本發(fā)明涉及產(chǎn)品質(zhì)量檢測領(lǐng)域，更具體地，涉及一種加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法。

背景技術(shù)：

加氫裂化流程是石化企業(yè)極為重要的一個(gè)二次加工工藝流程，即在加熱、高氫壓和催化劑的條件下，使重質(zhì)油發(fā)生裂化反應(yīng)，轉(zhuǎn)化成石腦油、汽油、航煤、柴油等輕質(zhì)、高質(zhì)量的油品。加氫裂化流程具有加工原料范圍寬、原料適應(yīng)性強(qiáng)、生產(chǎn)靈活性大、碳丟失率低、產(chǎn)品質(zhì)量好、液體產(chǎn)品收率高等優(yōu)點(diǎn)，是大型煉廠和石化企業(yè)最重要、最可靠、最靈活和最有效的加工手段之一，并且其產(chǎn)品也被廣泛用于汽車、航空、船舶、重型機(jī)械、潤滑油生產(chǎn)等方面。

然而，由于原料油屬性變化、催化劑活性降低、裝置性能退化、生產(chǎn)方案及操作參數(shù)變化等原因，加氫裂化流程產(chǎn)品質(zhì)量也在發(fā)生變化，并且，產(chǎn)品的質(zhì)量不僅代表該流程的運(yùn)行狀況好壞，也會對下游的石化流程起到至關(guān)重要的作用。因此，對加氫裂化流程產(chǎn)品質(zhì)量進(jìn)行檢測并根據(jù)產(chǎn)品質(zhì)量對過程進(jìn)行評估、調(diào)整尤為重要。

目前，實(shí)際的加氫裂化流程產(chǎn)品質(zhì)量檢測大都采用人工離線化驗(yàn)，這種檢測方式存在嚴(yán)重滯后，很可能導(dǎo)致操作人員不能及時(shí)調(diào)整過程變量而生產(chǎn)出不合格的產(chǎn)品油。為了及時(shí)評估加氫裂化流程的全局運(yùn)行狀況、并做出相應(yīng)的調(diào)整，在線的產(chǎn)品質(zhì)量檢測則顯得尤為關(guān)鍵。然而，考慮到安全性和可操作性，像餾點(diǎn)、硫含量、閃點(diǎn)、水含量等產(chǎn)品質(zhì)量指標(biāo)是無法通過在線化驗(yàn)方式進(jìn)行檢測的。因此，使用軟測量技術(shù)來實(shí)現(xiàn)加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測成為了學(xué)者們研究的熱點(diǎn)問題。

軟測量技術(shù)是以可測或易測的過程變量(或輔助變量)為基礎(chǔ)，利用輔助變量和難測或待測過程變量(或主導(dǎo)變量)之間的數(shù)學(xué)關(guān)系(即軟測量模型)，通過各種數(shù)學(xué)計(jì)算和估計(jì)實(shí)現(xiàn)對主導(dǎo)變量的測量。廣義的軟測量技術(shù)其實(shí)主要由數(shù)據(jù)采集、數(shù)據(jù)處理、軟測量模型和軟測量數(shù)據(jù)存儲、顯示與輸出4個(gè)部分組成。

目前，根據(jù)軟測量模型建立的方式，加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法分為基于機(jī)理的和數(shù)據(jù)驅(qū)動的兩種。基于機(jī)理的加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測是建立在對加氫裂化流程工藝和機(jī)理有深刻認(rèn)識的基礎(chǔ)上，通過對加氫裂化流程產(chǎn)品質(zhì)量的機(jī)理分析，找出其他實(shí)時(shí)可測輔助變量和不可測產(chǎn)品質(zhì)量指標(biāo)之間的關(guān)系，例如結(jié)合主要的過程變量和輕石腦油干點(diǎn)的關(guān)聯(lián)公式，建立加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測模型。但這種方法只能適用于機(jī)理明確的化工過程，并且針對每種產(chǎn)品質(zhì)量指標(biāo)都需要建立特定的模型，建模過程復(fù)雜。

基于數(shù)據(jù)驅(qū)動的加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測是通過多元線性回歸(MLR)、主元分析(PCR)、部分最小二乘(PLS)等統(tǒng)計(jì)分析方法和人工神經(jīng)網(wǎng)絡(luò)(ANN)、模糊技術(shù)、支持向量機(jī)(SVM)等智能算法，利用實(shí)際加氫裂化流程生產(chǎn)數(shù)據(jù)建立實(shí)時(shí)可測輔助變量和不可測產(chǎn)品質(zhì)量指標(biāo)之間的回歸模型，從而實(shí)現(xiàn)產(chǎn)品質(zhì)量的在線預(yù)測。這種方法非常適合變量多、非線性的復(fù)雜系統(tǒng)，泛化性能好，簡單實(shí)用，具有較高的應(yīng)用價(jià)值。然而，目前來說，該類方法研究仍存在以下問題：第一，并沒有充分利用加氫裂化全流程過程變量，所建立的產(chǎn)品質(zhì)量在線預(yù)測模型基本都是只考慮分餾系統(tǒng)這一部分的過程變量，不利于加氫裂化流程全局運(yùn)行狀況評估；第二，加氫裂化流程過程變量多，目前主要依靠機(jī)理分析和工廠經(jīng)驗(yàn)選取輔助變量，主觀因素大；第三，加氫裂化流程是個(gè)大時(shí)滯系統(tǒng)，即使是分餾系統(tǒng)也有近1.5小時(shí)的時(shí)滯，在外部條件發(fā)生變化時(shí)，該過程存在穩(wěn)態(tài)和非穩(wěn)態(tài)情況，不同模態(tài)下所建立的質(zhì)量在線預(yù)測模型也是不同的，需要區(qū)分。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對現(xiàn)有加氫裂化產(chǎn)品質(zhì)量預(yù)測的數(shù)據(jù)驅(qū)動建模存在的問題，提供一種加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法，所述方法包括：

