CN112634995A - 一种基于人工智能的苯酚裂解参数自动优化方法和装置 - Google Patents
一种基于人工智能的苯酚裂解参数自动优化方法和装置 Download PDFInfo
- Publication number
- CN112634995A CN112634995A CN202011522656.1A CN202011522656A CN112634995A CN 112634995 A CN112634995 A CN 112634995A CN 202011522656 A CN202011522656 A CN 202011522656A CN 112634995 A CN112634995 A CN 112634995A
- Authority
- CN
- China
- Prior art keywords
- parameter
- phenol
- yield
- artificial intelligence
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- ISWSIDIOOBJBQZ-UHFFFAOYSA-N Phenol Chemical compound OC1=CC=CC=C1 ISWSIDIOOBJBQZ-UHFFFAOYSA-N 0.000 title claims abstract description 84
- 238000005336 cracking Methods 0.000 title claims abstract description 78
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000005457 optimization Methods 0.000 claims abstract description 32
- 239000000047 product Substances 0.000 claims description 81
- 238000012549 training Methods 0.000 claims description 34
- 239000013598 vector Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 239000006227 byproduct Substances 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 25
- 230000009467 reduction Effects 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 19
- 238000003776 cleavage reaction Methods 0.000 claims description 11
- 230000007017 scission Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 11
- 239000003054 catalyst Substances 0.000 claims description 4
- RWGFKTVRMDUZSP-UHFFFAOYSA-N cumene Chemical compound CC(C)C1=CC=CC=C1 RWGFKTVRMDUZSP-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000001311 chemical methods and process Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 4
- 150000001875 compounds Chemical class 0.000 abstract description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000009826 distribution Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 235000019800 disodium phosphate Nutrition 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- QAOWNCQODCNURD-UHFFFAOYSA-N Sulfuric acid Chemical compound OS(O)(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000010543 cumene process Methods 0.000 description 2
- JBKVHLHDHHXQEQ-UHFFFAOYSA-N epsilon-caprolactam Chemical compound O=C1CCCCCN1 JBKVHLHDHHXQEQ-UHFFFAOYSA-N 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- XLSMFKSTNGKWQX-UHFFFAOYSA-N hydroxyacetone Chemical compound CC(=O)CO XLSMFKSTNGKWQX-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000000376 reactant Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- JVYDLYGCSIHCMR-UHFFFAOYSA-N 2,2-bis(hydroxymethyl)butanoic acid Chemical compound CCC(CO)(CO)C(O)=O JVYDLYGCSIHCMR-UHFFFAOYSA-N 0.000 description 1
