CN108803343B - 甲醇制烯烃反应器的控制方法及装置 - Google Patents
甲醇制烯烃反应器的控制方法及装置 Download PDFInfo
- Publication number
- CN108803343B CN108803343B CN201810819411.1A CN201810819411A CN108803343B CN 108803343 B CN108803343 B CN 108803343B CN 201810819411 A CN201810819411 A CN 201810819411A CN 108803343 B CN108803343 B CN 108803343B
- Authority
- CN
- China
- Prior art keywords
- variables
- determining
- methanol
- reactor
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- OKKJLVBELUTLKV-UHFFFAOYSA-N Methanol Chemical compound OC OKKJLVBELUTLKV-UHFFFAOYSA-N 0.000 claims abstract description 189
- 150000001336 alkenes Chemical class 0.000 claims abstract description 55
- JRZJOMJEPLMPRA-UHFFFAOYSA-N olefin Natural products CCCCCCCC=C JRZJOMJEPLMPRA-UHFFFAOYSA-N 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims description 48
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000012360 testing method Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 claims description 21
- 239000005977 Ethylene Substances 0.000 claims description 21
- QQONPFPTGQHPMA-UHFFFAOYSA-N propylene Natural products CC=C QQONPFPTGQHPMA-UHFFFAOYSA-N 0.000 claims description 21
- 125000004805 propylene group Chemical group [H]C([H])([H])C([H])([*:1])C([H])([H])[*:2] 0.000 claims description 21
- 229910002056 binary alloy Inorganic materials 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 abstract description 34
- 230000008929 regeneration Effects 0.000 abstract description 9
- 238000011069 regeneration method Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 17
- 230000002068 genetic effect Effects 0.000 description 15
- 239000003054 catalyst Substances 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 229910052799 carbon Inorganic materials 0.000 description 7
- 230000008878 coupling Effects 0.000 description 7
- 238000010168 coupling process Methods 0.000 description 7
- 238000005859 coupling reaction Methods 0.000 description 7
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000035772 mutation Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000003070 Statistical process control Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003767 neural control Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明公开了一种甲醇制烯烃反应器的控制方法及装置。其中，该甲醇制烯烃反应器的控制方法包括：获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量；根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。本发明解决了相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的技术问题。
Description
技术领域
本发明涉及控制科学与工程领域，具体而言，涉及一种甲醇制烯烃反应器的控制方法及装置。
背景技术
