本發(fā)明涉及一種常減壓裝置常壓塔常一線10％點預(yù)測方法。

背景技術(shù)：

常減壓裝置中，從常壓塔最高側(cè)線出來的餾出物稱為常一線。常壓塔的常一線10％點是常一線產(chǎn)品的主要質(zhì)量控制指標，其主要反映采出油品的輕重，所以其控制的好壞不僅關(guān)系到常壓塔原油的拔出率，同時影響后面的加工過程。當前，對于10％點，還沒有合適的儀表能夠?qū)崟r給出測量值，多數(shù)煉廠還是依賴于實驗室的人工分析值。對于人工分析，從現(xiàn)場采樣到實驗室化驗得出結(jié)果、再錄入到lims系統(tǒng)，時間相當長，大約1h-2h；此外，人工分析的周期一般為每4h或者8h一次。因此，時間上的滯后非常嚴重，通過這樣一個化驗過程只能大概了解了之前操作條件下常一線產(chǎn)品的質(zhì)量，根本無法實現(xiàn)對產(chǎn)品質(zhì)量的實時直接控制。

為了解決上述問題，學(xué)術(shù)上有關(guān)于一些這方面的研究，但是在實際應(yīng)用中存在預(yù)測精度不高、魯棒性差的問題。在過程控制中，開發(fā)了許多軟測量的方法，如一種常頂油干點在線軟測量方法(申請?zhí)?01110198455.5)、一種在線確定常壓塔頂石腦油質(zhì)量指標的軟測量方法(申請?zhí)?00710171116.1)，利用各種不同的數(shù)學(xué)模型來估計干點值。然而還未有關(guān)于常一線10％點軟測量的應(yīng)用專利。

軟測量的基本思想是把自動控制理論與生產(chǎn)過程知識有機結(jié)合起來，應(yīng)用計算機技術(shù)，針對難于測量或暫時不能測量的重要變量(或稱之為主動變量)，選擇另外一些容易測量的變量(或稱之為輔助變量)，通過構(gòu)成某種數(shù)學(xué)關(guān)系來推斷和估計，以軟件來代替硬件(傳感器)功能。這類方法響應(yīng)迅速，能夠連續(xù)給出主動變量信息，而且具有投資低、維護保養(yǎng)簡單等優(yōu)點。

技術(shù)實現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問題是現(xiàn)有技術(shù)中尚無常一線10％點軟測量方法的問題，提供一種新的常減壓裝置常壓塔常一線10％點預(yù)測方法。該方法用于常減壓裝置中，具有測試數(shù)據(jù)準確、測量結(jié)果更加貼近實際的優(yōu)點。

為解決上述問題，本發(fā)明采用的技術(shù)方案如下：一種常減壓裝置常壓塔常一線10％點預(yù)測方法，用于通過登錄預(yù)測系統(tǒng)，進行常一線10％點的預(yù)測；所述預(yù)測系統(tǒng)安裝于服務(wù)器上，服務(wù)器通過網(wǎng)線分別與實時數(shù)據(jù)庫系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，客戶端為有權(quán)限的電腦和移動終端；預(yù)測系統(tǒng)的工作步驟如下：

1)選擇的輔助變量

根據(jù)現(xiàn)場操作工控制經(jīng)驗，考慮實際對常一線10％點影響較大的相關(guān)輔助變量，包括常壓塔的塔頂溫度、塔頂壓力、常一線量、常一線抽出溫度以及常一線出再沸器溫度；

2)輔助變量原始數(shù)據(jù)的野值剔除

使用移動窗口中位值過濾器的方法，在線識別單個過程變量的異常點，剔除異常值，公式如下：

mad＝1.4826*median{|xi-x^*|}

|xi-x^*|＞t*mad

其中，median是求中位值的函數(shù)，x^*是數(shù)據(jù)的中位置，1.4826是系數(shù)，閥值t＝3，移動窗口的大小取11個點，并對剔除的中位值使用計算出來的中位值填補；

原始數(shù)據(jù)經(jīng)過野值剔除后，明顯偏離附件時刻測量值的數(shù)據(jù)被剔除；

3)輔助變量噪音剔除

(1)小波方法初步去噪

測量信號的小波分解將原始數(shù)據(jù)分解為高頻部分和低頻部分，其高頻部分反映的是噪音干擾，而低頻部分反映的是信號的真實值；

選用haar小波，利用下式將原始單變量信號分解為高頻部分和低頻部分：

式中，d是尺度系數(shù)，β是小波系數(shù)，g和h分別是高通和低通分解濾波器，l為時間參數(shù)；

分解尺度n＝3，將高頻部分全部濾除，并用下式進行重構(gòu)：

式中，g^*和h^*為高通和低通重構(gòu)濾波器；

重構(gòu)后的數(shù)據(jù)不含有原始數(shù)據(jù)的高頻部分，也就是剔除了高頻部分的噪音，使得用于軟儀表的數(shù)據(jù)更加準確地反映儀表的真實值；

