一种基于对象数据模型的数据融通方法与流程

本发明涉及数据分析，更具体地说，本发明涉及一种基于对象数据模型的数据融通方法。背景技术：1、数据治理技术是一系列用于管理和控制企业数据资产的方法和工具，其主要目标是确保数据的可用性、完整性、安全性和合规性。数据质量风险管控作为数据治理技术的一个方面应用在石油工业中可用时石油加工更安全可靠。2、现有技术存在以下不足：3、石油加工预处理时会加氢去除杂质后对石油进行改质处理提高石油质量，当改质处理时添加剂使用不当会造成杂质二次加入，导致杂质混入和设备腐蚀等问题，造成公司利益损失和环境问题。4、针对上述问题，本发明提出一种解决方案。技术实现思路1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于对象数据模型的数据融通方法，以解决上述背景技术中提出的问题。2、为实现上述目的，本发明提供如下技术方案：3、一种基于对象数据模型的数据融通方法，包括如下步骤：4、步骤s1，收集改质添加剂数据和原料数据；5、步骤s2，利用与门电路逻辑法对改质添加剂数据进行分析并分类，根据原料数据计算协方差作为原料分类阈值对原料进行分类，将改质添加剂与原料进行分类匹配后进行改质处理；6、步骤s3，收集改质处理后的加工反馈数据和加工设备数据，综合加工反馈数据和加工设备数据通过多层感知机构建风险评估模型；根据风险评估模型分析改质处理后的原料风险程度；7、步骤s4，对风险程度高的原料利用调和混配法进行补救处理。8、在一个优选的实施方式中，在步骤s1中，原料数据为加氢去杂质后未改质时的原料酸碱差和原料腐蚀度；改质添加剂数据为改质添加剂重金属含量。9、在一个优选的实施方式中，在步骤s2中，通过检测改质添加剂重金属铁含量和钒含量对改质添加剂进行分类，具体步骤如下：10、收集足量不同类型改质添加剂，利用电感耦合等离子体质谱仪测量改质添加剂中的铁含量和钒含量，筛选剔除铁含量或钒含量为0的改质添加剂，并将剔除的改质添加剂标记为低重金属含量改质剂，将剩余改质添加剂中的铁含量数据和钒含量数据分别合并为铁含量数据集和钒含量数据集；11、根据铁含量数据集和钒含量数据集分别设置铁含量阈值和钒含量阈值；12、利用与门电路逻辑法对改质添加剂进行分类，分类具体有以下几部分构成：13、确定输入输出：将改质添加剂铁含量和钒含量作为输入，添加剂分类作为输出；14、设置输入规则：若改质添加剂铁元素含量超过铁含量阈值则将改质添加剂铁含量设置为1进行作为输入，否则设置为0进行输入；若改质添加剂钒元素含量超过钒含量阈值则将改质添加剂钒含量设置为1进行输入，否则设置为0进行输入；15、设置输出规则：若输入均为1，则将输出结果设置为1，否则将输出结果设置为0；16、根据输出结果对改质添加剂进行分类：将输出结果为1的改质添加剂分类为重金属含量改质剂并标记；将输出结果为0的改质添加剂分类为低重金属含量改质剂并标记。17、在一个优选的实施方式中，在步骤s2中，还通过计算中性差系数作为原料酸碱差，其计算公式为，其中为中性差系数，为原料酸碱度，7为中性酸碱度系数，18、原料腐蚀度通过计算原料腐蚀速率，利用原料腐蚀速率数值表示，计算原料腐蚀速率可利用一般腐蚀速率公式：，其中为原料腐蚀速率，为一个常数，具体数值取决与腐蚀材料所选单位，为腐蚀材料在被原料腐蚀前后的质量，是腐蚀材料表面积，time是腐蚀时间；19、收集多条生产线的原料数据，将收集到的原料数据进行归一化处理后得到的酸碱差归一化数据和腐蚀度归一化数据分别合并为酸碱差数据集和腐蚀度数据集；其归一化公式可以为，其中是归一化后的结果，为酸碱差数据集或腐蚀度数据集中第i个数据，为酸碱差数据集中最小值或腐蚀度数据集中最小值，为酸碱差数据集中最大值或腐蚀度数据集中最大值；20、将获得的酸碱差数据集和腐蚀度数据集采用随机取样的方法，得到的酸碱差数据集中的酸碱差归一化数据，得到腐蚀度数据集中的腐蚀度归一化数据，通过从筛选出的酸碱差归一化数据和腐蚀度归一化数据中计算协方差作为原料分类阈值，并将协方差作为原料分类阈值；21、将收集到的当前原料酸碱差数据和当前原料腐蚀度数据进行上述步骤处理得到的归一化数据作为计算协方差公式中的和，将计算结果标记为，通过计算结果与原料分类阈值进行比较对当前原料进行分类；22、若，则当前原料酸碱差和当前原料腐蚀度协方差超过原料分类阈值，将当前原料标记为高杂质原料；若，则当前原料酸碱差和当前原料腐蚀度协方差低于原料分类阈值，将当前原料标记为低杂质原料；23、若当前原料被标记为高杂质原料，则使用低重金属含量改质剂进行改质处理；若当前原料被标记为低杂质原料，则使用高重金属含量改质剂进行改质处理。