一种催化裂化反应软测量辅助变量的选取方法及系统

摘要

本发明实施例提供了一种催化裂化反应软测量辅助变量的选取方法及系统，所述方法包括：获取催化裂化反应的基础数据和焦炭产率数据，基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；根据基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各初始辅助变量与焦炭产率数据之间的第一互信息值，其中第一互信息值大于等于‑1小于等于1；根据第一互信息值，对初始辅助变量进行筛选，获得目标辅助变量。该系统用于执行上述方法。本发明实施例中利用互信息法对催化裂化反应软测量的辅助变量进行筛选，减少了催化裂化反应软测量中辅助变量的数量，简化了软测量过程，提高了催化裂化软测量辅助变量选取的准确性。

权利要求

1.一种催化裂化反应软测量辅助变量的选取方法，其特征在于，包括：获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；

根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；

根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量；

利用BP神经网络对所述目标辅助变量进行检测，包括对所述初始辅助变量进行BP神经网络焦炭产率软测量；对所述目标辅助变量进行BP神经网络焦炭产率软测量；比较所述初始辅助变量的软测量预测出的焦炭产率输出结果和所述目标辅助变量的软测量预测出的焦炭产率输出结果，以验证选取出的所述目标辅助变量的准确性；

设置第一预设阈值范围，将所述第一互信息值的绝对值在所述第一预设阈值范围内的初始辅助变量作为初筛辅助变量；

利用互信息法获取各所述初筛辅助变量之间的第二互信息值，若两个所述初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，则剔除所述第一互信息值的绝对值较小的所述初筛辅助变量，将剩余的初筛辅助变量作为所述目标辅助变量；

所述第二互信息值大于等于-1小于等于1。

2.根据权利要求1所述的方法，其特征在于，所述根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量，可替换为：按照各所述初始辅助变量对应的第一互信息值的绝对值从大到小的顺序，对各所述初始辅助变量进行排序，获取排序靠前的预设数量的初始辅助变量作为初筛辅助变量；

根据所述初筛辅助变量获取所述目标辅助变量。

3.根据权利要求1所述的方法，其特征在于，所述根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，包括：获取所述催化裂化反应在预设时间内的各类基础数据预选数据，将所述预选数据进行异常值的剔除，获得多个初选辅助变量，根据所述初选辅助变量获得所述初始辅助变量，其中所述异常值包括0、负值、空数据和与所述预选数据的平均值的差大于三倍标准差的数据。

4.根据权利要求3所述的方法，其特征在于，所述根据所述初选辅助变量获得所述初始辅助变量，包括：根据公式 对各所述初选辅助变量进行归一化处理，获得所述初始辅助变量，式中：Pk表示归一化值，Pi表示所述初选辅助变量中的第i个数据，Pmin表示所述初选辅助变量中的最小值，Pmax表示所述初选辅助变量中的最大值。

5.一种催化裂化反应软测量辅助变量的选取系统，其特征在于，包括：数据获取单元，用于获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；

互信息值计算单元，用于根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；

辅助变量选取单元，用于根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量；利用BP神经网络对所述目标辅助变量进行检测，包括对所述初始辅助变量进行BP神经网络焦炭产率软测量；对所述目标辅助变量进行BP神经网络焦炭率软测量；比较所述初始辅助变量的软测量预测出的焦炭产率输出结果和所述目标辅助变量的软测量预测出的焦炭产率输出结果，以验证选取出的所述目标辅助变量的准确性；

设置第一预设阈值范围，将所述第一互信息值的绝对值在所述第一预设阈值范围内的初始辅助变量作为初筛辅助变量；

利用互信息法获取各所述初筛辅助变量之间的第二互信息值，若两个所述初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，则剔除所述第一互信息值的绝对值较小的所述初筛辅助变量，将剩余的初筛辅助变量作为所述目标辅助变量；

所述第二互信息值大于等于-1小于等于1。

6.一种用于催化裂化反应软测量辅助变量选取的电子设备，其特征在于，包括：至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至4任一项所述的方法。

