[发明专利]一种基于大数据技术的石油化工装置产品收率优化方法

权利要求书

1.一种基于大数据技术的石油化工装置产品收率优化方法，包括以下步骤：

收集装置的历史生产数据，并对收集的数据进行清洗和整定，获得用于优化产品收率的数据样本；

对所述数据样本进行相关性分析，筛选出与产品收率相关的工艺参数，所述工艺参数包括影响产品收率的原料油性质参数和生产中可调控的操作变量；

利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型；

在装置约束条件下，以经济效益最大化为目标，利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。

2.根据权利要求1所述的优化方法，其特征在于，

所述历史生产数据包括生产过程数据和分析化验数据。

3.根据权利要求1所述的优化方法，其特征在于，

对收集的数据进行清洗和整定包括删除所述收集的数据中误差超过给定阈值的原始数据。

4.根据权利要求1所述的优化方法，其特征在于，

采用粗糙集算法对所述数据样本进行相关性分析，根据相关系数的大小筛选出与产品收率相关的工艺参数。

5.根据权利要求1所述的优化方法，其特征在于，

所述神经网络算法为BP神经网络算法。

6.根据权利要求5所述的优化方法，其特征在于，

利用神经网络算法建立用于描述产品收率与相关工艺参数关系的神经网络模型，以所述数据样本为训练样本，利用遗传算法训练所述神经网络模型的系数，生成产品收率预测模型，包括以下步骤：

选取不同的隐含层神经元个数建立不同的神经网络模型，并将所述数据样本导入神经网络模型进行训练，然后通过检验模型精度确定最佳隐含层神经元个数，据此确定最佳BP神经网络的结构，建立最佳BP神经网络模型；

利用遗传算法训练最佳BP神经网络模型的系数，生成产品收率预测模型。

7.根据权利要求6所述的优化方法，其特征在于，选取不同的隐含层神经元个数建立不同的神经网络模型，其中所述隐含层神经元个数为6到25。

8.根据权利要求1所述的优化方法，其特征在于，还包括：

对产品收率预测模型进行测试，只有当所述产品收率预测模型的精度满足预设的精度条件后，才利用所述产品收率预测模型确定最佳产品收率以及生产中可调控的操作变量在此最佳产品收率下的取值。

9.根据权利要求1所述的优化方法，其特征在于，

所述装置约束条件是指在装置允许的操作范围内。

10.根据权利要求1所述的优化方法，其特征在于，

以图形化的方式展示获得所述最佳产品收率的操作方案。