)之為輔助變量)，通過(guò)構(gòu)成某種數(shù)學(xué)關(guān)系來(lái)推斷和估計(jì)，以軟件來(lái)代替硬件(傳感器)功能。這類(lèi)方法響應(yīng)迅速，能夠連續(xù)給出主動(dòng)變量信息，而且具有投資低、維護(hù)保養(yǎng)簡(jiǎn)單等優(yōu)點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是現(xiàn)有技術(shù)中尚無(wú)常一線干點(diǎn)軟測(cè)量方法的問(wèn)題，提供一種新的常減壓裝置常壓塔常一線干點(diǎn)預(yù)測(cè)方法。該方法用于常減壓裝置中，具有測(cè)試數(shù)據(jù)準(zhǔn)確、測(cè)量結(jié)果更加貼近實(shí)際等優(yōu)點(diǎn)。

為解決上述問(wèn)題，本發(fā)明采用的技術(shù)方案如下：一種常減壓裝置常壓塔常一線干點(diǎn)預(yù)測(cè)方法，用于通過(guò)登錄預(yù)測(cè)系統(tǒng)，進(jìn)行常一線干點(diǎn)的預(yù)測(cè)；所述預(yù)測(cè)系統(tǒng)安裝于服務(wù)器上，服務(wù)器通過(guò)網(wǎng)線分別與實(shí)時(shí)數(shù)據(jù)庫(kù)系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，客戶(hù)端為有權(quán)限的電腦和移動(dòng)終端；預(yù)測(cè)系統(tǒng)的工作步驟如下：

1)選擇的輔助變量

根據(jù)現(xiàn)場(chǎng)操作工控制經(jīng)驗(yàn)，考慮實(shí)際對(duì)常一線干點(diǎn)影響較大的相關(guān)輔助變量，包括常壓塔的塔頂溫度、塔頂壓力、常一線抽出溫度、常一線出再沸器溫度以及常一線吹氣量；

2)輔助變量原始數(shù)據(jù)的野值剔除

使用移動(dòng)窗口中位值過(guò)濾器的方法，在線識(shí)別單個(gè)過(guò)程變量的異常點(diǎn)，剔除異常值，公式如下：

mad＝1.4826*median{|xi-x^*|}

|xi-x^*|＞t*mad

其中，median是求中位值的函數(shù)，x^*是數(shù)據(jù)的中位置，1.4826是系數(shù)，閥值t＝3，移動(dòng)窗口的大小取11個(gè)點(diǎn)，并對(duì)剔除的中位值使用計(jì)算出來(lái)的中位值填補(bǔ)；

原始數(shù)據(jù)經(jīng)過(guò)野值剔除后，明顯偏離附件時(shí)刻測(cè)量值的數(shù)據(jù)被剔除；

3)輔助變量噪音剔除

(1)小波方法初步去噪

測(cè)量信號(hào)的小波分解將原始數(shù)據(jù)分解為高頻部分和低頻部分，其高頻部分反映的是噪音干擾，而低頻部分反映的是信號(hào)的真實(shí)值；

選用haar小波，利用下式將原始單變量信號(hào)分解為高頻部分和低頻部分：

式中，d是尺度系數(shù)，β是小波系數(shù)，g和h分別是高通和低通分解濾波器，l為時(shí)間參數(shù)；

分解尺度n＝3，將高頻部分全部濾除，并用下式進(jìn)行重構(gòu)：

式中，g^*和h^*為高通和低通重構(gòu)濾波器；

重構(gòu)后的數(shù)據(jù)不含有原始數(shù)據(jù)的高頻部分，也就是剔除了高頻部分的噪音，使得用于軟儀表的數(shù)據(jù)更加準(zhǔn)確地反映儀表的真實(shí)值；

(2)主元分析法深度去噪

利用主元分析法將初步去噪后的輔助變量數(shù)據(jù)，進(jìn)行異常工況識(shí)別，以便剔除異常工況對(duì)建模的影響，實(shí)現(xiàn)深度去噪；

首先按下式將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化：

其中，

其中，為標(biāo)準(zhǔn)化后數(shù)據(jù)，xi為原始數(shù)據(jù)，為原始數(shù)據(jù)的平均值，s為標(biāo)準(zhǔn)差；