7.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至4任一项所述的方法。

说明书

一种催化裂化反应软测量辅助变量的选取方法及系统

技术领域

[0001] 本发明实施例涉及石油化工技术领域，具体涉及一种催化裂化反应软测量辅助变量的选取方法及系统。

背景技术

[0002] 重油催化裂化(RFCC)在我国炼油工业占有重要地位，是炼厂提高经济效益的重要手段。但随着原油的重质化、劣质化，我国RFCC原料的掺渣率不断提高，原料性质越来越差，使RFCC产物分布及产品质量变差，轻质油收率低，焦炭干气产率高。这对装置工艺点的实时调节优化有了更高的要求。如果能准确得知某一时刻的焦炭产率，就能够实时反馈到先进控制系统中，对工艺操作进行调优。

[0003] 然而催化裂化装置中的焦炭产率是无法通过传感器实时测量得到的，目前计算催化裂化过程产品收率的关联式一般根据实际操作数据和中型实验数据得出，适用于工艺方案估算或技术经济评价，难以用于具体指导工程设计或现场优化操作。软测量技术正是为了解决这类待测变量的实时测量和控制问题而逐渐发展起来的。其核心是建立易测变量(通常称为辅助变量、输入变量)与难测变量(通常称为主导变量、输出变量)之间的软测量模型。软测量过程中的辅助变量选取较为困难，单纯凭借经验对变量选取往往会导致软测量失败。辅助变量选取过少，可能会遗漏重要的解释因素；辅助变量选取过多，一方面会加大数据采集的难度和存储量，另一方面会造成不必要的干扰和影响，出现过拟合的情况，模型适应性差。在石油化工行业中，尤其在催化裂化中对于焦炭产率软测量过程中的辅助变量选择依然是空白。

[0004] 因此，如何提出一种方案，能够简化软测量过程，进一步提高催化裂化软测量辅助变量选取的准确性，成为亟待解决的问题。

发明内容

[0005] 针对现有技术中的缺陷，本发明实施例提供了及一种催化裂化反应软测量辅助变量的选取方法及系统。

[0006] 一方面，本发明实施例提供了一种催化裂化反应软测量辅助变量的选取方法，包括：获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；

[0007] 根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；

[0008] 根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0009] 进一步地，所述根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量，包括：

[0010] 按照各所述初始辅助变量对应的第一互信息值的绝对值从大到小的顺序，对各所述初始辅助变量进行排序，获取排序靠前的预设数量的初始辅助变量作为初筛辅助变量；

[0011] 根据所述初筛辅助变量获取所述目标辅助变量。

[0012] 进一步地，所述根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量，包括：

[0013] 设置第一预设阈值范围，将所述第一互信息值的绝对值在所述第一阈值范围内的初始辅助变量作为初筛辅助变量；

[0014] 根据所述初筛辅助变量获取所述目标辅助变量。

[0015] 进一步地，所述根据根据所述初筛辅助变量获取所述目标辅助变量，包括：

[0016] 利用互信息法获取各所述初筛辅助变量之间的第二互信息值，若两个所述初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，则剔除所述第一互信息值的绝对值较小的所述初筛辅助变量，将剩余的初筛辅助变量作为所述目标辅助变量；

[0017] 所述第二互信息值大于等于-1小于等于1。

[0018] 进一步地，所述根据催化裂化装置的基础数据获取催化裂化反应软测量的多个初始辅助变量，包括：

[0019] 获取所述催化裂化反应在预设时间内的各类基础数据预选数据，将所述预选数据进行异常值的剔除，获得多个初选辅助变量，根据所述初选辅助变量获得所述初始辅助变量，其中所述异常值包括0、负值、空数据和与所述预选数据的平均值的差大于三倍标准差的数据。

[0020] 进一步地，所述根据所述初选辅助变量获得所述初始辅助变量，包括：

[0021] 根据公式 对各所述初选辅助变量进行归一化处理，获得所述初始辅助变量，式中：Pk表示归一化值，Pi表示所述初选辅助变量中的第i个数据，Pmin表示所述初选辅助变量中的最小值，Pmax表示所述初选辅助变量中的最大值。

[0022] 进一步地，利用BP神经网络对所述目标辅助变量进行检测。

[0023] 另一方面，本发明实施例提供一种催化裂化反应软测量辅助变量的选取系统，包括：数据获取单元，用于获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；

