用于常减压装置的物理逻辑重建方法制造方法及图纸

本发明专利技术属于石油炼化领域，公开了一种用于常减压装置的物理逻辑重建方法，该方法包括：确定常减压装置涉及的范围、变量和测量仪表；确定测量仪表的系统误差和测量仪表对应变量在目标方程中的权重；建立常减压装置的物理逻辑重建模型，包括目标方程和约束条件，实现装置的实时数字镜像；选取相似工况数据作为优化变量的初值；利用建模平台、非线性求解器和前述模型对目标方程进行优化求解。本发明专利技术实现了对有测量的数据校正和没有测量的数据的软测量，对常减压装置来说，若原料性质无测量，可以通过产品信息和操作信息基于五大约束进行反推，从而确定原料性质，同时可预测装置特性如塔板板效等，实现装置模型对装置实时特性的自适应。适应。适应。

【技术实现步骤摘要】
用于常减压装置的物理逻辑重建方法


[0001]本专利技术涉及石油炼化
，尤其是涉及一种用于常减压装置的物理逻辑重建方法。

技术介绍

[0002]过程工业(process industry)也称流程工业，是指通过物理变化和化学变化进行的生产过程。石化、电力、冶金、造纸、医药、食品等工业，他们的特征是过程具有一定的连续性。
[0003]常减压装置作为过程工业中的炼化行业的原油加工的第一道工序，该装置运行水平对炼化行业绩效提升起到重要的推动作用。在实际常减压装置中，由于现场仪表受到成本、精度、安装等各种限制和影响，很多仪表数据存在偏离甚至错误的情况，另外还存在着很多受限于仪表的发展，数据现场无法测量的情况。没有足够的数据支撑难以提升常减压装置现有运行水平。
[0004]在流程工业领域，普遍采用商业模拟软件进行流程模拟的方法来校正测量仪表得到的数据并获得无测量仪表的数据。常减压装置相关的领域亦是如此。该方法采用机理模型对数据进行校正或推测，因此结果的可信度高。但是当无法直接测量的关键数据较多的情况下，流程模拟的不确定性变大，需要有一定的专家经验做指导。尤其对常减压装置这种原料和产品性质测量频次比较低的情况，这种方法实现起来就更加困难。这种模拟方法还无法反映装置实时特性，需要用户不断调试装置特性参数。另外复杂装置的模型收敛困难，求解时间长，过长的求解时间可能会失去数据对装置运行的即时指导意义。

