CN111222283B - 一种结晶过程粒度分布建模与控制方法 - Google Patents
一种结晶过程粒度分布建模与控制方法 Download PDFInfo
- Publication number
- CN111222283B CN111222283B CN201911015299.7A CN201911015299A CN111222283B CN 111222283 B CN111222283 B CN 111222283B CN 201911015299 A CN201911015299 A CN 201911015299A CN 111222283 B CN111222283 B CN 111222283B
- Authority
- CN
- China
- Prior art keywords
- particle size
- size distribution
- crystallization process
- data
- neural network
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种结晶过程粒度分布建模与控制方法，通过构建人工智能领域的神经网络模型来解释结晶过程粒度分布模型，通过历史实验数据对构建的神经网络模型进行训练以构建出能够有效解释结晶过程粒度分布模型，并通过神经网络模型的隐藏层来模拟结晶过程粒度分布的影响变量，能够确定多种影响变量及其影响权重；在构建的结晶过程粒度分布模型的基础上，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，确定输出数据中结晶终点时刻晶体的平均粒径，并当平均粒径最大时即为所述结晶过程粒度分布模型的最优控制模型获得最优控制策略，改进了结晶过程的控制曲线的获取方式，提高了结晶效率和晶体平均粒径。
Description
技术领域
本发明涉及结晶过程建模及控制技术领域，具体的涉及一种结晶过程粒度分布建模与控制方法。
背景技术
结晶过程粒度分布模型的构建以及控制的研究，能够广泛应用于食品加工、医药生产和冶金化工等领域，是工业生产不可或缺的环节。同时晶体粒度分布是衡量晶体质量高低的重要指标，通过对结晶过程粒度分布进行建模与控制对于提高晶体产品质量和结晶效率具有重要意义。结晶过程是一个复杂的传热传质的过程，晶体的粒度分布不仅仅受单一变量的影响。但是对影响变量以及影响权重的确定对于该领域的工作人员来说是非常棘手的问题，将其视为该领域研究发展的瓶颈也不为过。并且，由于晶体的粒度分布所受影响变量的影响，导致晶收率的提高以及善粒度分布一直难以获得有效的进展，进而也导致结晶在各技术领域中使用的局限性。
但是，近年来随着人工智能领域的飞速发展，神经网络模型以及深度学习算法也进入了越来越多人的视野，神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景，特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一。
发明内容
针对现有技术中存在的上述不足之处，本发明目的是提供一种能够确定多种影响变量及其影响权重、有助于提高结晶收率且改善粒度分布、扩大应用领域的结晶过程粒度分布建模与控制方法。
本发明为实现上述目的所采用的技术方案是：一种结晶过程粒度分布建模与控制方法，具有如下步骤：
(1)构建结晶过程粒度分布的神经网络模型
获取结晶过程粒度分布的历史实验数据，对历史实验数据进行处理以提炼并确定神经网络模型的输入层、输出层；
设定若干组影响粒度分布的变量作为所构建神经网络模型的隐藏层，所述隐藏层的层数以及各隐藏层中神经元的数量通过所设定的变量确定；
(2)对神经网络模型的训练
将所述步骤(1)中获取的结晶过程粒度分布的历史实验数据作为所述神经网络模型的训练数据，将所述训练数据中所确定输入层的数据作为输入数据，所确定输出层的数据作为输出标准数据，所述输入数据输入神经网络模型进行数学计算后由输出层输出的数据作为输出数据，对输出数据与输出标准数据对比修改各隐藏层中神经元之间连接的权重使输出数据趋于或等于输出标准数据，实现神经网络模型的构建；
(3)结晶过程粒度分布建模的实现
将构建的神经网络模型转化为结晶过程粒度分布模型，其中隐藏层所代表影响粒度分布的变量作为隐形粒度分布的因素存在，对各隐藏层中神经元间的权重进行提取以作为建模过程中各影响粒度分布变量的权重；
(4)结晶过程粒度分布的控制