24、在一个优选的实施方式中，在步骤s3中，改质处理后的加工反馈数据和加工设备数据分别为改质后原料灰分含量和原料收率；25、改质后原料灰分含量为改质后原料中各种非碳氢化合物杂质，26、原料收率为原料改质后重量与原料改质前重量的比率；27、收集足量改质生产线的原料灰分含量和原料收率分别合并为灰分含量数据集和原料收率数据集，通过灰分含量数据集和原料收率数据集构建多层感知机模型分析当前原料风险程度，具体步骤如下：28、将灰分含量数据集和原料收率数据集作为构建多层感知机模型的两个输入特征，多层感知机模型中有两个神经网络层，分别为输入层，隐藏层和输出层；输入层有两个神经元对应两个输入特征，输出层有一个神经元用于输出分类结果；29、初始化参数：初始化多层感知机中输入层到隐藏层的权重以及隐藏层到输出层的偏置参数；30、前向传播：对于给定的输入特征，多层感知机会通过权重和偏置参数计算输入层到隐藏层的输出，在将这些输出传递到输出层，并通过激活函数转换为0到1之间的概率值，表示当前原料风险程度，隐藏层的激活函数可以为，其中a为输出层传输到隐藏层的输出，为灰分含量数据集中第一个灰分含量数据，为原料收率数据集中第一个数据，和为输入层到隐藏层的权重，c为偏置参数；输出层的激活函数为sigmoid函数，其公式为，其中y为输出概率结果，e为自然底数，x为隐藏层传递到输出层的输出；31、损失计算：根据多层感知机模型的输出概率结果与预设的实际标签计算损失函数，其公式可以为均方误差公式：；其中为均方误差，n为两种数据集中的数据数量，为灰分含量数据集中第i个原料灰分含量数据和原料收率数据集中第i个原料收率通过多层感知机的输出概率结果，为第i个预设的实际标签；32、反向传播：从输出层开始，计算每一层的参数对损失函数的梯度，逐层向前传播梯度，计算每一层的权重和偏置参数对损失函数的偏导数，其偏导公式为，，，其中和分别为输入层到隐藏层的权重以及隐藏层和输出层的偏置参数的偏导结果；通过计算损失函数对权重和偏置参数的偏导数对权重和偏置参数进行更新；33、更新参数：根据计算得到的梯度，设置学习率l随机调整输入层到隐藏层的权重以及隐藏层和输出层的偏置参数；更新多层感知机中的参数，其更新规则公式为：、和；34、重复迭代：重复执行前向传播和反向传播，直到模型收敛，即多层感知机模型训练完毕；35、收集当前原料灰分含量和当前原料收率，将当前原料灰分含量和当前原料收率作为输入通过多层感知机模型，计算输出概率结果，通过对比输出概率结果和预设的概率阈值，分析当前原料风险程度；36、当输出概率结果超过概率阈值，则将当前原料标记为高风险程度原料；否则将当前原料标记为低风险程度原料。37、在一个优选的实施方式中，在步骤s4中，若当前原料被标记为高风险程度原料，则对当前原料进行补救处理；包括调和混配法，具体过程如下：38、将杂质较多的原料即高风险程度原料与杂质较低的原料即低风险程度原料设置调和比例进行混合调和，收集当前原料灰分含量并记录为hf，收集其他生产线中灰分含量最低的原料作为调和原料并将其灰分含量标记为；确定调和阈值并将调和阈值标记为，通过以下公式计算调和比例：，其中t为调和比例；39、通过调和比例将当前原料灰分含量降低至调和阈值，完成高风险程度原料的补救处理。40、本发明一种基于对象数据模型的数据融通方法的技术效果和优点：41、本发明通过收集改质添加剂数据和原料数据，根据改质添加剂数据对改质添加剂进行分类，将改质添加剂分类为高重金属含量改质剂和低重金属含量改质剂。利用原料数据对原料进行质量评估，根据质量评估结果将原料分类为高杂质原料和低杂质原料。将分类的改质添加剂和原料进行匹配。收集匹配后的加工反馈数据和加工设备数据，综合加工反馈数据和加工设备数据构建风险评估模型，对风险较高的石油产品进行补救调整，降低了石油产品的风险。