传统的甲醇制烯烃(Methanol To Olefin，简称MTO)反应器的控制系统采用的是常规的比例-积分-微分控制器(Proportion Integration Differentiation，简称PID)，PID控制器采用单回路或串级控制为主要调节手段，进行单参数调节，原理简单，使用方便，适应性强，鲁棒性强，其控制品质对被控制对象的变化不太敏感，PID控制器对于线性好，输入不超过斜坡的系统是非常简单实用的。但是对于复杂非线系统和负载信号追踪，非常有局限性，对于多输入多输出、耦合性强的系统、无法串级的高阶系统、时延系统，用PID控制器经常是很难的。对经度要求很高的系统，一般是方差variance降低多少就可以获得多少效益的系统。特别是阶数一旦较高，以及输入输出一多(且带有强耦合)，往往光靠PID控制器是不行的。
针对上述相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种甲醇制烯烃反应器的控制方法及装置，以至少解决相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的技术问题。
根据本发明实施例的一个方面，提供了一种甲醇制烯烃反应器的控制方法，包括：获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，所述部分操作变量为按照预设规则从所述多个操作变量中提取的符合预定条件的变量；根据所述部分操作变量确定用于控制所述MTO反应器的目标变量，其中，所述MTO反应器按照所述目标变量进行工作。
可选地，获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量包括：确定多组训练样本和多组测试样本，其中，所述多组训练样本均包括所述多个操作变量以及基于所述多个操作变量确定的乙烯量和丙烯量，所述多组测试样本均包括所述多个操作变量以及基于所述多个操作变量实际制得的乙烯量和丙烯量；基于所述多组训练样本和所述多组测试样本确定标准化矩阵的相关系数矩阵；根据所述相关系数矩阵确定多个操作变量中的部分操作变量。
可选地，根据所述相关系数矩阵确定多个操作变量中的部分操作变量包括：根据所述相关系数矩阵确定多个操作变量的贡献率，其中，所述贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；根据所述贡献率确定所述部分操作变量。
可选地，在根据所述贡献率确定所述部分操作变量之后，上述甲醇制烯烃反应器的控制方法还包括：确定所述部分操作变量的初始权值和初始化阈值；对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值。
可选地，对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值包括：采用二进制按照预定算法对所述初始化权值和所述初始化阈值进行编码；将编码后的所述初始化权值和所述初始化阈值分解为BP神经网络对应的权值和阈值；对所述BP神经网络对应的权值和阈值进行训练，得到所述部分操作变量的目标权值和目标阈值。
可选地，在根据所述贡献率确定所述部分操作变量之后，上述甲醇制烯烃反应器的控制方法还包括：确定所述部分操作变量对甲醇制烯烃MTO的约束条件；根据外点惩罚函数去除所述约束条件。
可选地，根据所述部分操作变量确定用于控制所述MTO反应器的目标变量包括：获取去除所述约束条件的部分操作变量；根据所述部分操作变量的目标权值和目标阈值，以及去除所述约束条件的部分操作变量确定用于控制所述MTO反应器的目标变量。
根据本发明实施例的另外一个方面，还提供了一种甲醇制烯烃反应器的控制装置，包括：获取单元，用于获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，所述部分操作变量为按照预设规则从所述多个操作变量中提取的符合预定条件的变量；确定单元，用于根据所述部分操作变量确定用于控制所述MTO反应器的目标变量，其中，所述MTO反应器按照所述目标变量进行工作。
可选地，所述获取单元包括：第一确定子单元，用于确定多组训练样本和多组测试样本，其中，所述多组训练样本均包括所述多个操作变量以及基于所述多个操作变量确定的乙烯量和丙烯量，所述多组测试样本均包括所述多个操作变量以及基于所述多个操作变量实际制得的乙烯量和丙烯量；第二确定子单元，用于基于所述多组训练样本和所述多组测试样本确定标准化矩阵的相关系数矩阵；第三确定子单元，用于根据所述相关系数矩阵确定多个操作变量中的部分操作变量。
可选地，所述第三确定子单元包括：第一确定模块，用于根据所述相关系数矩阵确定多个操作变量的贡献率，其中，所述贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；第二确定模块，用于根据所述贡献率确定所述部分操作变量。
可选地，上述甲醇制烯烃反应器的控制装置还包括：第三确定模块，用于在根据所述贡献率确定所述部分操作变量之后，确定所述部分操作变量的初始权值和初始化阈值；获取模块，用于对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值。
可选地，所述获取模块包括：编码子模块，用于采用二进制按照预定算法对所述初始化权值和所述初始化阈值进行编码；分解子模块，用于将编码后的所述初始化权值和所述初始化阈值分解为BP神经网络对应的权值和阈值；获取子模块，用于对所述BP神经网络对应的权值和阈值进行训练，得到所述部分操作变量的目标权值和目标阈值。
可选地，上述甲醇制烯烃反应器的控制装置还包括：第四确定模块，用于在根据所述贡献率确定所述部分操作变量之后，确定所述部分操作变量对甲醇制烯烃MTO的约束条件；去除模块，用于根据外点惩罚函数去除所述约束条件。
可选地，所述确定单元包括：获取子单元，用于获取去除所述约束条件的部分操作变量；第四确定子单元，用于根据所述部分操作变量的目标权值和目标阈值，以及去除所述约束条件的部分操作变量确定用于控制所述MTO反应器的目标变量。
根据本发明实施例的另外一个方面，还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序执行中任意一项所述的甲醇制烯烃MTO反应器的控制方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述中任意一项所述的甲醇制烯烃MTO反应器的控制方法。
