一种基于物料平衡的数据同步校正方法与流程
本发明涉及数据校正领域，尤其涉及一种基于物料平衡的数据同步校正方法。
背景技术：
在任何一个现代化的炼化工厂中，生产计划、生产调度以及绩效分析等活动是制造运行管理的关键，这些活动又依赖于来自生产统计的物料平衡数据，该物料平衡数据基本的数据源是生产过程中的测量数据。但是，由于炼化工厂中生产工艺路线复杂，过程数据繁多，很难基于过程测量数据直接获得能够反映全厂真实生产状况的全厂级生产统计数据。对于一个操作单元(生产装置)，和其相连的所有管线流量可以被测量，那么应用一个质量平衡原理，进料流量的和减去出料流量的和应该等于零符合质量守恒，同时，过程测量数据不可避免地受到来自测量和处理过程中的误差的干扰。这种干扰使得过程测量数据偏离真实值，不能满足物料平衡和能量平衡或者其他的过程约束。通常来说，这种对于过程测量数据的干扰有两种——随机误差和显著误差。
随机误差不能够被完全去除并始终存在于测量之中，并且不能够被确定地预测，概率分布是唯一可用来刻画随机误差的方法。除了在一些偶然的尖峰处之外，随机误差的幅值通常都很小。
显著误差则是由非随机事件引起的，并且可被分为两类，即与测量相关的显著误差，例如测量仪表故障；以及与过程相关的显著误差，例如过程泄漏，在物料平衡过程中也可表现为移动信息缺失。显著误差的非随机特性揭示出，在任意一个给定时刻，显著误差具有确定的幅值和正负，但是它的幅值和正负都是未知的。较之随机误差，显著误差发生的概率更小，但是，显著误差的幅值更大。
既然在物料平衡中，过程测量数据的误差可能导致物料平衡结果的偏差，那么最小化随机误差和显著误差的影响就显得尤为重要。数据校正(datarectification，dr)是一种通过减少过程测量数据中的随机误差的影响、减小以至去除过程测量数据中显著误差的影响来提高过程数据的准确性的技术，该技术与其它滤波技术的最大不同就是直接地采用过程模型约束(例如物料平衡)来对过程测量数据进行最优的调整，使得调整之后的数据能够满足这些模型约束。数据校正技术的特点决定了该技术能够很好的适用于物料平衡问题。
因此，基于生产工艺流程及生产过程测量数据进行数据校正而获得全厂物料平衡数据已成为炼化企业制造运行管理的关键。并且，全厂物料平衡也是数据校正技术在实际工业应用中最成功也最广泛的领域，许多大型自动化软件及系统供应商都有相应的产品，例如honeywell的businessflex软件套件、aspen的aspenone软件套件和supcon的esp-supplantproduction软件套件等。
例如：发明名称：一种炼油厂多层次物料平衡数据校正方法，专利号：200710071291.3的专利，该专利公开了：首先采用进厂、出厂、库存计量数据进行进销存平衡的数据校正,然后利用第一步计算所得的结果作为约束对生产装置和油品移动层的数据进行校正,从而得到准确的符合全厂物料平衡的数据。但是该数据校正方法都没有考虑到由于物料移动信息缺失所引起的显著物料的校正，都只是利用装置的产率或者测量仪表精度，没有利用更多的生产工艺关键约束条件。因此通过该数据校正方法得到的校正结果不准确，从而影响其物料平衡结果。
技术实现要素：
为解决上述问题，本发明提出一种基于物料平衡的数据同步校正方法，能够同时校正物料平衡模型中与测量相关的显著误差以及物料移动信息缺失。
一种基于物料平衡的数据同步校正方法，包括以下步骤：
s1：基于与测量相关的显著误差以及物料移动信息缺失，采用支持向量回归方法建立模型；
s2：采用vc维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系；
s3：通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正。
优选地，所述基于与测量相关的显著误差以及物料移动信息缺失，采用支持向量回归方法建立模型包括：
基于与测量相关的显著误差以及物料移动信息缺失，建立模型：
其中，xm为过程数据测量值向量，x为过程数据真实值向量，ε为过程测量随机误差向量，u为物料平衡中的未测量变量向量，d为常数向量，a表示对应于的物料平衡关联矩阵，b表示对应于u的物料平衡关联矩阵，c表示对应于d的物料平衡关联矩阵，上角标t表示转置，μmi表示第i个变量的测量值中可能存在与测量相关的显著误差的偏差值，μlj表示第j个物料平衡单元中可能存在物料移动信息缺失的值，mi和lj为0-1二元变量，mi表示第i个变量的测量值中是否存在显著误差，lj表示第j个物料平衡单元中是否存在物料移动信息缺失。
优选地，所述采用vc维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系包括：
