[发明专利]常减压装置常压塔常一线10％点预测方法

摘要

本发明涉及一种常减压装置常压塔常一线10％点预测方法，主要解决现有技术中尚无常一线10％点软测量方法的问题。本发明通过采用一种常减压装置常压塔常一线10％点预测方法，用于通过登录预测系统，进行常一线10％点的预测；所述预测系统安装于服务器上，服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连，客户端为有权限的电脑和移动终端的技术方案较好地解决了上述问题，可用于常减压装置中。

主权项

一种常减压装置常压塔常一线10％点预测方法，用于通过登录预测系统，进行常一线10％点的预测；所述预测系统安装于服务器上，服务器通过网线分别与实时数据库系统、LIMS系统的服务器相连，客户端为有权限的电脑和移动终端；预测系统的工作步骤如下：1)选择的辅助变量根据现场操作工控制经验，考虑实际对常一线10％点影响较大的相关辅助变量，包括常压塔的塔顶温度、塔顶压力、常一线量、常一线抽出温度以及常一线出再沸器温度；2)辅助变量原始数据的野值剔除使用移动窗口中位值过滤器的方法，在线识别单个过程变量的异常点，剔除异常值，公式如下：MAD＝1.4826*median{|Xi‑X*|} |Xi‑X*|>t*MAD其中，median是求中位值的函数，X*是数据的中位置，1.4826是系数，阀值t＝3，移动窗口的大小取11个点，并对剔除的中位值使用计算出来的中位值填补；原始数据经过野值剔除后，明显偏离附件时刻测量值的数据被剔除；3)辅助变量噪音剔除(1)小波方法初步去噪测量信号的小波分解将原始数据分解为高频部分和低频部分，其高频部分反映的是噪音干扰，而低频部分反映的是信号的真实值；选用haar小波，利用下式将原始单变量信号分解为高频部分和低频部分：式中，d是尺度系数，β是小波系数，G和H分别是高通和低通分解滤波器，l为时间参数；分解尺度n＝3，将高频部分全部滤除，并用下式进行重构：式中，G*和H*为高通和低通重构滤波器；重构后的数据不含有原始数据的高频部分，也就是剔除了高频部分的噪音，使得用于 软仪表的数据更加准确地反映仪表的真实值；(2)主元分析法深度去噪利用主元分析法将初步去噪后的辅助变量数据，进行异常工况识别，以便剔除异常工况对建模的影响，实现深度去噪；首先按下式将数据进行标准化：其中，其中，为标准化后数据，xi为原始数据，为原始数据的平均值，s为标准差；将标准化后的数据按下式进行分解：式中，主元个数k＝5，这个主元模型在i时刻的平方误差如下：式中，Xij为i时刻第j个输入变量的测量值，为i时刻第j个数据变量的主元模型预测值，T2统计量的控制限利用F分布按下式计算：其中，Fk,m‑1,a是对应于检验水平a，自由度为k，m‑1条件下的F分布临界值；检验水平a＝0.05，自由度k＝5，m为移动窗口的宽度，取半个小时的数据：1个/15s,m＝120，并对SPE和T2画出累计分布为95％的控制限，当SPE或T2超出95％控制限时此时的工况将被识别为异常工况，其数据不会用于建立软测量模型；4)主动变量相对于辅助变量的滞后时间的确定利用遗传算法确定滞后时间，方法具体如下：遗传算法输入变量如下：N＝[N1,N2,…,Nj]  j＝1,2,…,m其中，Nj为第j个输入变量的滞后时间,m为辅助变量个数；遗传算法目标函数如下：其中，yi是主导变量离线化验值，是GRNN模型5折交叉验证预测值，n是训练样本个数；在建立软测量模型中，取m＝6，滞后时间范围为Nj＝0～60min，由于Nj的取值是正整数， 转化为长度为6的二进制来计算；遗传算法的种群大小为200，随机初始化种群，迭代次数为500，交叉概率为0.4，变异概率为0.2；5)软测量方法；使用广义回归神经网络；对常压塔常一线10％点的软测量建模，GRNN网络结构由四层构成，分别为输入层，模式层，求和层和输出层；其中，输入层节点数为6，模式层神经元数目为训练样本的数目，输出层的神经元数目等于1。模式层神经元传递函数为：求和层神经元的传递函数为：输出层神经元的传递函数为：GRNN模型训练过程中的径向基函数的扩展速度Spread由5折交叉验证方法确定为Spread＝0.2；6)系统算法技术路线7)数据接口开发为了获取实际装置的生产数据，开发了多种数据采集接口，从多种炼化企业主流实时数据库采集辅助变量的数据，能满足各种现场实施环境的需要；同时，开发了ODBC接口连接企业的LIMS系统，在线获取主动变量的数据，实现常压常一线10％点预测系统算法的检验与修正。