[0024] 互信息值计算单元，用于根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；

[0025] 辅助变量选取单元，用于根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0026] 再一方面，本发明实施例提供一种用于催化裂化反应软测量辅助变量选取的电子设备，包括：

[0027] 至少一个处理器；以及

[0028] 与所述处理器通信连接的至少一个存储器，其中：

[0029] 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。

[0030] 又一方面，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述方法。

[0031] 本发明实时例提供的催化裂化反应软测量辅助变量的选取方法和系统，利用互信息法对催化裂化反应软测量的辅助变量进行筛选，可以快速的获取到与催化裂化反应的焦炭产率相关的辅助变量，减少了催化裂化反应软测量中辅助变量的数量，提高了催化裂化软测量辅助变量选取的准确性，简化了软测量过程，进一步提升了催化裂化反应软测量的性能及其泛化能力。

附图说明

[0032] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0033] 图1为本发明实施例中催化裂化反应软测量辅助变量的选取方法的流程示意图；

[0034] 图2为本发明实施例中初始辅助变量的软测量结果示意图；

[0035] 图3为本发明实施例中目标辅助变量的软测量结果示意图；

[0036] 图4为本发明实施例中又一催化裂化反应软测量辅助变量的选取方法的流程示意图；

[0037] 图5为本发明实施例中催化裂化反应软测量辅助变量的选取系统的结构示意图；

[0038] 图6为本发明实施例中用于催化裂化反应软测量辅助变量选取的电子设备的结构示意图。

具体实施方式

[0039] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0040] 图1为本发明实施例中催化裂化反应软测量辅助变量的选取方法的流程示意图，如图1所示，本发明实施例提供的催化裂化反应软测量辅助变量的选取方法包括：

[0041] S1、获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；

[0042] 具体地，根据催化裂化反应的实际情况，获取催化裂化反应的基础数据和焦炭产率数据，其中焦炭产率数据是指催化裂化反应中焦炭产率的实际值。催化裂化反应的基础数据包括：原料性质数据、催化剂性质数据和操作参数数据。原料性质数据是指催化裂化反应的原料的性质相关的数据如：原料油饱和烃含量、原料油芳烃含量、原料油沥青质+胶质含量、原料油10％馏出温度、原料油50％馏出温度、原料油90％馏出温度、原料油钠含量等；催化剂性质数据是指催化裂化反应中与催化剂的性质相关的数据如：催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量等；操作参数数据是指与催化裂化反应操作相关的数据如：催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位、粗汽油至提升管反应器流控等。当然，根据需要还可以包括其他与催化裂化反应有关的基础数据，本发明实施例不作具体限定。

[0043] 其中焦炭产率数据和基础数据都可以通过催化裂化装置的监控系统或催化裂化DCS系统获得，或通过其他方式获取，本发明实施例不作具体限定。

[0044] S2、根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；

[0045] 具体地，获取到催化反应的基础数据后，根据这些基础数据获取与催化裂化反应的焦炭产率可能相关的催化裂化反应软测量需要的多个初始辅助变量，例如温度、气压等。获取到催化裂化反应的初始辅助变量后，利用互信息法获取各个初始辅助变量与催化裂化反应的焦炭产率之间的第一互信息值，互信息法可以度量两个对象之间的相关性。第一互信息值的大小介于-1到1之间，第一互信息值为0代表该初始辅助变量与焦炭产率之间没有相关性，第一互信息值为±1代表该初始辅助变量与焦炭产率之间的相关性最大。

[0046] 其中，具体使用互信息法获得各初始辅助变量与催化裂化反应的焦炭产率之间的互信息值的方法，可以采用相关的计算机软件获得如MATLAB等，本发明实施例不作具体限定。

[0047] S3、根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0048] 具体地，可以根据第一互信息值的大小判断出各个初始辅助变量与催化裂化反应的焦炭产率之间的相关程度，进一步对初始辅助变量进行筛选，获取与催化裂化反应的焦炭产率相关程度大的初始辅助变量作为目标辅助变量。

[0049] 本发明实时例提供的催化裂化反应软测量辅助变量的选取方法，利用互信息法对催化裂化反应软测量的辅助变量进行筛选，可以快速的获取到与催化裂化反应的焦炭产率相关的辅助变量，减少了催化裂化反应软测量中辅助变量的数量，提高了催化裂化软测量辅助变量选取的准确性，简化了软测量过程，进一步提升了催化裂化反应软测量的性能及其泛化能力。

