基于卷积神经网络的加氢裂化装置建模研究
发布时间：2020-04-13 23:18
【摘要】：在国内经济社会发展被资源环境问题制约背景下,以及“十三五”规划制定的能源发展目标指导下,石油化工企业面临着节能减排的重要任务,其中氢气作为仅次于原油的第二大成本因素,提高氢气使用率并降低氢耗量已经成为重要研究课题。本文以国家重大基金项目为基础,针对某石化企业的降低耗氢量的需求,将工厂DCS数据与深度学习相结合,以建模仿真的形式,开展加氢裂化装置的新氢流量预测建模研究,为企业氢气管网的智能调度提供指导。本文针对加氢裂化装置进行建模研究,利用Lasso法筛选出关联变量,并结合互相关函数(Cross-Correlation Function,CCF)对变量进行时序匹配,建立基于卷积神经网络(Convolutional Neural Networks,CNN)的新氢流量预测模型,然后利用实际生产数据验证了有效性。随后针对实际生产中存在工况变化的问题,提出了一种参数自校正的CNN模型来增加对工况变化的适应性,提高模型的适用性。本文的主要研究内容如下:第一,针对工厂实际DCS数据集存在的特征冗余及时序不匹配等问题,对数据进行预处理工作。应用Lasso方法对数据集原有的特征进行筛选,最终选定6个关联变量,然后再使用CCF计算出关联变量与新氢流量间的相关性及时滞大小,验证了变量选择的正确性并为后续CNN建模的时序数据重排列奠定基础。第二,针对加氢裂化装置,建立预测下一时刻新氢流量的黑箱模型。基于预处理后的数据集,分别使用多元线性回归(Multiple Linear Regression,MLR)、反向传播人工神经网络(Back Propagation Artificial Neural Network,BPNN)、循环神经网络(Recurrent Neural Network,RNN)、CNN四种机器学习方法建立加氢裂化装置的新氢流量预测模型。实验结果表明,CNN模型的预测效果最佳,其预测精度高且稳定性好。RNN作为常用的时序数据处理方法,精度仅次于CNN。BPNN预测结果缺乏稳定性,多元线性回归精度低,两者都不适用于该装置的建模。第三,针对实际生产过程存在的工况变化的问题,提出了一种参数自校正的CNN模型。将工况分为稳定工况和变工况两种情形,并提出新的模型性能评价指标,并且根据先验知识划分出稳定工况的数据进行性能指标序列采集,确定置信区间后,若评价指标超出区间则结合微调(Fine Tune)法对模型进行参数的校正,在实际变工况数据集上进行验证,预测均方根误差和平均绝对百分误差相比于普通CNN模型分别下降了 9.11%与11.70%,模型预测效果提升显著,为深度学习应用到实际工业生产过程奠定了基础。
【图文】：
逦磺逡逑逦%煎义贤迹保蹦炒笮土队统В福埃巴蚨郑旯こ掏恫笄馄鞒淌疽馔煎义霞忧饬鸦爸檬巧贤颊故镜牧队推笠登馄缰械暮那庾疃嗟淖爸茫币彩鞘义嫌投渭庸す痰闹匾爸谩１究翁夂献鞯牧队推笠抵校玻矗巴蚨郑甑募忧饬鸦板义现谜宸从υ蛄鞒掏既缦滤荆哄义希玻矗埃罚扯郑昙友趿鸦从υ蛄鞒掏煎义弦诲危辏╁危垮澹慑逡诲危哄巍辏矗浚眨拢矗义希叔澹佩澹珏危诲澹ュ巍咤危掊澹铄义希颍铄澹掊义希掊危郏螅蓿冲义希剩五危保觯鳎保危慑澹恚恚恚恚翦义襄喂悖卞蜗聳苊ㄥ义希埽龋拢叔危у危у危А鲥危义希浚浚龋岚苣蹋垮危澹觯
本文编号：2626568
【图文】：
逦磺逡逑逦%煎义贤迹保蹦炒笮土队统В福埃巴蚨郑旯こ掏恫笄馄鞒淌疽馔煎义霞忧饬鸦爸檬巧贤颊故镜牧队推笠登馄缰械暮那庾疃嗟淖爸茫币彩鞘义嫌投渭庸す痰闹匾爸谩１究翁夂献鞯牧队推笠抵校玻矗巴蚨郑甑募忧饬鸦板义现谜宸从υ蛄鞒掏既缦滤荆哄义希玻矗埃罚扯郑昙友趿鸦从υ蛄鞒掏煎义弦诲危辏╁危垮澹慑逡诲危哄巍辏矗浚眨拢矗义希叔澹佩澹珏危诲澹ュ巍咤危掊澹铄义希颍铄澹掊义希掊危郏螅蓿冲义希剩五危保觯鳎保危慑澹恚恚恚恚翦义襄喂悖卞蜗聳苊ㄥ义希埽龋拢叔危у危у危А鲥危义希浚浚龋岚苣蹋垮危澹觯
本文编号：2626568
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2626568.html
