基于MIC筛选规则和BP神经网络的变换装置建模及产品预测

在石化企业数字工厂建设中,装置的数字智能化建设十分重要。本文针对某石化企业变换装置数字化建设的需要,结合装置特点,建立了基于最大信息系数方法(MIC)的装置实时数据筛选规则和基于BP神经网络的装置产品质量预测模型。结果表明,利用实时数据筛选规则对采集到的44天共1041组装置实际运行数据进行分析,将161个变量参数删减到23个变量参数,有效降低了数据的维度,数据简化率达到85.63%;进一步采用Levenberg-Marquardt方法,用3层隐含层的网络结构建立装置的产品质量预测模型,模拟得到的装置出口变换气CO摩尔含量值与实际生产偏差很小(平均偏差1.193%),说明本文所建模型可以很好地预测装置产品组成。以上建立的模型可为装置生产优化提供支撑,并可集成到工厂信息物理系统(CPS)中,支撑装置数字化和智能化建设需要。本文所提出的建模方法同样可用于其他类似装置的建模参考。