技术实现思路

[0005]针对现有技术中存在的上述问题，本专利技术的目的是提供一种用于常减压装置的物理逻辑重建方法，通过该方法不仅能建立模型精度与机理模型相似的模型，还能实时反映装置特性，实现现实装置的实时数字镜像，而且能快速获得测量数据校正结果和未测量数据软测量结果如原料性质和装置性能参数等，尤其是对于没有原油在线分析系统的常减压装置可快速且准确获得原油性质，达到及时反映装置性能和为后续装置运行操作提供基础数据的目的。
[0006]为解决上述技术问题，本专利技术采用的技术方案如下：
[0007]一种用于常减压装置的物理逻辑重建方法，包括：
[0008]确定常减压装置涉及的范围、变量和测量仪表；
[0009]确定测量仪表的误差，根据测量仪表的误差确定相应变量在目标方程中的权重；
[0010]建立常减压装置的物理逻辑重建模型，包括目标方程和约束条件；
[0011]获取优化变量的初值，以及变量中的原油性质的变化范围；
[0012]利用建模平台、非线性求解器和前述模型对目标方程进行优化求解，完成对测量数据的校正和未测量数据的软测量，以及对原油性质无测量时原油性质的计算。
[0013]进一步地，所述的约束条件的建立包括如下过程：
[0014]根据建模目的确定输出变量，并通过降维方法确定相应的输入变量；
[0015]采用机器学习方法学习输入变量和输出变量的数据特征，训练输出变量与对应的输入变量间的关系模型；
[0016]采用机器学习和经验机理混合方法，建立具有多个神经元网络群的常减压装置的AI模型，用于物理逻辑重建模型中的等式约束条件；
[0017]基于设备本身的瓶颈、历史数据统计得到的变量范围和模型的适应范围，形成物理逻辑重建模型中的不等式约束条件，并结合上一步形成的等式约束条件，形成了物理逻辑重建模型中的整体约束条件。
[0018]进一步地，获取优化变量的初值包括如下过程：
[0019]通过相似度算法判断是否存在与当前工况相似的历史工况，若存在相似工况，则将该历史工况的物理逻辑重建结果作为本次工况物理逻辑重建的初值，用于后续优化求解；若不存在相似工况，则选择最近的稳态工况的物理逻辑重建结果作为初值。
[0020]进一步地，在模型优化求解时，基于设定的现场约束对模型进行测算是否满足装置特性，其中，所述的现场约束包括物料平衡、能量平衡、相平衡、热量传递和设备性能五大现场约束条件。
[0021]进一步地，所述的物理逻辑重建模型的数据来源包括：
[0022]随时间变化而变化的数据，包括现场仪表数据和实验室分析数据；
[0023]基于装置的工艺流程，包括分离流程和换热流程，建立的机理模型产生的满足装置运行自然规律的模拟数据。
[0024]进一步地，物理逻辑重建模型示意如下：
[0025][0026]y
j
＝f
j
(x
cal，i
，y
j
′
) j，j
′
∈J，j≠j'
[0027]x
cal，i
＝f
i
(x
cal，i
′
，y
j
) i，i'∈I，i≠i'
[0028]y
j，L
≤y
j
≤y
j，U
[0029]x
i，L
≤x
i，cal
≤x
i，U
[0030]其中，x
msd,i
为经过数据处理之后的现场测量仪表数据；x
syserr,i
为仪表i系统误差；x
cal,i
为最后计算输出的数据；x
cal,i
’
为除了x
cal,i
之外的最后计算输出的数据；w
i
为仪表i的权重；M
axi
为仪表i最大值；Min
i
为仪表i最小值，y
j
为其他变量；包括除了有现场测量之外的输出变量和中间变量；y
j
’
为其他变量，包括除了有现场测量和y
j
之外的输出变量和中间变量；函数f代表所有x和y的关系，主要反映物料平衡、能量平衡、相平衡、压力平衡、热量传递等物理模型；J表示1到J的集合，即1,2,3,
…
,J；I表示1到I的集合，即1,2,3,
…
,I；y
j,L
和y
j,U
分别为y
j
的下限和上限，x
i,L
和x
i,U
分别为x
i
的下限和上限。
[0031]进一步地，在使用所述物理逻辑重建模型前，还判断当前工况是否超出了模型范围，若超出范围，则在当前工况附近范围进行工况增强，新增部分样本，然后将新增的所述部分样本信息汇总到之前的样本中对模型进行校正训练，实现模型自学习。
[0032]与现有技术相比，本专利技术所述的一种用于常减压装置的物理逻辑重建方法，具有
如下技术效果：
[0033]1、本专利技术中模型的数据基础是数十万套来自装置的历史工况和在历史工况基础上延伸出的严格机理模拟工况，从而可以使模型实时体现装置特性，具有更广的适应性和更强的针对性。
[0034]2、本专利技术利用物理逻辑重建优化的方式对已有数据进行校正，同时考虑了所有测量值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于常减压装置的物理逻辑重建方法，其特征在于，该方法包括：确定常减压装置涉及的范围、变量和测量仪表；确定测量仪表的误差，根据测量仪表的误差确定相应变量在目标方程中的权重；建立常减压装置的物理逻辑重建模型，包括目标方程和约束条件；获取优化变量的初值，以及变量中的原油性质的变化范围；利用建模平台、非线性求解器和前述模型对目标方程进行优化求解，完成对测量数据的校正和未测量数据的软测量，以及对原油性质无测量时原油性质的计算和装置特性。2.根据权利要求1所述的物理逻辑重建方法，其特征在于，所述的约束条件的建立包括如下过程：根据建模目的确定输出变量，并通过降维方法确定相应的输入变量；采用机器学习方法学习输入变量和输出变量的数据特征，训练输出变量与对应的输入变量间的关系模型；采用机器学习和经验机理混合方法，建立具有多个神经元网络群的常减压装置的AI模型，用于物理逻辑重建模型中的等式约束条件；基于设备本身的瓶颈、历史数据统计得到的变量范围和模型的适应范围，形成物理逻辑重建模型中的不等式约束条件，并结合上一步形成的等式约束条件，形成了物理逻辑重建模型中的整体约束条件。3.根据权利要求1或2所述的物理逻辑重建方法，其特征在于，获取优化变量的初值包括如下过程：通过相似度算法判断是否存在与当前工况相似的历史工况，若存在相似工况，则将该历史工况的物理逻辑重建结果作为本次工况物理逻辑重建的初值，用于后续优化求解；若不存在相似工况，则选择最近的稳态工况的物理逻辑重建结果作为初值。4.根据权利要求1所述的物理逻辑重建方法，其特征在于，在模型优化求解时，基于设定的现场约束对模型进行测算是否满足装置特性，其中，所述的现场约束包括物料平衡、能量平衡、相平衡、热量传递和设备性能五大现场约束条件。5.根据权利要求2所述的物理逻辑重建方法，其特征在于，所述的物理逻辑重建模型的数据来源包括：随时间变化而变化的数据，包括现场仪表数据和实验室分析数据；基于装置的工艺流程，包括分离流程和换热流程，建立的机理模型产生的满足装置运行自然规律的模拟数据。6.根据权利要求4或5所述的物理逻辑重建方法，其特征在于，物理逻辑重建模型示意如下：y
j
＝f
j
(x
cal，i
，y
j
′
) j，j
′
∈J，j≠j

【专利技术属性】
技术研发人员：王士波，吴永文，杨啸，尼古拉斯，
申请(专利权)人：北京宜能高科科技有限公司，
类型：发明
国别省市：