一种炼油化工生产过程的模拟方法及系统与流程

本发明涉及炼油化工生产管理技术领域，特别涉及一种炼油化工生产过程的模拟方法及系统。

背景技术：

在炼油化工生产过程中，基于最小二乘法和偏最小二乘法拟合算法是常用的计算方法。但两种算法均需要对矩阵求解，若矩阵是奇异矩阵，参数拟合有可能得不到结果，或是拟合结果的精度可能较差，从而影响到系统建模、软测量等，对安全生产和提高效益带来不利影响。

技术实现要素：

本发明的目的是提供一种炼油化工生产过程的模拟方法及系统，以提高炼油化工生产过程的模拟的精度，进而提高炼油化工生产的安全性。

为实现上述目的，本发明提供了如下方案：

一种炼油化工生产过程的模拟方法，所述模拟方法包括如下步骤：

获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；

建立炼油化工生产过程模拟的神经网络模型；

利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；

将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。

可选的，所述获取历史的炼油化工生产过程中的输入数据参数和输出结果，建立样本数据集，之后还包括

对所述样本数据集中的样本数据，利用公式进行z-score规范化处理；

其中，

ai1、aij和ain分别为第1个数据样本、第j个样本数据和第n个数据样本中的第i个变量，x1ij表示规范化之后的第j个样本数据中的第i个变量，x2i表示n个样本数据中第i个变量的方差，x3i表示n个样本数据中第i个变量的平均值；

i＝1,2,…,m，j＝1,2,…,n；n表示样本数量，m表示变量个数，第1个变量到第m-1个变量为自变量，第m个变量为因变量。

可选的，所述利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型，具体包括：

将样本数据中的自变量输入所述神经网络模型，获得输出量；

计算样本数据中的因变量和所述输出量的差值作为线性网络误差；

采用widrow-hoff学习规则，利用公式wi(t)＝wi(t-1)+η*errorj*x1ij，调整神经网络模型中的权值参数；

其中，wi(t-1)和wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；

判断迭代次数是否小于迭代次数阈值，获得判断结果；

若所述判断结果表示是，则令迭代次数的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；

若所述判断结果表示否，则输出训练后的神经网络模型。

可选的，所述将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，之后还包括：

利用公式yout＝y_yout*x2m+x3m，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；

其中，yout表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，x2m表示n个样本数据中第m个变量的方差，x3m表示n个样本数据中第m个变量的平均值。

一种炼油化工生产过程的模拟系统，所述模拟系统具体包括：

样本数据集建立模块，用于获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；

神经网络模型建立模块，用于建立炼油化工生产过程模拟的神经网络模型；

神经网络模型训练模块，用于利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；

过程模拟模块，用于将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。

可选的，所述模拟系统还包括：

规范化处理模块，用于对所述样本数据集中的样本数据，利用公式进行z-score规范化处理；

其中，

ai1、aij和ain分别为第1个数据样本、第j个样本数据和第n个数据样本中的第i个变量，x1ij表示规范化之后的第j个样本数据中的第i个变量，x2i表示n个样本数据中第i个变量的方差，x3i表示n个样本数据中第i个变量的平均值；

i＝1,2,…,m，j＝1,2,…,n；n表示样本数量，m表示变量个数，第1个变量到第m-1个变量为自变量，第m个变量为因变量。

可选的，所述神经网络模型训练模块，具体包括：

输出量获取子模块，用于将样本数据中的自变量输入所述神经网络模型，获得输出量；

线性网络误差计算子模块，用于计算样本数据中的因变量和所述输出量的差值作为线性网络误差；

权值参数调整子模块，用于采用widrow-hoff学习规则，利用公式wi(t)＝wi(t-1)+η*errorj*x1ij，调整神经网络模型中的权值参数，并令迭代次数t的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；

其中，wi(t-1)和wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；

判断子模块，用于判断迭代次数是否小于迭代次数阈值，获得判断结果；

返回子模块，用于若所述判断结果表示是，则令迭代次数t的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；

训练后的神经网络模型输出子模块，用于若所述判断结果表示否，则输出训练后的神经网络模型。

可选的，所述模拟系统还包括：

反规范化处理模块，用于利用公式yout＝y_yout*x2m+x3m，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；

其中，yout表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，x2m表示n个样本数据中第m个变量的方差，x3m表示n个样本数据中第m个变量的平均值。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开了一种炼油化工生产过程的模拟方法及系统，所述模拟方法包括如下步骤：获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；建立炼油化工生产过程模拟的神经网络模型；利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。本发明利用线性神经网络具有的学习能力、容错性和快速收敛性等优势，对目标对象的输入输出数据进行参数拟合，由于神经网络算法是一种迭代算法，无需对矩阵求解，提高了炼油化工生产过程的模拟的精度，进而提高炼油化工生产的安全。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的一种炼油化工生产过程的模拟方法的流程图；

图2为本发明提供的神经网络参数拟合系统的结构图；

图3为本发明提供的神经网络参数拟合系统的数据处理的流程图；

图4为本发明提供的导入数据文件的示例图；

图5为本发明提供的神经网络参数拟合系统的趋势图展示模块的界面图；

图6为本发明提供的线性神经网络的结构图；

图7为本发明提供的线性神经网络建立的模拟模型的结构图；

图8为本发明具体实施例提供的自变量的样本趋势图；

图9为本发明具体实施例提供的最小二乘法拟合结果图；

图10为本发明具体实施例提供的偏最小二乘法拟合结果图；

图11为本发明具体实施例提供的学习率为0.01时的神经网络模型的拟合结果图；

图12为本发明具体实施例提供的学习率为0.007时的神经网络模型的拟合结果图。

具体实施方式

本发明的目的是提供一种炼油化工生产过程的模拟方法及系统，以提高炼油化工生产过程的模拟的精度，进而提高炼油化工生产的安全性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对发明作进一步详细的说明。

如图1，本发明提供一种炼油化工生产过程的模拟方法，所述模拟方法包括如下步骤：

步骤101，获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集。

步骤102，建立炼油化工生产过程模拟的神经网络模型。

所述利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型，具体包括：将样本数据中的自变量输入所述神经网络模型，获得输出量；计算样本数据中的因变量和所述输出量的差值作为线性网络误差；采用widrow-hoff学习规则，利用公式wi(t)＝wi(t-1)+η*errorj*x1ij，调整神经网络模型中的权值参数；其中，wi(t-1)和wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；判断迭代次数是否小于迭代次数阈值，获得判断结果；若所述判断结果表示是，则令迭代次数的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；若所述判断结果表示否，则输出训练后的神经网络模型。

步骤103，利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型；

步骤104，将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。

为了进一步提高工业工业生产中数据的拟合精度，本发明将z-score规范化数据处理与线性神经网络相结合。

具体的，步骤101所述获取历史的炼油化工生产过程中的输入数据参数和输出结果，建立样本数据集，之后还包括：对所述样本数据集中的样本数据，利用公式进行z-score规范化处理；

其中，

ai1、aij和ain分别为第1个数据样本、第j个样本数据和第n个数据样本中的第i个变量，x1ij表示规范化之后的第j个样本数据中的第i个变量，x2i表示n个样本数据中第i个变量的方差，x3i表示n个样本数据中第i个变量的平均值；i＝1,2,…,m，j＝1,2,…,n；n表示样本数量，m表示变量个数，第1个变量到第m-1个变量为自变量，第m个变量为因变量。

步骤104所述将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，之后还包括：利用公式yout＝y_yout*x2m+x3m，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；其中，yout表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，x2m表示n个样本数据中第m个变量的方差，x3m表示n个样本数据中第m个变量的平均值。

一种炼油化工生产过程的模拟系统，所述模拟系统具体包括：

样本数据集建立模块，用于获取历史的炼油化工生产过程中的输入数据参数和输出结果，将历史的炼油化工生产过程中的输入数据参数作为自变量，将历史的炼油化工生产过程中的输入数据参数对应的输出结果作为因变量，建立样本数据集；

神经网络模型建立模块，用于建立炼油化工生产过程模拟的神经网络模型；

神经网络模型训练模块，用于利用所述样本数据集对所述神经网络模型进行训练，获得训练后的神经网络模型。

所述神经网络模型训练模块，具体包括：输出量获取子模块，用于将样本数据中的自变量输入所述神经网络模型，获得输出量；线性网络误差计算子模块，用于计算样本数据中的因变量和所述输出量的差值作为线性网络误差；权值参数调整子模块，用于采用widrow-hoff学习规则，利用公式wi(t)＝wi(t-1)+η*errorj*x1ij，调整神经网络模型中的权值参数；其中，wi(t-1)和wi(t)分别表示第t-1次迭代和第t次迭代调整后的第i个变量的权值，η表示学习速率，errorj表示第j个样本数据的线性网络误差；判断子模块，用于判断迭代次数是否小于迭代次数阈值，获得判断结果；返回子模块，用于若所述判断结果表示是，则令迭代次数t的数值增加1，返回步骤“将样本数据中的自变量输入所述神经网络模型，获得输出量”；训练后的神经网络模型输出子模块，用于若所述判断结果表示否，则输出训练后的神经网络模型。

过程模拟模块，用于将待模拟的炼油化工生产过程中的输入数据参数输入所述训练后的神经网络模型，获得待模拟的炼油化工生产过程中的输入数据参数对应的输出结果。

为了进一步提高工业工业生产中数据的拟合精度，本发明将z-score规范化数据处理与线性神经网络相结合。

具体的，所述模拟系统还包括：规范化处理模块，用于对所述样本数据集中的样本数据，利用公式进行z-score规范化处理；其中，ai1、aij和ain分别为第1个数据样本、第j个样本数据和第n个数据样本中的第i个变量，x1ij表示规范化之后的第j个样本数据中的第i个变量，x2i表示n个样本数据中第i个变量的方差，x3i表示n个样本数据中第i个变量的平均值；i＝1,2,…,m，j＝1,2,…,n；n表示样本数量，m表示变量个数，第1个变量到第m-1个变量为自变量，第m个变量为因变量。

所述模拟系统还包括：反规范化处理模块，用于利用公式yout＝y_yout*x2m+x3m，对待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，进行反规范化处理；其中，yout表示反规划后的输出结果，y_yout表示待模拟的炼油化工生产过程中的输入数据参数对应的输出结果，x2m表示n个样本数据中第m个变量的方差，x3m表示n个样本数据中第m个变量的平均值。

为了说明本发明的炼油化工生产过程的模拟及系统的效果，本发明还提供了如下具体的实施方式。

参数拟合是炼油化工生产过程的模拟的普遍采用的方法。参数拟合就是通过已知实验或者真实的样本数据，寻找一个数学模型对其规律进行模拟的过程中，求取该数学模型中未知参数的一个过程。

y＝w0+w1*x1+w2*x2+w3*x3+...+wn*xn

上述公式中y为参数拟合的因变量，x1、x2…xn为自变量。w0、w1、w2、…wn为拟合的参数(最终要求解的)。实际应用中样本数据受外界多个因素影响，而且多数因变量与自变量之间并不是完全线性相关的，因此拟合的参数结合自变量计算无法完全等于因变量的值。参数拟合的目标是将求解的参数带入到上述公式中，使计算出的y值与实际y值的误差达到最小。

在工业生产中，由于系统建模和软测量的重要地位越来越突出，很多拟合算法就应运而生，如最小二乘法和偏最小二乘法等。

最小二乘法是一种优化方法，通过最小化误差的平方和来寻找数据的最佳函数进行匹配，其矩阵表达形式为：

其中，x和y分别为自变量和因变量采样数据，n和m分别为因变量个数和自变量个数，b为拟合参数，即拟合结果，进一步简化为：

xw＝y

拟合结果为：

w＝(x^tx)^-1x^ty

偏最小二乘集成了主成分分析、典型相关分析和线性回归分析的优点，与传统多元拟合算法相比，偏最小二乘拟合算法有以下特点：

(1)能够在自变量存在严重多重相关性的条件下进行参数拟合；

(2)允许在样本点个数少于变量个数的条件下进行参数拟合；

(3)偏最小二乘参数拟合在最终模型中包含原有的所有自变量；

(4)偏最小二乘参数拟合模型更易于辨识系统信息与噪声。

为了对比最小二乘参数拟合和偏最小二乘参数拟合与本申请的模拟方法，本发明设置了神经网络参数拟合系统。

如图2所示，神经网络参数拟合系统由数据文件解析，最小二乘法参数拟合、偏最小二乘法参数拟合、神经网络参数拟合、趋势图展示等5个功能模块组成。

如图3所示，系统数据处理流程为：系统通过“数据文件解析”模块将样本数据文件导入至系统中，然后将解析的样本数据发送至“最小二乘法参数拟合”、“偏最小二乘法参数拟合”、“神经网络参数拟合”进行计算。“趋势图展示”是将拟合的因变量以及原始因变量的数据趋势输出绘制。

其中，数据文件解析模块，负责将离线历史数据文件导入至系统，解析出历史数据。导入数据文件必须遵守以下格式：第一列为时间，第二列为因变量、其他列为自变量。从第二行开始，每一行为一组样本数，需要多个样本数据才能进行拟合计算，如图4所示。最小二乘法参数拟合模块，负责结合导入的历史数据，采用标准的最小二乘法进行参数拟合。偏最小二乘法参数拟合模块，负责结合导入的历史数据，采用标准的偏最小二乘法进行参数拟合。基于神经网络的参数拟合模块，负责结合导入的历史数据，采用神经网络算法进行参数拟合。

趋势图展示模块，负责将所有自变量的历史数据绘制在同一个趋势图内，参数拟合的输出结果与因变量样本数据输出在一个趋势图内。如图5所示。神经网络模拟的输出结果就是将拟合的参数带入到自变量的样本数据中计算出的结果。

在工业生产过程中，系统建模和软测量起到至关重要的作用。随着智能工业化的快速发展，对建模和软测量的精度要求越来越高，传统的拟合算法已经无法满足正常的生产需求。神经网络的崛起为解决该问题开辟了一个崭新的思路，其具有很强的学习能力、容错能力、并行处理数据能力等。

线性神经网络在系统建模方面得到广泛应用，具有结构简单，算法简洁，快速收敛等特点。首先根据目标模型的结构，设置输入个数，学习规则为widrow-hoff规则，输出函数为线性函数。其中，线性神经网络的结构如图6所示，利用线性神经网络建立的模拟模型的结构如图7所示。

本发明的具体实施方式为：

从某炼油企业催化装置采集分馏塔顶压力、分馏塔塔11层温度、柴油抽出温度、分馏塔一中流量、分馏塔一中返塔温度、分馏塔一中抽出温度，富吸收油返塔第9层温度共七组数据。将柴油95％点化验值作为参数拟合的因变量y；分馏塔顶压力(位号pi1201a)为自变量x1，分馏塔11层温度(位号ti1212)为自变量x2、柴油抽出温度(位号tc1201)为自变量x3、分馏塔一中流量(位号fc1209a)为自变量x4，分馏塔一中返塔温度(位号ti1220a)为自变量x5、分馏塔一中抽出温度(位号ti1220b)为自变量x6、富吸收油返塔第9层温度(位号ti1210)为自变量x7。每种因变量或自变量的样本数各550个。

自变量的样本趋势图如图8所示。分别用最小二乘法，偏最小二乘法、神经网络算法，对上述样本数据的前70％个数据进行参数拟合，后30％的数据做精度校验。

最小二乘法的拟合结果如图9所示，偏最小二乘法的拟合结果如图10所示，本发明的神经网络的拟合结果如图11所示。分别将三个方法拟合的参数带入到样本数据中，将校验部分的输出值与因变量用于校验的样本数据进行标准差计算。得到标准差分别为：最小二乘法2.59437，偏最小二乘法2.0766，神经网络算法1.88756。其中神经网络的学习速率为0.01。

进一步调整神经网络的学习速率为0.007，再次进行参数拟合，调整学习率之后的拟合结果如图12所示。重新调整学习速率的后，参数拟合的标准差为1.84288。误差进一步缩小，因此将神经网络算法(学习速率为0.007)的参数拟合结果作为最终的结果。

学习速率为0.007时，训练得到的本发明的神经网络模型得到的权重参数为：w0＝-0.0686689、w1＝-0.000441753、w2＝-0.0419584、w3＝0.073019、w4＝-0.154291、w5＝0.07322093、w6＝0.296765、w7＝-0.0237772。

本发明利用线性神经网络具有的学习能力、容错性和快速收敛性等优势，对目标对象的输入输出数据进行参数拟合，由于神经网络算法是一种迭代算法，当输入合适的学习速率时，总能得出计算结果。

本发明将z-score规范化数据处理与线性神经网络相结合应用在炼油企业的生产样本数据的参数拟合中，为参数拟合多一种方法的选择。通过调整学习速率，也可以提高参数拟合的精度。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

本文中应用了具体个例对发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。