(2)主元分析法深度去噪

利用主元分析法將初步去噪后的輔助變量數(shù)據(jù)，進行異常工況識別，以便剔除異常工況對建模的影響，實現(xiàn)深度去噪；

首先按下式將數(shù)據(jù)進行標準化：

其中，

其中，為標準化后數(shù)據(jù)，xi為原始數(shù)據(jù)，為原始數(shù)據(jù)的平均值，s為標準差；

將標準化后的數(shù)據(jù)按下式進行分解：

式中，主元個數(shù)k＝5，這個主元模型在i時刻的平方誤差如下：

式中，xij為i時刻第j個輸入變量的測量值，為i時刻第j個數(shù)據(jù)變量的主元模型預(yù)測值，t²統(tǒng)計量的控制限利用f分布按下式計算：

其中，fk,m-1,a是對應(yīng)于檢驗水平a，自由度為k，m-1條件下的f分布臨界值；

檢驗水平a＝0.05，自由度k＝5，m為移動窗口的寬度，取半個小時的數(shù)據(jù)：1個/15s,m＝120，并對spe和t²畫出累計分布為95％的控制限，當spe或t²超出95％控制限時此時的工況將被識別為異常工況，其數(shù)據(jù)不會用于建立軟測量模型；

4)主動變量相對于輔助變量的滯后時間的確定

利用遺傳算法確定滯后時間，方法具體如下：

遺傳算法輸入變量如下：

n＝[n1,n2,…,nj]j＝1,2,…,m

其中，nj為第j個輸入變量的滯后時間,m為輔助變量個數(shù)；

遺傳算法目標函數(shù)如下：

其中，yi是主導(dǎo)變量離線化驗值，是grnn模型5折交叉驗證預(yù)測值，n是訓(xùn)練樣本個數(shù)；

在建立軟測量模型中，取m＝6，滯后時間范圍為nj＝0～60min，由于nj的取值是正整數(shù)，轉(zhuǎn)化為長度為6的二進制來計算；遺傳算法的種群大小為200，隨機初始化種群，迭代次數(shù)為500，交叉概率為0.4，變異概率為0.2；

5)軟測量方法；

使用廣義回歸神經(jīng)網(wǎng)絡(luò)(generalizedregressionneuralnetwork,grnn)；對常壓塔常一線10％點的軟測量建模，grnn網(wǎng)絡(luò)結(jié)構(gòu)由四層構(gòu)成，分別為輸入層，模式層，求和層和輸出層；其中，輸入層節(jié)點數(shù)為6，模式層神經(jīng)元數(shù)目為訓(xùn)練樣本的數(shù)目，輸出層的神經(jīng)元數(shù)目等于1。模式層神經(jīng)元傳遞函數(shù)為：

求和層神經(jīng)元的傳遞函數(shù)為：

輸出層神經(jīng)元的傳遞函數(shù)為：

grnn模型訓(xùn)練過程中的徑向基函數(shù)的擴展速度spread由5折交叉驗證方法確定為spread＝0.2；

6)系統(tǒng)算法技術(shù)路線

7)數(shù)據(jù)接口開發(fā)

為了獲取實際裝置的生產(chǎn)數(shù)據(jù)，開發(fā)了多種數(shù)據(jù)采集接口，從多種煉化企業(yè)主流實時數(shù)據(jù)庫采集輔助變量的數(shù)據(jù)，能滿足各種現(xiàn)場實施環(huán)境的需要；同時，開發(fā)了odbc接口連接企業(yè)的lims系統(tǒng)(laboratoryinformationmanagementsystem，實驗室信息管理系統(tǒng))，在線獲取主動變量的數(shù)據(jù)，實現(xiàn)常壓常一線10％點預(yù)測系統(tǒng)算法的檢驗與修正。

本專利的方法增加了對輔助變量原始數(shù)據(jù)的野值剔除、噪音剔除，減少甚至避免了不必要的干擾，使樣本數(shù)據(jù)更準確；考慮了主動變量相對于輔助變量的滯后時間，符合工業(yè)運行的實際，主動變量的預(yù)測結(jié)果更貼近實際；開發(fā)的在線監(jiān)測系統(tǒng)，具有多種現(xiàn)場數(shù)據(jù)采集接口，適應(yīng)性強，取得了較好的技術(shù)效果。

附圖說明

圖1為常減壓裝置常壓常一線10％點預(yù)測系統(tǒng)算法邏輯圖。

圖2為硬件分布圖。

圖2中，1為實時數(shù)據(jù)庫；2為輔助變量；3為lims數(shù)據(jù)庫；4為主動變量；5為防火墻；6為常減壓裝置常壓常一線10％點預(yù)測系統(tǒng)；7為無線路由器；8為平板電腦；9為辦公電腦。