在本发明实施例中，采用获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量；根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作的方式，通过本发明实施例的甲醇制烯烃反应器的控制方法可以实现利用预设规则将多个操作变量转化为少数几个综合变量的目的，达到了使得对MTO反应器进行控制的部分操作变量都是较优的技术效果，进而解决了相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的甲醇制烯烃反应器的控制方法的流程图；
图2是根据本发明实施例的甲醇制烯烃反应器的控制方法的另一流程图；
图3是根据本发明实施例中根据甲醇制烯烃反应器的控制方法进行测试得到的测试结果的示意图；
图4是根据本发明实施例中根据甲醇制烯烃反应器的控制方法进行测试得到的测试结果的另一示意图；
图5是根据本发明实施例的甲醇制烯烃反应器的控制装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了便于描述，下面对本发明实施例中出现的部分名词或术语进行详细说明。
甲醇制烯烃(Methanol To Olefin，简称MTO)：是将甲醇催化剂转化为乙烯、丙烯的工艺。
比例-积分-微分控制器(Proportion Integration Differentiation，简称PID)：是由比例单元P、积分单元I和微分单元D组成。通过Kp、Ki和Kd三个参数的设定，主要适用于基本线性和动态性不随时间变化的系统。它是在工业控制应用中常见的反馈回路部件，该控制器把收集到的数据和一个参考值进行比较，然后把这个差别用于计算新的输入值，这个新的输入值的目的是可以让系统的数据达到或者保持在参考值。
误差反向传播(error back propagation，简称BP):是在学习过程中由信号的正向传播与误差的反向传播两个过程组成。
惩罚函数法：又称序列无约束极小化技术。其主要是在求新目标函数的极小值时，需要不断调整加权参数，使其新目标函数极小点的序列逐渐收敛到原问题的约束最优解上。
遗传算法(Genetic Algorithm，简称GA)：是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
OPC接口：是由OPC基金会指定的，基于DCOM技术的，用于控制系统软件之间进行数据通讯的接口规范。
分布式控制系统(Distributed Control System，简称DCS)：是相对于集中式控制系统而言的一种新兴计算机控制系统，它是在集中式控制系统的基础上发展、演变而来的。
主成分分析法：也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在数学变换中保持变量的总方差不变，使第一变量具有最大的方差，称为第一主成分，第二变量的方差次大，并且和第一变量不相关，称为第二主成分。
轮盘赌算法：又称比例选择算子，其基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。
适应度函数：是直接影响到遗传算法的收敛速度以及能否找到最优解，因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个个体的适应度来进行搜索。
先进控制：是对于一些不同于常规单回路控制，并具有比常规PID控制效果更好的控制策略的统称，而非指某种计算机控制算法，其主要的控制策略包括：预测控制、推断控制、统计过程控制、模糊控制、神经控制、非线性控制以及鲁棒控制等。其任务是非常明显的，即用来处理那些常规控制效果不好，甚至无法控制的复杂工业过程控制的问题。
神经网络模型：是以神经元的数学模型为基础来描述的。神经网络模型由网络拓扑、节点特点和学习规划来表示。
反应空速：是指在规定的条件下，单位时间单位体积催化剂处理的气体量，反应器中催化剂的装填数量的多少取决于设计原料的数量和质量以及所要求达到的转化率。
由于甲醇制烯烃的反应过程是一个非线性、耦合、大滞后的多变量系统。目前，MTO反应器的控制系统采用的是压力、差压、流量等的单回路或复杂控制回路，给定值都是估计的定值，控制效果不好，无法达到预期的控制效果。
为了解决目前MTO反应再生系统控制粗放，能耗较大，控制不平稳的问题。在本发明实施例中提供了以下实施例来实现通过对数学模型的优化的目的，达到了平稳操作，提升乙烯和丙烯的吸收率的技术效果。
实施例1
根据本发明实施例，提供了一种甲醇制烯烃反应器的控制方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的甲醇制烯烃反应器的控制方法的流程图，如图1所示，该甲醇制烯烃反应器的控制方法包括如下步骤：
步骤S102，获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量。
例如，甲醇制烯烃的反应中需要的多个操作变量可以包括但不限于：甲醇进料量、甲醇进料温度、反应温度、反应压力、反应空速、催化剂在反应器平均停留时间、主风风量、催化剂定碳、再生温度、再生压力等，其中，在上述多个操作变量中，反应温度、甲醇进料温度、甲醇进料量、反应压力、催化剂在反应器平均停留时间、反应空速以及催化剂定碳等之间存在着很大的关联关系；假如，反应温度发生了变化，剩余的几个操作变量也会发生变化。其中，表1中示出了从上述多个操作变量中选取的部分操作变量和参数变化范围以及均值的对应关系。
表1
| 操作变量 | 参数变化范围 | 均值 |
| 甲醇进料量t/h | 140～220 | 180 |
| 甲醇进料温度℃ | 150～300 | 225 |
| 反应温度℃ | 460～500 | 480 |
| 反应压力MPa | 0.10～0.13 | 0.12 |
| 催化剂在反应器内平均停留时间 | 0.9～1.5 | 1.3 |
| 反应空t速m/s | 1.2～2.9 | 2.05 |
| 催化剂定碳wt％ | 1.15～2.55 | 1.35 |
步骤S104，根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。
在根据上述步骤S102得到相互关联关系较大的部分操作变量的情况下，可以根据上述部分操作变量来确定用户控制MTO反应器的目标变量。
