CN114239321B 一种基于大数据的炼油过程模式识别及优化方法 （华东理工大学）

一种基于大数据的炼油过程模式识别及优本发明涉及一种基于大数据的炼油过程模2(1)将炼油过程中所采集到的历史数据组成建模用的训练样本集Z＝[z1,z2,...,(3)对X运用主元分析法将其从n维降到k维，并得到得分矩阵T∈Rm×k和负载矩阵P∈Rn;(6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前两列(8)利用主成分分析过程中得到的标准差和均值求得置信椭圆中的点对应的原始变3λ2＞...＞λn(3-d)保留对应k个最大特征值的特征向量，得到负载矩阵P＝[p14(4-e)计算步骤(4-a)所得矩阵s的特征值和对应的特征向量，得特征值矩阵为特征向量矩阵为P的前两列。(4)还包括：将历史数据结合现场工艺知识对所绘制的置信椭圆进行插旗处5并通过实时监控观察数据是否往所期望的区6进行有效地监控对提高炼油过程的生产效益以及保障其生产安全有着重[0006]具体而言，本发明的第一个方面提供一种基于大数据的[0007](1)将炼油过程中所采集到的历史数据组成建模用的训练样本集Z＝[z1,z2,...,7[0012](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0013](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将λ2＞...＞λn8[0042](4-e)计算步骤(4-a)所得矩阵s的特征值和对应的特征向量，得特征值矩阵为特征向量矩阵为[0043](4-f)利用步骤(4-d)中的r以及步骤(4-e)中的D，即可得到置信椭圆的长轴以及(10)P的前两列。9[0054]在一个或多个实施方案中，步骤(7)还包括将收集到的正常工况下的数据加入到[0055]在一个或多个实施方案中，步骤(7)还包括将收集到的正常工况下的数据加入到制的置信椭圆进行插旗处理实现对不同性能等级数据的区域划分，所述区域划分优选包能等级的历史数据设置不同的标签，将历史数据的得分矩阵的前两列投影到置信椭圆上，通过不同区域数据点所带的标签对置信椭圆进行过程模式优化方法包括如本文任一实施方案所述的基于大数据的炼油过程模式识别方法，且所述基于大数据的炼油过程模式识别方法中的步骤(7)还包括：对于映射在椭圆内部的油过程模式优化方法包括如本文任一实施方案所述的基于大数据的炼油过程模式识别方成分分析建模时负载矩阵的前两列，std(Xm)为主成分分析采用的基础样本的方差，mean过如式(17)所示的改进的评估函数f(x)来确定搜索方向和下一[0075]本发明的第二个方面提供一种基于数据驱动的催化裂化装置运行状态识别及优[0076](1)将包含操作数据和原料数据的正常工况状态下的催化裂化装置生产过程历史[0081](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0082](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将[0083]在一个或多个实施方案中，所述步骤(2)中的预处理方法如本发明的第一个方面据需求对定义的生产模式下的评价指标进行等级划分，筛选出处于优化运行状态的数据，[0088]在一个或多个实施方案中，所述步骤(7)中，将scorey中的每一组数据代入公式[0089]在一个或多个实施方案中，所述步骤(7)还包括将收集到的正常工况下的数据加[0091]在一个或多个实施方案中，所述步骤(7)中，对于映射在二维置信椭圆内部的样则表明此时装置处于定义的生产模式下的非优化[0095]本发明的第三个方面提供一种基于数据驱动的硫磺回收装置运行状态识别及优[0096](1)将正常工况状态下的硫磺回收装置生产过程历史数据组成建模用的训练数据根据所设定的生产模式下的关键指标变量和生产需求，对所设定的生产模式进行等级划[0101](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0102](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将[0103]在一个或多个实施方案中，所述步骤(2)中的预处理方法如本发明的第一个方面不同区域数据点所带的标签将置信椭圆划分为优化区域[0108]在一个或多个实施方案中，所述步骤(7)中，将scorey中的每一组数据代入公式[0110]在一个或多个实施方案中，所述步骤(7)中，对于映射在二维置信椭圆内部的样则表明此时装置处于定义的生产模式下的非优化[0115]本发明的第四个方面提供一种基于数据驱动的渣油加氢处理装置运行状态识别[0116](1)将渣油加氢处理装置生产过程历史数据组成建模用的训练数据样本集Z=[0121](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0122](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将[0123]在一个或多个实施方案中，所述