CN113065288A - 基于工业数据和工艺机理的复合肥生产养分优化方法 - Google Patents
基于工业数据和工艺机理的复合肥生产养分优化方法 Download PDFInfo
- Publication number
- CN113065288A CN113065288A CN202110416487.1A CN202110416487A CN113065288A CN 113065288 A CN113065288 A CN 113065288A CN 202110416487 A CN202110416487 A CN 202110416487A CN 113065288 A CN113065288 A CN 113065288A
- Authority
- CN
- China
- Prior art keywords
- nutrient
- compound fertilizer
- model
- production
- data
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- C—CHEMISTRY; METALLURGY
- C05—FERTILISERS; MANUFACTURE THEREOF
- C05B—PHOSPHATIC FERTILISERS
- C05B7/00—Fertilisers based essentially on alkali or ammonium orthophosphates
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Organic Chemistry (AREA)
- Fertilizers (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于工业数据和工艺机理的复合肥生产养分优化方法,包括以下步骤:基于氨酸法工艺机理的历史生产数据清洗,去除逻辑错误的数据样本,将健康数据用于模型训练;基于工艺机理分析的复合肥N养分控制模型训练;基于工艺机理分析的复合肥P养分控制模型训练;基于工艺机理分析的复合肥K养分控制模型训练;建立基于高维近似模型的复合肥产品养分优化控制模型;复合肥产品养分控制非线性优化问题求解;建立的非线性数学规划问题,利用数学编程技术,采用经典的连续凸逼近算法可对其进行高效地求解。本发明建立复合肥养分优化控制数学模型,寻找最优的复合肥养分控制生产条件,最终制定出生产成本最优的各生产参数联调策略。
Description
技术领域
本发明属于复合肥生产技术领域,具体涉及一种基于工业数据和工艺机理的复合肥生产养分优化方法。
背景技术
氨酸法工艺是目前主流的复合肥生产方式。其核心工艺包括浓磷酸、浓硫酸、液氨的化学反应,以及氯化钾、硫酸钾、尿素、氯化铵、硫酸铵、磷酸一铵等原料的混合,通过精准控制原料进料配比来调节复合肥产品的N、P、K养分和总养分,以达到国标或出口产品标准的要求。
现有氨酸法复合肥养分控制方法采用物料稳态计算方法,由操作工人根据各原料养分事先设定原料进料比例,再采用三小时(或者更长时间)化验复合肥产品养分的策略,再根据该化验结果,对各原料进料比例进行微调,保证生产体系中复合肥养分稳定在一定水平,以达到较优的生产成本控制,即符合产品养分合格的条件下,超养分产品最少。
基于稳态计算各原料进料比例和根据三小时(或者更长时间)化验数据调整生产的方法,在实际生产中常常遇到以下几个问题:
(1)复合肥生产存在较大的返料操作,且一部分原料(比如废料、磷酸一铵、氯化钾等)的养分在生产过程中会发生变化。当工人无法及时获取这些因素发生变化的信息时,根据稳态计算确定的原料进料比例,往往对产品的养分含量预测存在较大的误差。特别在废料进料养分变化较大的情况下,产品养分波动很大,难以控制。
(2)由于现有生产方法是在化验数据检测结果出来后,再对生产进行调整。化验数据检测具有很强的时间滞后性,导致工人操作不及时,永远落后于实际生产条件变化。
(3)复合肥生产属于动态连续过程,其受到多种不确定因素的影响。工厂操作人员只能从经验出发调控原料配比等,因此产品的养分与操作人员的技术、经验和专注程度等条件密切相关,直接导致产品养分的波动。且工人操作属于多年积累经验,并非该工艺所有生产参数的最佳动态组合,其生产效益存在较高的优化和提升空间。
发明内容
针对上述技术问题,本发明提供一种基于工业数据和工艺机理的复合肥生产养分优化方法,主要目的有:
(1)基于氨酸法工艺,采用化工机理分析方法,选取过程关键影响参数,提出工业数据复合肥生产养分模型训练方法,实现产品养分化验指标精准预测。
(2)基于训练好的产品养分预测模型,以及实时生产参数,对复合肥生产原料进料进行联调,保证生产过程中产品养分合格。
(3)建立复合肥生产优化控制模型,对各生产参数的联调优化,实现产品总养分控制最优和生产成本最低的目标。
本发明首先采用化工机理分析方法,将海量工业历史数据进行清洗,去除与工艺机理相矛盾的历史数据。随后,选取过程工业关键影响参数,提出高维数据训练方法,建立与实际生产高度吻合的复合肥养分预测模型,实现产品养分精准控制。最后通过建立复合肥生产优化模型,提出最优控制算法指导生产,保证产品总养分最优,并摆脱对工人经验的依赖。
具体的技术方案为:
基于工业数据和工艺机理的复合肥生产养分优化方法,包括以下步骤:
