[发明专利]连续催化重整工艺过程关键参数的集成学习在线预测方法

权利要求书

1.一种连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，包括以下步骤：

S1、选取连续催化重整工艺的辅助变量和主要变量，进行数据采集形成过程数据样本集，所述辅助变量反应连续催化重整工艺过程的运行状况，所述主要变量反映成品的品质；

S2、对采集的连续催化重整工艺的过程数据样本集进行预处理，生成数据集；

S3、对数据集进行划分，包括训练数据集、评估数据集和测试数据集；

S4、从训练数据集中选择spn个数据样本作为总体数据集，剩余数据样本作为校正数据集，分别将总体数据集作为子训练集构建三个自适应回归子模型，三个自适应回归子模型包括基于局部加权偏最小二乘法的移动窗口模型、基于局部加权偏最小二乘法的时间差分模型和基于局部加权偏最小二乘法的即时学习模型；

S5、从校正数据集中依次提取数据样本，对每个自适应回归子模型进行验证，将当前数据样本添加到估计误差值最小的自适应回归子模型的子训练集中，更新对应的自适应回归子模型；

S6、将评估数据集应用到每个自适应回归子模型中，计算每个自适应回归子模型的预测值的均方根误差，采用贝叶斯估计确定每个自适应回归子模型的权重系数，建立集成模型；

S7、采用构建的集成模型，基于输入的辅助变量，预测主要变量的最终输出值。

2.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S1中：

辅助变量，包括再接触温度、分液罐温度、加氢裂化石脑油、石脑油、反应器温度、分离罐压力、循环氢流量、初级烷烃含量、压缩机压力、回流流量、托盘温度、回流流量、托盘温度、底部温度和一号反应器出口温度；

主要变量，为辛烷值，对应的表达式如下，

其中，Y_RON、和为连续催化重整工艺过程的输出测量值参数，X_Feed为连续催化重整工艺过程的进料变量。

3.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S2中的预处理方法，进一步包括：

去除异常值和缺失值、去除测量噪声。

4.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S4中，基于局部加权偏最小二乘法的移动窗口模型，建模流程如下：

S411、将{X₁，Y₁}即窗口大小H设为初始窗口中的训练数据矩阵，其中，X₁为选择的总体数据集中的初始H个输入变量，Y₁为选择的总体数据集中的初始H个输出变量；

S412、对窗后多个采样数据点的输出建立局部加权偏最小二乘法回归模型；

S413、让窗口按步长D向前移动，使{X_w，Y_w}在窗口中重新训练局部加权偏最小二乘法回归模型，其中，X_w为在总体数据集中进行w个D步长后的H个输入变量，Y_w为在总体数据集中进行w个D步长后的H个输出变量。

5.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S4中，基于局部加权偏最小二乘法的时间差分模型，建模流程如下：

S421、分别计算相邻采样数据点的输入变量之间的一阶差分Δx(t)和输出变量之间的一阶差分Δy(t)；

S422、利用局部加权偏最小二乘法回归模型，构建Δx(t)和Δy(t)之间的关系模型；

S423、计算查询样本x_q(t)的一阶差分Δx_q(t)；

S424、将Δx_q(t)输入关系模型中，预测响应变量的差分值Δy_p(t)；

S425、基于相邻采样数据点y_p(t-1)和差分值Δy_p(t)，计算响应变量的预测值y_p(t)，表达式如下，

y_p(t)＝Δy_p(t)+y_p(t-1)。