S1.基于產(chǎn)品質(zhì)量離線化驗(yàn)時(shí)間前一個(gè)所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)的產(chǎn)品敏感參數(shù)，利用多項(xiàng)式最小二乘法擬合得到所述每個(gè)敏感參數(shù)的穩(wěn)態(tài)指數(shù)；

S2.基于所述每個(gè)敏感參數(shù)的穩(wěn)態(tài)指數(shù)和所述每個(gè)敏感參數(shù)對所述流程的影響程度，利用Dempster規(guī)則構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)；根據(jù)系統(tǒng)穩(wěn)態(tài)指數(shù)，獲得產(chǎn)品質(zhì)量離線化驗(yàn)時(shí)間前一個(gè)所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)系統(tǒng)處于穩(wěn)態(tài)的穩(wěn)態(tài)數(shù)據(jù)；

S3.基于所述穩(wěn)態(tài)數(shù)據(jù)中各敏感參數(shù)在所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)的數(shù)據(jù)均值，利用隨機(jī)森林產(chǎn)品質(zhì)量在線預(yù)測模型實(shí)現(xiàn)所述產(chǎn)品的質(zhì)量在線預(yù)測。

與現(xiàn)有的方法相比，本發(fā)明提出的加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法具有以下效果：

充分利用加氫裂化全流程過程變量使得預(yù)測得到的質(zhì)量能夠反映全局運(yùn)行狀況；基于Spearman相關(guān)分析的部分逐步回歸法引入了敏感變量因子SVF，從多類型、多分布和多關(guān)聯(lián)海量數(shù)據(jù)中提取反映當(dāng)前運(yùn)行狀況、與產(chǎn)品質(zhì)量密切相關(guān)的敏感變量；基于主成分分析(PCA)對敏感變量進(jìn)行降維，得到敏感參數(shù)，對高維的特征進(jìn)行降維、降低計(jì)算復(fù)雜度、加快處理速度，而且它還可以處理高耦合性特征，以使敏感參數(shù)盡量互不相關(guān)從而完全表現(xiàn)出系統(tǒng)的特征；基于主成分分析(PCA)中的單個(gè)主元貢獻(xiàn)率引入了穩(wěn)態(tài)權(quán)重因子SSWF，從而消除了以往在構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)SSSI時(shí)采用經(jīng)驗(yàn)賦值的主觀因素影響；充分考慮系統(tǒng)的穩(wěn)態(tài)和非穩(wěn)態(tài)的情況，基于穩(wěn)態(tài)數(shù)據(jù)建立加氫裂化流程柴油產(chǎn)品質(zhì)量在線預(yù)測模型，科學(xué)嚴(yán)謹(jǐn)；使用的隨機(jī)森林回歸算法(RFR)相對于其他機(jī)器學(xué)習(xí)算法來說，具有預(yù)測精度高、泛化能力好、收斂速度快等優(yōu)點(diǎn)，可有效避免“過擬合”現(xiàn)象的發(fā)生，適合各種高維數(shù)據(jù)集。

附圖說明

圖1為根據(jù)本發(fā)明實(shí)施例中加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法的總體流程圖；

圖2為根據(jù)本發(fā)明一個(gè)優(yōu)選實(shí)施例中加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法的總體流程圖；

圖3為根據(jù)本發(fā)明實(shí)施例1中基于主成分分析法的敏感參數(shù)及其穩(wěn)態(tài)權(quán)重因子獲取的流程圖；

圖4為根據(jù)本發(fā)明實(shí)施例1中多項(xiàng)式最小二乘法擬合對敏感參數(shù)的采樣區(qū)間數(shù)據(jù)進(jìn)行滑動窗口回歸示意圖；

圖5為根據(jù)本發(fā)明實(shí)施例1中隨機(jī)森林回歸算法單棵決策樹算法簡圖；

圖6為根據(jù)本發(fā)明實(shí)施例1中隨機(jī)森林回歸算法簡圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例，對本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。以下實(shí)施例用于說明本發(fā)明，但不用來限制本發(fā)明的范圍。

本發(fā)明的加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測方法，包括：

S1.基于產(chǎn)品質(zhì)量離線化驗(yàn)時(shí)間前一個(gè)所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)的產(chǎn)品敏感參數(shù)，利用多項(xiàng)式最小二乘法擬合得到所述每個(gè)敏感參數(shù)的穩(wěn)態(tài)指數(shù)；

S2.基于所述每個(gè)敏感參數(shù)的穩(wěn)態(tài)指數(shù)和所述每個(gè)敏感參數(shù)對所述流程的影響程度，利用Dempster規(guī)則構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)；根據(jù)系統(tǒng)穩(wěn)態(tài)指數(shù)，獲得產(chǎn)品質(zhì)量離線化驗(yàn)時(shí)間前一個(gè)所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)系統(tǒng)處于穩(wěn)態(tài)的穩(wěn)態(tài)數(shù)據(jù)；