下面通過實施例對本發(fā)明作進一步的闡述，但不僅限于本實施例。

具體實施方式

【實施例1】

采用本發(fā)明的方法，用于通過登錄預(yù)測系統(tǒng)，進行常一線10％點的預(yù)測；所述預(yù)測系統(tǒng)安裝于服務(wù)器上，服務(wù)器通過網(wǎng)線分別與實時數(shù)據(jù)庫系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，客戶端為有權(quán)限的電腦和移動終端；預(yù)測系統(tǒng)的工作步驟如下：

1)選擇的輔助變量

根據(jù)現(xiàn)場操作工控制經(jīng)驗，考慮實際對常一線10％點影響較大的相關(guān)輔助變量。包括常壓塔的塔頂溫度、塔頂壓力、常一線量、常一線抽出溫度以及常一線出再沸器溫度。

2)輔助變量原始數(shù)據(jù)的野值剔除

野值是指過程變量測量值中某一時刻的值明顯偏離其它相鄰時刻的測量值。野值是由于測量設(shè)備誤差或者噪音引起的，其值不能反映真實的工況。如不剔除將會降低對軟儀表模型的精度。本專利使用移動窗口中位值過濾器的方法，在線識別單個過程變量的異常點，剔除異常值。公式如下：

mad＝1.4826*median{|xi-x^*|}

|xi-x^*|＞t*mad

其中，median是求中位值的函數(shù)，x^*是數(shù)據(jù)的中位置，1.4826是系數(shù)，閥值t＝3。移動窗口的大小取11個點，并對剔除的中位值使用計算出來的中位值填補。

原始數(shù)據(jù)經(jīng)過野值剔除后，明顯偏離附件時刻測量值的數(shù)據(jù)可以被剔除。

3)輔助變量噪音剔除(小波、pca)

噪音是測量數(shù)據(jù)中普遍存在的隨機誤差，其值服從正態(tài)分布。噪音對測量數(shù)據(jù)有明顯的影響，使測量值偏離真實值。

(2)小波方法初步去噪

測量信號的小波分解可以將原始數(shù)據(jù)分解為高頻部分和低頻部分，其高頻部分反映是的噪音干擾，而低頻部分反映的是信號的真實值。

選用haar小波，利用下式將原始單變量信號分解為高頻部分和低頻部分。

式中，d是尺度系數(shù)，β是小波系數(shù)，g和h分別是高通和低通分解濾波器，l為時間參數(shù)。

分解尺度n＝3，將高頻部分全部濾除，并用下式進行重構(gòu)。

式中，g^*和h^*為高通和低通重構(gòu)濾波器。

重構(gòu)后的數(shù)據(jù)不含有原始數(shù)據(jù)的高頻部分，也就是剔除了高頻部分的噪音，使得用于軟儀表的數(shù)據(jù)更加準確地反映儀表的真實值。

(2)主元分析法深度去噪

多個輔助變量相關(guān)的異常工況也屬于一種噪聲，利用主元分析法(pca)將初步去噪后的輔助變量數(shù)據(jù)，進行異常工況識別，以便剔除異常工況對建模的影響，實現(xiàn)深度去噪。首先按下式將數(shù)據(jù)進行標準化，

其中，

其中，為標準化后數(shù)據(jù)，xi為原始數(shù)據(jù)，為原始數(shù)據(jù)的平均值，s為標準差。

將標準化后的數(shù)據(jù)按下式進行分解

式中，主元個數(shù)k＝5，這個主元模型在i時刻的平方誤差(spe)如下

式中，xij為i時刻第j個輸入變量的測量值，為i時刻第j個數(shù)據(jù)變量的主元模型預(yù)測值。t²統(tǒng)計量的控制限可以利用f分布按下式計算

其中，fk,m-1,a是對應(yīng)于檢驗水平a，自由度為k，m-1條件下的f分布臨界值。

這里，檢驗水平a＝0.05，自由度k＝5，m為移動窗口的寬度，取半個小時的數(shù)據(jù)(1個/15s),m＝120。并對spe和t²畫出累計分布為95％的控制限，當spe或t²超出95％控制限時此時的工況將被識別為異常工況，其數(shù)據(jù)不會用于建立軟測量模型。

4)主動變量相對于輔助變量的滯后時間的確定

由于常減壓裝置的流程較長，操作具有時間的延遲性，輔助變量在時刻t1的操作，要到時刻t2(t2>t1)才能反映在主導(dǎo)變量上，因此，需要確定主導(dǎo)變量相對于輔助變量的滯后時間。