利用步骤(3)构建的结晶过程粒度分布模型，向结晶过程粒度分布模型中键入输入数据，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，所述输出数据中包括结晶终点时刻晶体的平均粒径，当平均粒径最大时即为所述结晶过程粒度分布模型的最优控制模型。
所述输入层、输出层均包括一组及以上的输入值、输出值，所述输入值为历史实验数据实验前所确定的参数值及其类型，所述历史实验数据实验前所确定参数值的类型数量等于所述输入值的数量且彼此对应，所述输出值为历史实验数据实验过程中所测量的参数值及其类型，所述历史实验数据实验过程中所测量参数值的类型数量等于所述输出值的数量且彼此对应。
根据所述历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型的不同，所构建的神经网络的输入层与输出层发生对应变化。
根据历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型对所述神经网络模型进行分类并构建对应特定历史实验数据的神经网络模型，各种神经网络模型下对应的历史数据的实验前确定参数值的类型、实验过程中所测量参数值的类型均对应相同。
所述步骤(2)在对神经网络模型的训练过程中采用梯度下降法确定各隐藏层中神经元之间连接的权重。
所述神经网络模型的构建和训练通过python编程语言构建的脚本实现。
设定的若干组影响粒度分布的变量包括但不仅限于联结晶液温度和溶析剂浓度。
所述输出层包括的输出值包括结晶终点时刻晶体的平均粒径。
本发明的有益效果：
本发明通过构建人工智能领域的神经网络模型来解释结晶过程粒度分布模型，通过历史实验数据对构建的神经网络模型进行训练以构建出能够有效解释结晶过程粒度分布模型，并通过神经网络模型的隐藏层来模拟结晶过程粒度分布的影响变量，能够确定多种影响变量及其影响权重，使建立的结晶过程粒度分布模型能够解释说明多种不同影响变量的影响作用，完善了结晶过程的模型，有助于提高结晶收率，改善粒度分布；
在构建的结晶过程粒度分布模型的基础上，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，确定输出数据中结晶终点时刻晶体的平均粒径，并当平均粒径最大时即为所述结晶过程粒度分布模型的最优控制模型获得最优控制策略，改进了结晶过程的控制曲线的获取方式，提高了结晶效率和晶体平均粒径；
本发明可应用于医药、化工等生产过程，也可用于科学实验研究，通过控制结晶过程操作变量能够实现结晶过程晶体粒度分布的有效控制，提高了结晶效率，增大了晶体平均粒径。
附图说明
图1为本发明的流程示意图。
具体实施方式
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，都属于本发明保护的范围。
本发明一种结晶过程粒度分布建模与控制方法，具有如下步骤：
(1)构建结晶过程粒度分布的神经网络模型
获取结晶过程粒度分布的历史实验数据，对历史实验数据进行处理以提炼并确定神经网络模型的输入层、输出层；历史实验数据是通过之前对结晶过程力度分布实验时所记载的数据，包括在实验前所确定的实验参数，比如实验所选用的原料、溶剂以及原料浓度，实例实验数据还包括实验过程所测定的实验参数，比如试验后所测定晶体的平均粒径；晶体平均粒径的测量方法是通过显微镜粒度测量仪测量并统计结晶过程不同粒度范围内晶体的粒径大小得到晶体粒数密度，进而计算晶体平均粒径；
设定若干组影响粒度分布的变量作为所构建神经网络模型的隐藏层，粒度分布的变量是作为影响结晶过程中粒度分布的因素，包括设定的环境温度、实验时间、以及联结晶液温度、溶析剂浓度、搅拌速率、搅拌桨叶直径等，该部分变量均作为历史实验过程中的可变数据，结晶后的平均粒径大小是通过影响粒度分布的变量而影响的，隐藏层的层数以及各隐藏层中神经元的数量通过所设定的变量确定，每项影响粒度分布的变量均作为一层影藏层而存在，在实际建模过程中，根据处理标准选定影响粒度分布的变量的数量，如果用于工业生产的建模，则需要考虑较多的影响变量，比如将环境温度、实验时间、以及联结晶液温度、溶析剂浓度、搅拌速率、搅拌桨叶直径全部构建隐藏层；
(2)对神经网络模型的训练
将步骤(1)中获取的结晶过程粒度分布的历史实验数据作为神经网络模型的训练数据，将训练数据中所确定输入层的数据作为输入数据，所确定输出层的数据作为输出标准数据，输入数据输入神经网络模型进行数学计算后由输出层输出的数据作为输出数据，由于神经网络模型能够对大量实验数据进行分析处理进而确定隐藏于内部的影响因素以及影响权重，达到结晶过程力度分布建模的目的，对输出数据与输出标准数据对比修改各隐藏层中神经元之间连接的权重使输出数据趋于或等于输出标准数据，实现神经网络模型的构建，虽然神经网络本身属于公知技术，但是将神经网络模型与结晶过程粒度分布结合进行建模具有创造性以及广泛的实用性；