S3.基于所述穩(wěn)態(tài)數(shù)據(jù)中各敏感參數(shù)在所述加氫裂化流程時(shí)滯時(shí)間窗口內(nèi)的數(shù)據(jù)均值，利用隨機(jī)森林產(chǎn)品質(zhì)量在線預(yù)測模型實(shí)現(xiàn)所述產(chǎn)品的質(zhì)量在線預(yù)測。

本發(fā)明的方法充分利用加氫裂化全流程過程變量，使得預(yù)測得到的質(zhì)量能夠反映全局運(yùn)行狀況。

在本發(fā)明的一個(gè)實(shí)施例中，為了更好的去噪，在S1中使用多項(xiàng)式最小二乘法擬合對每個(gè)所述敏感參數(shù)的采樣區(qū)間數(shù)據(jù)進(jìn)行滑動窗口H回歸，得到敏感參數(shù)在各個(gè)采樣點(diǎn)的回歸值，用回歸值代替原測量值可以更好地去噪。

同時(shí)，多項(xiàng)式最小二乘法擬合含有所述敏感參數(shù)的回歸值的變化信息，求一階導(dǎo)，得到敏感參數(shù)的穩(wěn)態(tài)指數(shù)。即多項(xiàng)式最小二乘法擬合含有敏感參數(shù)的變化信息，其在采樣點(diǎn)的一階導(dǎo)數(shù)即為該敏感參數(shù)在該采樣點(diǎn)的變化快慢，并將共定義為該敏感參數(shù)的穩(wěn)態(tài)指數(shù)SSI，根據(jù)敏感參數(shù)的穩(wěn)態(tài)指數(shù)可以檢測該敏感參數(shù)信號的穩(wěn)態(tài)和非穩(wěn)態(tài)。

在一個(gè)優(yōu)選實(shí)施例中，多項(xiàng)式最小二乘法擬合的具體步驟為：

對某個(gè)敏感參數(shù)在采樣區(qū)間的序列x(j)進(jìn)行多項(xiàng)式最小二乘法擬合時(shí)，首先定義一個(gè)長度為奇數(shù)的H長窗口，H＝2h+1，h為正整數(shù)。設(shè)在某一時(shí)刻，窗口內(nèi)的信號樣本為x(j-h),…,x(j),…,x(j+h)，其中x(j)為位于窗口中心的該敏感參數(shù)樣本值。

令窗口內(nèi)的信號樣本x(j-h),…,x(j),…,x(j+h)為x′(1),…,x′(h+1),…,x′(2h+1)，其中x′(h+1)為位于窗口中心的該敏感參數(shù)樣本值，對應(yīng)的采樣時(shí)刻t分別為1,2…,2h+1，則窗口內(nèi)的擬合信號則可以表示為時(shí)間t的函數(shù)，即：

其中，a＝[a₀a₁,…,a_n]^T,n<2h+1為多項(xiàng)式最小二乘法擬合模型參數(shù)向量，r(t)＝[1,t,t²,…,tⁿ]^T為回歸變量。應(yīng)用最小二乘法就可以得到參數(shù)a的最優(yōu)估計(jì)：

式中：

則經(jīng)過多項(xiàng)式最小二乘法擬合后的擬合信號為

則敏感參數(shù)在各個(gè)采樣點(diǎn)x(j)的回歸值為：

用回歸值代替原測量值可以去噪。采用滑動窗口方法即可得到該敏感參數(shù)在采樣區(qū)間的多項(xiàng)式最小二乘法擬合回歸值序列。

在一個(gè)優(yōu)選實(shí)施例中，為了減少隨外部條件變化而波動變化不大的相關(guān)變量以及波動無規(guī)則的相關(guān)變量，本發(fā)明方法中敏感參數(shù)的獲取包括以下步驟：

1)從生產(chǎn)數(shù)據(jù)庫中提取加氫裂化全流程中過程變量；

2)基于所述過程變量在外部條件發(fā)生變化時(shí)的波動趨勢，篩選出主要過程變量；

3)使用帶滑窗的中值濾波對所述主要過程變量的實(shí)際歷史運(yùn)行數(shù)據(jù)進(jìn)行濾波去噪，得到所述敏感參數(shù)。

在所述步驟1)中，從煉油工廠數(shù)據(jù)庫中提取加氫裂化全流程可測過程變量及其歷史數(shù)據(jù)，根據(jù)工藝和機(jī)理，初步提取與產(chǎn)品質(zhì)量相關(guān)過程變量。

在所述步驟2)中，分析當(dāng)外部條件發(fā)生變化時(shí)各個(gè)相關(guān)變量的趨勢波動情況，篩選出主要過程變量。目的是為了排除無波動、平穩(wěn)的相關(guān)變量，即隨外部條件變化而波動變化不大的相關(guān)變量，并排除波動無規(guī)則的相關(guān)變量，即與外部條件變化無關(guān)的變化劇烈的相關(guān)變量。