通过上述步骤，可以从甲醇制烯烃的反应中需要的多个操作变量中选择部分操作变量，根据部分操作变量来确定控制MTO反应器的目标变量，MTO反应器按照目标变量进行工作。相对于相关技术中MTO反应过程的非线性、耦合、大滞后的多变量系统，采用压力、差压、流量等的单回路或复杂控制回路，给定值都是估计的定值，控制效果不好，并无法达到预期的控制效果的弊端，通过本发明实施例的甲醇制烯烃反应器的控制方法可以实现利用预设规则将多个操作变量转化为少数几个综合变量的目的，达到了使得对MTO反应器进行控制的部分操作变量都是较优的技术效果，进而解决了相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的技术问题。
在上述步骤S102中，获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量可以包括：确定多组训练样本和多组测试样本，其中，多组训练样本均包括多个操作变量以及基于多个操作变量确定的乙烯量和丙烯量，多组测试样本均包括多个操作变量以及基于多个操作变量实际制得的乙烯量和丙烯量；基于多组训练样本和多组测试样本确定标准化矩阵的相关系数矩阵；根据相关系数矩阵确定多个操作变量中的部分操作变量。
例如，可以采用主成分分析法从多个操作变量中获取部分操作变量，具体步骤如下：
选取初始样本：50组训练样本，以及50组测试样本；其中，上述训练样本是从多个操作变量中选取的部分操作变量，然后根据甲醇制烯烃的产出方式计算得到根据部分操作变量制得的乙烯量和丙烯量；上述测试样本则是根据上述训练样本中参与甲醇制烯烃的计算的部分操作变量，以及根据参与甲醇制烯烃的计算的部分操作变量实际制得的乙烯量和丙烯量。
①用户综合标准化法标准化矩阵；②求出标准化矩阵Z的相关系数矩阵R；③计算相关系数矩阵R，计算特征向量和特征值，对主成分进行排序，计算各个特征值的贡献率，挑选贡献率大于90％的主成分，输出主成分个数，计算主成分载荷，计算各主成分得分，综合得分并排序。
因此，作为本发明一个可选的实施例，根据相关系数矩阵确定多个操作变量中的部分操作变量可以包括：根据相关系数矩阵确定多个操作变量的贡献率，其中，贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；根据贡献率确定部分操作变量。
另外，在本发明实施例中通过分析MTO反应再生系统现场操作数据，设计MTO反应再生的先进控制方案，初步估计应用先进控制可能产生的经济效益。并设计了基于BP神经网络模型的控制算法流程。利用主成分分析法将多个操作变量转化为少数部分综合变量以实现降维的目的，同时还采用外点惩罚函数将MTO反应的有约束问题转化为无约束问题，以及采用遗传算法优化BP神经网络的权值以及阈值，以加快收敛速度，提高了全局寻优效果，具体地，在根据贡献率确定部分操作变量之后，上述甲醇制烯烃反应器的控制方法还可以包括：确定部分操作变量的初始权值和初始化阈值；对初始权值和初始化阈值进行优化，得到部分操作变量的目标权值和目标阈值。
其中，采用遗传算法对BP神经网络的初始权值和初始阈值进行优化，可以在解空间中找出一个较好的搜索空间，然后采用BP算法在这个较小的解空间中搜索最优解。通过采用遗传算法优化BP神经网络的权值以及阈值，防止了搜索陷入局部最小值。具体步骤如下：
⑴创建初始种群：考虑到初始种群的单一性，选择随机函数的方法来确定初始种群，在解空间中随机产生初始种群，并使其均匀分布于解空间，具体地，可以选取50组数据作为训练样本，50组数据作为测试样本，输入神经元的个数为7个，隐层神经元个数为4个，输出神经元个数为2。
⑵数据预处理：归一化网络的输入输出数据，归一化后的数据分布在[-1,1]区间内。
⑶确定编码方式：确定选用二进制对上述初始权值或初始阀值进行编码：具体编码方式为：遗传算法编码长度：S＝A*B+B*C+B+C，式中：A表示输入的神经元个数；B表示隐层神经元个数；C表示输出神经元个数；通过该遗传算法编码方式将遗传算法的编码分解为BP网络对应的权值、阈值。
⑷选择运算：采用轮盘赌选择方法对数据进行选择，设群体大小为n，则个体i被选中遗传到下一代群体的概率为：
其中，式中的fi为个体i的适配值，可用误差平方和Ei来衡量，即：fi＝1/Ei，
式中M为网络输出层节点数，K为样本对数，dkj为期望输出，ykj为网络实际输出。
⑸交叉运算：采用均匀交叉方法对数据进行交叉。
⑹变异运算：在本发明实施例中采用基本位变异算子，即对个体编码串随机指定的某一位或某几位基因作变异运算。
⑺确定适应度函数：适应度函数采用误差函数的倒数，即：
其中，sol表示种群中的每个个体，xi表示神经网络的实际输出，t表示种群的个体数，yi表示神经网络的期望输出和。
⑻更改网络的权阈值，并计算新个体的适应值，将新个体插入种群中，通过神经网络训练，将得到的最优解，即误差最小的一组神经网络权值和阈值计算迭代次数，直到迭代次数达到要求，输出更新后的权阈值。
⑼BP网络优化：判断BP神经网络是否满足停止准则，如若不能满足精度则再次进行神经网络训练，直到满足要求为止。其中，上述神经网络训练的停止准则为：yj+1-yj<1％，其中，y为乙烯收率和丙烯收率。
下面结合附图对本发明实施例中提供的甲醇制烯烃反应器的控制方法进行详细说明。
图2是根据本发明实施例的甲醇制烯烃反应器的控制方法的另一流程图，如图2所示，首先，随机产生初始群体；然后，初始化BP神经网络权值以及阈值；利用遗传算法GA对初始权值或初始阈值进行编码，i＝0；进行适应度评价，采用赌盘选择两个个体，依概率进行交叉和变异，更改权值和阈值，将两个新子代穿插入新的群体，此时，i＝i+2，接下来需要判断i是否小于预定值N；在判断结果为是的情况下，返回重新进行适应度评价；反之，在判断结果为否的情况下，计算个体适应值，适应度最大者为最优个体，再解码得到最优的网络结构及对应的权值和阈值以及学习速度；在输入训练样本后，基于BP神经网络对训练样本进行优化，判断优化后的结果是否满足停止准则，在满足的情况下，输出优化结果，最后结束整个流程。