(3)结晶过程粒度分布建模的实现
将构建的神经网络模型转化为结晶过程粒度分布模型，其中隐藏层所代表影响粒度分布的变量作为隐形粒度分布的因素存在，对各隐藏层中神经元间的权重进行提取以作为建模过程中各影响粒度分布变量的权重；
(4)结晶过程粒度分布的控制
利用步骤(3)构建的结晶过程粒度分布模型，向结晶过程粒度分布模型中键入输入数据，即为所选用的原料、溶剂以及原料浓度，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，即通过改变各隐藏层的数值，作为特定影响粒度分布的变量值，通过构建的结晶过程粒度分布模型进行运行，所输出的值即为输出数据，也即为结晶后的晶体平均粒径，输出数据中包括结晶终点时刻晶体的平均粒径，当平均粒径最大时即为结晶过程粒度分布模型的最优控制模型，晶体平均粒径的确定是构建的结晶过程粒度分布模型在对应特定的影响粒度分布变量下的计算结果。
作进一步详细的补充描述，本发明中，输入层、输出层均包括一组及以上的输入值、输出值，输入值为历史实验数据实验前所确定的参数值及其类型，历史实验数据实验前所确定参数值的类型数量等于输入值的数量且彼此对应，输出值为历史实验数据实验过程中所测量的参数值及其类型，历史实验数据实验过程中所测量参数值的类型数量等于输出值的数量且彼此对应，也即是说，在进行的历史实验中，在实验之前所控制的、确定不变的定量作为输入值，而通过实验所测试的数量值即为输出值；
根据历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型的不同，所构建的神经网络的输入层与输出层发生对应变化，因为在进行的历史实验中会对实验之前所控制的、确定不变的定量及其类型进行改变，对实验过程所需要测量的值及其类型也会发生变化，因此不同的历史实验数据所符合的神经网络模型也会发生变化，所以需要根据历史实验数据构建多种神经网络模型；
进而由于存在有多种构建的神经网络模型，根据历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型对神经网络模型进行分类并构建对应特定历史实验数据的神经网络模型，各种神经网络模型下对应的历史数据的实验前确定参数值的类型、实验过程中所测量参数值的类型也均对应相同；
步骤(2)在对神经网络模型的训练过程中采用梯度下降法确定各隐藏层中神经元之间连接的权重，因为不同影响粒度分布的变量对输出层的影响时不同的，因此对应的权重也不同，而对于权重的确定也即完成了对神经网络模型的测试和确定；
神经网络模型的构建和训练通过python编程语言构建的脚本实现，由于python编程语言与诸多实现神经网络模型以及深度学习算法的工具库兼容，通过python编程语言能够对其进行有效的调用，方便对所构建的神经网络模型的测试以及确定；
设定的若干组影响粒度分布的变量包括但不仅限于联结晶液温度和溶析剂浓度，因为若干组影响粒度分布的变量并不仅仅包括联结晶液温度和溶析剂浓度，还涉及到环境大气压强和结晶的空间环境大小，为此，即对于压强环境、结晶环境的容积等均会对其产生影响；
输出层包括的输出值包括结晶终点时刻晶体的平均粒径。
本发明能够产生的有益效果是：本发明通过构建人工智能领域的神经网络模型来解释结晶过程粒度分布模型，通过历史实验数据对构建的神经网络模型进行训练以构建出能够有效解释结晶过程粒度分布模型，并通过神经网络模型的隐藏层来模拟结晶过程粒度分布的影响变量，能够确定多种影响变量及其影响权重，使建立的结晶过程粒度分布模型能够解释说明多种不同影响变量的影响作用，完善了结晶过程的模型，有助于提高结晶收率，改善粒度分布；
在构建的结晶过程粒度分布模型的基础上，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，确定输出数据中结晶终点时刻晶体的平均粒径，并当平均粒径最大时即为结晶过程粒度分布模型的最优控制模型获得最优控制策略，改进了结晶过程的控制曲线的获取方式，提高了结晶效率和晶体平均粒径；
本发明可应用于医药、化工等生产过程，也可用于科学实验研究，通过控制结晶过程操作变量能够实现结晶过程晶体粒度分布的有效控制，提高了结晶效率，增大了晶体平均粒径。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (8)
1.一种结晶过程粒度分布建模与控制方法，其特征在于，具有如下步骤：
(1)构建结晶过程粒度分布的神经网络模型