在所述步驟3)中，采用滑動窗口為L的中值濾波對主要變量的實(shí)際歷史運(yùn)行數(shù)據(jù)進(jìn)行濾波去噪，從而消除加氫裂化流程儀表檢測時(shí)、數(shù)據(jù)傳輸過程中受到的干擾。

其中，所述步驟3)中采用滑動窗口為L的中值濾波的具體步驟為本領(lǐng)域中常用的中值濾波法，在本發(fā)明的方法中優(yōu)選的步驟為：

對某個(gè)主要變量在采樣區(qū)間的序列x(j)進(jìn)行濾波處理時(shí)，首先定義一個(gè)長度為奇數(shù)的L長窗口，L＝2N+1，N為正整數(shù)。設(shè)在某一時(shí)刻，窗口內(nèi)的信號樣本為

x(j-N),…,x(j),…,x(j+N)

其中，x(j)為位于窗口中心的該主要變量樣本值。

對L個(gè)該主要變量樣本值按從小到大的順序排列后，其中排序在j處的樣本值便定義為中值濾波的輸出值，表達(dá)式為：

y(j)＝Med[x(j-N),…,x(j),…,x(j+N)]

采用滑動窗口方法即可得到該主要變量在采樣區(qū)間的中值濾波序列。

為了減少選取變量的冗余信息，大大降低計(jì)算量，所述敏感參數(shù)的獲取還包括：

在去噪后，基于濾波去噪后的主要過程變量，利用Spearman相關(guān)性分析的部分逐步回歸法定義敏感變量因子并進(jìn)行敏感變量優(yōu)選，得到所述敏感參數(shù)。

即根據(jù)外部變化的條件(如進(jìn)料總流量)與主要過程變量的Spearman相關(guān)性系數(shù)，定義敏感變量因子SVF，設(shè)定閾值為ε∈[0,1]，篩選出敏感變量因子大于ε的主要過程變量，得到敏感變量，并部分逐步引入非敏感變量或剔除敏感變量，根據(jù)預(yù)測偏差Δe來驗(yàn)證所選取的敏感變量正確性。

在本發(fā)明的一個(gè)實(shí)施例中，利用Spearman相關(guān)系統(tǒng)確定敏感變量因子，并結(jié)合逐步回歸法的優(yōu)點(diǎn)來驗(yàn)證篩選出的敏感變量是否正確。

其中，基于Spearman相關(guān)性分析的部分逐步回歸法的具體步驟包括：

根據(jù)Spearman相關(guān)性系數(shù)分析外部變化的條件(如原料總?cè)肟诹髁?與主要過程變量的相關(guān)性，計(jì)算公式為：

K為主要變量個(gè)數(shù)，x₁為加氫裂化流程進(jìn)料泵出口流量的采樣數(shù)據(jù)，x_i為其他主要變量的采樣數(shù)據(jù)。

定義第i變量的敏感變量因子為：SVF_i＝ρ_i，設(shè)定閾值為ε∈[0,1]，篩選出敏感變量因子大于ε的主要過程變量，得到敏感變量。并部分逐步引入非敏感變量或剔除敏感變量，根據(jù)預(yù)測偏差Δe來驗(yàn)證所選取的敏感變量正確性，判別公式為：

Δe＝e′-e≤(0.05～0.1)e

e為所選取的敏感變量時(shí)的預(yù)測結(jié)果，e′為在敏感變量的基礎(chǔ)上引入或剔除變量時(shí)的預(yù)測結(jié)果。

在一個(gè)優(yōu)選實(shí)施例中，為了對高維的特征進(jìn)行降維、降低計(jì)算復(fù)雜度、加快處理速度，在使用多項(xiàng)式最小二乘法之前還包括將所述敏感參數(shù)經(jīng)過PCA歸一化和正規(guī)化特征向量矩陣變化處理。

其中，基于主成分分析法(PCA)對敏感參數(shù)進(jìn)行降維，當(dāng)前n個(gè)成分累計(jì)貢獻(xiàn)大于或等于ξ時(shí)，取其為主成分并將其作為降維后敏感參數(shù)，并將每個(gè)敏感參數(shù)的單個(gè)貢獻(xiàn)率(或相關(guān)系數(shù)矩陣特征值)定義為穩(wěn)態(tài)權(quán)重因子SSWF，穩(wěn)態(tài)權(quán)重因子是指每個(gè)敏感參數(shù)對多變量系統(tǒng)的影響程度。

使用PCA的目的是其不僅可以對高維的特征進(jìn)行降維、降低計(jì)算復(fù)雜度、加快處理速度，而且它還可以處理高耦合性特征，以使敏感參數(shù)盡量互不相關(guān)從而完全表現(xiàn)出系統(tǒng)的特征。

所述基于主成分分析法的敏感參數(shù)獲取的具體步驟包括：

1)對敏感變量的采樣數(shù)據(jù)進(jìn)行歸一化：

由于不同敏感變量的量綱不同，為了處理方便，應(yīng)先對原始數(shù)據(jù)進(jìn)行歸一化，記敏感變量的采樣數(shù)據(jù)中共有M個(gè)樣本，每個(gè)樣本有N個(gè)敏感變量，則共有N個(gè)敏感變量向量，分別記為C_i(i＝1,2,…,N)，而C_ji(j＝1,2,…,M；i＝1,2,…,N)為第j樣本的第i個(gè)敏感變量樣本值。