將標(biāo)準(zhǔn)化后的數(shù)據(jù)按下式進(jìn)行分解：

式中，主元個(gè)數(shù)k＝5，這個(gè)主元模型在i時(shí)刻的平方誤差如下：

式中，xij為i時(shí)刻第j個(gè)輸入變量的測(cè)量值，為i時(shí)刻第j個(gè)數(shù)據(jù)變量的主元模型預(yù)測(cè)值，t²統(tǒng)計(jì)量的控制限利用f分布按下式計(jì)算：

其中，fk,m-1,a是對(duì)應(yīng)于檢驗(yàn)水平a，自由度為k，m-1條件下的f分布臨界值；

檢驗(yàn)水平a＝0.05，自由度k＝5，m為移動(dòng)窗口的寬度，取半個(gè)小時(shí)的數(shù)據(jù)：1個(gè)/15s,m＝120，并對(duì)spe和t²畫(huà)出累計(jì)分布為95％的控制限，當(dāng)spe或t²超出95％控制限時(shí)此時(shí)的工況將被識(shí)別為異常工況，其數(shù)據(jù)不會(huì)用于建立軟測(cè)量模型；

4)主動(dòng)變量相對(duì)于輔助變量的滯后時(shí)間的確定

利用遺傳算法確定滯后時(shí)間，方法具體如下：

遺傳算法輸入變量如下：

n＝[n1,n2,…,nj]j＝1,2,…,m

其中，nj為第j個(gè)輸入變量的滯后時(shí)間,m為輔助變量個(gè)數(shù)；

遺傳算法目標(biāo)函數(shù)如下：

其中，yi是主導(dǎo)變量離線化驗(yàn)值，是grnn模型5折交叉驗(yàn)證預(yù)測(cè)值，n是訓(xùn)練樣本個(gè)數(shù)；

在建立軟測(cè)量模型中，取m＝6，滯后時(shí)間范圍為nj＝0～60min，由于nj的取值是正整數(shù)，轉(zhuǎn)化為長(zhǎng)度為6的二進(jìn)制來(lái)計(jì)算；遺傳算法的種群大小為200，隨機(jī)初始化種群，迭代次數(shù)為500，交叉概率為0.4，變異概率為0.2；

5)軟測(cè)量方法；

使用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalizedregressionneuralnetwork,grnn)；對(duì)常壓塔常一線干點(diǎn)的軟測(cè)量建模，grnn網(wǎng)絡(luò)結(jié)構(gòu)由四層構(gòu)成，分別為輸入層，模式層，求和層和輸出層；其中，輸入層節(jié)點(diǎn)數(shù)為6，模式層神經(jīng)元數(shù)目為訓(xùn)練樣本的數(shù)目，輸出層的神經(jīng)元數(shù)目等于1。模式層神經(jīng)元傳遞函數(shù)為：

求和層神經(jīng)元的傳遞函數(shù)為：

輸出層神經(jīng)元的傳遞函數(shù)為：

grnn模型訓(xùn)練過(guò)程中的徑向基函數(shù)的擴(kuò)展速度spread由5折交叉驗(yàn)證方法確定為spread＝0.2；

6)系統(tǒng)算法技術(shù)路線

7)數(shù)據(jù)接口開(kāi)發(fā)

為了獲取實(shí)際裝置的生產(chǎn)數(shù)據(jù)，開(kāi)發(fā)了多種數(shù)據(jù)采集接口，從多種煉化企業(yè)主流實(shí)時(shí)數(shù)據(jù)庫(kù)采集輔助變量的數(shù)據(jù)，能滿(mǎn)足各種現(xiàn)場(chǎng)實(shí)施環(huán)境的需要；同時(shí)，開(kāi)發(fā)了odbc接口連接企業(yè)的lims系統(tǒng)(laboratoryinformationmanagementsystem，實(shí)驗(yàn)室信息管理系統(tǒng))，在線獲取主動(dòng)變量的數(shù)據(jù)，實(shí)現(xiàn)常壓常一線干點(diǎn)預(yù)測(cè)系統(tǒng)算法的檢驗(yàn)與修正。