在上述实施例中，使用选取的50组训练样本和50组测试样本对遗传算法GA优化BP神经网络的性能进行测试，其中，表2示出了输出变量、参数变化范围以及均值之间的对应关系；表3示出了采用遗传算法GA优化BP神经网络的测量结果。具体地，利用上述训练样本以及测试样本进行了5次训练，每次的遗传次数均为100，上述五次测试的训练次数分别为：1000、1500、2000、2500以及3000，还包括：期望方差、训练样本均方差。
表2
| 操作变量 | 参数变化范围 | 均值 |
| 乙烯选择性％ | 19.80～43.09 | 31.45 |
| 丙烯选择性％ | 33.88～46.60 | 40.24 |
表3
根据上述实验分析，当遗传次数为100，训练次数为2000时，训练效果最好。将将GA优化BP神经网络的测试结果与BP神经网络的测试结果对比得知，BP神经网络的训均方误差在10-2左右，而GA优化BP神经网络的训练均方误差为10-3左右，GA优化BP神经网络性能优于BP神经网络。
作为本发明一个可选的实施例，对初始权值和初始化阈值进行优化，得到部分操作变量的目标权值和目标阈值可以包括：采用二进制按照预定算法对初始化权值和初始化阈值进行编码；将编码后的初始化权值和初始化阈值分解为BP神经网络对应的权值和阈值；对BP神经网络对应的权值和阈值进行训练，得到部分操作变量的目标权值和目标阈值。
作为本发明一个可选的实施例，在根据贡献率确定部分操作变量之后，上述甲醇制烯烃反应器的控制方法还可以包括：确定部分操作变量对甲醇制烯烃MTO的约束条件；根据外点惩罚函数去除约束条件。
例如，采用外点惩罚函数将BP神经网络的约束问题转化为无约束问题，其中，BP神经网络的约束条件为：反应停留时间>0.2s；反应空速为2.6-3.6t/h；反应压力的控制范围为0.12±0.02MPa；催化剂含碳量控制在1～3wt％。
另外，根据部分操作变量确定用于控制MTO反应器的目标变量可以包括：获取去除约束条件的部分操作变量；根据部分操作变量的目标权值和目标阈值，以及去除约束条件的部分操作变量确定用于控制MTO反应器的目标变量。
经过上述主成分分析，确定BP神经网络输入层节点数为7个，分别为反应温度、甲醇进料温度、甲醇进料量、反应压力、催化剂在反应器平均停留时间、反应空速以及催化剂定碳。
作为本发明一个可选的实施例，还可以采用Matlab软件编写神经网络算法软件及人机界面，通过OPC接口与现场分布式控制系统DCS的实时数据库相连，动态的读取DCS中的输入数据，并将优化参数实时输出给DCS，实现动态控制。
在本发明实施例中对MTO装置反应系统的生产数据对上述甲醇制烯烃反应器的控制方法进行了验证。
具体地，表4中示出了从多个操作变量中选取的部分操作变量、参数变化范围以及均值之间的对应的关系：
表5中示出了利用上述操作变量进行实验中对应的实验项目与遗传次数、训练次数、计算数据、产生数据以及样本方差之间的对应关系；
表4
表5
| 项目 | 遗传次数 | 训练次数 | 计算数据 | 生产数据 | 样本方差 |
| 乙烯选择性％ | 100 | 2000 | 31.02 | 30.81 | 0.00694 |
| 丙烯选择性％ | 100 | 2000 | 40.01 | 39.73 | 0.00694 |
另外，图3是根据本发明实施例中根据甲醇制烯烃反应器的控制方法进行测试得到的测试结果的示意图，如图3所示，其中，该次训练次数为2000次、遗传次数为100次时样本的均方差。在时间点为262时得到的训练结果是最佳的为0.0069404。
表6中示出了从多个操作变量中选取的部分操作变量、参数变化范围以及均值之间的对应的关系：
表6
| 操作变量 | 参数变化范围 | 均值 |
| 甲醇进料量t/h | 140～220 | 140 |
| 甲醇进料温度℃ | 150～300 | 215 |
| 反应温度℃ | 460～500 | 460 |
| 反应压力MPa | 0.10～0.13 | 0.12 |
| 催化剂在反应器内平均停留时间 | 0.9～1.5 | 1.2 |
| 反应空速m/s | 1.2～2.9 | 1.9 |
| 再生催化剂定碳wt％ | 1.15～2.55 | 1.35 |
表7中示出了利用上述操作变量进行实验中对应的实验项目与遗传次数、训练次数、计算数据、产生数据以及样本方差之间的对应关系；
表7
| 项目 | 遗传次数 | 训练次数 | 计算数据 | 生产数据 | 样本方差 |
| 乙烯选择性％ | 100 | 2000 | 31.04 | 30.93 | 0.00368 |
| 丙烯选择性％ | 100 | 2000 | 40.2 | 40.05 | 0.00368 |
另外，图4是根据本发明实施例中根据甲醇制烯烃反应器的控制方法进行测试得到的测试结果的另一示意图，如图4所示，其中，该次训练次数为2000次、遗传次数为100次时样本的均方差。在时间点为2500时得到的训练结果是最佳的为0.0036843。
由上述实例的验证结果可知，采用基于神经网络模型的甲醇制烯烃装置反再控制系统计算出的乙烯和丙烯选择性与实际生产数据非常接近，基于神经网络模型的甲醇制烯烃装置反再控制系统可以明显的改善控制品质。
实施例2
根据本发明实施例还提供了一种甲醇制烯烃反应器的控制装置，需要说明的是，本发明实施例的甲醇制烯烃反应器的控制装置可以用于执行本发明实施例所提供的用于甲醇制烯烃反应器的控制方法。以下对本发明实施例提供的甲醇制烯烃反应器的控制装置进行介绍。
图5是根据本发明实施例的甲醇制烯烃反应器的控制装置的示意图，如图5所示，该甲醇制烯烃反应器的控制装置可以包括：获取单元51以及确定单元53。下面对该甲醇制烯烃反应器的控制装置进行详细说明。
获取单元51，用于获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量。
确定单元53，与上述获取单元51连接，用于根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。
在上述实施例中，可以利用获取单元51获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量；以及确定单元53根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。相对于相关技术中MTO反应过程的非线性、耦合、大滞后的多变量系统，采用压力、差压、流量等的单回路或复杂控制回路，给定值都是估计的定值，控制效果不好，并无法达到预期的控制效果的弊端，通过本发明实施例的甲醇制烯烃反应器的控制方法可以实现利用预设规则将多个操作变量转化为少数几个综合变量的目的，达到了使得对MTO反应器进行控制的部分操作变量都是较优的技术效果，进而解决了相关技术中甲醇制烯烃MTO反应再生系统控制的可靠性较低的技术问题。
