[发明专利]常减压装置的AI建模方法

权利要求书

1.一种常减压装置的AI建模方法，其特征在于，该方法包括：

确定常减压装置的模型构成和建模方法，其中，所述常减压装置的模型构成包括两类子模型：第一类子模型：产品性质软仪表预测模型、原油性质软仪表预测模型、中间流股性质软仪表预测模型、操作条件软仪表预测模型、塔板气液相负荷软仪表预测模型、带有详细换热器结构的换热网络模型、流股单位焓值预测模型、减压炉和转油线相关温度和压力预测模型；第二类子模型：减压塔全塔压降相关模型、全塔物料平衡模型和全塔能量平衡模型；所述第一类子模型采用机器学习方法建模，所述第二类子模型采用经验机理方法建模；

利用严格机理模拟扩充建模所需样本；

对所述常减压装置进行机器学习建模和经验机理建模；

模型自学习；

其中，通过机器学习建模的过程包括：

样本准备和预处理，对样本数据进行清洗，对清洗后的数据进行指定计算；根据建模目的选择输出变量；选择输入变量，其中，所述输入变量的选择基于输入变量之间的相关性、输入变量物理意义的重要性、输入变量本身测量值是否存在误差三种因素；确定输出变量对应的输入变量；

将输入变量根据关联性强弱分成几组，各组变量之间相对独立，组内变量之间关联性强；根据每组内输入变量的个数，选择性的为组内输入变量构建一个子神经网络，其输出作为整个模型的神经网络的一个隐含层中的神经元，神经元个数由模型精度决定，或者将输入变量直接作为模型的输入；将输入变量构建网络形成的隐含层的神经元和没有构建网络的输入变量共同作为模型的输入，在此基础上构建多个隐含层和神经元，形成整个模型的神经网络，确定模型的网络结构；

对样本数据进行处理，确定用于模型训练的样本数据；为待训练的模型指定输入、输出变量，设置隐含层数和神经元，并利用所述样本数据计算各个信息的权重；采用不同隐含层数和不同神经元个数进行训练，获得不同模型；对模型的输出结果进行分析比较，获得最佳模型。

2.根据权利要求1所述的AI建模方法，其特征在于，所述样本的扩充包括：

建立常减压装置严格机理模型，利用模型模拟装置的生产历史数据，获得装置在生产周期内的特性变化；

样本模拟，在不同的装置特性条件下，通过所述严格机理模型模拟不同原料、分馏塔操作条件和换热网络相关操作下的装置性能；

样本分布可视化和样本补充，在获得样本后，通过可视化方法判断样本覆盖范围是否达到设定的要求以及样本的分布密度，并对样本稀疏区域或未覆盖区域进行样本补充，对样本密集区域进行相似样本筛选，删除部分相似样本。

3.根据权利要求1所述的AI建模方法，其特征在于，对样本数据的处理包括：

判断是否存在输入变量数据相似但输出变量数据变化大的情况，若存在，则根据数据总体分布，剔除逸出样本；

检查样本分布密度，去除密度大的区域中的部分相似样本。

4.根据权利要求2所述的AI建模方法，其特征在于，对模型的输出结果进行分析包括总体分析、详细分析、异常检测和模型的物理意义分析，其中，

所述总体 分析包括：基于数据科学分析训练结果，基于工艺分析查看训练结果精度是否满足实际生产需求；

所述详细分析包括：针对每个模型的训练集和测试集就误差、每个输入变量的数据和每个输出的数据进行分析，查看两者分布是否一致，利用可视化手段分别对比误差和每个输出变量的数据分布、误差和每个输入变量的数据分布；查看误差与输入、输出之间是否存在相同的规律；

所述异常检测包括：在详细分析结果上提取出误差大的样本，进一步对比训练集中误差大的样本和测试集误差大的样本，从两个误差分布中提取出共同特征或规律，并将误差大的样本投入到严格机理模型中重新模拟；

所述模型的物理意义分析包括：基于ANN模型对输入变量进行灵敏度分析，与基于严格机理模型进行的灵敏度分析进行对比，查看ANN模型中输入变量对输出变量的影响是否遵循物理规律，并利用Python中的模型解释包进入ANN模型内部，进一步查看ANN模型参数表征的物理意义，同时排查是否存在对输出结果影响很小甚至是没有影响的神经元。