本專(zhuān)利的方法增加了對(duì)輔助變量原始數(shù)據(jù)的野值剔除、噪音剔除，減少甚至避免了不必要的干擾，使樣本數(shù)據(jù)更準(zhǔn)確；考慮了主動(dòng)變量相對(duì)于輔助變量的滯后時(shí)間，符合工業(yè)運(yùn)行的實(shí)際，主動(dòng)變量的預(yù)測(cè)結(jié)果更貼近實(shí)際；開(kāi)發(fā)的在線監(jiān)測(cè)系統(tǒng)，具有多種現(xiàn)場(chǎng)數(shù)據(jù)采集接口，適應(yīng)性強(qiáng)，取得了較好的技術(shù)效果。

附圖說(shuō)明

圖1為常減壓裝置常壓常一線干點(diǎn)預(yù)測(cè)系統(tǒng)算法邏輯圖。

圖2為硬件分布圖。

圖2中，1為實(shí)時(shí)數(shù)據(jù)庫(kù)；2為輔助變量；3為lims數(shù)據(jù)庫(kù)；4為主動(dòng)變量；5為防火墻；6為常減壓裝置常壓常一線干點(diǎn)預(yù)測(cè)系統(tǒng)；7為無(wú)線路由器；8為平板電腦；9為辦公電腦。

下面通過(guò)實(shí)施例對(duì)本發(fā)明作進(jìn)一步的闡述，但不僅限于本實(shí)施例。

具體實(shí)施方式

【實(shí)施例1】

采用本發(fā)明的方法，用于通過(guò)登錄預(yù)測(cè)系統(tǒng)，進(jìn)行常一線干點(diǎn)的預(yù)測(cè)；所述預(yù)測(cè)系統(tǒng)安裝于服務(wù)器上，服務(wù)器通過(guò)網(wǎng)線分別與實(shí)時(shí)數(shù)據(jù)庫(kù)系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，客戶(hù)端為有權(quán)限的電腦和移動(dòng)終端；預(yù)測(cè)系統(tǒng)的工作步驟如下：

1)選擇的輔助變量

根據(jù)現(xiàn)場(chǎng)操作工控制經(jīng)驗(yàn)，考慮實(shí)際對(duì)常一線干點(diǎn)影響較大的相關(guān)輔助變量，包括常壓塔的塔頂溫度、塔頂壓力、常一線抽出溫度、常一線出再沸器溫度以及常一線吹氣量。2)輔助變量原始數(shù)據(jù)的野值剔除

野值是指過(guò)程變量測(cè)量值中某一時(shí)刻的值明顯偏離其它相鄰時(shí)刻的測(cè)量值。野值是由于測(cè)量設(shè)備誤差或者噪音引起的，其值不能反映真實(shí)的工況。如不剔除將會(huì)降低對(duì)軟儀表模型的精度。本專(zhuān)利使用移動(dòng)窗口中位值過(guò)濾器的方法，在線識(shí)別單個(gè)過(guò)程變量的異常點(diǎn)，剔除異常值。公式如下：

mad＝1.4826*median{|xi-x^*|}

|xi-x^*|＞t*mad

其中，median是求中位值的函數(shù)，x^*是數(shù)據(jù)的中位置，1.4826是系數(shù)，閥值t＝3。移動(dòng)窗口的大小取11個(gè)點(diǎn)，并對(duì)剔除的中位值使用計(jì)算出來(lái)的中位值填補(bǔ)。

原始數(shù)據(jù)經(jīng)過(guò)野值剔除后，明顯偏離附件時(shí)刻測(cè)量值的數(shù)據(jù)可以被剔除。

3)輔助變量噪音剔除(小波、pca)

噪音是測(cè)量數(shù)據(jù)中普遍存在的隨機(jī)誤差，其值服從正態(tài)分布。噪音對(duì)測(cè)量數(shù)據(jù)有明顯的影響，使測(cè)量值偏離真實(shí)值。

(2)小波方法初步去噪

測(cè)量信號(hào)的小波分解可以將原始數(shù)據(jù)分解為高頻部分和低頻部分，其高頻部分反映是的噪音干擾，而低頻部分反映的是信號(hào)的真實(shí)值。

選用haar小波，利用下式將原始單變量信號(hào)分解為高頻部分和低頻部分。

式中，d是尺度系數(shù)，β是小波系數(shù)，g和h分別是高通和低通分解濾波器，l為時(shí)間參數(shù)。

分解尺度n＝3，將高頻部分全部濾除，并用下式進(jìn)行重構(gòu)。

式中，g^*和h^*為高通和低通重構(gòu)濾波器。

重構(gòu)后的數(shù)據(jù)不含有原始數(shù)據(jù)的高頻部分，也就是剔除了高頻部分的噪音，使得用于軟儀表的數(shù)據(jù)更加準(zhǔn)確地反映儀表的真實(shí)值。

(2)主元分析法深度去噪

多個(gè)輔助變量相關(guān)的異常工況也屬于一種噪聲，利用主元分析法(pca)將初步去噪后的輔助變量數(shù)據(jù)，進(jìn)行異常工況識(shí)別，以便剔除異常工況對(duì)建模的影響，實(shí)現(xiàn)深度去噪。首先按下式將數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，

其中，

其中，為標(biāo)準(zhǔn)化后數(shù)據(jù)，xi為原始數(shù)據(jù)，為原始數(shù)據(jù)的平均值，s為標(biāo)準(zhǔn)差。

將標(biāo)準(zhǔn)化后的數(shù)據(jù)按下式進(jìn)行分解

式中，主元個(gè)數(shù)k＝5，這個(gè)主元模型在i時(shí)刻的平方誤差(spe)如下

式中，xij為i時(shí)刻第j個(gè)輸入變量的測(cè)量值，為i時(shí)刻第j個(gè)數(shù)據(jù)變量的主元模型預(yù)測(cè)值。t²統(tǒng)計(jì)量的控制限可以利用f分布按下式計(jì)算

其中，fk,m-1,a是對(duì)應(yīng)于檢驗(yàn)水平a，自由度為k，m-1條件下的f分布臨界值。

這里，檢驗(yàn)水平a＝0.05，自由度k＝5，m為移動(dòng)窗口的寬度，取半個(gè)小時(shí)的數(shù)據(jù)(1個(gè)/15s),m＝120。并對(duì)spe和t²畫(huà)出累計(jì)分布為95％的控制限，當(dāng)spe或t²超出95％控制限時(shí)此時(shí)的工況將被識(shí)別為異常工況，其數(shù)據(jù)不會(huì)用于建立軟測(cè)量模型。

4)主動(dòng)變量相對(duì)于輔助變量的滯后時(shí)間的確定

由于常減壓裝置的流程較長(zhǎng)，操作具有時(shí)間的延遲性，輔助變量在時(shí)刻t1的操作，要到時(shí)刻t2(t2>t1)才能反映在主導(dǎo)變量上，因此，需要確定主導(dǎo)變量相對(duì)于輔助變量的滯后時(shí)間。

本專(zhuān)利利用遺傳算法確定滯后時(shí)間，方法具體如下：

遺傳算法輸入變量如下

n＝[n1,n2,…,nj]j＝1,2,…,m

其中，nj為第j個(gè)輸入變量的滯后時(shí)間,m為輔助變量個(gè)數(shù)。

遺傳算法目標(biāo)函數(shù)如下

其中，yi是主導(dǎo)變量離線化驗(yàn)值，是grnn模型5折交叉驗(yàn)證預(yù)測(cè)值，n是訓(xùn)練樣本個(gè)數(shù)。

在建立軟測(cè)量模型中，取m＝6，滯后時(shí)間范圍為nj＝0～60min。由于nj的取值是正整數(shù)，轉(zhuǎn)化為長(zhǎng)度為6的二進(jìn)制(可以表示0～63min的滯后時(shí)間)來(lái)計(jì)算。遺傳算法的種群大小為200，隨機(jī)初始化種群，迭代次數(shù)為500，交叉概率為0.4，變異概率為0.2。

5)軟測(cè)量方法(grnn)

本專(zhuān)利使用廣義回歸神經(jīng)網(wǎng)絡(luò)(grnn)對(duì)常壓塔常一線干點(diǎn)的軟測(cè)量建模。grnn網(wǎng)絡(luò)結(jié)構(gòu)由四層構(gòu)成，分別為輸入層，模式層，求和層和輸出層。其中，輸入層節(jié)點(diǎn)數(shù)為6，模式層神經(jīng)元數(shù)目為訓(xùn)練樣本的數(shù)目，輸出層的神經(jīng)元數(shù)目等于1。模式層神經(jīng)元傳遞函數(shù)為