作为本发明一个可选的实施例，上述获取单元可以包括：第一确定子单元，用于确定多组训练样本和多组测试样本，其中，多组训练样本均包括多个操作变量以及基于多个操作变量确定的乙烯量和丙烯量，多组测试样本均包括多个操作变量以及基于多个操作变量实际制得的乙烯量和丙烯量；第二确定子单元，用于基于多组训练样本和多组测试样本确定标准化矩阵的相关系数矩阵；第三确定子单元，用于根据相关系数矩阵确定多个操作变量中的部分操作变量。
作为本发明一个可选的实施例，上述第三确定子单元可以包括：第一确定模块，用于根据相关系数矩阵确定多个操作变量的贡献率，其中，贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；第二确定模块，用于根据贡献率确定部分操作变量。
作为本发明一个可选的实施例，上述甲醇制烯烃反应器的控制装置还可以包括：第三确定模块，用于在根据贡献率确定部分操作变量之后，确定部分操作变量的初始权值和初始化阈值；获取模块，用于对初始权值和初始化阈值进行优化，得到部分操作变量的目标权值和目标阈值。
作为本发明一个可选的实施例，上述获取模块可以包括：编码子模块，用于采用二进制按照预定算法对初始化权值和初始化阈值进行编码；分解子模块，用于将编码后的初始化权值和初始化阈值分解为BP神经网络对应的权值和阈值；获取子模块，用于对BP神经网络对应的权值和阈值进行训练，得到部分操作变量的目标权值和目标阈值。
作为本发明一个可选的实施例，上述甲醇制烯烃反应器的控制装置还可以包括：第四确定模块，用于在根据贡献率确定部分操作变量之后，确定部分操作变量对甲醇制烯烃MTO的约束条件；去除模块，用于根据外点惩罚函数去除约束条件。
作为本发明一个可选的实施例，上述确定单元可以包括：获取子单元，用于获取去除约束条件的部分操作变量；第四确定子单元，用于根据部分操作变量的目标权值和目标阈值，以及去除约束条件的部分操作变量确定用于控制MTO反应器的目标变量。
上述甲醇制烯烃反应器的控制装置包括处理器和存储器，上述获取单元51以及确定单元53等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数根据部分操作变量确定用于控制MTO反应器的目标变量。
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
根据本发明实施例的另外一个方面，还提供了一种存储介质，存储介质包括存储的程序，其中，程序执行中任意一项的甲醇制烯烃MTO反应器的控制方法。
根据本发明实施例的另外一个方面，还提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述中任意一项的甲醇制烯烃MTO反应器的控制方法。
在本发明实施例中还提供了一种设备，该设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量；根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。
在本发明实施例中还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，部分操作变量为按照预设规则从多个操作变量中提取的符合预定条件的变量；根据部分操作变量确定用于控制MTO反应器的目标变量，其中，MTO反应器按照目标变量进行工作。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种甲醇制烯烃反应器的控制方法，其特征在于，包括：
采用主成分分析法获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，所述部分操作变量为按照预设规则从所述多个操作变量中提取的符合预定条件的变量；
根据所述部分操作变量确定用于控制所述MTO反应器的目标变量，其中，所述MTO反应器按照所述目标变量进行工作；
获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量包括：
确定多组训练样本和多组测试样本，其中，所述多组训练样本均包括所述多个操作变量以及基于所述多个操作变量确定的乙烯量和丙烯量，所述多组测试样本均包括所述多个操作变量以及基于所述多个操作变量实际制得的乙烯量和丙烯量；
基于所述多组训练样本和所述多组测试样本确定标准化矩阵的相关系数矩阵；
根据所述相关系数矩阵确定多个操作变量中的部分操作变量；
其中，根据所述相关系数矩阵确定多个操作变量中的部分操作变量包括：
根据所述相关系数矩阵确定多个操作变量的贡献率，其中，所述贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；
根据所述贡献率确定所述部分操作变量；
其中，在根据所述贡献率确定所述部分操作变量之后，还包括：确定所述部分操作变量的初始权值和初始化阈值；对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值。
2.根据权利要求1所述的方法，其特征在于，对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值包括：
采用二进制按照预定算法对所述初始权值和所述初始化阈值进行编码；
将编码后的所述初始权值和所述初始化阈值分解为BP神经网络对应的权值和阈值；
对所述BP神经网络对应的权值和阈值进行训练，得到所述部分操作变量的目标权值和目标阈值。
3.根据权利要求2所述的方法，其特征在于，在根据所述贡献率确定所述部分操作变量之后，还包括：
确定所述部分操作变量对甲醇制烯烃MTO的约束条件；
根据外点惩罚函数去除所述约束条件。
4.根据权利要求3所述的方法，其特征在于，根据所述部分操作变量确定用于控制所述MTO反应器的目标变量包括：
获取去除所述约束条件的部分操作变量；