歸一化計(jì)算公式為：

其中，E(C_i)指C_i的均值，Var(C_i)指C_i的標(biāo)準(zhǔn)差。

2)求敏感變量間的相關(guān)系數(shù)矩陣：

經(jīng)過歸一化后的敏感變量向量為G_i(i＝1,2,…,N)，N個(gè)敏感變量的相關(guān)系數(shù)可以構(gòu)成一個(gè)N×N的相關(guān)系數(shù)矩陣R，R中的每個(gè)元素記為R_ij(i＝1,2,…,N；j＝1,2,…,N)，每個(gè)元素的值為：

式中Conv(G_i,G_j)表示G_i和G_j的協(xié)方差，D(G_i)和D(G_j)分別表示G_i和G_j的方差?？梢园l(fā)現(xiàn)相關(guān)系數(shù)矩陣R是個(gè)對稱矩陣。

3)求敏感變量正規(guī)化單位特征向量。對于N×N的相關(guān)系數(shù)矩陣R，共可求得N個(gè)特征值，記為λ_i，根據(jù)由大到小依次排序?yàn)棣?sub>1、λ₂、…、λ_N，再求出每個(gè)特征值所對應(yīng)的正規(guī)化單位特征向量，記為L_i＝[l_1i l_2i…l_Ni]^T。

4)根據(jù)特征值的累計(jì)貢獻(xiàn)率確定主成分，即敏感參數(shù)。

累計(jì)貢獻(xiàn)率是由特征值的大小所決定的，則前n成分的累計(jì)貢獻(xiàn)率CR_n計(jì)算公式如下：

當(dāng)累計(jì)貢獻(xiàn)率CR_n≥ξ，其中ξ為控制值，這時(shí)的n為敏感參數(shù)個(gè)數(shù)，新的敏感參數(shù)正規(guī)化單位特征向量矩陣為步驟3)中前n個(gè)正規(guī)化單位特征向量L₁、L₂、…、L_n組成的矩陣L′，新的敏感參數(shù)的樣本數(shù)據(jù)矩陣為Y＝D×L′，新的敏感參數(shù)即為Y的列屬性。

其中，敏感參數(shù)穩(wěn)態(tài)權(quán)重因子SSWF為敏感參數(shù)的單個(gè)貢獻(xiàn)率(或相關(guān)系數(shù)矩陣特征值)，即每個(gè)敏感參數(shù)穩(wěn)態(tài)權(quán)重因子為：

它反映每個(gè)敏感參數(shù)對多變量系統(tǒng)的影響程度。

在本發(fā)明一個(gè)優(yōu)選實(shí)施例中，S2中基于所述每個(gè)敏感參數(shù)的穩(wěn)態(tài)指數(shù)和所述每個(gè)敏感參數(shù)對所述流程的影響程度，利用Dempster規(guī)則構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)；其中，所述每個(gè)敏感參數(shù)對所述系統(tǒng)的影響程度也稱穩(wěn)態(tài)權(quán)重因子，可以為當(dāng)敏感參數(shù)經(jīng)過主成分分析法后進(jìn)行降維處理時(shí)每個(gè)敏感參數(shù)的單個(gè)貢獻(xiàn)率，也可以用其它方法測定。

其中，S2中Dempster規(guī)則構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)的公式為：

其中，SSSI表示系統(tǒng)穩(wěn)態(tài)指數(shù)，SSI和SSWF分別指的是各敏感參數(shù)的穩(wěn)態(tài)指數(shù)和穩(wěn)態(tài)權(quán)重因子，i為敏感參數(shù)序號。

設(shè)定閾值μ，根據(jù)檢測精度來取值，一般取值為0.6～1，從而判斷加氫裂化流程系統(tǒng)是否處于穩(wěn)態(tài)，其中，當(dāng)SSSI大于閾值μ，則認(rèn)為系統(tǒng)瞬時(shí)穩(wěn)態(tài)。

在本發(fā)明一個(gè)優(yōu)選實(shí)施例中，S3中隨機(jī)森林產(chǎn)品質(zhì)量在線預(yù)測模型的構(gòu)建為：

基于煉油工廠數(shù)據(jù)庫中的敏感參數(shù)，遍歷S1和S2，得到穩(wěn)態(tài)數(shù)據(jù)；

將所述穩(wěn)態(tài)數(shù)據(jù)中各敏感參數(shù)在所述流程時(shí)滯時(shí)間窗口內(nèi)的數(shù)據(jù)均值作為所述敏感參數(shù)的特征值，與該離線化驗(yàn)時(shí)間的產(chǎn)品質(zhì)量組成訓(xùn)練集的一個(gè)樣本元素；

使用隨機(jī)森林回歸算法訓(xùn)練所建立的訓(xùn)練集，構(gòu)建所述模型

在一個(gè)優(yōu)選實(shí)施例中，所述隨機(jī)森林回歸算法具體為：

S31.假定RF算法中需建立的決策樹數(shù)量為k，對于每棵決策樹，采用自助法重采樣方法有放回地從總訓(xùn)練集T中隨機(jī)抽取和T樣本容量相同的訓(xùn)練集T_i(i＝1,…,k)，并分別作為k棵決策樹的訓(xùn)練集；

