數(shù)據(jù)挖掘技術及其在石化裝置中的應用研究.pdf

1、石化企業(yè)在日常的生產(chǎn)和管理中，有很多的歷史數(shù)據(jù)都被存儲下來。這些歷史數(shù)據(jù)中包含著操作人員積累的寶貴的過程控制以及參數(shù)調(diào)節(jié)的經(jīng)驗。如果能夠從企業(yè)生產(chǎn)操作積累的數(shù)據(jù)中將經(jīng)驗以合適的形式挖掘出來，則會對提高企業(yè)效益，增加產(chǎn)品的市場競爭力以及節(jié)能減排都具有重大意義。本文將從數(shù)據(jù)挖掘技術的角度出發(fā)，探索如何去粗取精、去偽存真地從歷史生產(chǎn)數(shù)據(jù)中搜尋有用的信息，并將其應用于建立石化裝置的模型以及對其進行操作優(yōu)化。
　?。?）綜述了數(shù)據(jù)挖掘的發(fā)展

2、歷程及其當代研究近況，論說了其主要能用來實現(xiàn)的目標，并且對于近一段時間受人關注的一些實施技術也做出了相應程度的論述。特別回顧了很多學者將數(shù)據(jù)挖掘應用于過程復雜的石化裝置中采用的新方法以及所取得的最新進展。
　?。?）概述人工神經(jīng)網(wǎng)絡在不同年代的演變軌跡，從萌芽到興起，從衰退到高潮。對前饋神經(jīng)網(wǎng)絡中的BP和RBF兩種流行類型完成了結構和訓練策略的論說。由于小波神經(jīng)網(wǎng)絡能夠對線性程度很差的函數(shù)或關系較為合理的回歸，而且還有局部特性捕捉

3、的特點，因而將利用其對原油蒸餾裝置建立簡約模型。針對一般的小波神經(jīng)網(wǎng)絡訓練較慢，提出了將Levenberg-Marquardt優(yōu)化算法和批處理模式引入到小波神經(jīng)網(wǎng)絡的訓練中，加快了網(wǎng)絡的訓練速度。
　?。?）首先基于Aspen Plus嚴格機理模型的模擬結果創(chuàng)建了原油常壓塔的小波神經(jīng)網(wǎng)絡模型。通過對驗證數(shù)據(jù)的計算揭示出，算法優(yōu)化后的小波神經(jīng)網(wǎng)絡對原油常壓塔所建立的簡約模型在樣本回歸和推廣的效果上都要強過BP和RBF神經(jīng)網(wǎng)絡。利用列

4、隊競爭算法在空間內(nèi)搜尋滿足油品質(zhì)量規(guī)定的前提下，使得企業(yè)油品銷售利潤達到最大值的操作參數(shù)。
　　（4）概括粗糙集理論的由來和一些數(shù)學基礎，對其在決策系統(tǒng)中刪除冗余屬性達到降維效果和經(jīng)常用到的計算流程做出了適量的論述。當用于屬性約簡的數(shù)據(jù)集的規(guī)模變大以及屬性維度增加時，進行約簡計算的時間會急劇增加。為提高求解效率，降低計算時間，將列隊競爭算法融入到屬性約簡算法中，作為啟發(fā)式搜索的引擎。
　　（5）將列隊競爭算法用于某石化企業(yè)加