[0050] 在上述实施例的基础上，所述根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量，包括：

[0051] 按照各所述初始辅助变量对应的第一互信息值的绝对值从大到小的顺序，对各所述初始辅助变量进行排序，获取排序靠前的第一预设数量的初始辅助变量作为初筛辅助变量；

[0052] 根据所述初筛辅助变量获取所述目标辅助变量。

[0053] 具体地，本发明实施例将获取到的与催化裂化反应的焦炭产率可能相关的多个初始辅助变量，并根据互信息法获得各个初始辅助变量与焦炭产率的第一互信息值。按照各个初始辅助变量对应的第一互信息值的绝对值从大到小的顺序，对各个初始辅助变量进行排序，获取排序靠前的第一预设数量个初始辅助变量作为初筛辅助变量。其中第一预设数量的大小可以根据实际情况进行设置，本发明实施例不作具体限定。

[0054] 实际使用时，还可以设置第一预设阈值范围，将所述第一互信息值的绝对值在所述第一阈值范围内的初始辅助变量作为初筛辅助变量；根据所述初筛辅助变量获取所述目标辅助变量。在获取到各个初始辅助变量与焦炭产率的第一互信息值后，根据需要设定第一阈值范围，将第一互信息值的绝对值落在该第一阈值范围内的初始辅助变量作为初筛辅助变量，再根据初筛辅助变量获得目标辅助变量。其中第一阈值范围可以根据实际使用情况设置，不同的数据可能需要不同的第一阈值范围，本发明实施例不作具体限定。

[0055] 在获取到初筛辅助变量后，在上述实施例的基础上，所述根据根据所述初筛辅助变量获取所述目标辅助变量，包括：

[0056] 利用互信息法获取各所述初筛辅助变量之间的第二互信息值，若两个所述初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，则剔除所述第一互信息值的绝对值较小的所述初筛辅助变量，将剩余的初筛辅助变量作为所述目标辅助变量；所述第二互信息值大于等于-1小于等于1。

[0057] 具体他，根据初始辅助变量与焦炭产率之间的第一互信息值，进行初步筛选获得初筛辅助变量后，利用互信息法获取各个初筛辅助变量之间的第二互信息值。若两个初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，则说明这两个初筛辅助变量之间的相关性比较好，将其中与焦炭产率的相关性好的初筛辅助变量保存，剔除另一个。即若两个初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，保留其中第一互信息值的绝对值大的初筛辅助变量，剔除第一互信息值的绝对值小的初筛辅助变量。例如：若两个初筛辅助变量之间的第二互信息值绝对值大于0.9，则保留与焦炭产率之间的第一互信息值的绝对值大的那个，删去另一个。

[0058] 例如：若预选获取的初始辅助变量有n个，获取n个初始辅助变量和焦炭产率的第一互信息值。按照n个初始辅助变量对应的第一互信息值的绝对值的从大到小的顺序，对n个初始辅助变量进行排序，获取其中排序靠前的p个初始辅助变量作为初筛辅助变量。再获取p个初筛辅助变量之间的第二互信息值，根据p个初筛辅助变量之间的第二互信息值的绝对值的大小，将第二互信息值分布相对相似的初筛辅助变量进行简并。即若两个初筛辅助变量之间的第二互信息值的绝对值大于预设阈值，保留其中第一互信息值的绝对值大的初筛辅助变量，剔除第一互信息值的绝对值小的初筛辅助变量，获得q个初筛辅助变量作为最终的目标辅助变量。

[0059] 本发明实时例提供的催化裂化反应软测量辅助变量的选取方法，利用互信息法对催化裂化反应软测量的辅助变量进行筛选，获取辅助变量和焦炭产率、辅助变量之间的互信息值，分析辅助变量和焦炭产率、辅助变量之间的相关性，筛选出和催化裂化反应的焦炭产率相关性比较大的辅助变量，减少了催化裂化反应软测量中辅助变量的数量，提高了催化裂化软测量辅助变量选取的准确性，简化了软测量过程，进一步提升了催化裂化反应软测量的性能及其泛化能力。