根据所述部分操作变量的目标权值和目标阈值，以及去除所述约束条件的部分操作变量确定用于控制所述MTO反应器的目标变量。
5.一种甲醇制烯烃反应器的控制装置，其特征在于，包括：
获取单元，用于采用主成分分析法获取用于控制甲醇制烯烃MTO反应器的多个操作变量中的部分操作变量，其中，所述部分操作变量为按照预设规则从所述多个操作变量中提取的符合预定条件的变量；
确定单元，用于根据所述部分操作变量确定用于控制所述MTO反应器的目标变量，其中，所述MTO反应器按照所述目标变量进行工作；
其中，所述获取单元包括：
第一确定子单元，用于确定多组训练样本和多组测试样本，其中，所述多组训练样本均包括所述多个操作变量以及基于所述多个操作变量确定的乙烯量和丙烯量，所述多组测试样本均包括所述多个操作变量以及基于所述多个操作变量实际制得的乙烯量和丙烯量；
第二确定子单元，用于基于所述多组训练样本和所述多组测试样本确定标准化矩阵的相关系数矩阵；
第三确定子单元，用于根据所述相关系数矩阵确定多个操作变量中的部分操作变量；
其中，所述第三确定子单元包括：
第一确定模块，用于根据所述相关系数矩阵确定多个操作变量的贡献率，其中，所述贡献率表示多个操作变量中的每个操作变量对甲醇制烯烃MTO反应器的输出的影响程度；
第二确定模块，用于根据所述贡献率确定所述部分操作变量；
其中，所述装置还包括：第三确定模块，用于在根据所述贡献率确定所述部分操作变量之后，确定所述部分操作变量的初始权值和初始化阈值；获取模块，用于对所述初始权值和所述初始化阈值进行优化，得到所述部分操作变量的目标权值和目标阈值。
6.根据权利要求5所述的装置，其特征在于，所述获取模块包括：
编码子模块，用于采用二进制按照预定算法对所述初始权值和所述初始化阈值进行编码；
分解子模块，用于将编码后的所述初始权值和所述初始化阈值分解为BP神经网络对应的权值和阈值；
获取子模块，用于对所述BP神经网络对应的权值和阈值进行训练，得到所述部分操作变量的目标权值和目标阈值。
7.根据权利要求6所述的装置，其特征在于，还包括：
第四确定模块，用于在根据所述贡献率确定所述部分操作变量之后，确定所述部分操作变量对甲醇制烯烃MTO的约束条件；
去除模块，用于根据外点惩罚函数去除所述约束条件。
8.根据权利要求7所述的装置，其特征在于，所述确定单元包括：
获取子单元，用于获取去除所述约束条件的部分操作变量；
第四确定子单元，用于根据所述部分操作变量的目标权值和目标阈值，以及去除所述约束条件的部分操作变量确定用于控制所述MTO反应器的目标变量。
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至4中任意一项所述的甲醇制烯烃MTO反应器的控制方法。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至4中任意一项所述的甲醇制烯烃MTO反应器的控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810819411.1A CN108803343B (zh) | 2018-07-24 | 2018-07-24 | 甲醇制烯烃反应器的控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810819411.1A CN108803343B (zh) | 2018-07-24 | 2018-07-24 | 甲醇制烯烃反应器的控制方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108803343A CN108803343A (zh) | 2018-11-13 |
| CN108803343B true CN108803343B (zh) | 2021-10-15 |
Family
ID=64078103
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810819411.1A Active CN108803343B (zh) | 2018-07-24 | 2018-07-24 | 甲醇制烯烃反应器的控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108803343B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110286583B (zh) * | 2019-07-01 | 2022-05-17 | 润电能源科学技术有限公司 | 一种基于相关分析的前馈控制动态调整方法及相关装置 |
| CN112415892B (zh) * | 2020-11-09 | 2022-05-03 | 东风汽车集团有限公司 | 一种汽油机起动标定控制参数优化方法 |
| CN115220343B (zh) * | 2022-07-13 | 2024-05-17 | 杭州百子尖科技股份有限公司 | 一种用于数字孪生系统的甲醇合成反应器混合建模方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
| CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101867960B (zh) * | 2010-06-08 | 2013-03-13 | 江苏大学 | 一种无线传感器网络性能综合评价方法 |
| CN105020705B (zh) * | 2015-03-04 | 2017-06-09 | 内蒙古瑞特优化科技股份有限公司 | 循环流化床锅炉燃烧性能实时优化控制方法及系统 |
| KR102441582B1 (ko) * | 2015-07-23 | 2022-09-07 | 삼성전자주식회사 | Mpc 검증 방법 및 그 검증 방법을 포함한 마스크 제조방법 |
| CN106202753A (zh) * | 2016-07-15 | 2016-12-07 | 重庆科技学院 | 基于bp神经网络与遗传算法实现盾构砂浆性能优化方法 |
-
2018
