连续催化重整工艺过程关键参数的集成学习在线预测方法技术

本发明专利技术涉及连续催化重整工艺领域，更具体的说，涉及一种连续催化重整工艺过程关键参数的集成学习在线预测方法。本方法包括以下步骤：S1、选取连续催化重整工艺的辅助变量和主要变量；S2、对过程数据样本集进行预处理，生成数据集；S3、对数据集进行划分；S4、从训练数据集中选择spn个数据样本作为总体数据集，剩余数据样本作为校正数据集，分别将总体数据集作为子训练集构建三个自适应回归子模型；S5、从校正数据集中依次提取数据样本，更新对应的自适应回归子模型；S6、将评估数据集应用到每个自适应回归子模型中，建立集成模型；S7、基于输入的辅助变量，预测主要变量。本发明专利技术有效地提高了模型在连续催化重整工艺中的预测精度。

【技术实现步骤摘要】
连续催化重整工艺过程关键参数的集成学习在线预测方法
本专利技术涉及连续催化重整工艺领域，更具体的说，涉及一种连续催化重整工艺过程关键参数的集成学习在线预测方法。
技术介绍
近些年来，随着汽车用油的要求越来越高以及能源的日益危急，催化重整技术也引起人们的高度重视。催化剂连续再生重整技术的出现，在催化剂发展史上具有划时代的重大意义，为高质量汽油与其他化工原料的高效生产提供了无限的可能。连续催化重整工艺主要用于提高汽油炼厂和富含芳烃的石化产品中的辛烷值，是目前世界上最流行的石脑油重整工艺，它实现了反应器蒸汽操作过程中催化剂的连续抽出。图1揭示了连续催化重整工艺流程图，如图1所示，在催化裂化过程中，重石脑油液体被泵300送至热交换器400，并与来自循环压缩机600的富氢回收气体混合。在进入每个反应器(1号反应器201至4号反应器204)之前，将液态气体进料混合物的温度升高到加热器(1号加热器101至4号加热器104)中的反应温度，以确保混合物能够完全蒸发。在四个反应器中，以脱氢为主的几个化学反应稳定地发生。当反应物快速流过催化剂床层时，反应物的温度急剧下降。加热和反应的过程一直持续到流出4号反应器204，进入接触和分离部分。其中，重整催化剂在运转过程中不断消耗，与各种物质接触发生化学反应而导致催化剂活性逐渐下降，因此需要对催化剂进行连续再生以维持较高且稳定的催化剂活性。再生器500的作用就是实现催化剂的连续循环，并同时完成催化剂的再生。在分隔器700中，富氢气体被分离并返回到循环压缩机600。除此之外，净富氢气体用于额外的氢消耗石化工艺，稳定塔的底部产物为高辛烷值液体重整油。催化重整工艺以石脑油为原料，通过重整反应以提高其辛烷值。作为工艺过程的关键参数，为了提高经济效益并改善能源的污染问题和安全问题，重整汽油辛烷值的指标在线检测至关重要。但是，连续催化重整工艺属于非常复杂的工业生产技术，具有大时滞、高耦合性、非线性的特点。在近几十年来的工业工程中，当变量无法直接获取时，软测量取代硬测量被广泛应用于关键性能指标的估计，在参数预测和过程监控方面性能卓越。许多创新的软测量建模方法如人工神经网络、高斯过程回归和深度学习已经被应用和发展。然而，传统的多元统计方法如主成分回归、偏最小二乘法和慢特征分析法在实际应用中仍然很受欢迎。偏最小二乘法由于具有固有的结构和特征提取能力，是一种常用的建模技术，它能将过程数据投影到低维的潜在变量中，包含输入输出数据中的综合信息，并能很好地处理过程变量之间的共线性。不过，偏最小二乘法本质上受制于其线性特征，当数据关系为非线性时，偏最小二乘法无法恰当地提取数据特征。因此，一系列的非线性改进方法被提出，以此来整合线性偏最小二乘法框架中的非线性特征。这些非线性技术结合了神经网络方法、基于核的算法和局部建模策略。其中，LWPLS(Locallyweightedpartialleastsquares，局部加权偏最小二乘法)是基于样本加权技术与偏最小二乘法方法的结合，是应用最广泛的局部建模方法之一。然而，由于实际工业过程中存在非线性和时变特性，传统的软测量模型在与原设计的模型不匹配时，可能会出现严重的性能梯度。虽然许多新的方法被用来缓解这一问题，但是每一种方法都只关注模型特征的某些方面，因此亟需一个综合的框架来结合这些特征。