获取结晶过程粒度分布的历史实验数据，对历史实验数据进行处理以提炼并确定神经网络模型的输入层、输出层；
设定若干组影响粒度分布的变量作为所构建神经网络模型的隐藏层，所述隐藏层的层数以及各隐藏层中神经元的数量通过所设定的变量确定；
(2)对神经网络模型的训练
将所述步骤(1)中获取的结晶过程粒度分布的历史实验数据作为所述神经网络模型的训练数据，将所述训练数据中所确定输入层的数据作为输入数据，所确定输出层的数据作为输出标准数据，所述输入数据输入神经网络模型进行数学计算后由输出层输出的数据作为输出数据，对输出数据与输出标准数据对比修改各隐藏层中神经元之间连接的权重使输出数据趋于或等于输出标准数据，实现神经网络模型的构建；
(3)结晶过程粒度分布建模的实现
将构建的神经网络模型转化为结晶过程粒度分布模型，其中隐藏层所代表影响粒度分布的变量作为隐形粒度分布的因素存在，对各隐藏层中神经元间的权重进行提取以作为建模过程中各影响粒度分布变量的权重；
(4)结晶过程粒度分布的控制
利用步骤(3)构建的结晶过程粒度分布模型，向结晶过程粒度分布模型中键入输入数据，通过改变各隐藏层所代表影响粒度分布的变量来检测输出数据，所述输出数据中包括结晶终点时刻晶体的平均粒径，当平均粒径最大时即为所述结晶过程粒度分布模型的最优控制模型。
2.根据权利要求1所述的一种结晶过程粒度分布建模与控制方法，其特征在于：所述输入层、输出层均包括一组及以上的输入值、输出值，所述输入值为历史实验数据实验前所确定的参数值及其类型，所述历史实验数据实验前所确定参数值的类型数量等于所述输入值的数量且彼此对应，所述输出值为历史实验数据实验过程中所测量的参数值及其类型，所述历史实验数据实验过程中所测量参数值的类型数量等于所述输出值的数量且彼此对应。
3.根据权利要求2所述的一种结晶过程粒度分布建模与控制方法，其特征在于：根据所述历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型的不同，所构建的神经网络的输入层与输出层发生对应变化。
4.根据权利要求3所述的一种结晶过程粒度分布建模与控制方法，其特征在于：根据历史实验数据中实验前确定参数值及其类型、实验过程中所测量参数值及其类型对所述神经网络模型进行分类并构建对应特定历史实验数据的神经网络模型，各种神经网络模型下对应的历史数据的实验前确定参数值的类型、实验过程中所测量参数值的类型均对应相同。
5.根据权利要求4所述的一种结晶过程粒度分布建模与控制方法，其特征在于：所述步骤(2)在对神经网络模型的训练过程中采用梯度下降法确定各隐藏层中神经元之间连接的权重。
6.根据权利要求5所述的一种结晶过程粒度分布建模与控制方法，其特征在于：所述神经网络模型的构建和训练通过python编程语言构建的脚本实现。
7.根据权利要求6所述的一种结晶过程粒度分布建模与控制方法，其特征在于：设定的若干组影响粒度分布的变量包括但不仅限于联结晶液温度和溶析剂浓度。
8.根据权利要求7所述的一种结晶过程粒度分布建模与控制方法，其特征在于：所述输出层包括的输出值包括结晶终点时刻晶体的平均粒径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911015299.7A CN111222283B (zh) | 2019-10-24 | 2019-10-24 | 一种结晶过程粒度分布建模与控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911015299.7A CN111222283B (zh) | 2019-10-24 | 2019-10-24 | 一种结晶过程粒度分布建模与控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111222283A CN111222283A (zh) | 2020-06-02 |
| CN111222283B true CN111222283B (zh) | 2022-10-14 |
Family
ID=70825762
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911015299.7A Active CN111222283B (zh) | 2019-10-24 | 2019-10-24 | 一种结晶过程粒度分布建模与控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111222283B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
| CN108490793A (zh) * | 2018-05-21 | 2018-09-04 | 山东大学 | 一种结晶过程粒度分布建模与控制方法 |
-
2019
- 2019-10-24 CN CN201911015299.7A patent/CN111222283B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107505837A (zh) * | 2017-07-07 | 2017-12-22 | 浙江大学 | 一种半监督神经网络模型及基于该模型的软测量建模方法 |
| CN108490793A (zh) * | 2018-05-21 | 2018-09-04 | 山东大学 | 一种结晶过程粒度分布建模与控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于PCA-ANN组合学习方法建立PTA粒度模型;王翰卿等;《控制工程》;20030820(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111222283A (zh) | 2020-06-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108764517B (zh) | 一种高炉铁水硅含量变化趋势预测方法、设备和存储介质 | |
| CN111045326A (zh) | 一种基于递归神经网络的烘丝过程水分预测控制方法及系统 | |
| CN103335814B (zh) | 风洞中实验模型倾角测量误差数据的修正方法 | |
| CN111222798B (zh) | 一种复杂工业过程关键性指标软测量方法 | |
| CN106843172A (zh) | 基于jy‑kpls的复杂工业过程在线质量预测方法 | |
| Martín et al. | Hot metal temperature prediction in blast furnace using advanced model based on fuzzy logic tools | |
| CN108875118B (zh) | 一种高炉铁水硅含量预测模型准确度评价方法和设备 | |
| CN113642666B (zh) | 一种基于样本扩充和筛选的主动增强软测量方法 | |
| CN103226728B (zh) | 高密度聚乙烯串级聚合反应过程智能检测与收率优化方法 | |
| CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
| CN113591374B (zh) | 基于卷积简单循环单元网络的水泥成品比表面积预测方法 | |
| CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
| CN118095113B (zh) | 基于大数据的铸件缺陷预测方法及系统 | |
| CN106842948A (zh) | 基于bp网络的hdp分子蒸馏系统的最优控制方法 | |
| CN116414095A (zh) | 数据驱动的中医药制造过程工艺参数优化方法 | |
| CN102129242A (zh) | 基于两层混合智能优化的批处理生产过程产品质量控制方法 | |
| CN111222283B (zh) | 一种结晶过程粒度分布建模与控制方法 | |
| CN108414346B (zh) | 一种试验参数自适应的智能真三轴试验系统及试验方法 | |
| CN105159247B (zh) | 基于信息传递的间歇过程实时采样点阶段归属判断方法 | |
| CN105894014A (zh) | 基于多因素不一致度量的异常行为序贯检测方法 | |
| CN107766880A (zh) | 基于ba‑lssvm的光合细菌发酵过程关键参量的软测量方法 | |
| CN107885914A (zh) | 工业反应器运行状态可视化在线监测方法 | |
| CN103675012B (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
| CN115619280A (zh) | 一种基于工艺标准图谱与cnn-gru网络模型的工艺质量预测方法 | |
| CN114462668A (zh) | 一种基于人工神经网络时间序列预测的物资消耗预测方法 |
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 |