[0060] 在上述实施例的基础上，所述根据催化裂化装置的基础数据获取催化裂化反应软测量的多个初始辅助变量，包括：

[0061] 获取所述催化裂化反应在预设时间内的各类基础数据预选数据，将所述预选数据进行异常值的剔除，获得初选辅助变量，根据所述初选辅助变量获得所述初始辅助变量，其中所述异常值包括0、负值、空数据和与所述预选数据的平均值的差大于三倍标准差的数据。

[0062] 具体地，需要对催化裂化反应的基础数据进行时间的统一，即催化裂化反应的每个基础数据的获取时间需要一致，例如获取2017年4月和5月的各个基础数据作为预选数据，如：2017年4月和5月的原料性质数据、催化剂性质数据和操作参数数据。再将获取到的预设时间内的预选数据进行异常值剔除，其中，异常值包括0、负值、空数据和与所述预选数据的平均值的差大于三倍标准差的数据。即将预选数据中的0、负值以及内容为空的数据剔除，并计算预选数据的平均值，将每个预选数据与该平均值进行比较，将与该平均值的差大于三倍标准差的数据剔除。本发明实施例使用的是三倍方差法剔除预选数据中与平均值相差较大的数据，当然根据需要也可以使用其他方法，将数据中与平均值相差比较大的数据剔除，例如剔除与平均值相差大于预设阈值的数据，本发明实施例不作具体限定。

[0063] 剔除异常值后，将剩余的预选数据作为初选辅助变量，在将初选辅助变量进行归一化处理，获得初始辅助变量。

[0064] 其中归一化处理的具体可以采用如下方法：

[0065] 按照最大最小法对初选辅助变量中的数据进行归一化处理，具体可以利用如下公式(1)进行归一化处理：

[0066]

[0067] 式中：Pk——为归一化值，Pi——初选辅助变量中的第i个数据，Pmin表示初选辅助变量中的最小值，Pmax表示初选辅助变量中的最大值。

[0068] 例如：获得的初选辅助变量有两组，分别为温度辅助变量和压力辅助变量，其中每组辅助变量中有多组数据，首先对温度辅助变量进行归一化处理，获取温度辅助变量中的最大值Pmax和最小值Pmin，利用上述公式(1)，对温度辅助变量中的每一个数据进行归一化处理。同样的方法，对压力辅助变量进行归一化处理。

[0069] 在实际使用时，对采集到的焦炭产率数据也可以采用同样的方法进行归一化处理，可以将采集到的初始辅助变量和焦炭产率数据组成样本集，样本集的大小为m，对上述样本集的数据进行统一的预处理和归一化处理。例如：选取的n个原始辅助变量组成矩阵X＝[xi]T, i＝1,2,...,m，焦炭产量数据写成矩阵Y＝[yi]T, i＝1,2,...,m，对两个矩阵内的数据进行相应的处理，之后回去两组数据的第一互信息值，对初始辅助变量进行筛选。具体的筛选过程同上述实施例一致，此处不再赘述。

[0070] 在上述实施例的基础上，所述方法还包括：利用BP神经网络对所述目标辅助变量进行检测。

[0071] 具体地，本发明实施例还利用BP神经网络对选取出的目标辅助变量进行检测，以验证选取出的目标辅助变量的准确性。具体可以预先利用BP神经网络建立软测量模型，例如：在n个初始辅助变量的数据中随机选取90％的数据量数据作为训练样本，设置的迭代次数为100次，学习率为0.2，目标值为0.00004，进行模型训练。在n个初始辅助变量剩余的10％数据作为预测样本，用训练好的BP神经网络预测非线性函数输出。训练好BP神经网络测量模型后，对选取的目标神经网络进行检测，将在q个辅助变量的数据分为三份，随机选取90％的数据作为训练样本和测试样本在q个目标辅助变量剩余的10％数据作为预测样本来验证效果。随机选取90％的数据中，一半作为训练样本用来训练模型，另一半作为测试样本用来测试模型。对训练样本，设置的迭代次数为100次，学习率为0.1，进行模型训练。用训练好的BP神经网络预测非线性函数输出，比较n个初始辅助变量和q个目标辅助变量的软测量预测出的焦炭产率输出结果，以验证选取出的目标辅助变量的准确性。图2为本发明实施例中初始辅助变量的软测量结果示意图，图3为本发明实施例中目标辅助变量的软测量结果示意图，如图2和图3所示，图2中软测量的辅助变量为22个，软测量值与实际值的平均误差为2.22％，图3中软测量的辅助变量为16个，软测量值与实际值的平均误差为1.72％。可以看出，辅助变量缩减后，对软测量的结果并无明显的影响，经过本发明实施例对初始辅助变量进行筛选后，辅助变量的数量得到了有效的减少，同时预测效果有了明显的提高，软测量值与实际值的平均误差由2.22％降到了1.72％。

[0072] 图4为本发明实施例中又一催化裂化反应软测量辅助变量的选取方法的流程示意图，如图4所示，下面结合图4介绍本发明实施例的具体流程，以便更好的理解本发明的技术方案：

[0073] T1、数据采集：采集A炼厂累计一年的约13万组基础数据和焦炭产率数据，采集的基础数据包括：原料性质(原料油饱和烃含量、原料油芳烃含量、原料油沥青质+胶质含量、原料油10％馏出温度、原料油50％馏出温度、原料油90％馏出温度、原料油钠含量)、催化剂性质(催化剂活性、再生剂微反活性指数、再生剂定碳含量、平衡剂活性、再生剂钠含量、再生剂镍和钒含量)、操作参数(催化剂温度、原料温度、反应温度、反应压力、原料油量、预提升蒸汽流量、原料油雾化蒸汽流量、预提升干气流量、回炼比、剂油比、二反料位、粗汽油至提升管反应器流控)。

[0074] T2、数据的预处理：第一，取每个基础数据的共同时间段内的数据；第二，对各个基础数据进行异常值的剔除，异常值包括：含有零、负值、空的数据；第三，对各个基础数据利用三倍方差剔除与平均值相差太大如差值大于三倍标准差的数据。预处理后获得约1万组数据即为初选辅助变量。

[0075] T3、数据的归一化处理：按照 对初选辅助变量中的数据进行归一化处理，具体归一化处理方法同上述实施例一致，此处不再赘述。归一化处理后的数据作为初始辅助变量。

[0076] T4、初筛辅助变量的选取：本发明实施例获取到n组初始辅助变量，使用互信息法分别计算n个初始辅助变量和焦炭产率之间的第一互信息值，第一互信息值的大小介于-1和1之间，0代表两组数据之间没有相关性，±1代表两组数据之间完全相同，按第一互信息值绝对值大小，选取和焦炭产率密切相关的p个初筛辅助变量。具体获取初筛辅助变量的方法同上述实施例一致，此处不再赘述。

[0077] T5、目标辅助变量的选取：使用互信息法计算p个初筛辅助变量之间的第二互信息值，按第二互信息值绝对值大小，对初筛辅助变量进行简并，获得p个目标辅助变量。其中按第二互信息值绝对值大小，对初筛辅助变量进行简并的方法同上述实施例一致，此处不再赘述。

[0078] T6、对初始辅助变量进行BP神经网络焦炭产率软测量：在n个初始辅助变量的数据中随机选取90％的数据量数据作为训练样本，设置的迭代次数为100次，学习率为0.2，目标值为0.00004，进行模型训练。在n个原始辅助变量剩余的10％数据作为预测样本，用训练好的BP神经网络预测非线性函数输出，获得n个初始辅助变量的焦炭产率软测量预测结果。

[0079] T7、对目标辅助变量进行BP神经网络焦炭产率软测量：随机选取90％的数据作为训练样本和测试样本在q个目标辅助变量剩余的10％数据作为预测样本来验证效果。随机选取90％的数据中，一半作为训练样本用来训练模型，另一半作为测试样本用来测试模型。对训练样本，设置的迭代次数为100次，学习率为0.1，进行模型训练。用训练好的BP神经网络预测非线性函数输出，获得q个目标辅助变量的焦炭产率软测量预测结果。

