数据挖掘技术及其在石化装置中的应用研究

摘要

石化企业在日常的生产和管理中，有很多的历史数据都被存储下来。这些历史数据中包含着操作人员积累的宝贵的过程控制以及参数调节的经验。如果能够从企业生产操作积累的数据中将经验以合适的形式挖掘出来，则会对提高企业效益，增加产品的市场竞争力以及节能减排都具有重大意义。本文将从数据挖掘技术的角度出发，探索如何去粗取精、去伪存真地从历史生产数据中搜寻有用的信息，并将其应用于建立石化装置的模型以及对其进行操作优化。
　　（1）综述了数据挖掘的发展历程及其当代研究近况，论说了其主要能用来实现的目标，并且对于近一段时间受人关注的一些实施技术也做出了相应程度的论述。特别回顾了很多学者将数据挖掘应用于过程复杂的石化装置中采用的新方法以及所取得的最新进展。
　　（2）概述人工神经网络在不同年代的演变轨迹，从萌芽到兴起，从衰退到高潮。对前馈神经网络中的BP和RBF两种流行类型完成了结构和训练策略的论说。由于小波神经网络能够对线性程度很差的函数或关系较为合理的回归，而且还有局部特性捕捉的特点，因而将利用其对原油蒸馏装置建立简约模型。针对一般的小波神经网络训练较慢，提出了将Levenberg-Marquardt优化算法和批处理模式引入到小波神经网络的训练中，加快了网络的训练速度。
　　（3）首先基于Aspen Plus严格机理模型的模拟结果创建了原油常压塔的小波神经网络模型。通过对验证数据的计算揭示出，算法优化后的小波神经网络对原油常压塔所建立的简约模型在样本回归和推广的效果上都要强过BP和RBF神经网络。利用列队竞争算法在空间内搜寻满足油品质量规定的前提下，使得企业油品销售利润达到最大值的操作参数。
　　（4）概括粗糙集理论的由来和一些数学基础，对其在决策系统中删除冗余属性达到降维效果和经常用到的计算流程做出了适量的论述。当用于属性约简的数据集的规模变大以及属性维度增加时，进行约简计算的时间会急剧增加。为提高求解效率，降低计算时间，将列队竞争算法融入到属性约简算法中，作为启发式搜索的引擎。
　　（5）将列队竞争算法用于某石化企业加氢裂化的实际生产数据的属性约简，计算结果表明，决策变量从12个减少到了8个，4个多余的变量被去除。利用智能可视化优化方法把约简后的数据完整地投影到了二维平面，得到了以航煤收率为目标的优化区域和优化等值线。最后从优化区域选取了一个优化操作点，使得航煤比原工况增加产出3.6％。

目录

声明

第1章 数据挖掘概述

1.1 数据挖掘的产生和发展

1.2 数据挖掘的过程模型

1.3 数据挖掘的任务

1.4 数据挖掘技术常用方法

1.5 数据挖掘在石化装置中的应用

1.6 本文的主要研究内容及创新点

第2章 小波神经网络

2.1 人工神经网络的概述

2.2 前馈神经网络模型

2.3 小波神经网络的提出及特点

2.4 小波神经网络

2.5 小波神经网络训练算法改进

第3章 基于小波神经网络的原油常压塔数据挖掘

3.1 原油常减压装置介绍

3.2 常压塔工艺流程

3.3 原油常压塔数据准备

3.4 原油常减压的小波神经网络模型

3.5 常压塔优化模型

3.6 模型的求解

第4章 基于列队竞争算法的粗糙集属性约简

4.1 粗糙集理论

4.2 粗糙集的基本概念

4.3 粗糙集属性约简算法

4.4 列队竞争算法在属性约简中的应用

第5章 基于粗糙集的加氢裂化反应数据挖掘

5.1 加氢裂化反应流程

5.2 工厂数据预处理

5.3 属性约简

5.4 智能可视化方法对约简数据的优化

第6章 结论与展望

6.1 结论

6.2 展望

参考文献

致谢

攻读硕士学位期间发表的论文