[发明专利]一种基于数据驱动的加氢裂化装置的尾油预测方法

说明书

本发明公开了一种基于数据驱动的加氢裂化装置的尾油预测方法。涉及数据挖掘与机器学习领域，该方法主要对石油装置尤其是加氢裂化装置采集来的历史数据进行分析，数据预处理阶段采用拉格朗日插值法等方法对数据进行清洗操作；在数据处理阶段，采用统计学PCA主成分分析方法进行降维，之后将主要变量送入神经网络模型；在建模阶段，由于该数据具有非线性时序强相关性，所以使用RNN循环神经网络进行训练，最后将训练的结果进行评价。本发明在满足准确率的情况下，克服了加氢裂化装置在传统建模中长期存在的维护难、成本高、滞后性等问题，使生产的效率有效提高。

技术领域

本发明涉及数据挖掘与机器学习领域，尤其涉及一种基于数据驱动的加氢裂化装置的尾油预测方法。

背景技术

加氢裂化过程属于流程工业，是在重燃料油需求量减少、中馏分油需求量增加的情况下出现的一种新工艺，是将中压加氢裂化技术用于催化裂化柴油的改质。该技术要求在中压下选择一种能对催化裂化柴油中双环及多环芳烃有较高选择性破坏能力和具有较好加氢活性的加氢裂化催化剂，通过选择性破坏，将催化裂化柴油中的高浓度芳烃裂解为石脑油组分，使柴油中的芳烃含量降低，十六烷值提高，而石脑油则含有相当高的环状烃和芳烃，成为优质的重整原料。加氢裂化技术的生产方案灵活性大，对于提高原油加工深度，合理利用石油资源，改善产品质量，提高轻质油收率以及减少大气污染都具有重要意义。

在实际的流程工业生产中，为了确保产品质量、生产环境安全以及操作安全等，需要对与质量密切相关的过程变量进行实时监测和控制。但是实际的环境制约以及技术的不足，这一类的过程变量很难用传感器去直接检测。目前，这些过程变量虽然部分可以用在线分析仪表进行测量，但是在线分仪存在维护难、成本高、滞后性等问题无法做到实时控制与检测。

近年来，从事化工生产的研究者提出了多种建模方式来尝试解决此类问题。第一类基于知识的方法，此方法属于经验方法，即在长期生产过程中总结出的检验来判断这些过程变量，这种方式不具有说服力，准确度难以令人信服；第二类是基于机理模型，也称第一原理模型，主要是依靠流程工业背后的生产原理，如化学原理、动力学原理等建模，常用方法是软测量。此类建模方法对线性系统能有效的拟合生产结果，对预测效果比较好，但是在复杂的流程工业中，其背后的反应原理可能有几千上万个方程式组成，即属于非线性系统，所以对这种稍微复杂的非线性系统采用基于机理的方式建模结果拟合效果就不是特别理想。而且在模型投入运行后，随着时间的推移，由于催化剂老化、设备老化、原料变化、产品质量要求改变等情况发生时，这个模型就可能不再适应当前工作环境，会导致精度变低等情况发生，即造成“模型老化”现象。近年来，随着数据挖掘的快速普及、人工智能领域的飞速发展，基于数据驱动的建模方法被提出来解决一系列问题。所谓数据驱动，就是依靠大量的历史数据去预测未来的结果，让数据本身会“说话”。神经网络就是这样的数据驱动方法，这类网络尤其擅长处理非线性系统。本发明采用递归神经网络处理加氢裂化的尾油预测问题。

发明内容

为了解决化工生产中现有技术的不足，本发明提供了一种基于数据驱动的加氢裂化装置的尾油预测方法，本方法能够解决化工生产中仪器贵、难测量、滞后性等测量过程变量的难题。

为了实现上述发明目的，本发明所述方法包括以下步骤：

步骤一：从化工企业现场的实时数据库中采集数据；

步骤二：对现场采集回来的数据进行数据处理分析，即数据清洗；

步骤三：对步骤二收集的数据进行分析，找出与尾油产量密切相关的数据；

步骤四：对步骤三中分析得到的密切相关的数据送入递归神经网络训练；

步骤五：对训练结果进行评价，采用MSE均方误差进行评价。

附图说明

图1是本发明所构建的PCA-RNN建模方法模型图。