[0080] T8、软测量预测结果比较：比较n个初始辅助变量和q个目标辅助变量的软测量预测出的焦炭产率输出结果，以验证选取出的目标辅助变量的准确性。

[0081] 本发明实施例提供的催化裂化反应软测量辅助变量的选取方法，利用互信息理论快速找出与焦炭产率相关的少数关键的目标辅助变量，在满足催化裂化反应软测量的要求的前提下，简化了软测量的过程，提高了催化裂化软测量辅助变量选取的准确性，进一步提升了催化裂化反应软测量的性能及其泛化能力，为化工先进控制系统以及炼厂生产提供技术支持。

[0082] 图5为本发明实施例中催化裂化反应软测量辅助变量的选取系统的结构示意图，如图5所示，本发明实施例提供的催化裂化反应软测量辅助变量的选取系统包括：数据获取单元51、互信息值计算单元52和辅助变量选取单元53，其中：

[0083] 数据获取单元51用于获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；互信息值计算单元52用于根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；辅助变量选取单元53用于根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0084] 具体地，数据获取单元51根据催化裂化反应的实际情况，获取催化裂化反应的基础数据和焦炭产率数据，其中焦炭产率数据是指催化裂化反应中焦炭产率的实际值。催化裂化反应的基础数据包括：原料性质数据、催化剂性质数据和操作参数数据。获取到催化反应的基础数据后，数据获取单元51根据这些基础数据获取与催化裂化反应的焦炭产率可能相关的催化裂化反应软测量需要的多个初始辅助变量，例如温度、气压等。获取到催化裂化反应的初始辅助变量后，互信息值计算单元52利用互信息法获取各个初始辅助变量与催化裂化反应的焦炭产率之间的第一互信息值，互信息法可以度量两个对象之间的相关性。第一互信息值的大小介于-1到1之间，第一互信息值为0代表该初始辅助变量与焦炭产率之间没有相关性，第一互信息值为±1代表该初始辅助变量与焦炭产率之间的相关性最大。辅助变量选取单元53根据第一互信息值的大小判断出各个初始辅助变量与催化裂化反应的焦炭产率之间的相关程度，进一步对初始辅助变量进行筛选，获取与催化裂化反应的焦炭产率相关程度大的初始辅助变量作为目标辅助变量。

[0085] 在上述实施例的基础上，所述系统还包括，检测单元，用于利用BP神经网络对所述目标辅助变量进行检测。

[0086] 具体地，本发明实施例还通过检测单元利用BP神经网络对选取出的目标辅助变量进行检测，以验证选取出的目标辅助变量的准确性。可以通过比较初始辅助变量和目标辅助变量的软测量预测出的焦炭产率输出结果，与实际产值进行比较，以验证选取出的目标辅助变量的准确性。具体采用BP神经网络进行目标辅助变量的检测方法同上述实施例一致，此处不再赘述。

[0087] 本发明实施例提供的催化裂化反应软测量辅助变量的选取系统用于执行上述方法，其具体实施方式同上述实施例一致，此处不再赘述。

[0088] 本发明实施例提供的催化裂化反应软测量辅助变量的选取方法和系统，利用互信息理论快速找出与焦炭产率相关的少数关键的目标辅助变量，专门针对数据量大、维度过高的催化裂化工业数据使用，在满足催化裂化反应软测量的要求的前提下，简化了软测量的过程，提高了催化裂化软测量辅助变量选取的准确性，进一步提升了催化裂化反应软测量的性能及其泛化能力，为化工先进控制系统以及炼厂生产提供技术支持。

[0089] 图6为本发明实施例中用于催化裂化反应软测量辅助变量选取的电子设备的结构示意图，如图6所示，所述装置可以包括：处理器(processor)61、存储器(memory)62和通信总线63，其中，处理器61，存储器62通过通信总线63完成相互间的通信。处理器61可以调用存储器62中的逻辑指令，以执行如下方法：获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0090] 此外，上述的存储器62中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0091] 本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取催化裂化反应的基础数据和焦炭产率数据，所述基础数据包括：原料性质数据、催化剂性质数据和操作参数数据；根据所述基础数据获取催化裂化反应软测量的多个初始辅助变量，利用互信息法获取各所述初始辅助变量与所述焦炭产率数据之间的第一互信息值，其中所述第一互信息值大于等于-1小于等于1；根据所述第一互信息值，对所述初始辅助变量进行筛选，获得目标辅助变量。

[0092] 以上实施例仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。