步骤(2)中的预处理方法如本发明的第一个方面通过不同区域数据点所带的标签将置信椭圆划分为优化区域和非优[0128]在一个或多个实施方案中，所述步骤(7)中，将scorey中的每一组数据代入公式[0130]在一个或多个实施方案中，所述步骤(7)中，对于映射在二维置信椭圆内部的样则表明此时装置处于设定的生产模式下的非优化[0136](1)将常减压过程的历史数据组成建模用的训练样本集Z＝[z1,z2,...,zi,...,[0141](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0142](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将[0143]在一个或多个实施方案中，所述步骤(2)中的预处理方法如本发明的第一个方面[0147]在一个或多个实施方案中，所述步骤(7)中，将scorey中的每一组数据代入公式[0148]在一个或多个实施方案中，所述步骤(7)还包括将收集到的正常工况下的数据加[0152]在一个或多个实施方案中，所述方法还包括步骤(8)：对于映射在椭圆内部的样[0153]在一个或多个实施方案中，所述步骤(8)还包括：对于处于非最优性能等级的样[0156]本发明的第六个方面提供一种基于大数据的加氢裂化过[0157](1)利用加氢裂化过程的历史数据构建建模用的训练数据样本集Z＝[z1,z2,...,[0159](3)运用主元分析法将X从n维降到k维，并得到得分矩阵T∈Rm×k;[0162](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0163](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将[0164]在一个或多个实施方案中，所述步骤(2)中的预处理方法如本发明的第一个方面所绘制的置信椭圆进行插旗处理实现对不同性能等级数据的区域划分。在一些实施方案值在历史数据中可以查到或根据历史数据计算得[0170]在一个或多个实施方案中，所述步骤(7)中，将scorey中的每一组数据代入公式[0171]在一个或多个实施方案中，所述步骤(7)还包括将收集到的正常工况下的数据加行不同等级的划分，再找到各个等级所对应的历史数据在椭圆中的分布并加以不同的标[0174]在一个或多个实施方案中，所述方法还包括步骤(8)：对于映射在椭圆内部的样[0175]在一个或多个实施方案中，所述步骤(8)还包括：对于处于非最优性能等级的样[0189]图12是实施例2中根据优化目标变量——经济效益折线选出的装置优化运行区域[0199]图22是本发明的基于数据驱动的渣油加氢处理装置运行状态识别及优化方法的[0202]图25是实施例4中注重加氢重油收率的生产样本对应的优化区域数据在置信椭圆[0214]图37是本发明的基于大数据的加氢裂化过程模式识别和优化方法的总体流程框[0224](1)将炼油过程中所采集到的历史数据组成建模用的训练样本集Z＝[z1,z2,...,[0229](6)将Ym乘以步骤(3)所得的负载矩阵P的前两列，得到Ym根据训练样本所得的前[0230](7)以scorey的第一列作为x轴的数据，以scorey的第二列作为y轴的数据，将样本通常是指在某个时间点对所选取的各个变量进行采集得到的一组数据，包括多个变料数据的催化裂化装置生产过程历史数据作为建模用的训[0234]步骤(2)中，通过求取训练样本集的平均值和标准差来对训练样本进行标准化处λ2＞...＞λn[0262](4-e)计算步骤(4-a)所得矩阵s的特征值和对应的特征向量，得特征值矩阵为特征向量矩阵为矩阵S的特征值和对应的特征向量可参照前[0263](4-f)利用步骤(4-d)中的r以及步骤(4-e)中的D，即可得到置信椭圆的长轴以及[0264]a=FTD(10)b=FT页(11)[0271]步骤(4)中，利用得分矩阵T的前两列，绘制二维置信椭圆。置信度优选设置为[0273]步骤(5)中，参照公式(1)采用步骤(2)中对训练样本进行预处理时所得到的均值P的前两列。[0278]步骤(7)中，可将scorey中的每一组数据代入前述公式(12[0279]在一些实施方案中，步骤(7)还包括将收集到的正常工况下的数据加入到历史数[0280]在一些实施方案中，步骤(7)还包括对异常数据计算SPE贡献率来进行故障溯置结合步骤(4)中对椭圆进行的区域划分判断当前所处的性能等级，若其处于非最优的性[0284]在本发明的基于大数据的炼油过程模式识别方法的基础上引入如下的步骤(8)也[0285](8)通过主成分分析过程中得到的标准差和均值求得置信椭圆中的点对应的原始油过程模式优化方法包括如本文任一实施方案所述的炼油过程模式识别方法和如本文任成分分析建模时负载矩阵的前两列，std(Xm)为主成分分析采用的基础样本的方差，mean[0294]置信椭圆中的点均可通过式(15)的变换后得到原始工况并根据式(16)得到一个[0295]步骤(8)中，路径优化可以采用本领域已知的算法(例如常规的A*算法)或采用本径优化和模式点反变换得到的操作变量调整方式指导炼油[0310]本实施例将本发明的基于大数据的炼油过程模式优化方法应用到催化重整(CCR)[0311]CCR模型包括51个输入变量和16个输出变量。