- CJWNFAKWHDOUKL-UHFFFAOYSA-N 2-(2-phenylpropan-2-yl)phenol Chemical compound C=1C=CC=C(O)C=1C(C)(C)C1=CC=CC=C1 CJWNFAKWHDOUKL-UHFFFAOYSA-N 0.000 description 1
- KXGFMDJXCMQABM-UHFFFAOYSA-N 2-methoxy-6-methylphenol Chemical compound [CH]OC1=CC=CC([CH])=C1O KXGFMDJXCMQABM-UHFFFAOYSA-N 0.000 description 1
- SHOJXDKTYKFBRD-UHFFFAOYSA-N 4-Methyl-3-penten-2-one, 9CI Chemical compound CC(C)=CC(C)=O SHOJXDKTYKFBRD-UHFFFAOYSA-N 0.000 description 1
- JLBJTVDPSNHSKJ-UHFFFAOYSA-N 4-Methylstyrene Chemical compound CC1=CC=C(C=C)C=C1 JLBJTVDPSNHSKJ-UHFFFAOYSA-N 0.000 description 1
- -1 alkylphenol Chemical compound 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920001568 phenolic resin Polymers 0.000 description 1
- IPBVNPXQWQGGJP-UHFFFAOYSA-N phenyl acetate Chemical compound CC(=O)OC1=CC=CC=C1 IPBVNPXQWQGGJP-UHFFFAOYSA-N 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明公开了一种基于人工智能的苯酚裂解参数自动优化方法和装置,属于神经网络模型领域。本发明将人工智能和传统化工工艺的控制过程相结合,以新兴的人工智能优势来解决化学过程中的难点和痛点。本发明结合了人工智能技术,针对性解决了苯酚裂解工艺中的诸多难题,在提高裂解工艺稳定性的同时,能够提高了目标化合物的产率和纯度,大大提高了收益。
Description
技术领域
本发明属于神经网络模型领域,具体涉及一种基于人工智能的苯酚裂解参数 自动优化方法和装置。
背景技术
目前人工智能已成功应用于多个领域,化工行业也是如此。多家强化工企业 正在以人工智能技术为核心方向,制订其自身相关产品与解决方案的落地实施试 点工程项目。
人工智能中的深度学习系统具有强大的特征提取能力,通过卷积神经网络等 前沿技术可以处理复杂、高维、非线性的问题,目前在化工行业的应用主要集中 于分子性能预测与药物分子筛选等方向。
合成化学过程中的变数太多确实给通量制备和通量反应条件筛选增加了难 度。尽管现在有很多化工厂采用了自动化控制的方式减少人工,但自动化控制只 是按照人的要求,经过自动检测、信息处理、分析判断、操纵控制,实现预期的 目标的过程,只能减少人力,而无法进行优化。
不同于自动控制设定固定参数来控制化工过程按照固有规律运行,人工智能 通过对化工数据的学习,在提高了现有技术方法的能效的同时,保证了所希望产 物的稳定性和产率,并且可以通过不断的学习,优化参数,提高化合物的产率。
目前很少有人将人工智能用在化工工艺参数优化中,苯酚裂解工艺优化更是 少之又少。苯酚裂解工艺中,装置之间的过渡过程的调节都基于经验,难以用 较为精确的数学模型来描述,也难以用基于纯数学模型的预估控制来实现控制, 因此无法使用自动化控制来解决这个痛点。而人工智能不同,人工智能可以模 拟人的思维,随时间推移不断进步,可以灵活调节参数,甚至比人更准、更精确。
发明内容
本发明的目的在于解决现有技术中存在的问题,并提供一种基于人工智能的 苯酚裂解参数自动优化方法和装置。
本发明所采用的具体技术方案如下:
第一方面,本发明提供了一种基于人工智能的苯酚裂解参数自动优化方法, 其步骤如下:
S1、获取训练数据集,数据集中每条样本包含一组苯酚裂解工艺中经过标准 化后的输入变量和输出变量,所述输入变量由苯酚裂解工艺中的反应物料浓度和 理化控制参数组成,所述输出变量为苯酚裂解工艺中的目标产物产率;
S2、通过融合线性映射和非线性映射对训练数据集中所有样本构成的输入向 量X进行降维操作,使其映射至低维空间得到低维向量Z;
所述降维操作的方法为通过最小化L找到最佳投影面,以获取低维向量Z:
其中:W是标准正交基,zi是训练数据集中第i条样本映射后的低维向量, xi是训练数据集中第i条样本构成的向量,m代表训练数据集中的样本总数, 上标T代表转置,tr代表矩阵的迹,α是参数的非线性映射特征,其计算公式 为:α=Φ(X)Φ(X)T,其中Φ表示非线性映射函数;
S3、构建用于根据所述输入变量预测所述输出变量的多层前馈神经网络,并 利用所述S2中经过降维的低维向量Z作为多层前馈神经网络的输入预测目标产 物产率,同时以S1中训练数据集内的输出变量为真值,通过最小化损失函数对 模型进行训练,获得产率预测网络;
S4:在苯酚裂解工艺中的反应物料浓度和理化控制参数的变化范围内,随机 生成一系列不同取值的参数组合作为所述输入变量,将其经过S2中所述降维操 作获得低维向量后输入所述产率预测网络中,输出目标产物产率的预测值,根据 目标产物产率的预测值从高到低排序,选择排名靠前的若干参数组合作为待选参 数组合;
S5:获取苯酚裂解工艺中除所述目标产物之外每个主产物与输入变量之间的 预测模型,同时获取苯酚裂解工艺中每个副产物与输入变量之间的预测模型;针 对待选参数组合中的每一组参数组合,利用预测模型预测得到该组参数组合下除 所述目标产物之外每个主产物以及每个副产物的产率;根据所有产物的产率,计 算每一组参数组合下目标产物在所有产物中的纯度,从所有待选参数组合中选出 纯度最高的一组参数组合,作为最终优化得到的苯酚裂解工艺中反应物料浓度和 理化控制参数。
作为优选,所述反应物料浓度包括苯酚裂解工艺的原料物和催化剂的浓度, 所述理化控制参数包括苯酚裂解工艺中的pH、温度、压强、裂解反应器控制指 标值。
作为优选,所述的标准化为Z-score标准化。
作为优选,所述的非线性映射函数采用Sammon非线性映射。
作为优选,所述的多层前馈神经网络采用BP神经网络。
作为优选,所述多层前馈神经网络的训练过程中,损失函数为:
其中:θ表示网络参数,hθ(zi)表示低维向量zi输入θ参数下的多层前 馈神经网络hθ(·)后得到的输出,yi表示训练数据集中第i条样本中的输出变 量真值。
作为优选,所述S5中,主产物和副产物的预测模型均为对应产物与输入变 量之间的拟合公式。
作为优选,所述S5中,从所有待选参数组合中选出纯度最高的一组参数组 合的过程通过求解以下公式实现:
其中:ρ(x)表示在参数组合x下的目标产物纯度,为在参数组合x下 所述产率预测网络输出的目标产物产率的预测值,gi(x)为除所述目标产物之 外的第i个主产物的预测模型,hj(x)为第j个副产物的预测模型;p为苯酚裂 解工艺中除所述目标产物之外的主产物总数,q为苯酚裂解工艺中的副产物总数, D表示参数组合x的变化范围。
作为优选,所述的苯酚裂解工艺为异丙苯法。
第二方面,本发明提供了一种基于人工智能的苯酚裂解参数自动优化装置, 其包括服务器和多个控制模块;
所述服务器中运行有如权利要求1所述的基于人工智能的苯酚裂解参数自 动优化方法,所述输入变量中的每个参数的控制端均连接有一个控制模块,每个 控制模块均与服务器连接;
所述服务器中最终优化得到的苯酚裂解工艺中反应物料浓度和理化控制参 数下发至各控制模块中,通过控制模块将苯酚裂解工艺中的反应物料浓度和理化 控制参数调整至最优状态。
本发明相对于现有技术而言,具有以下有益效果:
本发明将人工智能和传统化工工艺的控制过程相结合,以新兴的人工智能优 势来解决化学过程中的难点和痛点。本发明结合了人工智能技术,针对性解决了 苯酚裂解工艺中的诸多难题,在提高裂解工艺稳定性的同时,能够提高了目标化 合物的产率和纯度,大大提高了收益。
本发明的有益效果可以概况为以下几点:
1.本发明减少了时间成本:苯酚裂解,每次调整都需要花不短的时间才能看 出效果,如果无目的性地调整参数,就会浪费几个月的时间,还不一定能得到想 要的结果。而使用本发明,则可以省去调整参数需要花费的大量时间,直接给出 最优或者相对优异的参数。
2.本发明能够提高产率,提高经济效益:目前的苯酚裂解工艺的产率大概 是在87%左右,使用本发明可以找到最优的参数,在维持当前产率的同时,不断 学习新的数据,得到更优的参数,提高产品产率,降低副产品产率,从而提高经 济效益。
3.本发明的参数可控,效果稳定:传统工艺的产率不是很稳定,波动范围 较大,而使用本发明的自动优化装置则可以通过参数寻优,并通过下位机反馈控 制,保证苯酚裂解工艺的产率较为稳定,维持高纯度。
附图说明
图1为基于人工智能的苯酚裂解参数自动优化方法流程图;
图2为基于人工智能的苯酚裂解参数自动优化装置示意图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个 实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
如图1所示,在本发明的一个较佳实施例中,提供了一种基于人工智能的苯 酚裂解参数自动优化方法,其步骤如下:
S1、获取训练数据集,数据集中每条样本包含一组苯酚裂解工艺中经过标准 化后的输入变量和输出变量,所述输入变量由苯酚裂解工艺中的反应物料浓度和 理化控制参数组成,所述输出变量为苯酚裂解工艺中的目标产物产率。
需要注意的是,此处的反应物料浓度应当是对工艺最终的产物有明显影响的 反应物料浓度,包括苯酚裂解工艺的原料物和催化剂的浓度等。同样的,所述理 化控制参数也应当是对工艺最终的产物有明显影响的理化参数,包括苯酚裂解工 艺中的pH、温度、压强、裂解反应器控制指标值等。
由于参数波动范围过大,某些参数的一些微小变化都可能对反应过程造成较 大的影响,这部分调整只能依靠经验,同时长期的调参,才能了解哪些参数需要 微调,哪些参数需要较大幅度的调整。由于不同的参数其变化范围并不在同一维 度,因此需要通过一定的标准化手段,将所有输入参数(入料浓度,温度,压强 等)的分布强行拉回同一维度,将每个参数调整的区间设为相同,以便于发现各 参数对化学反应过程的影响。在本实施例中,前述的标准化操作采用Z-score标 准化对所有原始的输入变量进行标准化,使其统一到均值为0,方差为1的标准 正态分布,以消除数据间的量纲影响。
