一种汽油辛烷值损失优化方法、装置、设备及存储介质

1.本发明涉及汽油精制技术领域，尤其涉及一种汽油辛烷值损失优化方法、装置、设备及存储介质。


背景技术：

2.汽油是小型车辆的主要燃料，汽油燃烧产生的尾气排放对大气环境有重要影响。为此，世界各国都制定了日益严格的汽油质量标准。汽油清洁化重点是降低汽油中的硫、烯烃含量，同时尽量保持其辛烷值。目前，国内炼油工艺设备和工艺不统一，原料组成复杂，不可控因素多，难以实现连续扩容和优化生产的目标。因此，在目前严格的国家标准下，如何降低汽油中的硫、烯烃等物质，使化工厂得到辛烷值尽可能高的汽油，成为汽油生产领域的重点和难点。
3.汽油清洁化的重点是降低汽油中的硫、烯烃含量，同时尽量保持其辛烷值。然而现有技术中的化工过程的建模一般是通过数据关联或机理建模的方法来实现的，它们操作变量之间呈线性关系。
4.传统的数据关联模型中变量相对较少、机理建模对原料的分析要求较高，对过程优化的响应不及时，所以效果并不理想。因此，如何建立汽油精制过程中的辛烷值损失模型并进行操作优化是目前亟待解决的问题。


技术实现要素：

5.有鉴于此，有必要提供一种汽油辛烷值损失优化方法、装置、设备及存储介质，用以解决现有技术中汽油辛烷值损失优化时关联变量少，优化效果差的问题。
6.为达到上述技术目的，本发明采取了以下技术方案：
7.第一方面，本发明提供了一种汽油辛烷值损失优化方法，包括：
8.获取汽油精制数据样本集，汽油精制数据样本集包括操作变量样本集以及生产因素样本集；
9.基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集；
10.建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型；
11.设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件。
12.优选的，基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集，包括：
13.对汽油精制数据样本集进行预处理，得到可靠汽油精制数据样本集；
14.构建多颗决策树，通过oob方式计算每颗决策树的可靠汽油精制数据样本集误差，得到oob误差；
15.将操作变量进行重新排序，再次计算操作变量的误差，得到重序误差；
16.根据oob误差和重序误差，计算每个操作变量的重要性；
17.根据操作变量的重要性，筛选出满足预设要求的操作变量，得到目标操作变量样本集。
18.优选的，建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型，包括：
19.将目标操作变量样本集以及生产因素样本集进行贝叶斯归一化；
20.建立汽油辛烷值损失预测模型，设置汽油辛烷值损失预测模型的参数；
21.将归一化后的目标操作变量样本集以及生产因素样本集输入至汽油辛烷值损失预测模型，以辛烷值损失为输出，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型。
22.优选的，建立汽油辛烷值损失预测模型，设置汽油辛烷值损失预测模型的参数，包括：
23.设置汽油辛烷值损失预测模型的激励函数、网络训练函数以及网络性能函数类型；
24.设置汽油辛烷值损失预测模型隐含层的神经元数；
25.设置汽油辛烷值损失预测模型的网络参数。
26.优选的，设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件，包括：
27.建立关联神经网络模型，设置约束条件；
28.根据关联神经网络模型，建立辛烷值损失量和操作变量的函数关系f(net1)，以及汽油硫含量和操作变量的函数关系f(net2)；
29.根据函数关系f(net1)和函数关系f(net2)，确定满足约束条件的最优操作变量的优化条件。
30.优选的，根据函数关系f(net1)和函数关系f(net2)，确定满足约束条件的目标操作变量的优化条件，包括：
31.根据函数关系f(net1)和函数关系f(net2)，确定每一操作变量对应的辛烷值损失量和硫含量；
32.根据操作变量对应的辛烷值损失量和硫含量，并记录目标操作变量对应的优化条件；
33.重复上述操作直至确定所有目标操作变量对应的优化条件。
34.优选的，对汽油精制数据样本集进行预处理，得到可靠汽油精制数据样本集，包括：
35.判断汽油精制数据样本集中是否存在残缺数据；
36.将达到残缺阈值的残缺数据删除，未达到残缺阈值的残缺数据进行替换；
37.判断汽油精制数据样本集中是否存在异常数据；
38.根据预设准则，将异常数据进行剔除，得到可靠汽油精制数据样本集。
39.第二方面，本发明还提供了一种汽油辛烷值损失优化装置，包括：
40.数据获取模块，用于获取汽油精制数据样本集，汽油精制数据样本集包括操作变量样本集以及生产因素样本集；
41.筛选模块，用于基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集；
42.建模模块，用于建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型；
43.优化模块，用于设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件。
44.第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
45.存储器，用于存储程序；
46.处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的汽油辛烷值损失优化方法中的步骤。
47.第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的汽油辛烷值损失优化方法中的步骤。
48.采用上述实施例的有益效果是：本发明提供的一种汽油辛烷值损失优化方法、装置、设备及存储介质，获取汽油精制数据样本集，汽油精制数据样本集具有多组数据，增加了汽油辛烷值损失优化时的关联变量，并从中筛选出降低汽油辛烷值损失的关键操作变量，并通过训练完备的目标汽油辛烷值损失预测模型，在设定约束条件下确定最佳的目标操作变量的优化条件，提高了在特定约束条件下的汽油辛烷值损失优化的效果。
附图说明
49.图1为本发明提供的汽油辛烷值损失优化方法的一实施例的流程示意图；
50.图2为本发明提供的筛选操作变量的一实施例的流程示意图；
51.图3为本发明提供的操作变量排序的一实施例的重要程度图；
52.图4为本发明提供的汽油辛烷值损失优化装置的一实施例的结构示意图；
53.图5为本发明实施例提供的电子设备的结构示意图。
具体实施方式
54.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
55.在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
56.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
57.本发明提供了一种汽油辛烷值损失优化方法、装置、设备及存储介质，以下分别进行说明。
58.请参阅图1，图1为本发明提供的汽油辛烷值损失优化方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种汽油辛烷值损失优化方法，包括：
59.s101、获取汽油精制数据样本集，汽油精制数据样本集包括操作变量样本集以及生产因素样本集；
60.s102、基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集；
61.s103、建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型；
62.s104、设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件。
63.在本发明具体的实施例中，步骤s101参考近4年的工业数据的预处理结果，从7个原料性质、2个待生吸附剂性质、2个再生吸附剂性质、2个产品性质等变量以及另外354个操作变量(共计367个变量)的角度来分别分析了它们对汽油辛烷值损失值的影响，以近4年的工业数据的预处理结果构建汽油精制数据样本集。
64.在本发明具体的实施例中，步骤s102通过随机森林算法，计算近4年的工业数据中的各个操作变量的重要性，预设要求为重要性由高到低排列，最高的30个操作变量。筛选出来的目标操作变量样本集，对汽油辛烷值损失优化的效果更为明显。
65.在本发明具体的实施例中，步骤s103建立的汽油辛烷值损失预测模型为bp神经网络模型，将标操作变量样本集以及生产因素样本集作为bp神经网络模型的输入，将汽油辛烷值作为输出，对bp神经网络模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型，即满足汽油辛烷值损失预测精度的模型。
66.在本发明具体的实施例中，步骤s104在约束条件下，通过训练完备的目标汽油辛烷值损失预测模型，对30个目标操作变量进行调整，并记录其对汽油辛烷值损失的影响，找到每个操作变量最优的优化条件，并记录下来，确定所有的操作变量最优的优化条件。根据约束条件，确定在约束条件下的最优的目标操作变量的优化条件，提高了在特定约束条件下的汽油辛烷值损失优化的效果。
67.与现有技术相比，本实施例提供的一种汽油辛烷值损失优化方法，获取汽油精制数据样本集，汽油精制数据样本集具有多组数据，增加了汽油辛烷值损失优化时的关联变量，并从中筛选出降低汽油辛烷值损失的关键操作变量，并通过训练完备的目标汽油辛烷值损失预测模型，在设定约束条件下确定最佳的目标操作变量的优化条件，提高了在特定约束条件下的汽油辛烷值损失优化的效果。
68.请参阅图2，图2为本发明提供的筛选操作变量的一实施例的流程示意图，在本发明的一些实施例中，基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集，包括：
69.s201、对汽油精制数据样本集进行预处理，得到可靠汽油精制数据样本集；
70.s202、构建多颗决策树，通过oob方式计算每颗决策树的可靠汽油精制数据样本集误差，得到oob误差；
71.s203、将操作变量进行重新排序，再次计算操作变量的误差，得到重序误差；
72.s204、根据oob误差和重序误差，计算每个操作变量的重要性；
73.s205、根据操作变量的重要性，筛选出满足预设要求的操作变量，得到目标操作变量样本集。
74.在本发明具体的实施例中，步骤s201汽油精制数据样本集包含了近4年的工业数据的预处理结果，数据比较庞大，且有些数据会出现缺陷甚至错误，如果直接使用汽油精制数据样本集，会对最终的优化结果产生严重误差，因此，通过预处理的方式，得到可靠汽油精制数据样本集。
75.在本发明具体的实施例中，步骤s202随机森林算法实际上依靠构建的多颗决策树得到预测结果。随机森林可以对特征的重要性进行计算，并将其进行排序。本文将采用oob(out-of-bag)的方式计算误差值，得到oob误差，分别记为err
oob
1,err
oob
2,
…
,err
oob
k。
76.在本发明具体的实施例中，步骤s203并对30种操作变量的367个数据进行重新排序，并计算重新排序后操作变量的误差，得到重序误差，分别记为erri1,erri2,
…
,errik。需要说明的是，同一操作变量的重序误差和oob误差是对应的。
77.在本发明具体的实施例中，步骤s204根据公式在本发明具体的实施例中，步骤s204根据公式计算每个操作变量的重要性，其中，i为操作变量的重要性，k为误差的总数。
78.在本发明具体的实施例中，步骤s205将计算的每个操作变量的重要性进行排序，选出前30个最优特征作为主要特征，即目标操作变量。需要说明的是，从操作变量样本集中找到筛选出来的对应的30个目标操作变量的样本集，即为目标操作变量样本集。请参阅图3，图3为本发明提供的操作变量排序的一实施例的重要程度图。
79.在本发明的一些实施例中，建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型，包括：
80.将目标操作变量样本集以及生产因素样本集进行贝叶斯归一化；
81.建立汽油辛烷值损失预测模型，设置汽油辛烷值损失预测模型的参数；
82.将归一化后的目标操作变量样本集以及生产因素样本集输入至汽油辛烷值损失预测模型，以辛烷值损失为输出，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型。
83.在上述实施例中，根据神经网络的结构而言，如果有一个隐含层的神经网络，只要它的隐含节点足够多的话，就可以以任意精度的无限逼近一个非线性函数。因此，本发明的数学模型的预测采用的是含有一个隐含层的三层多输入单输出的bp神经网络建立的预测模型。本数学模型的神经网络预测，在选取隐层神经元个数的这个问题上参照了以下的经验公式：其中，n为输入层神经元个数，m为输出层神经元个数，a为[1,10]之间的常数。将目标操作变量样本集以及生产因素样本集进行贝叶斯归一化到[-1,1]范围内，设输入层的节点数为30，输出层的节点数为1，建立汽油辛烷值损失预测模型。
[0084]
并将归一化后的目标操作变量样本集以及生产因素样本对汽油辛烷值损失预测模型，达到预测要求的汽油辛烷值损失预测模型即为训练完备的目标汽油辛烷值损失预测模型。
[0085]
在本发明的一些实施例中，建立汽油辛烷值损失预测模型，设置汽油辛烷值损失预测模型的参数，包括：
[0086]
设置汽油辛烷值损失预测模型的激励函数、网络训练函数以及网络性能函数类型；
[0087]
设置汽油辛烷值损失预测模型隐含层的神经元数；
[0088]
设置汽油辛烷值损失预测模型的网络参数。
[0089]
在上述实施例中，bp神经网络，通常采用sigmoid可微函数和线性函数作为网络的激励函数。本问题采用的模型是选择s型正切函数tansig作为隐层神经元的激励函数，设定网络的输出归一到[-1,1]范围内，因此预测模型选取s型对数函数tansig作为输出层神经元的激励函数。
[0090]
sigmoid激活函数公式如下：
[0091]
tansig激活函数公式如下：
[0092]
logsig激活函数公式如下：
[0093]
设定神经网络的隐层和输出层的激励函数分别为tansig和logsig函数，网络训练函数为traingdx，网络性能函数为mse，再设定隐含层的神经元数初步设为10，可以根据实际情况进行合适的调整，然后再设定网络参数，网络迭代次数epochs为244次，期望误差goal为0.00000001，学习速率lr为0.01。设定完参数后，开始训练神经网络，这个过程等待的时间可能比较长。
[0094]
在本发明的一些实施例中，设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件，包括：
[0095]
建立关联神经网络模型，设置约束条件；
[0096]
根据关联神经网络模型，建立辛烷值损失量和操作变量的函数关系f(net1)，以及汽油硫含量和操作变量的函数关系f(net2)；
[0097]
根据函数关系f(net1)和函数关系f(net2)，确定满足约束条件的最优操作变量的优化条件。
[0098]
在上述实施例中，硫含量对汽油有许多不利影响，本发明的实施例中，约束条件为硫含量不大于5ug/g。建立关联神经网络模型，利用它建立辛烷值(ron)损失量和筛选之后的30个主要操作变量建立函数关系，记做f(net1)。然后，利用神经网络建立产品硫含量(不是原料硫含量)与30个变量之间的函数关系，记做f(net2)，辛烷值(ron)为未调整之前的辛烷值损失。并根据函数关系f(net1)和函数关系f(net2)，进一步确定满足约束条件的最优操作变量的优化条件。
[0099]
在本发明的一些实施例中，根据函数关系f(net1)和函数关系f(net2)，确定满足约束条件的目标操作变量的优化条件，包括：
[0100]
根据函数关系f(net1)和函数关系f(net2)，确定每一操作变量对应的辛烷值损失量和硫含量；
[0101]
根据操作变量对应的辛烷值损失量和硫含量，并记录目标操作变量对应的优化条
件；
[0102]
重复上述操作直至确定所有目标操作变量对应的优化条件。
[0103]
在上述实施例中，定义目标规划1为f(net1)《0.7*ron，定义目标规划2为f(net2)《＝5，根据训练完备的目标汽油辛烷值损失预测模型，不断的计算每一操作变量对应的辛烷值损失量和硫含量，以及接受概率，并记录目标操作变量对应的优化条件。可以理解的是，本发明中的函数关系f(net1)和函数关系f(net2)，也可以根据实际情况进行调整。
[0104]
在本发明的一些实施例中，对汽油精制数据样本集进行预处理，得到可靠汽油精制数据样本集，包括：
[0105]
判断汽油精制数据样本集中是否存在残缺数据；
[0106]
将达到残缺阈值的残缺数据删除，未达到残缺阈值的残缺数据进行替换；
[0107]
判断汽油精制数据样本集中是否存在异常数据；
[0108]
根据预设准则，将异常数据进行剔除，得到可靠汽油精制数据样本集。
[0109]
在上述实施例中，对于只含有部分时间点的位点，假如残缺的数据较多，也不能补充，那么可以将此类位点删除；对于数据全部为空值的位点，可以将此类点删除；对于部分数据为空值的位点，可以用前后两个小时的数据平均值替换；通过对催化裂化汽油精致的总结，可以归纳出原始数据变量的操作范围，然后再剔除一部分不在这个操作范围的样本的位点；预设准则为拉依达准则(3σ准则)，通过拉依达准则去除异常值。
[0110]
拉依达准则具体为：
[0111]
首先，设对被估测操作变量进行相等精度的测量，得到x1，x2，
……
，xn，算出其算术平均值x及剩余误差vi＝x
i-x(i＝1,2，3,
…
,n)，并按照贝塞尔公式来计算出标准误差σ，如果某一个估测变量值xb的剩余误差vb(1《＝b《＝n)，满足|vb|＝|x
b-x|》3σ，则认为xb是含有粗大误差值的坏值，应予剔除。贝塞尔公式如下：粗大误差值的坏值，应予剔除。贝塞尔公式如下：
[0112]
其中，n为操作变量的总数，v为误差，x为操作变量。
[0113]
为了更好实施本发明实施例中的汽油辛烷值损失优化方法，在汽油辛烷值损失优化方法基础之上，对应的，请参阅图4，图4为本发明提供的汽油辛烷值损失优化装置的一实施例的结构示意图，本发明实施例提供了一种汽油辛烷值损失优化装置400，包括：
[0114]
数据获取模块401，用于获取汽油精制数据样本集，汽油精制数据样本集包括操作变量样本集以及生产因素样本集；
[0115]
筛选模块402，用于基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集；
[0116]
建模模块403，用于建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型；
[0117]
优化模块404，用于设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件。
[0118]
这里需要说明的是：上述实施例提供的装置400可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此
处不再赘述。
[0119]
请参阅图5，图5为本发明实施例提供的电子设备的结构示意图。基于上述汽油辛烷值损失优化方法，本发明还相应提供了一种汽油辛烷值损失优化设备，汽油辛烷值损失优化设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该汽油辛烷值损失优化设备包括处理器510、存储器520及显示器530。图5仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0120]
存储器520在一些实施例中可以是汽油辛烷值损失优化设备的内部存储单元，例如汽油辛烷值损失优化设备的硬盘或内存。存储器520在另一些实施例中也可以是汽油辛烷值损失优化设备的外部存储设备，例如汽油辛烷值损失优化设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器520还可以既包括汽油辛烷值损失优化设备的内部存储单元也包括外部存储设备。存储器520用于存储安装于汽油辛烷值损失优化设备的应用软件及各类数据，例如安装汽油辛烷值损失优化设备的程序代码等。存储器520还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器520上存储有汽油辛烷值损失优化程序540，该汽油辛烷值损失优化程序540可被处理器510所执行，从而实现本技术各实施例的汽油辛烷值损失优化方法。
[0121]
处理器510在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器520中存储的程序代码或处理数据，例如执行汽油辛烷值损失优化方法等。
[0122]
显示器530在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器530用于显示在汽油辛烷值损失优化设备的信息以及用于显示可视化的用户界面。汽油辛烷值损失优化设备的部件510-530通过系统总线相互通信。
[0123]
在一实施例中，当处理器510执行存储器520中汽油辛烷值损失优化程序540时实现如上的汽油辛烷值损失优化方法中的步骤。
[0124]
本实施例还提供了一种计算机可读存储介质，其上存储有汽油辛烷值损失优化程序，该汽油辛烷值损失优化程序被处理器执行时实现以下步骤：
[0125]
获取汽油精制数据样本集，汽油精制数据样本集包括操作变量样本集以及生产因素样本集；
[0126]
基于随机森林算法，从操作变量样本集筛选出满足预设要求的目标操作变量样本集；
[0127]
建立汽油辛烷值损失预测模型，根据目标操作变量样本集以及生产因素样本集，对汽油辛烷值损失预测模型进行训练，得到训练完备的目标汽油辛烷值损失预测模型；
[0128]
设置约束条件，基于训练完备的目标汽油辛烷值损失预测模型，确定满足约束条件的目标操作变量的优化条件。
[0129]
综上，本实施例提供的一种汽油辛烷值损失优化方法、装置、设备及存储介质，获取汽油精制数据样本集，汽油精制数据样本集具有多组数据，增加了汽油辛烷值损失优化时的关联变量，并从中筛选出降低汽油辛烷值损失的关键操作变量，并通过训练完备的目
标汽油辛烷值损失预测模型，在设定约束条件下确定最佳的目标操作变量的优化条件，提高了在特定约束条件下的汽油辛烷值损失优化的效果。
[0130]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。