S32.對于第i棵決策樹的每個(gè)分支節(jié)點(diǎn)，采用不放回的采樣方法從所述敏感參數(shù)特征集M中隨機(jī)抽取m個(gè)特征變量作為特征子集M_ij(i＝1,…,k,j＝1,2,…)，j表示該決策樹使用特征子集的個(gè)數(shù)；每個(gè)分支節(jié)點(diǎn)的特征子集M_ij的特征變量數(shù)m為總特征變量M維度的開方，即則

S33.對每棵決策樹，以T_i為訓(xùn)練樣本，M_i為特征子集集合進(jìn)行訓(xùn)練，從M_ij中選擇一個(gè)最具有分類能力的變量對該節(jié)點(diǎn)進(jìn)行分裂，得到一個(gè)隨機(jī)森林回歸模型{RF(T_i,M_i),i＝1,…,k,}，其中，RF(T_i,M_i)為每棵決策樹分類結(jié)果；

S34.輸入敏感參數(shù)特征值向量X，通過收集各個(gè)決策樹的預(yù)測值，并對其加權(quán)均值作為產(chǎn)品質(zhì)量預(yù)測結(jié)果，即：

實(shí)施例1：

一種加氫裂化流程柴油產(chǎn)品質(zhì)量在線預(yù)測方法，流程圖如圖2所示，包括以下步驟：

步驟(1)、從煉油工廠數(shù)據(jù)庫中提取1700多個(gè)加氫裂化全流程可測過程變量及其歷史數(shù)據(jù)，根據(jù)工藝和機(jī)理，初步提取與柴油產(chǎn)品質(zhì)量相關(guān)的162個(gè)過程變量；

步驟(2)、分析當(dāng)加氫裂化流程進(jìn)料總流量發(fā)生變化時(shí)，各個(gè)相關(guān)變量的趨勢波動情況，篩選出68個(gè)主要過程變量。目的是為了排除無波動、平穩(wěn)的相關(guān)變量，即隨進(jìn)料總流量變化而波動變化不大的相關(guān)變量，并排除波動無規(guī)則的相關(guān)變量，即與進(jìn)料總流量變化無關(guān)的變化劇烈的相關(guān)變量。

步驟(3)、采用滑動窗口為L＝215(加氫裂化流程的時(shí)滯)的中值濾波對主要變量的實(shí)際歷史運(yùn)行數(shù)據(jù)進(jìn)行濾波去噪，從而消除加氫裂化流程儀表檢測時(shí)、數(shù)據(jù)在傳輸過程中受到的干擾。其中滑動窗口為L＝215的中值濾波的具體步驟包括：對某個(gè)主要變量在采樣區(qū)間的序列x(j)進(jìn)行濾波處理時(shí)，首先定義一個(gè)長度為奇數(shù)的L長窗口，L＝2N+1，N為正整數(shù)。設(shè)在某一時(shí)刻，窗口內(nèi)的信號樣本為x(j-N),…,x(j),…,x(j+N)，其中x(j)為位于窗口中心的該主要變量樣本值。對L個(gè)該主要變量樣本值按從小到大的順序排列后，其中排序在j處的樣本值便定義為中值濾波的輸出值，表達(dá)式為：

y(j)＝Med[x(j-N),…,x(j),…,x(j+N)]

采用滑動窗口方法即可得到該主要變量在采樣區(qū)間的中值濾波序列。

步驟(4)、提出基于Spearman相關(guān)性分析的部分逐步回歸法定義敏感變量因子SVF并進(jìn)行敏感變量優(yōu)選，即根據(jù)進(jìn)料總流量與主要過程變量的Spearman相關(guān)性系數(shù)，計(jì)算公式為：

K為主要變量個(gè)數(shù)，x₁為加氫裂化流程進(jìn)料泵出口流量的采樣數(shù)據(jù)，x_i為其他主要變量的采樣數(shù)據(jù)，定義第i變量的敏感變量因子為：SVF_i＝ρ_i，設(shè)定閾值為ε＝0.6，篩選出敏感變量因子大于ε的主要過程變量，得到42個(gè)敏感變量(如表1所示)，并部分逐步引入非敏感變量或剔除敏感變量，根據(jù)預(yù)測偏差Δe來驗(yàn)證所選取的敏感變量正確性，判別公式為：

Δe＝e′-e≤(0.05～0.1)e

e為所選取的敏感變量時(shí)的預(yù)測結(jié)果，e′為在敏感變量的基礎(chǔ)上引入或剔除變量時(shí)的預(yù)測結(jié)果。目的是減少選取變量的冗余信息，并大大降低計(jì)算量。

表1本實(shí)施例基于敏感變量因子篩選出的敏感變量列表

步驟(5)、基于主成分分析法(PCA)對敏感變量進(jìn)行降維，當(dāng)前n個(gè)成分累計(jì)貢獻(xiàn)大于或等于ξ＝95％時(shí)，取其為主成分(下面稱為敏感參數(shù))，并將每個(gè)敏感參數(shù)的單個(gè)貢獻(xiàn)率(或相關(guān)系數(shù)矩陣特征值)定義為穩(wěn)態(tài)權(quán)重因子SSWF，即每個(gè)敏感參數(shù)對多變量系統(tǒng)的影響程度。使用PCA的目的是其不僅可以對高維的特征進(jìn)行降維、降低計(jì)算復(fù)雜度、加快處理速度，而且它還可以處理高耦合性特征，以使敏感參數(shù)盡量互不相關(guān)從而完全表現(xiàn)出系統(tǒng)的特征。其中基于主元分析法(PCA)(如圖3所示)的敏感參數(shù)獲取的具體步驟包括：

1)對敏感變量的采樣數(shù)據(jù)進(jìn)行歸一化。由于不同敏感變量的量綱不同，為了處理方便，應(yīng)先對原始數(shù)據(jù)進(jìn)行歸一化，記敏感變量的采樣數(shù)據(jù)中共有M個(gè)樣本，每個(gè)樣本有N個(gè)敏感變量，則共有N個(gè)敏感變量向量，分別記為C_i(i＝1,2,…,N)，而c_ji(j＝1,2,…,M；i＝1,2,…,N)為第j樣本的第i個(gè)敏感變量樣本值。歸一化計(jì)算公式為：

其中,E(C_i)指C_i的均值，Var(C_i)指C_i的標(biāo)準(zhǔn)差。

2)求敏感變量間的相關(guān)系數(shù)矩陣。經(jīng)過歸一化后的敏感變量向量為G_i(i＝1,2,…,N)，N個(gè)敏感變量的相關(guān)系數(shù)可以構(gòu)成一個(gè)N×N的相關(guān)系數(shù)矩陣R，R中的每個(gè)元素記為R_ij(i＝1,2,…,N；j＝1,2,…,N)，每個(gè)元素的值為：

式中Conv(G_i,G_j)表示G_i和G_j的協(xié)方差，D(G_i)和D(G_j)分別表示G_i和G_j的方差。可以發(fā)現(xiàn)相關(guān)系數(shù)矩陣R是個(gè)對稱矩陣。

3)求敏感變量正規(guī)化單位特征向量。對于N×N的相關(guān)系數(shù)矩陣R共可求得N個(gè)特征值，記為λ_i，根據(jù)由大到小依次排序?yàn)棣?sub>1、λ₂、…、λ_N，再求出每個(gè)特征值所對應(yīng)的正規(guī)化單位特征向量，記為L_i＝[l_1i l_2i…l_Ni]^T。

4)根據(jù)特征值的累計(jì)貢獻(xiàn)率確定主成分，即敏感參數(shù)。累計(jì)貢獻(xiàn)率是由特征值的大小所決定的，則前n成分的累計(jì)貢獻(xiàn)率CR_n計(jì)算公式如下：

當(dāng)累計(jì)貢獻(xiàn)率CR_n≥ξ＝95％，其中ξ為控制值，這時(shí)的n為敏感參數(shù)個(gè)數(shù)，新的敏感參數(shù)正規(guī)化單位特征向量矩陣為步驟3)中前n個(gè)正規(guī)化單位特征向量L₁、L₂、…、L_n組成的矩陣L′，新的敏感參數(shù)的樣本數(shù)據(jù)矩陣為Y＝D×L′，新的敏感參數(shù)即為Y的列屬性。

其中，穩(wěn)態(tài)權(quán)重因子SSWF為每個(gè)敏感參數(shù)的單個(gè)貢獻(xiàn)率(或相關(guān)系數(shù)矩陣特征值)，即每個(gè)敏感參數(shù)穩(wěn)態(tài)權(quán)重因子為：

步驟(6)、使用多項(xiàng)式最小二乘法擬合對每個(gè)敏感參數(shù)的采樣區(qū)間數(shù)據(jù)進(jìn)行滑動窗口H回歸(示意圖如圖4所示)，得到敏感參數(shù)在各個(gè)采樣點(diǎn)的回歸值，用回歸值代替原測量值可以去噪，而且多項(xiàng)式最小二乘法擬合含有敏感參數(shù)的變化信息，其在采樣點(diǎn)的一階導(dǎo)數(shù)即為該敏感參數(shù)在該采樣點(diǎn)的變化快慢，并定義其為敏感參數(shù)的穩(wěn)態(tài)指數(shù)SSI，根據(jù)敏感參數(shù)的穩(wěn)態(tài)指數(shù)可以檢測信號的穩(wěn)態(tài)和非穩(wěn)態(tài)。其中多項(xiàng)式最小二乘法擬合的具體步驟包括：對某個(gè)敏感參數(shù)在采樣區(qū)間的序列x(j)進(jìn)行多項(xiàng)式最小二乘法擬合時(shí)，首先定義一個(gè)長度為奇數(shù)的H長窗口，H＝2h+1，h為正整數(shù)。設(shè)在某一時(shí)刻，窗口內(nèi)的信號樣本為x(j-h),…,x(j),…,x(j+h)，其中x(j)為位于窗口中心的該敏感參數(shù)樣本值。令窗口內(nèi)的信號樣本x(j-h),…,x(j),…,x(j+h)x′(1),…,x′(h+1),…,x′(2h+1)，其中x′(h+1)為位于窗口中心的該敏感參數(shù)樣本值，對應(yīng)的采樣時(shí)刻t分別為1,2…,2h+1，則窗口內(nèi)的擬合信號則可以表示為時(shí)間t的函數(shù)，即：

其中，a＝[a₀ a₁,…,a_n]^T,n<2h+1為多項(xiàng)式最小二乘法擬合模型參數(shù)向量，r(t)＝[1,t,t²,…,tⁿ]^T為回歸變量。應(yīng)用最小二乘法就可以得到參數(shù)a的最優(yōu)估計(jì)：

式中：

則經(jīng)過多項(xiàng)式最小二乘法擬合后的擬合信號為

則敏感參數(shù)在各個(gè)采樣點(diǎn)x(j)的回歸值為:

其中敏感參數(shù)的穩(wěn)態(tài)指數(shù)SSI為多項(xiàng)式最小二乘法擬合在采樣點(diǎn)的一階導(dǎo)數(shù)，即為該敏感參數(shù)在該采樣點(diǎn)的變化快慢：

根據(jù)敏感參數(shù)的穩(wěn)態(tài)指數(shù)就可以檢測信號的穩(wěn)態(tài)和非穩(wěn)態(tài)。

步驟(7)、利用Dempster規(guī)則由各敏感參數(shù)的穩(wěn)態(tài)權(quán)重因子SSWF和穩(wěn)態(tài)指數(shù)SSI構(gòu)建系統(tǒng)穩(wěn)態(tài)指數(shù)SSSI，計(jì)算公式為：

設(shè)定閾值μ，根據(jù)檢測精度來取值，一般取值為0.6～1，這里取μ＝0.7，從而判斷加氫裂化流程系統(tǒng)是否處于穩(wěn)態(tài)。

步驟(8)、為了消除系統(tǒng)大時(shí)滯性，根據(jù)系統(tǒng)穩(wěn)態(tài)指數(shù)，獲得產(chǎn)品質(zhì)量離線化驗(yàn)時(shí)間前一個(gè)流程時(shí)滯時(shí)間窗口內(nèi)系統(tǒng)基本處于穩(wěn)態(tài)的穩(wěn)態(tài)數(shù)據(jù)，并將流程時(shí)滯時(shí)間窗口內(nèi)各敏感參數(shù)在采樣點(diǎn)的數(shù)據(jù)的均值作為該敏感參數(shù)的特征值X，與該離線化驗(yàn)時(shí)間的產(chǎn)品質(zhì)量Q組成訓(xùn)練集T的一個(gè)樣本元素。

步驟(9)、使用隨機(jī)森林回歸算法(RFR)訓(xùn)練所建立的訓(xùn)練集T，建立一個(gè)穩(wěn)態(tài)的加氫裂化流程產(chǎn)品質(zhì)量在線預(yù)測模型。隨機(jī)森林回歸算法(RFR)的核心就是算法由多棵決策樹組成，如圖5所示，每棵樹就是從根節(jié)點(diǎn)到葉節(jié)點(diǎn)根據(jù)特征變量不斷分支的過程。具體步驟(簡圖如6所示)包括：

1)假定RF算法中需建立的決策樹數(shù)量為100，對于每棵決策樹，采用自助法(bootstrap)重采樣方法有放回地從總訓(xùn)練集T中隨機(jī)抽取和T樣本容量相同的訓(xùn)練集T_i(i＝1,…,100)，并分別作為100棵決策樹的訓(xùn)練集；

2)對于第i棵決策樹的每個(gè)分支節(jié)點(diǎn)，采用不放回的采樣方法從總特征變量M(本文中即為敏感參數(shù)特征集)中隨機(jī)抽取m個(gè)特征變量作為特征子集M_ij(i＝1,…,100,j＝1,2,…)(j表示該決策樹使用特征子集的個(gè)數(shù))。通常情況下，每個(gè)分支節(jié)點(diǎn)的特征子集M_ij的特征變量數(shù)m為總特征變量M維度的開方，即則

3)對每棵決策樹，以T_i為訓(xùn)練樣本，M_i為特征子集集合進(jìn)行訓(xùn)練，從M_ij中選擇一個(gè)最具有分類能力的變量對該節(jié)點(diǎn)進(jìn)行分裂，每個(gè)決策樹都得到最大限度的生產(chǎn)，而不進(jìn)行剪枝。這樣我們就可以得到一個(gè)隨機(jī)森林回歸模型{RF(T_i,M_i),i＝1,…,100}，其中，RF(T_i,M_i)為每棵決策樹分類結(jié)果。

步驟(10)、將當(dāng)前煉油工廠數(shù)據(jù)庫中前一個(gè)流程時(shí)滯時(shí)間窗口內(nèi)的敏感變量數(shù)據(jù)經(jīng)過中值濾波、步驟(6)中PCA歸一化和正規(guī)化特征向量矩陣變化處理后得到敏感參數(shù)數(shù)據(jù)，再通過多項(xiàng)式最小二乘法擬合、系統(tǒng)穩(wěn)態(tài)檢測，判斷系統(tǒng)處于基本穩(wěn)態(tài)后將敏感參數(shù)在流程時(shí)滯時(shí)間窗口內(nèi)的數(shù)據(jù)均值作為該敏感參數(shù)的特征值，將敏感參數(shù)特征值向量X輸入到訓(xùn)練好的隨機(jī)森林產(chǎn)品質(zhì)量在線預(yù)測模型，通過收集各個(gè)決策樹的預(yù)測值，并對其加權(quán)均值作為產(chǎn)品質(zhì)量預(yù)測結(jié)果，完成該時(shí)刻的產(chǎn)品質(zhì)量Q檢測，即：

最后，本申請的方法僅為較佳的實(shí)施方案，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。