本專利利用遺傳算法確定滯后時間，方法具體如下：

遺傳算法輸入變量如下

n＝[n1,n2,…,nj]j＝1,2,…,m

其中，nj為第j個輸入變量的滯后時間,m為輔助變量個數(shù)。

遺傳算法目標函數(shù)如下

其中，yi是主導(dǎo)變量離線化驗值，是grnn模型5折交叉驗證預(yù)測值，n是訓(xùn)練樣本個數(shù)。

在建立軟測量模型中，取m＝6，滯后時間范圍為nj＝0～60min。由于nj的取值是正整數(shù)，轉(zhuǎn)化為長度為6的二進制(可以表示0～63min的滯后時間)來計算。遺傳算法的種群大小為200，隨機初始化種群，迭代次數(shù)為500，交叉概率為0.4，變異概率為0.2。

5)軟測量方法(grnn)

本專利使用廣義回歸神經(jīng)網(wǎng)絡(luò)(grnn)對常壓塔常一線10％點的軟測量建模。grnn網(wǎng)絡(luò)結(jié)構(gòu)由四層構(gòu)成，分別為輸入層，模式層，求和層和輸出層。其中，輸入層節(jié)點數(shù)為6，模式層神經(jīng)元數(shù)目為訓(xùn)練樣本的數(shù)目，輸出層的神經(jīng)元數(shù)目等于1。模式層神經(jīng)元傳遞函數(shù)為

求和層神經(jīng)元的傳遞函數(shù)為

輸出層神經(jīng)元的傳遞函數(shù)為

grnn模型訓(xùn)練過程中的徑向基函數(shù)的擴展速度spread由5折交叉驗證方法確定為spread＝0.2。

6)系統(tǒng)算法技術(shù)路線，如圖1所示。

7)數(shù)據(jù)接口開發(fā)

為了獲取實際裝置的生產(chǎn)數(shù)據(jù)，開發(fā)了多種數(shù)據(jù)采集接口，如api、odbc、webservice、opc等，可以從infoplus.21、plantinformationsystem、processhistorydatabase等煉化企業(yè)主流實時數(shù)據(jù)庫采集輔助變量的數(shù)據(jù)，能滿足各種現(xiàn)場實施環(huán)境的需要。

同時，開發(fā)了odbc接口連接企業(yè)的lims系統(tǒng)，在線獲取主動變量的數(shù)據(jù)，實現(xiàn)常壓常一線10％點預(yù)測系統(tǒng)算法的檢驗與修正。

8)硬件環(huán)境

硬件結(jié)構(gòu)如圖2所示。在中控室配置一臺服務(wù)器，通過網(wǎng)線分別與實時數(shù)據(jù)庫系統(tǒng)、lims系統(tǒng)的服務(wù)器相連，安裝并運行“常減壓裝置常壓塔常一線10％點預(yù)測系統(tǒng)”服務(wù)器版。

客戶端可以是處在企業(yè)辦公網(wǎng)的任意有權(quán)限的電腦和移動終端，如智能手機、平板電腦等。

9)服務(wù)器端系統(tǒng)應(yīng)用

9.1啟動系統(tǒng)

連接硬件，啟動各個子系統(tǒng)，打開服務(wù)器端程序。

9.2權(quán)限控制

根據(jù)輸入的用戶，檢測或選擇不同的身份進入系統(tǒng)。

9.3組態(tài)建模：

該部分主要完成推理算法的建模。收集輔助變量和主動變量的歷史值，作為樣本，進行算法訓(xùn)練。

9.4實時監(jiān)測

連接企業(yè)的實時數(shù)據(jù)庫，系統(tǒng)開始實時監(jiān)測。

1)采集來自生產(chǎn)現(xiàn)場的輔助變量實時數(shù)據(jù)，實時推理計算當前10％點的實時值。

2)根據(jù)lims系統(tǒng)出數(shù)據(jù)的時間，每隔4-8小時，將軟測量得到的值與lims系統(tǒng)的化驗值進行對比，實時修正。

10)客戶端系統(tǒng)應(yīng)用

所開發(fā)的客戶端，既有b/s架構(gòu)的，便于用戶在企業(yè)使用辦公網(wǎng)上的任一電腦，適用于裝置管理人員；又有c/s架構(gòu)的，使用戶能查看詳細計算細節(jié)，適用于操作工面前的平板電腦、工藝員辦公室的pc電腦。

本專利的方法增加了對輔助變量原始數(shù)據(jù)的野值剔除、噪音剔除，減少甚至避免了不必要的干擾，使樣本數(shù)據(jù)更準確；考慮了主動變量相對于輔助變量的滯后時間，符合工業(yè)運行的實際，主動變量的預(yù)測結(jié)果更貼近實際；開發(fā)的在線監(jiān)測系統(tǒng)，具有多種現(xiàn)場數(shù)據(jù)采集接口，適應(yīng)性強，取得了較好的技術(shù)效果。