- 2018-07-24 CN CN201810819411.1A patent/CN108803343B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1916791A (zh) * | 2006-09-12 | 2007-02-21 | 浙江大学 | 一种丙烯聚合工业生产熔融指数软测量方法 |
| CN101315557A (zh) * | 2008-06-25 | 2008-12-03 | 浙江大学 | 基于遗传算法优化bp神经网络的丙烯聚合生产过程最优软测量仪表及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108803343A (zh) | 2018-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108228716B (zh) | 基于加权极限学习机的SMOTE_Bagging集成污水处理故障诊断方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN108803343B (zh) | 甲醇制烯烃反应器的控制方法及装置 | |
| US20060230018A1 (en) | Mahalanobis distance genetic algorithm (MDGA) method and system | |
| CN104978612A (zh) | 基于ahp-rbf的分布式大数据系统风险预测方法 | |
| Oudelha et al. | HMM parameters estimation using hybrid Baum-Welch genetic algorithm | |
| CN112256209B (zh) | 一种云存储系统的参数配置优化方法及优化系统 | |
| Wu et al. | Large scale gene regulatory network inference with a multi-level strategy | |
| Raymond et al. | Genetic programming with rademacher complexity for symbolic regression | |
| Biswas et al. | A Bi-objective RNN model to reconstruct gene regulatory network: a modified multi-objective simulated annealing approach | |
| CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
| Koriyama | An introduction of Gaussian processes and deep Gaussian processes and their applications to speech processing | |
| Han et al. | A Hybrid BPNN-GARF-SVR PredictionModel Based on EEMD for Ship Motion. | |
| Akutekwe et al. | A hybrid dynamic Bayesian network approach for modelling temporal associations of gene expressions for hypertension diagnosis | |
| CN110941542B (zh) | 基于弹性网络的序列集成高维数据异常检测系统及方法 | |
| Chang et al. | Gene clustering by using query-based self-organizing maps | |
| Doan et al. | Derivation of effective and efficient data set with subtractive clustering method and genetic algorithm | |
| AL-Bermany et al. | Microarray gene expression data for detection alzheimer’s disease using k-means and deep learning | |
| Sanchez | Reconstructing our past˸ deep learning for population genetics | |
| Kilinc et al. | Variable selection with genetic algorithm and multivariate adaptive regression splines in the presence of multicollinearity | |
| de Lacerda et al. | A study of cross-validation and bootstrap as objective functions for genetic algorithms | |
| Dheenathayalan et al. | Identifying significant genes from DNA microarray using genetic algorithm | |
| Deng | Algorithms for reconstruction of gene regulatory networks from high-throughput gene expression data | |
| US11837333B1 (en) | Simulation guided inverse design for material formulations | |
| Lounici et al. | Muddling Labels for Regularization, a novel approach to generalization |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |