详情

原文传递基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法

专利名称：	基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法
摘要：	本发明涉及一种基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，主要解决现有技术中由于提供数据不及时而导致的人力和时间成本较高的问题。本发明通过采用一种首先根据所有监检测数据的最小时间尺度进行时间同步；针对非量化数据进行量化处理，并进行数据归一化，组建因素表X和对照表Y；建立包含多层限制玻尔兹曼机RBM的深度置信网络；通过逐层学习，获得深度置信网络的最优参数，最后一层RBM输出结果为运用支持向量机回归分析方法建立与Y之间非线性映射关系的技术方案较好地解决了上述问题，可用于炼厂蒸馏塔顶切水离子浓度预测中。
专利类型：	发明专利
国家地区组织代码：	山东;37
申请人：	中国石油化工股份有限公司
发明人：	牛鲁娜;胡海军;兰正贵;李云;韩磊;张钰;屈定荣
专利状态：	有效
申请日期：	2017-10-17T00:00:00+0800
发布日期：	2019-04-23T00:00:00+0800
申请号：	CN201710964729.4
公开号：	CN109669017A
代理机构：	上海硕力知识产权代理事务所(普通合伙)
代理人：	张惠明
分类号：	G01N33/18(2006.01);G;G01;G01N;G01N33
申请人地址：	266071 山东省青岛市市南区延安三路218号
主权项：	1.一种基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，包括如下步骤：首先根据所有监检测数据的最小时间尺度进行时间同步，即通过插入数据的方法使得在任一时间点所有监检测变量都有数据，数据根据现行插值算法得出；针对非量化数据进行量化处理，并进行数据归一化，组建因素表X和对照表Y；建立包含多层限制玻尔兹曼机RBM的深度置信网络，第一层RBM的可视层的节点数与因素表X的总列数一致，最后一层RBM的隐藏层的节点数不小于因素表X的总列数的一半，中间层RBM的可视层和隐藏层的节点数相同，整个深度置信网络包含RBM总层数不小于2层；通过逐层学习，获得深度置信网络的最优参数，最后一层RBM输出结果为运用支持向量机回归分析方法建立与Y之间非线性映射关系；具体包括如下步骤： (1)数据的收集和预处理收集工艺生产实时数据、侧线油品分析化验数据和水质分析数据，对数据进行预处理，包括如下步骤： 1)对数据进行时间同步针对数据时间尺度不一致的情况，按最小时间尺度对数据集进行补充； 2)对非量化数据的处理监测和检测数据中，部分数据采用非量化的描述，根据数据集中存在非量化的状态总数M，则将这些非量化描述转换成量化整数i(i＝1～M)； 3)对数据进行补全如果某个时段采集数据中有缺失，则通过线性插值方法进行补充； 4)数据归一化针对分析的数据集，选择每列数据的最大值和最小值，通过线性方法将数据变换到0～1范围内； 5)将所有数据根据时间组装成因数表和对照表，因素表中的每一列代表一个因素的时序集，每一行代表一个时间点上因素集；对照表中每一列代表需要预测的变量的时序集，每一行代表一个时间点上多个预测变量的集和； (2)采用深度学习对数据进行训练 1)组建深度置信网络，深度置信网络由多层限制玻尔兹曼机RBM叠加而成组成； 2)逐层训练对深度置信网络的每层RBM进行训练； 3)采用支持向量机回归分析方法对塔顶切水浓度进行预测； 4)重复上述步骤直至对照表中所有的浓度都获得SVR的最优解，至此，建立了基于深度学习的塔顶切水浓度预测方法； 5)离子浓度预测数据预测将新采集的数据进行预处理，并输入深度置信网络的第一层RBM的可视层，经过计算后，将最后一层RBM隐藏层的结果代入计算公式，计算出的结果即为塔顶切水中离子浓度的预测值。 2.根据权利要求1所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于组建深度置信网络，深度置信网络由多层限制玻尔兹曼机RBM叠加而成组成，每个RBM层包括可视层和隐藏层。 3.根据权利要求1所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于对深度置信网络的每层RBM进行训练；首先将训练数据输入第1层RBM，经过训练后，固定其网格参数，将第1层RBM隐含层作为第2层RBM的可视层，数据样本经过第1层RBM抽取初步特征数据，再输入第2层RBM的可见层；第2层RBM采用同样的方法进行训练，训练结束后将第2层RBM隐藏层的输出作为第3层RBM的可见层；这样，逐层进行训练到最后一层，使整个置信网格参数稳定；训练数据经过深度置信网络计算后，输出结果为最后一层RBM的隐藏层数据。 4.根据权利要求1所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于所述计算公式为：即将深度置信网络最后一层RBM的输出和对照表中的Yj做为支持向量机回归分析方法的训练样本，构造回归函数；其中，j为第j个需要预测的浓度，为非线性映射函数，w为权向量，s为常数。 5.根据权利要求4所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于如果j>1，则重复上述步骤直至对照表中所有的浓度都获得SVR的最优解。 6.根据权利要求1所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于采用的限制玻尔兹曼机的能量函数为：E(v,h\|a,b,W)＝-∑i,jWijvihj-∑ibivi-∑jajhj，其中，v和h代表可视层和隐藏层，a和b为网络的偏置，W为连接权重，i和j为分别代表可视层和隐藏层的节点编号。 7.根据权利要求1所述基于深度学习的炼厂蒸馏塔顶切水离子浓度预测方法，其特征在于线性插值方法为其中，x为t时刻需要补全的值，x1为t1时刻的测量值，x2为t1时刻的测量值。
所属类别：	发明专利