本公开涉及原料油加氢,具体地,涉及一种原料油加氢装置的数据分析方法、装置、介质及设备。
背景技术:
1、当前我国经济保持快速发展,绿色经济可持续发展理念逐渐受到重视,因此对于原料油中硫含量等的限制越来越严格,例如根据相关标准,要求柴油中的硫含量需限制在10μg/g以下。利用加氢装置对原料油进行加氢精制是目前主要的脱硫方式。在工业生产过程中,随着加氢装置运转时间的延长,加氢精制催化剂会发生活性损失,催化剂活性的变化,直接影响产品的质量是否满足生产要求。
2、相关技术中,在完成加氢精制后,检查加氢精制的生成产品的硫含量是否满足要求,若不满足要求,则再次进行脱硫。这种方式需要在完成加氢精制后对生成产品进行检查,在实际应用过程中十分不便。
技术实现思路
1、本公开的目的是提供一种原料油加氢装置的数据分析方法、装置、介质及设备,以解决上述技术问题。
2、为了实现上述目的,本公开第一方面提供一种原料油加氢装置的数据分析方法,包括:
3、获取目标条件数据,所述目标条件数据包括原料油组成、加氢装置的运转时间和所述加氢装置在所述运转时间采取的工艺参数;
4、通过目标神经网络,对所述目标条件数据中的多项数据进行处理,以预测所述加氢装置在所述原料油组成、所述运转时间和所述工艺参数的条件下生成产品的物性数据,并输出预测物性数据。
5、可选地,所述方法还包括:
6、获取多组训练数据,每组训练数据包括历史条件数据和所述历史条件数据对应的真实物性数据;
7、确定输入层节点、隐含层节点和输出层节点,得到第一神经网络;
8、采用遗传算法对所述第一神经网络的网络参数进行寻优,得到目标网络参数,根据所述目标网络参数得到第二神经网络;
9、根据所述多组训练数据对所述第二神经网络进行训练;
10、在训练结束后,将训练好的第二神经网络确定为所述目标神经网络。
11、可选地,所述确定输入层节点、隐含层节点和输出层节点,得到第一神经网络,包括:
12、确定输入层节点数和输出层节点数;
13、根据所述输入层节点数和所述输出层节点数,估计所述隐含层节点数的搜寻范围,并从所述搜寻范围中依次取值;
14、根据所述输入层节点数、所述输出层节点数和本次取出的隐含层节点数,确定输入层节点、隐含层节点和输出层节点,得到本次的候选神经网络;
15、将多组历史条件数据依次输入到本次的所述候选神经网络中,得到与输入的历史条件数据对应的预测物性数据,根据所述预测物性数据和对应的所述真实物性数据计算所述候选神经网络的误差值;
16、从多个候选神经网络中确定误差值最小的候选神经网络为所述第一神经网络。
17、可选地,所述采用遗传算法对所述第一神经网络的网络参数进行寻优,得到目标网络参数,包括:
18、根据设定的种群大小k,随机生成k组网络参数;k为大于1的正整数;
19、针对每组网络参数,确定应用该组网络参数的第一神经网络的误差值,并将所述误差值作为该组网络参数对应的适应度;
20、根据每组网络参数对应的适应度,在当前的k组网络参数中进行选择、交叉和变异,以形成新的k组网络参数,并返回执行所述针对每组网络参数,确定应用该组网络参数的第一神经网络的误差值的步骤;
21、当达到终止条件时,从当前的k组网络参数中确定出一组最优网络参数,作为所述目标网络参数。
22、可选地,所述根据所述多组历史数据对所述第二神经网络进行训练,包括:
23、根据所述多组历史数据对所述第二神经网络进行多次如下迭代过程:
24、在本次迭代时,将本次迭代对应的多组历史条件数据依次输入到所述第二神经网络中,得到与输入的历史条件数据对应的预测物性数据;
25、根据所述预测物性数据和对应的真实物性数据计算误差值;
26、根据本次迭代的误差值与上次迭代的误差值之间的大小关系,在上次迭代的学习率的基础上进行相应调整,得到本次迭代的学习率;
27、根据本次迭代的学习率更新所述第二神经网络中的网络参数。
28、可选地,所述根据本次迭代的误差值与上次迭代的误差值之间的大小关系,在上次迭代的学习率的基础上进行相应调整,得到本次迭代的学习率,包括:
29、若本次迭代的误差值小于上次迭代的误差值,则在上次迭代的学习率的基础上增大学习率,得到本次迭代的学习率;
30、若本次迭代的误差值大于或等于上次迭代的误差值,则在上次迭代的学习率的基础上减小学习率,得到本次迭代的学习率。
31、可选地,在获取目标条件数据之后,所述方法还包括:
32、对所述目标条件数据中的每项数据分别进行归一化处理,将归一化处理后的数据作为所述目标神经网络的输入。
33、本公开第二方面提供一种原料油加氢装置的数据分析装置,包括:
34、条件数据获取模块,用于获取目标条件数据,所述目标条件数据包括原料油组成、加氢装置的运转时间和所述加氢装置在所述运转时间采取的工艺参数;
35、物性数据预测模块,用于通过目标神经网络,对所述目标条件数据中的多项数据进行处理,以预测所述加氢装置在所述原料油组成、所述运转时间和所述工艺参数的条件下生成产品的物性数据,并输出预测物性数据。
36、本公开第三方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述方法的步骤。
37、本公开第四方面提供一种电子设备,包括:
38、存储器,其上存储有计算机程序;
39、处理器,用于执行所述存储器中的所述计算机程序,以实现第一方面所述方法的步骤。
40、在上述方案中,预先构建一个目标神经网络,基于构建好的目标神经网络,只需要向目标神经网络输入相应的条件数据,就能预测出在相应条件下加氢装置生成产品的物性数据。从而基于本方案,能够在实际生成产品之前,对产品硫含量、产品密度和产品馏程等物性数据进行提前预测,从而提前发现不满足生产要求的产品,或者还可根据预测的物性数据对输入的条件数据进行反馈,进而指导加氢工艺过程的优化。
41、本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种原料油加氢装置的数据分析方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
3.根据权利要求2所述的方法,其特征在于,所述确定输入层节点、隐含层节点和输出层节点,得到第一神经网络,包括:
4.根据权利要求2所述的方法,其特征在于,所述采用遗传算法对所述第一神经网络的网络参数进行寻优,得到目标网络参数,包括:
5.根据权利要求2所述的方法,其特征在于,所述根据所述多组历史数据对所述第二神经网络进行训练,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据本次迭代的误差值与上次迭代的误差值之间的大小关系,在上次迭代的学习率的基础上进行相应调整,得到本次迭代的学习率,包括:
7.根据权利要求1所述的方法,其特征在于,在获取目标条件数据之后,所述方法还包括:
8.一种原料油加氢装置的数据分析装置,其特征在于,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
10.一种电子设备,其特征在于,包括: