一种用于原料油的物性预测分析方法及系统

专利主权项内容

1.一种用于原料油的物性预测分析方法，其特征在于，所述方法包括：周期性获取不同生产批次的原料油的密度数据，将同一生产批次的密度数据分别按照时序顺序排列得到待分析序列；将任一待分析序列在任一生产时刻的密度数据作为待测数据，与所述待测数据在同一待分析序列内的其他密度数据作为同序列数据，除所述待测数据所处待分析序列的其他待分析序列内，与所述待测数据在同一生产时刻的密度数据作为同时刻数据；根据所述待测数据、所述同序列数据以及所述同时刻数据，确定所述待测数据的数据异常度；根据所述待测数据和所有所述同序列数据的数据异常度，确定所述待测数据的异常修正系数，根据所述待测数据和所有所述同时刻数据的数据异常度，确定所述待测数据的工艺影响系数；根据所述异常修正系数和所述工艺影响系数，确定所述待测数据的数据突变系数；根据同一待分析序列内所有密度数据的数据突变系数和数据异常度，确定每一待分析序列的序列权重；根据所述序列权重对所有所述待分析序列进行加权融合，得到预测序列，根据所述预测序列对所述原料油的密度物性进行分析，得到分析结果；所述根据所述待测数据、所述同序列数据以及所述同时刻数据，确定所述待测数据的数据异常度，包括：计算所有所述同序列数据的均值作为序列数据均值，计算所述待测数据与所述序列数据均值的差值绝对值的归一化值，得到序列异常系数；计算所述同时刻数据的均值作为时刻数据均值，计算所述待测数据与所述时刻数据均值的差值绝对值的归一化值，得到时刻异常系数；根据所述序列异常系数和所述时刻异常系数，确定所述待测数据的数据异常度；所述根据所述待测数据和所有所述同序列数据的数据异常度，确定所述待测数据的异常修正系数，包括：计算所有所述同序列数据的数据异常度的均值，得到序列异常度均值；将所述待测数据的数据异常度与所述序列异常度均值的差值绝对值的归一化值作为所述待测数据的异常修正系数；所述根据所述待测数据和所有所述同时刻数据的数据异常度，确定所述待测数据的工艺影响系数，包括：计算所述待测数据的数据异常度分别与每一同时刻数据的数据异常度的差值绝对值作为同时刻异常度差异；计算所有同时刻异常度差异的均值的归一化值，得到待测数据的工艺影响系数；所述根据所述异常修正系数和所述工艺影响系数，确定所述待测数据的数据突变系数，包括：计算所述异常修正系数和所述工艺影响系数的乘积的归一化值得到所述待测数据的数据突变系数；所述根据同一待分析序列内所有密度数据的数据突变系数和数据异常度，确定每一待分析序列的序列权重，包括：计算同一待分析序列内任一密度数据的数据异常度和数据突变系数的乘积得到权重影响值；计算每一待分析序列内所有密度数据的权重影响值均值的反比例归一化值，得到待分析序列的序列权重，其中，所有待分析序列的序列权重的和值为1；所述根据所述序列权重对所有所述待分析序列进行加权融合，得到预测序列，包括：计算所述待分析序列中每一个密度数据分别与所述序列权重的乘积得到密度调整值；计算同一生产时刻下所有所述密度调整值的和值得到预测密度值；按照时序将所有所述预测密度值进行排序，得到预测序列；所述根据所述预测序列对所述原料油的密度物性进行分析，得到分析结果，包括：计算所述预测序列中所有生产时刻预测密度值与每一生产时刻对应的预设密度标准值的差值绝对值的均值，得到标准差异；对所述标准差异进行归一化处理得到原料油密度指标；将所述原料油密度指标作为分析结果。 更多数据：搜索马克数据网来源：