[发明专利]基于MIV与关联规则的优化方法及石化设备的数据建模方法

权利要求书

1.一种基于MIV与关联规则的优化方法，应用于石化设备，所述石化设备包括加氢裂化装置，所述氢裂化装置的主要产品有石脑油、航煤、柴油和尾油，所述石脑油和航煤的收率之和作为优化目标，其特征在于，所述基于MIV与关联规则的优化方法包括如下步骤：

建立数据模型；

Ⅰ)约简变量：应用MIV方法对连续变量空间的大数据进行分析、计算，求得各个变量的MIV值，筛选出对优化目标影响大的主要变量，得出对航煤和重石脑油收率影响较大的5个关键操作变量，即精制反应器入口温度、精制反应器二床入口温度、裂化反应器二层入口温度、裂化反应器三层入口温度、裂化反应器四层入口温度，删除无关或影响不大的变量，得到约简的数据集，得到约简的数据集的计算步骤如下：

1)使用样本数据X建立一个准确的BP神经网络模型；

2)在原有输入X的基础上生成单变量增减10％的两组新的输入X1、X2；

3)将X1和X2代入已训练好的神经网络，计算网络的输出值Y1和Y2；

4)计算Y1-Y2的差值，根据样本数取平均值，即求得变量的MIV值；

5)重复上述步骤，依次计算出各个变量的MIV值；

6)对所有变量按MIV的绝对值大小进行排序，筛选出MIV值较大的变量，以实现对操作变量的约简；

Ⅱ)离散化数据：应用K-means的分类算法将步骤Ⅰ)得到的连续变量的值域离散化，将连续变量空间转换为整数变量空间，计算过程如下：

(1)从步骤Ⅰ)的数据集中随机选择k个样本，作为初始聚类中心；

(2)针对数据集中的每个样本，根据以下公式计算它到k个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

(3)根据公式(1-1)计算分配到每个类中的对象的均值向量，作为新的聚类中心；

(4)重复(2)、(3)直到k个聚类中心不再发生变化或准则函数收敛；

Ⅲ)用挖掘频繁项集的Apriori算法对步骤Ⅱ)得到的整数变量进行计算，得出所需的关联规则；

Ⅳ)对步骤Ⅲ)计算出的关联规则进行分析，确定出优化点或优化区域。

2.根据权利要求1所述的基于MIV与关联规则的优化方法，其特征在于，所述步骤Ⅲ)中用挖掘频繁项集的Apriori算法对步骤Ⅱ)得到的整数变量进行计算的算法过程如下：

①扫描数据库D，得到频繁1-项集F1；

②连接：通过Fk-1与自身连接产生候选k-项集Ck；

③剪枝：频繁项集的所有非空子集也是频繁的, 因此，如果一个候选k-项集的子集(k-1)-项集不在Fk-1中，则该候选项集也不可能是频繁项集，可以从Ck中剪掉,

④扫描数据库D，计算各项集支持度，得到各频繁项集；

⑤重复②③④步，直到不能找到频繁k-项集停止迭代。