根据建立的模型的vc维自由参数的个数，表示为：
其中，p表示测量过程变量的个数，q表示物料平衡单元的个数。
优选地，所述通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正包括：
根据公式(2)，得到最小化的结构风险为：
其中，a为一预先给定的常数，用来平衡拟合误差
ax+bu+cd＝lμl
h(x)＝0
g(x)≤0
-uimi≤μmi≤uimi
-uljlj≤μlj≤uljlj
0≤xi≤xi
mi，lj∈{0，1}
(4)
其中，
μl＝[μl1，μl2，…μlj，…μlq]t(6)
σi表示第i个测量变量的测量数据误差的标准差，
采用混合整数线性规划对公式(4)进行求解，并对与测量相关的显著误差以及物料移动信息缺失进行校正。
优选地，所述采用混合整数线性规划对公式(4)进行求解包括：
在实施物料平衡时，找出测量量对于测量网络中生产单元和存储单元的平衡关系形成a、b、c平衡矩阵；
根据生产工艺要求，找到每个过程量真实值的上限
根据生产工艺要求，找到物料平衡中的对测量量的关键性能指标的等式约束h(·)和不等式约束g(·)；
将测量的仪表精度作为测量量的标准差σi；
将a、b、c平衡矩阵、每个过程量真实值的上限
通过使用本发明，可以实现以下效果：
1.能够同步检测并校正物料平衡问题中与测量相关的显著误差以及物料移动信息的缺失；
2.基于支持向量回归的方法建立线性的优化模型，便于工程实施；
3.采用混合整数线性规划对物料平衡问题进行求解，适用于全厂大规模的物料平衡求解；
4.能够考虑实际企业物料平衡过程中的关键指标约束，所得的物料平衡结果更能满足企业的实际需求。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明的整体流程示意图；
图2是本发明的实施例一的结构示意图；
图3是本发明的实施例二的结构示意图。
具体实施方式
以下结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
本发明的基本思想是基于支持向量回归方法，采用vc维来表示与测量相关的显著误差以及物料移动信息缺失，采用混合整数线性规划方法，通过最小化结构风险进行与测量相关的显著误差以及物料移动信息缺失的检测与校正，实现物料平衡。该方法支持生产运行中关键性能指标的约束，使得物料平衡结果更能满足企业实际需求。
如图1所示，本实施例提供一种基于物料平衡的数据同步校正方法，包括以下步骤：
s1：基于与测量相关的显著误差以及物料移动信息缺失，采用支持向量回归方法建立模型；
具体的，基于与测量相关的显著误差以及物料移动信息缺失，建立模型：
其中，xm为过程数据测量值向量，x为过程数据真实值向量，ε为过程测量随机误差向量，u为物料平衡中的未测量变量向量，d为常数向量，a表示对应于的物料平衡关联矩阵，b表示对应于u的物料平衡关联矩阵，c表示对应于d的物料平衡关联矩阵，上角标t表示转置，μmi表示第i个变量的测量值中可能存在与测量相关的显著误差的偏差值，μlj表示第j个物料平衡单元中可能存在物料移动信息缺失的值，mi和lj为0-1二元变量，mi表示第i个变量的测量值中是否存在显著误差，lj表示第j个物料平衡单元中是否存在物料移动信息缺失。
mi和lj定义为：
s2：采用vc维来表示与测量相关的显著误差以及物料移动信息缺失的数量关系；
对于多次采样的数据校正问题，在一个采样时域中获得采样个数为h的测量数据集
来估计公式(1)和(2)，实际上系统真实值不可能事先获得，但是可以根据系统模型及系统要满足的其它一些条件来获得真实值的约束。
根据统计学习理论可知，由公式(1)、(2)定义的模型的vc维为自由参数的个数，表示为：
其中，p表示测量过程变量的个数，q表示物料平衡单元的个数。
s3：通过最小化结构风险采用混合整数线性规划方法进行与测量相关的显著误差以及物料移动信息缺失的检测与校正。
对于物料平衡，根据统计学习理论需要最小化的结构风险为：
其中，a为一预先给定的常数，用来平衡拟合误差(或称经验风险)
ax+bu+cd＝lμl
h(x)＝0
g(x)≤0
-uimi≤μmi≤uimi
-uljlj≤μlj≤uljlj
0≤xi≤xi
mi，lj∈{0，1}
(5)
其中，
μl＝[μl1，μl2，…μlj，…μlq]t(7)
其中，xm为过程数据测量值向量，x为过程数据真实值向量，u为物料平衡中的未测量变量向量，d为常数向量主要是在测量网络中表示不可以调整的测量量，比如出厂结算量、高精度的罐库存变化量等；a、b和c分别表示对应于x、u和d的物料平衡关联矩阵；μmi表示第i个变量的测量值中可能存在与测量相关的显著误差的偏差值，μlj表示第j个物料平衡单元中可能存在物料移动信息缺失的值，mi和lj都是0-1二元变量，其分别表示第i个变量的测量值中是否存在显著误差和第j个物料平衡单元中是否存在物料移动信息缺失。