通过对输入变量进行控制可以得到1℃2℃3℃4℃5678℃9℃℃[0314]采用本发明的基于大数据的炼油过程模式优化方法对CCR过程进行监控和优化，[0315]1.采集一段时间CCR过程正常运行状态下的样本数据Z＝[z1,z2,...,zi[0316]2.对采集的数据进行预处理，得到均值为0、方差为1的标准化数据集X＝[x1,[0322]3.对经过标准化处理后所得到的X运λ2＞...＞λn所要绘制的置信椭圆的置信度为95对rd进行升序排序后，将rd第95％个位置所对应的[0345]e)计算4-a)中所得矩阵s的特征值和对应的特征向量，计算公式与式(5)和式(6)[0353]5.不同生产模式下的数据在置信椭圆[0354]6.将CCR过程在正常工况下运行一段时间后通过调整操作变量中压缩机压力的值量(x3456)以及重整进料负荷(x7)有关，这些物质的价格如表2所-18489.57[0366]根据历史样本即可绘制如图6所示效益值，从而可以在置信椭圆中划分高效益区成分分析建模时负载矩阵的前两列，std(Xm)为主成分分析采用的基础样本的方差，mean装置自变量数据点作为模型输入变量和20个装置因变量数据点作为模型对应的输出变量，[0378]本实施例采用本发明的一种基于数据驱动的催化裂化装置运行状态识别及优化λ2＞...＞λn；[0405]d)保留与k个最大特征值相对应的k个特征向量，得到负载矩阵P＝[p1,p2,p3,的百分位数，由于所要绘制的置信椭圆的置信度为95对rd求第5％个位置所对应的值，[0413]e)参照式(5)和式(6)计算4-a)中所得矩阵s的特征值和对应的特征向量，得特征[0418]g)以4-b)中xm为椭圆的中心点，根据中心点以及椭圆的长轴和短轴绘制置信椭[0421]5.不同生产模式下的数据在置信椭圆中的投影会分布在不同的区域。如图12所生的原因主要是由第10个变量(即烧焦罐下部密度)起主要作用，与步骤(6)的实际操作情[0432]本实施例采用本发明的一种基于数据驱动的硫磺回收装置运行状态识别及优化λ2＞...＞λn；[0458]d)保留与k个最大特征值相对应的k个特征向量，得到负载矩阵P＝[p1,p2,p3,所要绘制的置信椭圆的置信度为95对rd进行升序排序后，将rd第95％个位置所对应的[0466]e)参照式(5)和式(6)计算4-a)中所得矩阵s的特征值和对应的特征向量，得特征b=VT环(11)[0471]g)以4-b)中xm为椭圆的中心点，根据中心点以及椭圆的长轴和短轴绘制置信椭[0474]5.不同生产模式下的数据在置信椭圆中的投影会分布在不同的区域。如图18所所在区域为追求硫回收率最高的生产模式对应[0488]采用本发明的基于数据驱动的渣油加氢处理装置运行状态识别及优化方法对该λ2＞...＞λn；[0511]d)保留与k个最大特征值相对应的k个特征向量，得到负载矩阵P＝[p1,p2,p3,所要绘制的置信椭圆的置信度为95对rd进行升序排序后，将rd第95％个位置所对应的[0519]e)参照式(5)和式(6)计算4-a)中所得矩阵s的特征值和对应的特征向量，得特征b=VT环(11)[0524]g)以4-b)中xm为椭圆的中心点，根据中心点以及椭圆的长轴和短轴绘制置信椭[0527]5.不同生产模式下的数据在置信椭圆中的投影会分布在不同的区域。如图24所[0542]采用本发明的基于大数据的常减压过程模式监控和优化方法对该常减压过程进[0543]1.采集一段时间CDU过程正常运行状态下的样本数据Z＝[z1,z2,...,zi[0565]d)保留与k个最大特征值相对应的k个特征向量，得到负载矩阵P＝[p1,p2,p3,所要绘制的置信椭圆的置信度为95对rd进行升序排序后，将rd第95％个位置所对应的[0573]e)参照式(5)和式(6)计算4-a)中所得矩阵s的特征值和对应的特征向量，得特征TD(10)b=TD环(11)[0578]g)以4-b)中xm为椭圆的中心点，根据中心点以及椭圆的长轴和短轴绘制置信椭[0581]5.不同生产模式下的数据在置信椭圆[0582]6.将CDU过程在正常工况下运行一[0591]HCR模型包括32个输入变量和24个输出变量。通过对输入变量进行控制可以得到1%234C5C6C7C8CC9C轻柴油密度(20℃)C%CCCCCCCCC原料油密度(20℃)%[0594]采用本发明的基于大数据的加氢裂化过程模式识别和优化方法对该加氢裂化过[0595]1.采集一段时间HCR过程正常运行状态下的样本数据Z＝[z1,z2,...,zi[0617]d)保留与k个最大特征值相对应的k个特征向量，得到负载矩阵P＝[p1,p2,p3,所要绘制的置信椭圆的置信度为95对rd进行升序排序后，将rd第95％个位置所对应的[0625]e)参照式(5)和式(6)计算4-a)中所得矩阵s的特征值和对应的特征向量，得特征a=、FT万(10)TD(11)[0630]g)以4-b)中xm为椭圆的中心点，根据中心点以及椭圆的长轴和短轴绘制置信椭[0633]5.不同生产模式下的数据在置信椭圆[0634]6.将HCR过程在正常工况下运行一