另外,化学反应过程中参数过多基本是所有化学反应都会遇到的问题,一个 完整的生产流程包含多种控制因素:反应物的浓度、温度、压强、催化剂的量等。 如果是人来调节,想要测试每个参数的变化情况,需要耗费大量的时间,因此本 发明在构建上述训练数据集后并非直接输入神经网络,而是结合苯酚裂解的特性 对其进行数据降维。所谓降维是通过将输入参数投影到低维坐标系,从而以较少 的参数找到化学反应中影响较大的因素,并确定参数变化规律,从而获取最优参 数。本方法为最大程度学习到数据的规律,融合了线性映射和非线性映射,同时 引入非线性映射函数Φ,将原空间中的数据映射到其他空间,并且,空间中的任 一向量(哪怕是基向量),都可以由该空间中的所有样本线性表示。不但可以很 好的寻找出变量之间的最佳的线性组合,还可以很好的保留流形数据的特性,这样可以更好的学习到苯酚裂解的规律,优于目前降维方法。具体的降维方法将通 过下一步详细说明。
S2、通过融合线性映射和非线性映射对训练数据集中所有样本构成的输入向 量X进行降维操作,使其映射至低维空间得到低维向量Z;
降维操作的方法具体为:不断优化低维向量Z的取值,使得以下的目标函 数L最小,即通过最小化L找到最佳投影面,以获取低维向量Z:
其中:W是标准正交基;zi是训练数据集中第i条样本映射后的低维向量, 所有的zi即可构成低维向量Z;xi是训练数据集中第i条样本构成的向量,所 有的xi构成输入向量X;m代表训练数据集中的样本总数,上标T代表转置, tr代表矩阵的迹。α是参数的非线性映射特征,其计算公式为:
α=Φ(X)Φ(X)T
其中Φ表示非线性映射函数,在本实施例中非线性映射函数采用Sammon 非线性映射。
随着化学反应的进行,每个参数都会进行不断的变化,如浓度会减少,温度 会升高,压降会降低等,这些参数的变化都会给化学反应造成影响,降低产率, 并产生大量副产物,影响正产物的纯净度。反应器内的各个参数,都会影响到当 前环境可以达到的最优产率,因此需要学习到参数变化的规律,才能得到最优的 参数。而神经网络作为一种能够自动优化内部参数的人工智能形式,其能够很好 地适应该任务。
S3、构建用于根据所述输入变量预测所述输出变量的多层前馈神经网络,并 利用所述S2中经过降维的低维向量Z作为多层前馈神经网络的输入进而预测目 标产物产率。该多层前馈神经网络在使用前需要进行训练,而在训练过程中以 S1中训练数据集内的输出变量为真值,通过最小化损失函数对模型进行训练以 优化网络参数,优化完毕后的多层前馈神经网络即可作为产率预测网络。
本实施例中,多层前馈神经网络采用BP神经网络。BP神经网络的主要特 点信号向前传递,误差反向传播。在传递过程中,输入信号从输入层经隐含层, 直至输出层。每一层神经元的状态只影响下一层神经元的状态。如果输出层未达 到期望输出,则根据预测误差调整权值和阈值,使网络输出不断逼近预测输出。 用神经网络来学习参数变化规律。
本实施例中的多层前馈神经网络在训练过程中,所采用的损失函数为:
其中:θ表示网络参数,hθ(zi)表示低维向量zi输入θ参数下的多层前 馈神经网络hθ(·)后得到的输出,yi表示训练数据集中第i条样本中的输出变 量真值。
神经网络通过损失函数来学习参数规律,不断迭代训练模型直到测试集损失 不在降低,此时模型达到最优,保存模型即可作为产率预测网络。
在苯酚多段裂解过程中,每一段裂解都会产生不少副产品,有些对后续的裂 解没有影响,有些则会导致后续产率降低或产品纯度降低。因为需要通过控制参 数,在正产物和副产物之间达到一个平衡,在最大化正产物产率的同时,尽量最 小化副产率,从而提高产品纯度。上述预测网络构建完毕之后,虽然可以预测得 到使目标产物最高的输入变量参数,但其可能导致正产物和副产物产率可能都很 高,这就会影响到目标产物的纯度,因此需要寻找使目标产物产率高而副产物产 率低的参数,尽可能提高目标产物的纯度。该目的是通过下面做法来实现的。
S4:根据历史经验,确定苯酚裂解工艺中的每个反应物料浓度和每个理化控 制参数的合理变化范围(记为D),然后在参数的合理变化范围内随机生成一系 列不同取值的参数组合作为产率预测网络的输入变量,其中一个参数组合中产率 预测网络的输入变量中的每个参数都需要有一个值。将这些参数组合也经过S2 中相同的降维操作后即可获得低维向量,将该低维向量输入产率预测网络中,即 可输出每一组参数组合对应的目标产物产率的预测值。将所有得到的目标产物产 率的预测值从高到低排序,选择排名靠前的若干参数组合作为待选参数组合。在 此处实现过程中,一般可以设定一个最高目标产物产率的范围,将目标产物产率 的预测值落入该范围的所有参数组合都作为待选参数组合。
这些待选参数组合中,目标产物产率都很高,但是可能也存在其他主产物或 副产物也很高的情况,导致整体目标产物的纯度不高。因此,需要继续进行优化, 从中选择出目标产物的纯度最高的一组参数组合。
S5:获取苯酚裂解工艺中除所述目标产物之外每个主产物与输入变量之间的 预测模型,同时获取苯酚裂解工艺中每个副产物与输入变量之间的预测模型。此 处,所谓的预测模型既可以是神经网络模型,也可以是回归模型。由于神经网络 的训练需要大量的数据,但对于非核心主产物或者副产物而言,其在实际工艺数 据中往往难以收集满足训练样本量要求的足量数据,而回归模型的数据量要求要 远远小于神经网络。因此本实施例中,主产物和副产物的预测模型均采用回归模 型,即对应产物与输入变量之间的拟合公式。
针对待选参数组合中的每一组参数组合,利用预测模型预测得到该组参数组 合下除所述目标产物之外每个主产物以及每个副产物的产率;根据所有产物的产 率,即可计算每一组参数组合下目标产物在所有产物中的纯度。从所有待选参数 组合中选出纯度最高的一组参数组合,作为最终优化得到的苯酚裂解工艺中反应 物料浓度和理化控制参数。
上述从所有待选参数组合中选出纯度最高的一组参数组合的过程,可以通过 求解以下公式实现:
其中:ρ(x)表示在参数组合x下的目标产物纯度,为在参数组合x下 所述产率预测网络输出的目标产物产率的预测值,gi(x)为除所述目标产物之 外的第i个主产物的预测模型,hj(x)为第j个副产物的预测模型;p为苯酚裂 解工艺中除所述目标产物之外的主产物总数,q为苯酚裂解工艺中的副产物总数, D表示参数组合x的变化范围。
另外,在上述基于人工智能的苯酚裂解参数自动优化方法的基础上,本发明 还可以提供一种基于人工智能的苯酚裂解参数自动优化装置,其包括服务器和多 个控制模块。
在服务器中通过程序模块运行有前述的基于人工智能的苯酚裂解参数自动 优化方法,而输入变量中的每个参数的控制端均连接有一个控制模块,每个控制 模块均与服务器连接。每个参数的控制端是指能够改变该参数的控制设备,例如 物料浓度的控制端为进料阀,控制模块可以控制器开度来调节加料量,温度的控 制端为加热器,控制模块可以控制器加料功率来改变反应温度。每个参数的控制 端的当前参数通过控制模块反馈至服务器进行优化,而在该服务器中,通过优化 方法最终优化得到的苯酚裂解工艺中反应物料浓度和理化控制参数后,又重新下 发至各控制模块中,通过控制模块将苯酚裂解工艺中的反应物料浓度和理化控制 参数调整至最优状态。由此来保证苯酚裂解工艺的目标产物产率和纯度最优。
下面将上述方法应用至一个具体实施例中,以展示其所能实现的技术效果。
实施例
本实施例中的苯酚裂解工艺为异丙苯法。如图2所示,在该工艺的反应器中 将多个DSP部署在参数控制设备的关口,用于收集数据。然后将数据发送到AI 服务器,由AI服务器对参数进行优化,AI服务器内设置数据汇聚层、AI学习 层、优化参数输出层和参数验证层。数据汇聚层用于对输入数据进行处理,AI 学习层用于神经网络的构建和训练,优化参数输出层用于进行纯度优化,而参数 验证层则进行参数的人工验证,人工验证通过后再由DSP输出,最终调整工艺 参数。其中服务器所采用的基于人工智能的苯酚裂解参数自动优化方法具体如前 述S1~S5所述,具体过程不再赘述,主要展示具体的实现过程和技术效果。
在S1的训练数据集中,输入变量设置如下:
反应物料浓度:苯酚、异丙苯、丙酮、水、硫酸、乙酰苯酚、异丙苯基苯酚、 亚异丙基丙酮、酚醛树脂、已内酰胺、烷基酚、二羟甲基丁酸、甲基苯乙烯、羟 丙酮。理化控制参数:反应pH、阀门开口流量、反应温度、裂解反应器内循环 量、反应出口温度输出变量为苯酚产率。
训练数据经过S2中的降维操作后,输入S3中的BP神经网络中,通过梯度 下降法对网络进行训练和参数更新,获得最优网络参数,将最优网络参数导入 BP神经网络中即可得到产率预测网络。最后,在S4中设置十万组参数组合,分 别经过降维后通过产率预测网络得到产率预测值,选择产率最大的前1000组参 数组合作为待选参数组合,经过S5后选择其中纯度最高的一组参数组合,作为 最终的工艺参数,发送至各DSP中进行参数调整。
为了展示本发明的效果,下面的表1和表2给出了本实施例中AI服务器对 参数进行优化前后的结果
表1使用本发明AI服务器前后产率对比图
表2使用本发明AI服务器前后产率分布图
表1是苯酚裂解段主要产物的产率数据,将使用本发明前后产率情况进行了 对比。无AI的产率是未使用本发明的结果,每个日期代表一个月,日期下面的 数据则是在这个月内产率的平均值、最大值、最小值和震动范围,体现了产率的 变化。使用AI后的产率则是在部署本发明以后的数据,数据说明同上。
表2是产率的分布。数据总数代表产率的记录次数。以第二列为例,88代 表记录总次数,15代表有15次产率在85%-86%之间,(17%)则是代表这15次 在总次数(88)中的占比。
从上述结果中可以看出:
1.本发明构建的针对苯酚裂解段的AI优化较为准确可靠:
使用本发明后,产率的范围集中在86.5-87.3%之间,从表2最后一列,可以 看到,产率集中在86-87%之间,产率没有出现80-84%,88-89%的数据。表1 最后一列,第4行中,我们的验证结果的平均值是86.715,这能够充分说明我们 的装置好用,使产率十分稳定,并且维持在比较高的水准。
2.本发明构建的针对苯酚裂解段的AI装置的结果较为稳定:
(1)从表1第4行,可以看到在没有采用AI优化之前的2019.01-2019.08, Y的每月平均值在84.1-86.7之间波动,说明现场人员花费了大量努力去试图稳 定产率,提高产率,但是结果难以控制。不稳定。
(2)除了2019.01较好以外,2019.02,2019.03,2019.05,2019.07月的波 动范围在15%-30%,产率变化较大。而使用本发明后产率的变化范围在2.5%
(3)从表1第7行可以看到,震动范围在月份间的变化,交替出现小范围, 大范围。月间波动强度达到81%。
(4)从表2的产率数据分布可以看到,使用本发明后,产率分布在85-88% 之间。而没有采用AI优化的数据中,除了1月份,其他月份分布较广。
3.产率可优化提升:
只要一直使用本装置,AI优化会从数据中不断学习,并最终实现AI智 能化、自动化控制,自主提高产率,达到希望的、稳定的产率。
根据理论、实践的反复验证,目前阶段来看该工艺总苯酚的产率预计可以提 高到90%。
另外,为了在本发明中,由于S2步骤中特定使用了降维处理,该降维方式 也属于本发明特殊的优化。为了便于体现其优点,在本发明的其他流程保持不变 的情况下,将常用的降维方法LLE、LDA替换本发明数据降维方法,并输出结 果进行对比。其结果参见表3和表4所示,可以看出,LLE的数据分布较广,震 动范围最大,平均产率高LDA一点;LDA数据分布比LLE稍微小一些,但与 本发明的方法还是差的较远。由此可见,本发明数据降维方法效果更好,更符合 苯酚裂解特性,不但提高了平均产率,稳定性也大大提升。
表3不同降维的对比产率范围表
表4不同降维的对比产率分布表
另外,本发明S4和S5步骤的纯度优化过程,同样对于本发明有重要意义。 为了体现其效果,下面设置对照试验,对照试验中不采用纯度优化,即直接采用 产率预测网络输出的输出的目标产物产率最高的一组参数作为工艺参数。
表5是否进行纯度优化的纯度对比图表
表6是否进行纯度优化的纯度分布表
从表5和表6可以看出,本发明经过纯度优化有较好的效果,从整体上提高 了纯度,使纯度波动趋于稳定,波动减小,同时大大提高了正产品纯度,平均提 高3个百分点。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。 有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以 做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案, 均落在本发明的保护范围内。
Claims (10)
1.一种基于人工智能的苯酚裂解参数自动优化方法,其特征在于,步骤如下:
S1、获取训练数据集,数据集中每条样本包含一组苯酚裂解工艺中经过标准化后的输入变量和输出变量,所述输入变量由苯酚裂解工艺中的反应物料浓度和理化控制参数组成,所述输出变量为苯酚裂解工艺中的目标产物产率;
S2、通过融合线性映射和非线性映射对训练数据集中所有样本构成的输入向量X进行降维操作,使其映射至低维空间得到低维向量Z;
所述降维操作的方法为通过最小化L找到最佳投影面,以获取低维向量Z:
其中:W是标准正交基,zi是训练数据集中第i条样本映射后的低维向量,xi是训练数据集中第i条样本构成的向量,m代表训练数据集中的样本总数,上标T代表转置,tr代表矩阵的迹,α是参数的非线性映射特征,其计算公式为:α=Φ(X)Φ(X)T,其中Φ表示非线性映射函数;
S3、构建用于根据所述输入变量预测所述输出变量的多层前馈神经网络,并利用所述S2中经过降维的低维向量Z作为多层前馈神经网络的输入预测目标产物产率,同时以S1中训练数据集内的输出变量为真值,通过最小化损失函数对模型进行训练,获得产率预测网络;
S4:在苯酚裂解工艺中的反应物料浓度和理化控制参数的变化范围内,随机生成一系列不同取值的参数组合作为所述输入变量,将其经过S2中所述降维操作获得低维向量后输入所述产率预测网络中,输出目标产物产率的预测值,根据目标产物产率的预测值从高到低排序,选择排名靠前的若干参数组合作为待选参数组合;
S5:获取苯酚裂解工艺中除所述目标产物之外每个主产物与输入变量之间的预测模型,同时获取苯酚裂解工艺中每个副产物与输入变量之间的预测模型;针对待选参数组合中的每一组参数组合,利用预测模型预测得到该组参数组合下除所述目标产物之外每个主产物以及每个副产物的产率;根据所有产物的产率,计算每一组参数组合下目标产物在所有产物中的纯度,从所有待选参数组合中选出纯度最高的一组参数组合,作为最终优化得到的苯酚裂解工艺中反应物料浓度和理化控制参数。
2.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述反应物料浓度包括苯酚裂解工艺的原料物和催化剂的浓度,所述理化控制参数包括苯酚裂解工艺中的pH、温度、压强、裂解反应器控制指标值。
3.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述的标准化为Z-score标准化。
4.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述的非线性映射函数采用Sammon非线性映射。
5.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述的多层前馈神经网络采用BP神经网络。
7.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述S5中,主产物和副产物的预测模型均为对应产物与输入变量之间的拟合公式。
9.如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,其特征在于,所述的苯酚裂解工艺为异丙苯法。
10.一种基于人工智能的苯酚裂解参数自动优化装置,其特征在于,包括服务器和多个控制模块;
所述服务器中运行有如权利要求1所述的基于人工智能的苯酚裂解参数自动优化方法,所述输入变量中的每个参数的控制端均连接有一个控制模块,每个控制模块均与服务器连接;
所述服务器中最终优化得到的苯酚裂解工艺中反应物料浓度和理化控制参数下发至各控制模块中,通过控制模块将苯酚裂解工艺中的反应物料浓度和理化控制参数调整至最优状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522656.1A CN112634995B (zh) | 2020-12-21 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011522656.1A CN112634995B (zh) | 2020-12-21 | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634995A true CN112634995A (zh) | 2021-04-09 |
CN112634995B CN112634995B (zh) | 2024-05-31 |
Family
ID=
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380335A (zh) * | 2021-08-16 | 2021-09-10 | 北京博睿天扬科技有限公司 | 基于工业大数据的化工数据分析系统 |
CN115231525A (zh) * | 2022-07-29 | 2022-10-25 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1043120A (zh) * | 1988-11-28 | 1990-06-20 | 三井石油化学工业株式会社 | 通过芳族化合物的烷基化制备异丙苯以及经异丙苯制备苯酚的方法 |
US20030008403A1 (en) * | 2001-05-07 | 2003-01-09 | Sunoco, Inc. (R&M). | Optimization of caustic usage |
CN101320400A (zh) * | 2008-07-16 | 2008-12-10 | 桂林电子科技大学 | 一种基于人工神经网络的微电子封装器件的优化设计方法 |
CN102958870A (zh) * | 2009-11-09 | 2013-03-06 | 维尔萨利斯股份公司 | 用于由异丙苯制备苯酚的方法 |
CN104504271A (zh) * | 2014-12-25 | 2015-04-08 | 重庆科技学院 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
CN106447029A (zh) * | 2016-09-05 | 2017-02-22 | 郑州航空工业管理学院 | 基于bp神经网络的防眩玻璃化学侵蚀工艺参数优化方法 |
CN107330383A (zh) * | 2017-06-18 | 2017-11-07 | 天津大学 | 一种基于深度卷积神经网络的人脸识别方法 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN108573122A (zh) * | 2018-04-17 | 2018-09-25 | 天津科技大学 | 一种原生盐溶解速率的预测方法 |
CN108985376A (zh) * | 2018-07-17 | 2018-12-11 | 东北大学 | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 |
CN109188162A (zh) * | 2018-07-17 | 2019-01-11 | 广东工业大学 | 一种基于可拓径向基神经网络的变压器状态评估方法 |
CN110232341A (zh) * | 2019-05-30 | 2019-09-13 | 重庆邮电大学 | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 |
CN110299188A (zh) * | 2019-05-09 | 2019-10-01 | 上海电力学院 | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 |
CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
WO2020147595A1 (zh) * | 2019-01-16 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 获取实体间关系表达的方法、系统和设备、广告召回系统 |
CN212128027U (zh) * | 2019-11-25 | 2020-12-11 | 南京延长反应技术研究院有限公司 | 一种异丙苯制备苯酚的智能强化系统 |
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1043120A (zh) * | 1988-11-28 | 1990-06-20 | 三井石油化学工业株式会社 | 通过芳族化合物的烷基化制备异丙苯以及经异丙苯制备苯酚的方法 |
US20030008403A1 (en) * | 2001-05-07 | 2003-01-09 | Sunoco, Inc. (R&M). | Optimization of caustic usage |
CN101320400A (zh) * | 2008-07-16 | 2008-12-10 | 桂林电子科技大学 | 一种基于人工神经网络的微电子封装器件的优化设计方法 |
CN102958870A (zh) * | 2009-11-09 | 2013-03-06 | 维尔萨利斯股份公司 | 用于由异丙苯制备苯酚的方法 |
CN104504271A (zh) * | 2014-12-25 | 2015-04-08 | 重庆科技学院 | 基于独立元相似度的高含硫天然气净化脱硫过程检测方法 |
CN106447029A (zh) * | 2016-09-05 | 2017-02-22 | 郑州航空工业管理学院 | 基于bp神经网络的防眩玻璃化学侵蚀工艺参数优化方法 |
CN107330383A (zh) * | 2017-06-18 | 2017-11-07 | 天津大学 | 一种基于深度卷积神经网络的人脸识别方法 |
CN107622485A (zh) * | 2017-08-15 | 2018-01-23 | 中国科学院深圳先进技术研究院 | 一种融合深度张量神经网络的医学影像数据分析方法和系统 |
CN108573122A (zh) * | 2018-04-17 | 2018-09-25 | 天津科技大学 | 一种原生盐溶解速率的预测方法 |
CN108985376A (zh) * | 2018-07-17 | 2018-12-11 | 东北大学 | 一种基于卷积-循环神经网络的回转窑序列工况识别方法 |
CN109188162A (zh) * | 2018-07-17 | 2019-01-11 | 广东工业大学 | 一种基于可拓径向基神经网络的变压器状态评估方法 |
WO2020147595A1 (zh) * | 2019-01-16 | 2020-07-23 | 阿里巴巴集团控股有限公司 | 获取实体间关系表达的方法、系统和设备、广告召回系统 |
CN110299188A (zh) * | 2019-05-09 | 2019-10-01 | 上海电力学院 | 基于ga变量选择的scr烟气脱硝系统grnn建模方法 |
CN110232341A (zh) * | 2019-05-30 | 2019-09-13 | 重庆邮电大学 | 基于卷积-堆叠降噪编码网络的半监督学习图像识别方法 |
CN110852018A (zh) * | 2019-10-21 | 2020-02-28 | 中国石油集团长城钻探工程有限公司 | 基于神经网络的pso钻井参数优化方法 |
CN212128027U (zh) * | 2019-11-25 | 2020-12-11 | 南京延长反应技术研究院有限公司 | 一种异丙苯制备苯酚的智能强化系统 |
Non-Patent Citations (1)
Title |
---|
禹建丽等: "基于BP 神经网络的复杂过程参数优化方法研究", 《科技通报》, vol. 33, no. 8, pages 114 - 118 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113380335A (zh) * | 2021-08-16 | 2021-09-10 | 北京博睿天扬科技有限公司 | 基于工业大数据的化工数据分析系统 |
CN115231525A (zh) * | 2022-07-29 | 2022-10-25 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
CN115231525B (zh) * | 2022-07-29 | 2022-12-23 | 福建德尔科技股份有限公司 | 电子级三氟化氯的智能分离纯化系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112199829B (zh) | 基于密度峰值聚类和即时学习的多工况多阶段批次过程监测方法 | |
CN110046377B (zh) | 一种基于异构相似度的选择性集成即时学习软测量建模方法 | |
US10254729B2 (en) | Data-difference-driven self-learning dynamic optimization method for batch process | |
CN113031553B (zh) | 一种基于自动聚类结合偏最小二乘的间歇过程质量预测方法 | |
CN112634995A (zh) | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 | |
CN111914382B (zh) | 一种基于代理模型的常减压装置的约束进化优化方法 | |
CN112634995B (zh) | 一种基于人工智能的苯酚裂解参数自动优化方法和装置 | |
CN114707686A (zh) | 一种面向多工序混合生产的联合优化方法 | |
CN116861224B (zh) | 基于间歇过程软测量建模方法的间歇过程软测量建模系统 | |
CN114326639A (zh) | 基于混合注意力卷积神经网络的工业过程性能评估方法 | |
CN102346438A (zh) | 非线性mimo pid控制器参数多目标优化方法 | |
CN108089443B (zh) | 一种基于混合精英圈养优化的灵敏板温度智能建模方法 | |
CN111008661B (zh) | 航空发动机备发需求量的Croston-XGBoost预测方法 | |
CN108089436B (zh) | 快速无超调智能控制器参数设计方法 | |
CN114926075A (zh) | 基于工时预测的机械零件生产调度方法 | |
CN112786120B (zh) | 神经网络辅助化学材料合成的方法 | |
Blanch et al. | Optimal conditions for gramicidin S production in continuous culture | |
CN114819040A (zh) | 一种基于对偶搜索的双种群协同进化方法及应用 | |
Zhao et al. | Research on quality control application of whole process intelligent manufacturing in steel industry 4.0 based on big data analysis | |
高学金 et al. | An optimal control strategy combining SVM with RGA for improving fermentation titer | |
Bharati et al. | A performance prediction of worm-worm wheel and its multi objective design parameter optimization based on genetic algorithm | |
CN107991875A (zh) | 一种基于可靠性分析的化工间歇过程增强模型的控制方法 | |
CN113110060B (zh) | 一种重整装置的实时优化方法 | |
CN116450830B (zh) | 一种基于大数据的智慧校园推送方法及系统 | |
CN112115612B (zh) | 一种基于模块化设计的水处理设备及设计方法 |
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 |