技术实现思路
本专利技术的目的是提供一种连续催化重整工艺过程关键参数的集成学习在线预测方法，解决现有连续催化重整工艺过程关键参数预测精度差、适应性差的问题。为了实现上述目的，本专利技术提供了一种连续催化重整工艺过程关键参数的集成学习在线预测方法，包括以下步骤：S1、选取连续催化重整工艺的辅助变量和主要变量，进行数据采集形成过程数据样本集，所述辅助变量反应连续催化重整工艺过程的运行状况，所述主要变量反映成品的品质；S2、对采集的连续催化重整工艺的过程数据样本集进行预处理，生成数据集；S3、对数据集进行划分，包括训练数据集、评估数据集和测试数据集；S4、从训练数据集中选择spn个数据样本作为总体数据集，剩余数据样本作为校正数据集，分别将总体数据集作为子训练集构建三个自适应回归子模型，三个自适应回归子模型包括基于局部加权偏最小二乘法的移动窗口模型、基于局部加权偏最小二乘法的时间差分模型和基于局部加权偏最小二乘法的即时学习模型；S5、从校正数据集中依次提取数据样本，对每个自适应回归子模型进行验证，将当前数据样本添加到估计误差值最小的自适应回归子模型的子训练集中，更新对应的自适应回归子模型；S6、将评估数据集应用到每个自适应回归子模型中，计算每个自适应回归子模型的预测值的均方根误差，采用贝叶斯估计确定每个自适应回归子模型的权重系数，建立集成模型；S7、采用构建的集成模型，基于输入的辅助变量，预测主要变量的最终输出值。在一实施例中，所述步骤S1中：辅助变量，包括再接触温度、分液罐温度、加氢裂化石脑油、石脑油、反应器温度、分离罐压力、循环氢流量、初级烷烃含量、压缩机压力、回流流量、托盘温度、回流流量、托盘温度、底部温度和一号反应器出口温度；主要变量，为辛烷值，对应的表达式如下，其中，YRON、和为连续催化重整工艺过程的输出测量值参数，XFeed为连续催化重整工艺过程的进料变量。在一实施例中，所述步骤S2中的预处理方法，进一步包括：去除异常值和缺失值、去除测量噪声。在一实施例中，所述步骤S4中，基于局部加权偏最小二乘法的移动窗口模型，建模流程如下：S411、将{X1，Y1}即窗口大小H设为初始窗口中的训练数据矩阵，其中，X1为选择的总体数据集中的初始H个输入变量，Y1为选择的总体数据集中的初始H个输出变量；S412、对窗后多个采样数据点的输出建立局部加权偏最小二乘法回归模型；S413、让窗口按步长D向前移动，使{Xw，Yw}在窗口中重新训练局部加权偏最小二乘法回归模型，其中，Xw为在总体数据集中进行w个D步长后的H个输入变量，Yw为在总体数据集中进行w个D步长后的H个输出变量。在一实施例中，所述步骤S4中，基于局部加权偏最小二乘法的时间差分模型，建模流程如下：S421、分别计算相邻采样数据点的输入变量之间的一阶差分Δx(t)和输出变量之间的一阶差分Δy(t)；S422、利用局部加权偏最小二乘法回归模型，构建Δx(t)和Δy(t)之间的关系模型；S423、计算查询样本xq(t)的一阶差分Δxq(t)；S424、将Δxq(t)输入关系模型中，预测响应变量的差分值Δyp(t)；S425、基于相邻采样数据点yp(t一1)和差分值Δyp(t)，计算响应变量的预测值yp(t)，表达式如下，yp(t)＝Δyp(t)+yp(t-1)。在一实施例中，所述步骤S4中，基于局部加权偏最小本文档来自技高网...

【技术保护点】
1.一种连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，包括以下步骤：/nS1、选取连续催化重整工艺的辅助变量和主要变量，进行数据采集形成过程数据样本集，所述辅助变量反应连续催化重整工艺过程的运行状况，所述主要变量反映成品的品质；/nS2、对采集的连续催化重整工艺的过程数据样本集进行预处理，生成数据集；/nS3、对数据集进行划分，包括训练数据集、评估数据集和测试数据集；/nS4、从训练数据集中选择spn个数据样本作为总体数据集，剩余数据样本作为校正数据集，分别将总体数据集作为子训练集构建三个自适应回归子模型，三个自适应回归子模型包括基于局部加权偏最小二乘法的移动窗口模型、基于局部加权偏最小二乘法的时间差分模型和基于局部加权偏最小二乘法的即时学习模型；/nS5、从校正数据集中依次提取数据样本，对每个自适应回归子模型进行验证，将当前数据样本添加到估计误差值最小的自适应回归子模型的子训练集中，更新对应的自适应回归子模型；/nS6、将评估数据集应用到每个自适应回归子模型中，计算每个自适应回归子模型的预测值的均方根误差，采用贝叶斯估计确定每个自适应回归子模型的权重系数，建立集成模型；/nS7、采用构建的集成模型，基于输入的辅助变量，预测主要变量的最终输出值。/n...

【技术特征摘要】
1.一种连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，包括以下步骤：
S1、选取连续催化重整工艺的辅助变量和主要变量，进行数据采集形成过程数据样本集，所述辅助变量反应连续催化重整工艺过程的运行状况，所述主要变量反映成品的品质；
S2、对采集的连续催化重整工艺的过程数据样本集进行预处理，生成数据集；
S3、对数据集进行划分，包括训练数据集、评估数据集和测试数据集；
S4、从训练数据集中选择spn个数据样本作为总体数据集，剩余数据样本作为校正数据集，分别将总体数据集作为子训练集构建三个自适应回归子模型，三个自适应回归子模型包括基于局部加权偏最小二乘法的移动窗口模型、基于局部加权偏最小二乘法的时间差分模型和基于局部加权偏最小二乘法的即时学习模型；
S5、从校正数据集中依次提取数据样本，对每个自适应回归子模型进行验证，将当前数据样本添加到估计误差值最小的自适应回归子模型的子训练集中，更新对应的自适应回归子模型；
S6、将评估数据集应用到每个自适应回归子模型中，计算每个自适应回归子模型的预测值的均方根误差，采用贝叶斯估计确定每个自适应回归子模型的权重系数，建立集成模型；
S7、采用构建的集成模型，基于输入的辅助变量，预测主要变量的最终输出值。


2.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S1中：
辅助变量，包括再接触温度、分液罐温度、加氢裂化石脑油、石脑油、反应器温度、分离罐压力、循环氢流量、初级烷烃含量、压缩机压力、回流流量、托盘温度、回流流量、托盘温度、底部温度和一号反应器出口温度；
主要变量，为辛烷值，对应的表达式如下，



其中，YRON、和为连续催化重整工艺过程的输出测量值参数，XFeed为连续催化重整工艺过程的进料变量。


3.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S2中的预处理方法，进一步包括：
去除异常值和缺失值、去除测量噪声。


4.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S4中，基于局部加权偏最小二乘法的移动窗口模型，建模流程如下：
S411、将{X1，Y1}即窗口大小H设为初始窗口中的训练数据矩阵，其中，X1为选择的总体数据集中的初始H个输入变量，Y1为选择的总体数据集中的初始H个输出变量；
S412、对窗后多个采样数据点的输出建立局部加权偏最小二乘法回归模型；
S413、让窗口按步长D向前移动，使{Xw，Yw}在窗口中重新训练局部加权偏最小二乘法回归模型，其中，Xw为在总体数据集中进行w个D步长后的H个输入变量，Yw为在总体数据集中进行w个D步长后的H个输出变量。


5.根据权利要求1所述的连续催化重整工艺过程关键参数的集成学习在线预测方法，其特征在于，所述步骤S4中，基于局部加权偏最小二乘法的时间差分模型，建模流程如下：
S421、分别计算相邻采样数据点的输入...

【专利技术属性】
技术研发人员：钟伟民，杜文莉，钱锋，彭鑫，李智，
申请(专利权)人：华东理工大学，
类型：发明
国别省市：上海;31