基于迁移学习的精馏塔建模方法研究

发布时间：2021-07-06 22:06

　　化工行业渗透国民生活的方方面面,2018年化工行业实现利润总额超过6000亿元。精馏塔是石油化工生产过程中非常常见并且非常重要的分离设备之一,占化工、石化项目设备总投资的30%～40%,其性能直接关系到生产装置的投资、产能、质量、能耗及成本[1]。然而,化工行业大部分子行业都存在产能过剩,产品竞争力,技术提升慢的现象。距离实现经济转型,生产智能化仍有较远的路要走。核心问题是化工设备的特性复杂多变,难以对其进行准确描述,更不论定制准确有效的优化控制方法。由于化工行业的工艺复杂,产品繁多,并且设备特性在运行时会随着众多因素的改变而改变,导致目前建立的化工设备数学模型通常都不完善,存在不能提前预测,效果不佳、诊断滞后等缺陷。如何对复杂的现实问题进行系统建模,一直是当前控制领域研究的热点问题[2]。本文针对传统精馏塔建模存在的如建模周期长,预测准确率低,跟踪性能差等诸多缺陷,结合大数据,深度学习以及迁移学习技术,对海量的工业数据进行高效处理,提出了一个能精准建模与动态更新的精馏塔建模方案。具体的研究工作如下:（1）针对传统的特征选择方法在处理填料式精馏塔高维时间序列数据难以兼顾计算复杂度和性能... 

【文章来源】：浙江理工大学浙江省

【文章页数】：52 页

【学位级别】：硕士

【部分图文】：

图３．１珠海现场工艺流程??

浙江理工大学硕士学位论文?基于迁移学习的精馏塔建模方法研究??１?＾料―………．?，?．??酶愚???Ｐｆ．＿????图３．１珠海现场工艺流程??．．．．．．．＾?七?Ｌ?ｒ；?“??ｌ＿＇Ｔ＿ｌ＾：??图３．?２淮安现场工艺流程??３．２数据预处理??１３??

浙江理工大学硕士学位论文?基于迁移学习的精馏塔建模方法研宄??直接从生产设备获得的数据，无法避免系统噪声对数据的干扰，这些干扰容??易造成预测误差，因此原始数据必须经过处理才能够在建模中应用。数据预处理??在众多机器学习和深度学习算法中都起着重要作用。??３．２．１缺失、异常值检测及处理??异常值是指传感器工作状态异常或是与正常工况有较大差异的数据。传感器??工作状态异常会导致数据长时间处于定值或出现量程之外的数值。数据传输故障??或生产中断会造成缺失值以及定值的产生。将数据分块读入，首先通过可视化和??统计手段对数据进行初步观察，发现恒定值列以及存在明显异常的特诊，如图??３．３、图３．?４所示。图３．?３左下角存在骤降的点，这在流程生产中是不正常的，??应将异常样本剔除。精馏塔数据整体符合正态分布ｉＶ（Ａａ），＂是序列的均值，ａ是??序列的标准差。??ａ?＝?（３．丨）??式中Ｗ?＝?Ａ?－兄ｉＶ为样本个数。根据３＜ｒ原则，数据落在〇?－?３ｃｊｊ?＋?３（７）之外的??概率仅有０．２７％，可认为是异常数据，应进行剔除。??遍历数据，通将缺失值比例高于２０％以及恒定值的特征筛除。缺失低于２０％??的特征通过差值法补全。??？?ａｍｍ?？ｍｗ?ｍｎｍ??＊＊?ｗ？ｒ?ｉ?ｎ?Ｍｉｌ＊?？??？?？？＊?ｅ?ａａａｒ?ｗｔｏｉｔ?ｔ?ｍｕｔ?？ａａ＞?ｗｗ??ｌｌ“ｈ?１１??ｉ?Ｉ：?：?：：?￣￣：￣￣?：：??＊?Ｉ．?？＞－??４?＿Ｐ＊?？！＿？？?？?４ＲＭ?ＭＨｂ?ｔｉｍｍ??图３．?３部分特征变化趋势图??１４??


本文编号：3269058