专利摘要
一种流化催化裂化催化剂积碳测量方法、系统、介质及设备，包括：获取流化催化裂化生产工艺中反应‑再生系统的原始生产数据，对原始生产数据进行处理获得建模数据；机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型；根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型；融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到对流化催化裂化中催化剂积碳含量进行实时测量的软测量器，本发明解决了流化催化裂化中催化剂积碳含量测量精度不高的问题。
权利要求
1.一种流化催化裂化中催化剂积碳测量方法，其特征在于，包括：
获取流化催化裂化生产工艺中反应-再生系统的原始生产数据，对所述原始生产数据进行处理获得建模数据，包括：
通过传感器获取所述原始生产数据；
以FCC机理分析方法进行辅助变量的选取；
根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；
对原始生产数据进行滤除噪声信号和剔除过失误差信号；
剔除所述原始生产数据中的异常数据样本，获得所述建模数据；
机理分析所述建模数据得到软测量辅助变量，对所述软测量辅助变量深度学习，据以构建测量机理模型，包括：
根据实际对象物理参数进行机理模型运算获取软测量器输入数据；
对所述软测量器输入数据进行特征抽象组合；
对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型；
根据所述数据抽象化模型获取含量相关特征向量；
回归计算所述含量关联特征向量，得到催化剂积碳含量值；
根据机理分析选取经验变量信息，对所述经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合所述经验建模数据与所述测量机理模型的输入输出信息构建软测量经验模型；融合所述测量机理模型与所述软测量经验模型，根据所述测量机理模型与所述软测量经验模型混合建模，根据预设性能评估指标得到对流化催化裂化中催化剂积碳含量进行实时测量的软测量器。
2.根据权利要求1所述的方法，其特征在于，所述根据机理分析选取经验变量信息，对所述经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合所述经验建模数据与所述测量机理模型的输入输出信息构建软测量经验模型，包括：
通过对流化催化裂化机理分析，选取所述反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；
获取软测量器输入数据，形成高维输入数据样本；
对所述软测量器输入数据进行特征抽象组合，根据以下公式从所述高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中h
根据所述特征数据，以CD算法准则更新深度学习网络CRBM，CRBM的网络参数更新公式如下：
获取所述测量机理模型的输入输出信息；
以所述测量机理模型计算提升管反应器出口处的催化剂积碳质量分数；
以所述催化剂积碳质量分数作为中间值，以所述中间值和辅助变量进行软测量经验模型建模。
3.根据权利要求1所述的方法，其特征在于，所述融合所述测量机理模型与所述软测量经验模型，根据所述测量机理模型与所述软测量经验模型混合建模，根据预设性能评估指标得到软测量器，包括：
获取实时生产数据；
根据所述实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，所述性能评估指标为：
其中，y
按照所述评估指标，以串联方式融合所述测量机理模块与所述软测量经验模型得到软测量器。
4.一种流化催化裂化中催化剂积碳测量系统，其特征在于，包括：建模数据获取模块、机理模型构建模块、经验模型构建模块和软测量器融合构建模块；
所述建模数据获取模块，用于获取反应-再生系统的原始生产数据，处理所述原始生产数据得建模数据，包括：传感数据获取模块、辅助变量选取模块、抽样时间模块、信号优化模块和异常剔除模块；
所述传感数据获取模块，用于通过传感器获取所述原始生产数据；
所述辅助变量选取模块，用于以FCC机理分析方法进行辅助变量的选取；
所述抽样时间模块，用于根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；
所述信号优化模块，用于对原始生产数据进行滤除噪声信号和剔除过失误差信号；
所述异常剔除模块，用于所述剔除所述原始生产数据中的异常数据样本，获得所述建模数据；
所述机理模型构建模块，用于机理分析所述建模数据得到软测量辅助变量，对所述软测量辅助变量深度学习，据以构建测量机理模型，包括：机理运算模块、抽象组合模块、抽象化模块、特征向量模块和机理积碳计算模块；
所述机理运算模块，用于根据实际对象物理参数进行机理模型运算获取软测量器输入数据；
所述抽象组合模块，用于对所述软测量器输入数据进行特征抽象组合；
所述抽象化模块，用于对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型；
所述特征向量模块，用于根据所述数据抽象化模型获取含量相关特征向量；
所述机理积碳计算模块，用于回归计算所述含量关联特征向量，得到催化剂积碳含量值；
所述经验模型构建模块，用于根据机理分析选取经验变量信息，对所述经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合所述经验建模数据与所述测量机理模型的输入输出信息构建软测量经验模型；
所述软测量器融合构建模块，用于融合所述测量机理模型与所述软测量经验模型，根据所述测量机理模型与所述软测量经验模型混合建模，根据预设性能评估指标得到软测量器。
5.根据权利要求4所述的系统，其特征在于，所述经验模型构建模块包括：关联变量模块、高维样本模块、特征提取模块、深度学习更新模块、机理输入输出模块、质量分数计算模块和经验模型获取模块；
所述关联变量模块，用于通过对流化催化裂化机理分析，选取所述反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；
所述高维样本模块，用于获取软测量器输入数据，形成高维输入数据样本；
所述特征提取模块，用于对所述软测量器输入数据进行特征抽象组合，根据以下公式从所述高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中h
所述深度学习更新模块，用于根据所述特征数据，以CD算法准则更新深度学习网络CRBM，CRBM的网络参数更新公式如下：
所述机理输入输出模块，用于获取所述测量机理模型的输入输出信息；
所述质量分数计算模块，用于以所述测量机理模型计算提升管反应器出口处的催化剂积碳质量分数；
所述经验模型获取模块，用于以所述催化剂积碳质量分数作为中间值，以所述中间值和辅助变量进行软测量经验模型建模。
6.根据权利要求4所述的系统，其特征在于，所述软测量器融合构建模块包括：生产数据获取模块、性能指标计算模块和软测量器获取模块；
所述生产数据获取模块，用于获取实时生产数据；
所述性能指标计算模块，用于根据所述实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，所述性能评估指标为：
其中，y
所述软测量器获取模块，用于按照所述评估指标，以串联方式融合所述测量机理模块与所述软测量经验模型得到软测量器。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至3中任一项所述流化催化裂化催化剂积碳测量方法。
8.一种针对流化催化裂化中催化剂积碳测量设备，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述针对流化催化裂化催化剂积碳测量设备执行如权利要求1至3中任一项所述流化催化裂化催化剂积碳测量方法。
说明书
技术领域
本发明涉及一种积碳测量方法，特别是涉及一种流化催化裂化催化剂积碳测量方法、系统、介质及设备。
背景技术
在工业生产过程中，有这样一类变量：它们与产品质量和生产工艺密切相关，需要实施准确的测量并进行控制；然而又由于技术原因的限制无法使用传统测量仪器仪表实现直接测量，如催化裂化工艺中待生催化剂的积碳含量、汽油的干点等。随着现代工业生产过程对生产效率、原料利用率和稳定持续生产能力等方面的不断提高，生产企业对这类变量实施测量的需求日益增大，传统的测量技术在实际应用中已经不能满足现代高效率、高协作性生产流程对数据状态测量的要求。一方面是仅仅获取生产工艺流程中的流量、装置压力、液位、储量和容器温度等常规的过程参数的测量信息不能满足生产操作和实时控制的要求，需要获取更多的成分、含量、构成和物性等与生产过程和生产操作密切相关的检测参数的测量信息。另一方面是现代生产过程对传统仪表检测装置的精度提出了越来越高的要求，并且要在满足高精度的基础上具有实时性好、鲁棒性强等性能。测量技术也从静态测量或稳态测量向动态测量发展，在许多复杂的生产工艺中更是需要综合运用所获得的各种过程测量信息，实现对生产过程变量有效地准确测量，进一步为系统故障诊断和状态监测提供分析数据。软测量混合模型从从理论上具有增强模型泛化能力，提高测量精度等优异性能。常规方法建立的流化催化裂化催化剂积碳软测量经验模型的已被实验证明能实现工业应用上的软测量作业，但是考虑到流化催化裂化反应过程和生产环境的高度复杂性和非线性，常规的软测量器仍然存在测量精度低、鲁棒性弱且泛化能力不足的缺点，迫切需要更加有效的方法提高在FCC领域的软测量器的性能效果。经过对现有技术的公开文献检索发现，文献Wang J G，Zhao J H，Shen T， et al.Deep learning-based soft-sensing methodfor operation optimization of coke dry quenching process[C]//Chinese ControlConference.2016：9087-9092.(基于深度学习的干熄焦工艺优化操作软测量方法，中国控制会议，2016：99087-9092)的作者基于深度学习提出了一种基于自动编码器的深度学习软测量模型，主要是通过选用经济效益高数据进行干熄焦工艺建模并进行干熄焦系统操作变量的优化，但作者提出的软测量建模方法没有考虑在强烈非线性和高度复杂的生产环境下的适用问题，流化催化裂化工艺生产环境特点会对软测量器的性能产生极大的影响。
综上，现有技术存在常规的软测量器仍然存在测量精度低、鲁棒性弱且泛化能力不足、模型适用性不高的特点，现有技术中存在流化催化裂化中催化剂积碳含量测量精度不高的问题。
发明内容
鉴于以上现有技术的缺点，本发明的目的在于提供一种流化催化裂化催化剂积碳测量方法、系统、介质及设备，应用于产品流化催化裂化加工过程中，为解决现有技术中存在流化催化裂化中催化剂积碳含量测量精度不高的问题，本发明提供流化催化裂化催化剂积碳测量方法、系统、介质及设备，一种流化催化裂化催化剂积碳测量方法，包括：获取流化催化裂化生产工艺中反应-再生系统的原始生产数据，对原始生产数据进行处理获得建模数据；机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型；根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型；融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到对流化催化裂化中催化剂积碳含量进行实时测量的软测量器。
于本发明的一实施方式中，获取反应-再生系统的原始生产数据，处理原始生产数据得建模数据，还包括：通过传感器获取原始生产数据；以FCC机理分析方法进行辅助变量的选取；根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；对原始生产数据进行滤除噪声信号和剔除过失误差信号；剔除原始生产数据中的异常数据样本，获得建模数据。
于本发明的一实施方式中，机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型，还包括：根据实际对象物理参数进行机理模型运算获取软测量器输入数据；对软测量器输入数据进行特征抽象组合；对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型；根据数据抽象化模型获取含量相关特征向量；回归计算含量关联特征向量，得到催化剂积碳含量值。
于本发明的一实施方式中，根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，包括：通过对流化催化裂化机理分析，选取反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；获取软测量器输入数据，形成高维输入数据样本；对软测量器输入数据进行特征抽象组合，根据以下公式从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中hj、vj为特征向量，N(0，1)表示服从0-1高斯分布的随机变量，σ是高斯化变量，θH和θL分别是当前网络层神经网络节点值的最大值和最小值。根据特征数据，以CD算法准则更新深度学习网络CRBM，CRBM的网络参数更新公式如下：
获取测量机理模型的输入输出信息；以测量机理模型计算提升管反应器出口处的催化剂积碳质量分数；以催化剂积碳质量分数作为中间值，以中间值和辅助变量进行软测量经验模型建模。
于本发明的一实施方式中，融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到软测量器，包括：获取实时生产数据；根据实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，性能评估指标为：
其中，yi为催化剂积碳含量真实值，y′i是软测量器的测量值，MAPE为平均绝对百分比误差，能很好地衡量软测量器的无偏性，MSE为均方误差。
按照评估指标，以串联方式融合测量机理模块与软测量经验模型得到软测量器。
于本发明的一实施方式中，一种流化催化裂化中催化剂积碳测量系统，包括：建模数据获取模块、机理模型构建模块、经验模型构建模块和软测量器融合构建模块；建模数据获取模块，用于获取反应-再生系统的原始生产数据，处理原始生产数据得建模数据；机理模型构建模块，用于机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型，机理模型构建模块与建模数据获取模块连接；经验模型构建模块，用于根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，经验模型构建模块与建模数据获取模块连接，经验模型构建模块与机理模型构建模块连接；软测量器融合构建模块，用于融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到软测量器，软测量器融合构建模块与机理模型构建模块连接，软测量器融合构建模块与经验模型构建模块连接。
于本发明的一实施方式中，建模数据获取模块包括：传感数据获取模块、辅助变量选取模块、抽样时间模块、信号优化模块和异常剔除模块；传感数据获取模块，用于通过传感器获取原始生产数据；辅助变量选取模块，用于以FCC机理分析方法进行辅助变量的选取，辅助变量选取模块与传感数据获取模块连接；抽样时间模块，用于根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；信号优化模块，用于对原始生产数据进行滤除噪声信号和剔除过失误差信号，信号优化模块与传感数据获取模块连接；异常剔除模块，用于剔除原始生产数据中的异常数据样本，获得建模数据，异常剔除模块与信号优化模块连接。
于本发明的一实施方式中，机理模型构建模块，包括：机理运算模块、抽象组合模块、抽象化模块、特征向量模块和机理积碳计算模块；机理运算模块，用于根据实际对象物理参数进行机理模型运算获取软测量器输入数据；抽象组合模块，用于对软测量器输入数据进行特征抽象组合，抽象组合模块与机理运算模块连接；抽象化模块，用于对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型，抽象化模块与抽象组合模块连接；特征向量模块，用于根据数据抽象化模型获取含量相关特征向量，特征向量模块与抽象化模块连接；机理积碳计算模块，用于回归计算含量关联特征向量，得到催化剂积碳含量值，机理积碳计算模块与特征向量模块连接。
于本发明的一实施方式中，经验模型构建模块包括：关联变量模块、高维样本模块、特征提取模块、深度学习更新模块、机理输入输出模块、质量分数计算模块和经验模型获取模块；关联变量模块，用于通过对流化催化裂化机理分析，选取反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；高维样本模块，用于获取软测量器输入数据，形成高维输入数据样本；特征提取模块，用于对软测量器输入数据进行特征抽象组合，根据以下公式从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中hj、vj为特征向量，N(0，1)表示服从0-1高斯分布的随机变量，σ是高斯化变量，θH和θL分别是当前网络层神经网络节点值的最大值和最小值，特征提取模块与高维样本模块连接。深度学习更新模块，用于根据特征数据，以CD算法准则更新深度学习网络CRBM，CRBM 的网络参数更新公式如下：
深度学习更新模块与特征提取模块连接；机理输入输出模块，用于获取测量机理模型的输入输出信息，机理输入输出模块与深度学习更新模块连接；质量分数计算模块，用于以测量机理模型计算提升管反应器出口处的催化剂积碳质量分数，质量分数计算模块与机理输入输出模块连接；经验模型获取模块，用于以催化剂积碳质量分数作为中间值，以中间值和辅助变量进行软测量经验模型建模，经验模型获取模块与质量分数计算模块连接。
于本发明的一实施方式中，软测量器融合构建模块包括：生产数据获取模块、性能指标计算模块和软测量器获取模块；生产数据获取模块，用于获取实时生产数据；性能指标计算模块，用于根据实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，性能评估指标为：
其中，yi为催化剂积碳含量真实值，y′i是软测量器的测量值，MAPE为平均绝对百分比误差，能很好地衡量软测量器的无偏性，MSE为均方误差，性能指标计算模块与生产数据获取模块连接。软测量器获取模块，用于按照评估指标，以串联方式融合测量机理模块与软测量经验模型得到软测量器，软测量器获取模块与性能指标计算模块连接。
于本发明的一实施方式中，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现权利要求1至5中任一项流化催化裂化催化剂积碳测量方法。
于本发明的一实施方式中，一种流化催化裂化催化剂积碳测量设备，包括：处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使流化催化裂化催化剂积碳测量设备执行如权利要求1至5中任一项流化催化裂化催化剂积碳测量方法。
如上所述，本发明提供的一种流化催化裂化催化剂积碳测量方法、系统、介质及设备，具有以下有益效果：本发明通过机理模型与经验模型融合建立流化催化裂化催化剂积碳含量的混合软测量器，实现了软测量器对流化催化裂化生产工艺先验知识的引入。同时得益于深度学习对数据特征进行的高度抽象和组合提取，该方法极大地提高了软测量器在流化催化裂化生产中的测量性能，该方法适用于对流化催化裂化中反应-再生装置的催化剂积碳含量进行实时精确测量，对辅助生产操作和计划调度具有实际的应用意义。
综上，本发明解决了现有技术中存在的流化催化裂化中催化剂积碳含量测量精度不高的问题。
附图说明
图1显示本发明的一种流化催化裂化催化剂积碳测量方法步骤示意图。
图2显示为图1中步骤S1在一实施例中的具体流程图。
图3显示为图1中步骤S2在一实施例中的具体流程图。
图4显示为图1中步骤S3在一实施例中的具体流程图。
图5显示为图1中步骤S4在一实施例中的具体流程图
图6显示为本发明的一种流化催化裂化催化剂积碳测量系统模块示意图。
图7显示为图6中建模数据获取模块11在一实施例中的具体模块示意图。
图8显示为图6中机理模型构建模块12在一实施例中的具体模块示意图。
图9显示为图6中经验模型构建模块13在一实施例中的具体模块示意图。
图10显示为图6中软测量器融合构建模块14在一实施例中的具体模块示意图。
元件标号说明
1 流化催化裂化中催化剂积碳测量系统
11 建模数据获取模块
12 机理模型构建模块
13 经验模型构建模块
14 软测量器融合构建模块
111 传感数据获取模块
112 辅助变量选取模块
113 抽样时间模块
114 信号优化模块
115 异常剔除模块
121 机理运算模块
122 抽象组合模块
123 抽象化模块
124 特征向量模块
125 机理积碳计算模块
131 关联变量模块
132 高维样本模块
133 特征提取模块
134 深度学习更新模块
135 机理输入输出模块
136 质量分数计算模块
137 经验模型获取模块
141 生产数据获取模块
142 性能指标计算模块
143 软测量器获取模块
步骤标号说明
图1 S1～S4
图2 S11～S15
图3 S21～S25
图4 S31～S37
图5 S41～S43
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。
请参阅图1至图8，须知，本说明书所附图式所绘示的结构，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容所能涵盖的范围内。同时，本说明书中所引用的如”上”、”下”、”左”、”右”、”中间”及”一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
请参阅图1，显示为本发明的一种流化催化裂化催化剂积碳测量方法步骤示意图，如图1 所示，一种手掌按压登录车机方法，包括：
S1、获取流化催化裂化生产工艺中反应-再生系统的原始生产数据，对原始生产数据进行处理获得建模数据；
S2、机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型，对流化催化裂化生产工艺的反应-再生系统进行基于假组分理论的机理建模，模型的输入为催化裂化生产原料油的进料流量、温度和剂油比等实际生产操作数据，输出则是提升管反应器顶部出口出的催化剂积碳含量；
S3、根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，通过对流化催化裂化进行机理分析，选取反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量，确定软测量经验模型的结构，准备进行软测量建模；
S4、融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到对流化催化裂化中催化剂积碳含量进行实时测量的软测量器，混合模型软测量器采用串联方式实现机理模型和经验模型融合，将机理模型的输入和输出作为软测量经验模型的额外辅助变量实现经验模型对先验知识的引入，以提高软测量器的测量性能；
请参阅图2，显示为图1中步骤S1在一实施例中的具体流程图，如图2所示，步骤S1、获取流化催化裂化生产工艺中反应-再生系统的原始生产数据，对原始生产数据进行处理获得建模数据，还包括：
S11、通过传感器获取原始生产数据；
S12、以FCC机理分析方法进行辅助变量的选取，从FCC机理分析上进行辅助变量的选取：从物理量上可以把辅助变量分为八类：物质流量、物质温度、物质密度、反应环境温度、反应环境压力、剂油比、催化剂循环量和阀位开度；
S13、根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；
S14、对原始生产数据进行滤除噪声信号和剔除过失误差信号，根据从现场采集的数据可能含有的错误数据类型分别进行两类预处理工作：滤除噪声信号和剔除过失误差信号；
S15、剔除原始生产数据中的异常数据样本，获得建模数据，采用滑动平均滤波方式滤除原始数据的噪声信号和拉伊达准则剔除异常数据样本。
请参阅图3，图3显示为图1中步骤S2在一实施例中的具体流程图，如图3所示，步骤S2、机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型，包括：
S21、根据实际对象物理参数进行机理模型运算获取软测量器输入数据，提出一种基于改进的基于深度学习软测量经验建模方法CDBNs-LSSVR-ABCA。具体包括：从作用上模型划分为特征向量提取组合结构和回归预测结构。特征提取组合结构采用5层的连续型深度置信网络的前4层CRBM结构；
S22、对软测量器输入数据进行特征抽象组合，实现从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的数据特征；
S23、对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型，提高模型的鲁棒性和泛化能力；
S24、根据数据抽象化模型获取含量相关特征向量；
S25、回归计算含量关联特征向量，得到催化剂积碳含量值，回归预测结构中采用人工蜂群算法优化的LSSVR实现，特征提取结构的输出作为回归结构的输入向量。
请参阅图4，显示为图1中步骤S3在一实施例中的具体流程图，请参阅图4，步骤S3、根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，包括：
S31、通过对流化催化裂化机理分析，选取反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；
S32、获取软测量器输入数据，形成高维输入数据样本，从作用上模型划分为特征向量提取组合结构和回归预测结构。特征提取组合结构采用5层的连续型深度置信网络的前 4层CRBM结构；实现从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的数据特征，提高模型的鲁棒性和泛化能力；
S33、对软测量器输入数据进行特征抽象组合，根据以下公式从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中hj、vj为特征向量，N(0，1)表示服从0-1高斯分布的随机变量，σ是高斯化变量，θH和θL分别是当前网络层神经网络节点值的最大值和最小值，回归预测结构中采用人工蜂群算法优化的LSSVR实现，特征提取结构的输出作为回归结构的输入向量，采用高斯-高斯型受限玻尔兹曼机是一种连续型受限玻尔兹曼机。为了实现处理连续数据，CRBM通过神经元网络层中加入高斯噪声变量实现二值连续化的转变。
S34、根据特征数据，以CD算法准则更新深度学习网络CRBM，CRBM的网络参数更新公式如下：
采用高斯-高斯型受限玻尔兹曼机是一种连续型受限玻尔兹曼机。为了实现处理连续数据，CRBM通过神经元网络层中加入高斯噪声变量实现二值连续化的转变；
S35、获取测量机理模型的输入输出信息；
S36、以测量机理模型计算提升管反应器出口处的催化剂积碳质量分数；
S37、以催化剂积碳质量分数作为中间值，以中间值和辅助变量进行软测量经验模型建模。
请参阅图5，显示为图1中步骤S4在一实施例中的具体流程图，请参阅图5，步骤S4、融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到软测量器，包括：
S41、获取实时生产数据，在流化催化裂化生产设备出口处各处安装温度传感器等各类传感器用于收集生产数据；
S42、根据实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，性能评估指标为：
其中，yi为催化剂积碳含量真实值，y′i是软测量器的测量值，MAPE为平均绝对百分比误差，能很好地衡量软测量器的无偏性，MSE为均方误差，利用实际生产数据，以平均绝对百分比误差和均方误差为性能指标完成混合软测量器的建模，得到具备对流化催化裂化中催化剂积碳含量进行实时精确测量的能力的软测量器。
S43、按照评估指标，以串联方式融合测量机理模块与软测量经验模型得到软测量器。将机理模型计算得到的提升管反应器出口处的催化剂积碳质量分数作为中间值，然后将该中间值和原料油物性数据用作扩展的辅助变量参与软测量经验模型建模，利用实际生产数据，以平均绝对百分比误差和均方误差作为性能指标完成混合软测量器的建模，得到具备对流化催化裂化中催化剂积碳含量进行实时准确测量的能力的软测量器。
一种流化催化裂化中催化剂积碳测量系统1，包括：建模数据获取模块11、机理模型构建模块12、经验模型构建模块13和软测量器融合构建模块14；建模数据获取模块11，用于获取反应-再生系统的原始生产数据，处理原始生产数据得建模数据，对软测量器输入数据进行高度的特征抽象组合，用于获取对原始输入数据进行特征提取和滤除噪声干扰的数据抽象画模型；机理模型构建模块12，用于机理分析建模数据得到软测量辅助变量，对软测量辅助变量深度学习，据以构建测量机理模型，机理模型构建模块12与建模数据获取模块11连接，根据实际对象的物理参数进行机理模型运算为软测量器提供先验知识，用于获取对应的机理模型，对流化催化裂化生产工艺的反应-再生系统进行基于假组分理论的机理建模，模型的输入为催化裂化生产原料油的进料流量、温度和剂油比等实际生产操作数据，输出则是提升管反应器顶部出口出的催化剂积碳含量；经验模型构建模块13，用于根据机理分析选取经验变量信息，对经验变量信息进行特征抽象组合和回归分析得经验建模数据，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，经验模型构建模块与建模数据获取模块连接，经验模型构建模块13与机理模型构建模块12连接，结合经验建模数据与测量机理模型的输入输出信息构建软测量经验模型，通过对流化催化裂化进行机理分析，选取反应- 再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量，确定软测量经验模型的结构，准备进行软测量建模；软测量器融合构建模块14，用于融合测量机理模型与软测量经验模型，根据测量机理模型与软测量经验模型混合建模，根据预设性能评估指标得到软测量器，软测量器融合构建模块14与机理模型构建模块12连接，软测量器融合构建模块14与经验模型构建模块13连接，混合模型软测量器采用串联方式实现机理模型和经验模型融合，将机理模型的输入和输出作为软测量经验模型的额外辅助变量实现经验模型对先验知识的引入，以提高软测量器的测量性能。
请参阅图7，显示为图5中建模数据获取模块11在一实施例中的具体模块示意图，如图 7所示，建模数据获取模块11包括：传感数据获取模块111、辅助变量选取模块112、抽样时间模块113、信号优化模块114和异常剔除模块115；传感数据获取模块111，用于通过传感器获取原始生产数据；辅助变量选取模块112，用于以FCC机理分析方法进行辅助变量的选取，辅助变量选取模块112与传感数据获取模块111连接，从FCC机理分析上进行辅助变量的选取：从物理量上可以把辅助变量分为八类：物质流量、物质温度、物质密度、反应环境温度、反应环境压力、剂油比、催化剂循环量和阀位开度；抽样时间模块113，用于根据催化裂化生产装置的用户手册计算得到辅助变量对应的主导变量的采样时间差Δt；信号优化模块114，用于对原始生产数据进行滤除噪声信号和剔除过失误差信号，信号优化模块114 与传感数据获取模块111连接，根据从现场采集的数据可能含有的错误数据类型分别进行两类预处理工作：滤除噪声信号和剔除过失误差信号；异常剔除模块115，用于剔除原始生产数据中的异常数据样本，获得建模数据，异常剔除模块115与信号优化模块114连接，采用滑动平均滤波方式滤除原始数据的噪声信号和拉伊达准则剔除异常数据样本。
请参阅图8，显示为图5中机理模型构建模块12在一实施例中的具体模块示意图，如图 8所示，机理模型构建模块12，包括：机理运算模块121、抽象组合模块122、抽象化模块123、特征向量模块124和机理积碳计算模块125；机理运算模块121，用于根据实际对象物理参数进行机理模型运算获取软测量器输入数据；抽象组合模块122，用于对软测量器输入数据进行特征抽象组合，抽象组合模块122与机理运算模块121连接；抽象化模块123，用于对原始生产数据进行特征提取和滤除噪声干扰，获取数据抽象化模型，抽象化模块123与抽象组合模块122连接；特征向量模块124，用于根据数据抽象化模型获取含量相关特征向量，特征向量模块124与抽象化模块123连接；机理积碳计算模块125，用于回归计算含量关联特征向量，得到催化剂积碳含量值，机理积碳计算模块125与特征向量模块124连接，利用启发式算法优化的最小二乘支持向量回归机和所述特征向量进行催化剂积碳含量的计算。
请参阅图9，显示为图5中经验模型构建模块13在一实施例中的具体模块示意图，如图 9所示，经验模型构建模块13包括：关联变量模块131、高维样本模块132、特征提取模块 133、深度学习更新模块134、机理输入输出模块135、质量分数计算模块136和经验模型获取模块137；关联变量模块131，用于通过对流化催化裂化机理分析，选取反应-再生系统中与催化剂积碳含量存在关联关系的变量作为软测量器的辅助变量；高维样本模块132，用于获取软测量器输入数据，形成高维输入数据样本，特征提取组合结构采用5层的连续型深度置信网络的前4层CRBM结构；实现从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的数据特征，提高模型的鲁棒性和泛化能力；特征提取模块133，用于对软测量器输入数据进行特征抽象组合，根据以下公式从高维输入数据样本中消除噪声信号干扰并提取出高度抽象的特征数据：
其中hj、vj为特征向量，N(0，1)表示服从0-1高斯分布的随机变量，σ是高斯化变量，θH和θL分别是当前网络层神经网络节点值的最大值和最小值，特征提取模块133与高维样本模块132连接，特征提取结构的输出作为回归结构的输入向量，采用高斯-高斯型受限玻尔兹曼机是一种连续型受限玻尔兹曼机。为了实现处理连续数据，CRBM通过神经元网络层中加入高斯噪声变量实现二值连续化的转变。深度学习更新模块134，用于根据特征数据，以CD算法准则更新深度学习网络CRBM，CRBM的网络参数更新公式如下：
深度学习更新模块134与特征提取模块133连接；机理输入输出模块135，用于获取测量机理模型的输入输出信息，机理输入输出模块135与深度学习更新模块134连接；质量分数计算模块136，用于以测量机理模型计算提升管反应器出口处的催化剂积碳质量分数，质量分数计算模块136与机理输入输出模块135连接；经验模型获取模块137，用于以催化剂积碳质量分数作为中间值，以中间值和辅助变量进行软测量经验模型建模，经验模型获取模块137与质量分数计算模块136连接。
请参阅图10，显示为图5中软测量器融合构建模块14在一实施例中的具体模块示意图，如图10所示，软测量器融合构建模块14包括：生产数据获取模块141、性能指标计算模块 142和软测量器获取模块143；生产数据获取模块141，用于获取实时生产数据；性能指标计算模块142，用于根据实时生产数据，以平均绝对百分比误差和均方误差作为性能指标构建混合软测量器，性能评估指标为：
其中，yi为催化剂积碳含量真实值，y′i是软测量器的测量值，MAPE为平均绝对百分比误差，能很好地衡量软测量器的无偏性，MSE为均方误差，性能指标计算模块142与生产数据获取模块141连接，利用实际生产数据，以平均绝对百分比误差和均方误差为性能指标完成混合软测量器的建模，得到具备对流化催化裂化中催化剂积碳含量进行实时精确测量的能力的软测量器。
软测量器获取模块143，用于按照评估指标，以串联方式融合测量机理模块与软测量经验模型得到软测量器，软测量器获取模块143与性能指标计算模块142连接，将机理模型计算得到的提升管反应器出口处的催化剂积碳质量分数作为中间值，然后将该中间值和原料油物性数据用作扩展的辅助变量参与软测量经验模型建模，利用实际生产数据，以平均绝对百分比误差和均方误差作为性能指标完成混合软测量器的建模，得到具备对流化催化裂化中催化剂积碳含量进行实时准确测量的能力的软测量器。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现流化催化裂化催化剂积碳测量方法，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
一种流化催化裂化催化剂积碳测量设备，包括：处理器及存储器；存储器用于存储计算机程序，处理器用于执行存储器存储的计算机程序，以使流化催化裂化催化剂积碳测量设备执行流化催化裂化催化剂积碳测量方法，存储器可能包含随机存取存储器(RandomAccessMemory，简称RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少一个磁盘存储器。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(DigitalSignalProcessing，简称DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，简称ASIC)、现场可编程门阵列(Field-ProgrammableGateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明提供的一种流化催化裂化催化剂积碳测量方法、系统、介质及设备，具有以下有益效果：本发明通过机理模型与经验模型融合建立流化催化裂化催化剂积碳含量的混合软测量器，实现了软测量器对流化催化裂化生产工艺先验知识的引入。同时得益于深度学习对数据特征进行的高度抽象和组合提取，该方法极大地提高了软测量器在流化催化裂化生产中的测量性能，该方法适用于对流化催化裂化中反应-再生装置的催化剂积碳含量进行实时精确测量，对辅助生产操作和计划调度具有实际的应用意义。
综上，本发明解决了现有技术中存在的流化催化裂化中催化剂积碳含量测量精度不高的问题，具有很高的商业价值和实用性。
流化催化裂化中催化剂积碳测量方法、系统、介质及设备专利购买费用说明
Q：办理专利转让的流程及所需资料
A：专利权人变更需要办理著录项目变更手续，有代理机构的，变更手续应当由代理机构办理。
1：专利变更应当使用专利局统一制作的“著录项目变更申报书”提出。
2：按规定缴纳著录项目变更手续费。
3：同时提交相关证明文件原件。
4：专利权转移的，变更后的专利权人委托新专利代理机构的，应当提交变更后的全体专利申请人签字或者盖章的委托书。
Q:专利著录项目变更费用如何缴交
A：（1）直接到国家知识产权局受理大厅收费窗口缴纳,（2）通过代办处缴纳，（3）通过邮局或者银行汇款,更多缴纳方式
Q：专利转让变更，多久能出结果
A：著录项目变更请求书递交后，一般1-2个月左右就会收到通知，国家知识产权局会下达《转让手续合格通知书》。
动态评分
0.0