[发明专利]一种常减压产品性质预测方法、系统、设备和存储介质

权利要求书

1.一种常减压产品性质预测方法，其特征在于，包括以下步骤：

基于预先获得的样本数据集，对预先构建的各机器学习模型进行训练，并将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型；

采用最终的常压塔融合模型对常减压产品性质进行预测，得到常减压产品性质预测结果。

2.如权利要求1所述的一种常减压产品性质预测方法，其特征在于，所述最终的常压塔融合模型的获得方法，包括：

针对不同典型工况收集其现场生产数据和流程模拟数据，并聚合形成样本数据集；

选择若干种机器学习模型，并为其分配超参数；

将样本数据集按预设比例随机地划分为训练集和测试集两个部分，对训练集和测试集进行归一化处理；

确定各机器学习模型的输入和输出变量，并基于训练集和测试集对各机器学习模型进行训练，将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型。

3.如权利要求2所述的一种常减压产品性质预测方法，其特征在于，所述针对不同典型工况收集其现场生产数据和流程模拟数据，并聚合形成样本数据集的方法，包括：

收集各种不同典型工况的现场生产数据，建立不同典型工况的流程模拟工艺模型；

以不同典型工况对应的流程模拟工艺模型为基础，应用流程模拟技术在各典型工况附近产生预设数量的不同的流程模拟数据；

将各典型工况对应的流程模拟数据和现场生产数据进行聚合，形成样本数据集。

4.如权利要求2所述的一种常减压产品性质预测方法，其特征在于，对所述训练集和测试集进行划分时，预设比例为4:1。

5.如权利要求2所述的一种常减压产品性质预测方法，其特征在于，对训练集和测试集进行归一化处理时，采用的归一化方法为Min-Max归一化法。

6.如权利要求2所述的一种常减压产品性质预测方法，其特征在于，所述基于训练集和测试集对各机器学习模型进行训练，并将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型的方法，包括：

将训练集加载到各机器学习模型中，对各机器学习模型进行训练，得到各训练好的机器学习模型；

采用几何平均的方法对训练好的各机器学习模型进行模型融合，得到常压塔融合模型；

采用测试集对得到的常压塔融合模型进行泛化性能的检验和评估，得到最终的常压塔融合模型。

7.如权利要求6所述的一种常减压产品性质预测方法，其特征在于，所述采用几何平均的方法对训练好的各机器学习模型进行模型融合时，计算公式为：

其中，为常压塔融合模型的预测结果；y_i为第i个机器学习模型的预测结果，n为机器学习模型总数。

8.一种常减压产品性质预测系统，其特征在于，包括：

融合模型构建模块，用于基于预先获得的样本数据集，对预先构建的各机器学习模型进行训练，并将训练好的各机器学习模型进行融合，得到最终的常压塔融合模型；

产品性质预测模块，用于采用最终的常压塔融合模型对常减压产品性质进行预测，得到常减压产品性质预测结果。

9.一种处理设备，所述处理设备至少包括处理器和存储器，所述存储器上存储有计算机程序，其特征在于，所述处理器运行所述计算机程序时执行以实现权利要求1到7任一项所述常减压产品性质预测方法的步骤。

10.一种计算机存储介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现根据权利要求1到7任一项所述常减压产品性质预测方法的步骤。