求和層神經(jīng)元的傳遞函數(shù)為

輸出層神經(jīng)元的傳遞函數(shù)為

grnn模型訓(xùn)練過(guò)程中的徑向基函數(shù)的擴(kuò)展速度spread由5折交叉驗(yàn)證方法確定為spread＝0.2。

6)系統(tǒng)算法技術(shù)路線，如圖1所示。

7)數(shù)據(jù)接口開(kāi)發(fā)

為了獲取實(shí)際裝置的生產(chǎn)數(shù)據(jù)，開(kāi)發(fā)了多種數(shù)據(jù)采集接口，如api、odbc、webservice、opc等，可以從infoplus.21、plantinformationsystem、processhistorydatabase等煉化企業(yè)主流實(shí)時(shí)數(shù)據(jù)庫(kù)采集輔助變量的數(shù)據(jù)，能滿(mǎn)足各種現(xiàn)場(chǎng)實(shí)施環(huán)境的需要。

同時(shí)，開(kāi)發(fā)了odbc接口連接企業(yè)的lims系統(tǒng)，在線獲取主動(dòng)變量的數(shù)據(jù)，實(shí)現(xiàn)常壓常一線干點(diǎn)預(yù)測(cè)系統(tǒng)算法的檢驗(yàn)與修正。

8)硬件環(huán)境

硬件結(jié)構(gòu)如圖2所示。在中控室配置一臺(tái)服務(wù)器，通過(guò)網(wǎng)線分別與實(shí)時(shí)數(shù)據(jù)庫(kù)系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，安裝并運(yùn)行“常減壓裝置常壓塔常一線干點(diǎn)預(yù)測(cè)系統(tǒng)”服務(wù)器版。

客戶(hù)端可以是處在企業(yè)辦公網(wǎng)的任意有權(quán)限的電腦和移動(dòng)終端，如智能手機(jī)、平板電腦等。

9)服務(wù)器端系統(tǒng)應(yīng)用

9.1啟動(dòng)系統(tǒng)

連接硬件，啟動(dòng)各個(gè)子系統(tǒng)，打開(kāi)服務(wù)器端程序。

9.2權(quán)限控制

根據(jù)輸入的用戶(hù)，檢測(cè)或選擇不同的身份進(jìn)入系統(tǒng)。

9.3組態(tài)建模：

該部分主要完成推理算法的建模。收集輔助變量和主動(dòng)變量的歷史值，作為樣本，進(jìn)行算法訓(xùn)練。

9.4實(shí)時(shí)監(jiān)測(cè)

連接企業(yè)的實(shí)時(shí)數(shù)據(jù)庫(kù)，系統(tǒng)開(kāi)始實(shí)時(shí)監(jiān)測(cè)。

1)采集來(lái)自生產(chǎn)現(xiàn)場(chǎng)的輔助變量實(shí)時(shí)數(shù)據(jù)，實(shí)時(shí)推理計(jì)算當(dāng)前干點(diǎn)的實(shí)時(shí)值。

2)根據(jù)lims系統(tǒng)出數(shù)據(jù)的時(shí)間，每隔4-8小時(shí)，將軟測(cè)量得到的值與lims系統(tǒng)的化驗(yàn)值進(jìn)行對(duì)比，實(shí)時(shí)修正。

10)客戶(hù)端系統(tǒng)應(yīng)用

所開(kāi)發(fā)的客戶(hù)端，既有b/s架構(gòu)的，便于用戶(hù)在企業(yè)使用辦公網(wǎng)上的任一電腦，適用于裝置管理人員；又有c/s架構(gòu)的，使用戶(hù)能查看詳細(xì)計(jì)算細(xì)節(jié)，適用于操作工面前的平板電腦、工藝員辦公室的pc電腦。

本專(zhuān)利的方法增加了對(duì)輔助變量原始數(shù)據(jù)的野值剔除、噪音剔除，減少甚至避免了不必要的干擾，使樣本數(shù)據(jù)更準(zhǔn)確；考慮了主動(dòng)變量相對(duì)于輔助變量的滯后時(shí)間，符合工業(yè)運(yùn)行的實(shí)際，主動(dòng)變量的預(yù)測(cè)結(jié)果更貼近實(shí)際；開(kāi)發(fā)的在線監(jiān)測(cè)系統(tǒng)，具有多種現(xiàn)場(chǎng)數(shù)據(jù)采集接口，適應(yīng)性強(qiáng)，取得了較好的技術(shù)效果。