σi表示第i个测量变量的测量数据误差的标准差，
从公式(5)的形式可以看出这个是一个混合整数线性规划进行求解问题。在实施物料平衡时，找出测量量对于测量网络中生产单元和存储单元的平衡关系形成a、b、c平衡矩阵；根据生产工艺要求，找到每个过程量真实值的上限
实例一
过程的泄露也可以视为一种物料移动信息的缺失，在物料平衡过程中会引起严重的物料不平衡。该实例采用一个循环系统作为研究对象，其为一个线性系统，该系统也被其他许多学者用来研究数据协调问题，特别是用来研究过程泄漏。该系统的结构如图2所示，有七个流量a、b、c、d、e、f、g和四个装置节点单元1、2、3、4，其流量的真实值为[5,15,15,5,10,5,5](m3/h)，测量的标准差(sd)全部为2.5％真实值，仿真中所有的数据采用十次测量的平均值，采用蒙特卡洛方法基于100次仿真数据得到仿真结果。
在本实例中采用该系统进行研究的目的在于揭示本发明方法对于显著误差的检测效能。采用统计检验第一类错误的平均值(avti)和整体效能(op)以及完美检测效能(opf)作为衡量指标，分别定义如下
首先对系统中只有测量偏差而没有过程泄漏的情况进行了仿真研究，并将基于赤池信息准则(aic)的混合整数非线性规划(minlp)方法以及基于aic的混合整数线性规划方法的结果进行对比，结果如表1所示。
表1中给出了三种方法在只有两个测量偏差无泄漏情况下的比较结果。在仿真中采用了固定的偏差，其偏差值分别为7倍和4倍相对应流量测量数据误差的标准差。
表1
从表1中可以看出，sv回归方法实现了完美的显著误差检测，在每一个仿真情况下都能够正确的检测出所有的测量偏差，但是基于aic的minlp方法表现得比较差，特别是对于第二个和第四个流率中含有显著误差的情况。与基于aic的minlp相类似的结果也表现在milp方法中，因为其采用的惩罚系数也较小。同时，求解minlp问题容易导致局部最优解，而本发明方法，总是能够找到全局最优解。
针对过程中存在一个测量显著误差，一个过程泄露的情况，也进行了研究，其效果和对比结果如表2所示。
表2
al表示了在节点的泄漏；b表示在测量处的显著误差
从表2中可以看出，当测量偏差和过程泄漏同时存在时，本发明方法仍然表现出了很好的性能，几乎在所有情况下都实现了完美的显著误差检测，明显优于基于aic的minlp方法。
从实例一的研究与对比结果中可以看出，本发明方法对于与测量相关的显著误差以及与物料平衡模型相关的泄漏的检测有较强的性能。针对检测的结果进行进一步地校正也具有较强的性能。
实例二
石化是一个典型的流程工业，石化产品在生产过程中从一个加工装置流向另一个加工装置，整个工厂内的物料移动形成了一个复杂的物料平衡网络。在本实例中，采用了某炼油厂中的部分实际加工流程，形成一个物料平衡网络，以说明本发明方法在物料平衡中同步校正测量显著误差及物料移动信息缺失的实施方式。
通过将实际生产过程中的物料管网以及装置和储罐进行归并和简化，可以得到一个简化的物料平衡网络，如图3所示。该物料平衡网络中包括4个处理装置(r1至r4)、9个进出厂节点(in1至in3、s1至s6)、12个储罐(t0至t11)和28个物料流(f1至f28)。相关的模型数据如表3所示。
表3
a测量相关的显著误差；
b物料移动信息缺失；.
单位：吨
根据炼油厂的实际生产情况，炼油厂的进出厂计量和储罐计量量十分精准，并且通常作为生产计量的基准。所以，在本实例中，进出厂和储罐的计量量作为常量，对装置的物料流进行物料平衡。
为了说明本发明方法对于物料平衡中与测量相关的显著误差以及物料移动信息缺失的检测与校正，本实例中引入了两个测量相关的显著误差(f4与f16)和一个物料移动信息缺失(f25)，该缺失的物料移动路径由图2中的虚线所示。
采用本发明方法得到的物料平衡结果如表4所示，其中作为对比，给出了不具备同步校正测量显著误差与物料移动信息缺失的基于aic的milp方法的物料平衡结果。
表4
a测量相关的显著误差；
b物料移动信息缺失。
从表4的结果中可以看出，一个物料移动信息缺失(f25)本发明能够检测和估计出实际值，而其他方法没有法对缺失信息进行检测和估计，所以本发明方法能够在实现物料平衡的同时对物料平衡中的测量显著误差以及物料移动信息缺失进行检测和校正，具有良好的效果，较之不具备物料移动信息缺失检测和校正的物料平衡方法更具有通用性。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
- 还没有人留言评论。精彩留言会获得点赞！