步骤S100:基于氨酸法工艺机理的历史生产数据清洗,去除工艺逻辑错误的数据样本,将健康数据用于模型训练。
受化工厂现场生产环境干扰和化验分析误差的影响,从工厂采回的历史生产数据和化验数据会出现违反工艺逻辑的情况,主要包括:
(1)其他生产操作不变的情况下,增加N养分原料,产品N养分降低;减少N养分原料,产品N养分增加;
(2)其他生产操作不变的情况下,增加P养分原料,产品P养分降低;减少P养分原料,产品P养分增加;
(3)其他生产操作不变的情况下,增加K养分原料,产品K养分降低;减少K养分原料,产品K养分增加。
步骤S200:基于工艺机理分析的复合肥N养分控制模型训练。
基于氨酸法生产工艺机理,影响复合肥N养分的关键变量包括:返料N养分、返料量、废料N养分、废料量、磷酸一铵N养分、磷酸一铵量、尿素N养分、尿素量、氯化铵N养分、氯化铵量、硫酸铵N养分、硫酸铵量、液氨总量、初始N养分和总负荷。因此,需根据上述15种生产参数来准确预测复合肥N养分。
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥N养分(yn)与返料N养分(xn1)、返料量(xn2)、废料N养分(xn3)、废料量(xn4)、磷酸一铵N养分(xn5)、磷酸一铵量(xn6)、尿素N养分(xn7)、尿素量(xn8)、氯化铵N养分(xn9)、氯化铵量(xn10)、硫酸铵N养分(xn11)、硫酸铵量(xn12)、液氨总量(xn13)、初始N养分(xn14)和总负荷(xn15)的高维近似模型。
具体地,输出变量yn的高维近似模型为:
式(1)中,K为输入变量xn的最大阶数,i和i’表示每一个具体变量xn,k和k’表示每变量xn的阶数,模型参数包括:Cn、Ani,k和Bni,i’,k,k’,其中,Cn表示对输出变量yn的零阶响应;Ani,k指输入变量xni单独作用时对输出变量yn的影响;Bni,i’,k,k,是输入变量xni和xni’耦合作用时对输出变量yn的影响。
步骤S210:建立基于高维近似模型(式(1))的输出变量预测值(yn)与输入变量xn之间的计算关系,如式(2),其中下标m表示每一组数据,M为数据的组数,其他符号说明可参考式(1)。
步骤S220:约束高维近似模型的误差范围(σn)。引入两个不小于0的变量(ynam和ynbm),建立式(3)-(6),yn* m为输出变量的样本值。
0≤ynam≤σn,m∈M (5)
0≤ynbm≤0n,m∈M (6)
步骤S230:建立线性优化的目标值(rn),使预测值与数据样本值的误差(ynam+ynbm)最小,如式(7)。
步骤S240:设置误差范围(σn),输入变量(xn)的初始阶数K=1。
步骤S250:线性优化问题求解。针对步骤S210-S240建立的线性优化问题,利用数学编程技术,采用经典的对偶单纯形算法可对其进行高效地求解。
步骤S260:判断线性优化问题是否有解。有解,输出结果,算法停止;无解,则进入步骤S270。
步骤S270:增加输入变量(xn)的阶数,K=K+1。返回步骤S250,求解更新变量(xn)阶数后的线性优化问题。通过不断增加变量(xn)的阶数K,反复执行步骤S250-S270,可得到高维近似模型在误差范围(σn)内的所有参数(Cn、Ani,k和Bni,i’,k,k’)。
步骤S300:基于工艺机理分析的复合肥P养分控制模型训练。
基于氨酸法生产工艺机理,影响复合肥P养分的关键变量包括:返料P养分、返料量、废料P养分、废料量、磷酸一铵P养分、磷酸一铵量、磷酸P养分、磷酸量、初始P养分和总负荷。因此,需根据上述10种生产参数来准确预测复合肥P养分。
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥P养分(yp)与返料P养分(xp1)、返料量(xp2)、废料P养分(xp3)、废料量(xp4)、磷酸一铵P养分(xp5)、磷酸一铵量(xp6)、磷酸P养分(xp7)、磷酸量(xp8)、初始P养分(xp9)和总负荷(xp10)的高维近似模型。
具体地,输出变量yp的高维近似模型为:
式(8)中,K为输入变量xp的最大阶数,i和i’表示每一个具体变量xp,k和k’表示每变量xp的阶数,模型参数包括:Cp、Api,k和Bpi,i’,k,k’,其中,Cp表示对输出变量yp的零阶响应;Api,k指输入变量xpi单独作用时对输出变量yp的影响;Bpi,i’,k,k’是输入变量xpi和xpi’耦合作用时对输出变量yp的影响。
建立基于高维近似模型(式(8))的输出变量预测值(yp)与输入变量xp之间的计算关系,如式(9),其中下标m表示每一组数据,M为数据的组数,其他符号说明可参考式(8)。
执行步骤S220-S270,可得到高维近似模型的所有参数(Cp、Api,k和Bpi,i’,k,k’)。
步骤S400:基于工艺机理分析的复合肥K养分控制模型训练。
基于氨酸法生产工艺机理,影响复合肥K养分的关键变量包括:返料K养分、返料量、废料K养分、废料量、氯化钾K养分、氯化钾量、硫酸钾K养分、硫酸钾量、初始K养分和总负荷。因此,需根据上述10种生产参数来准确预测复合肥K养分。
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥K养分(yk)与返料K养分(xk1)、返料量(xk2)、废料K养分(xk3)、废料量(xk4)、氯化钾K养分(xk5)、氯化钾量(xk6)、硫酸钾K养分(xk7)、硫酸钾量(xk8)、初始K养分(xk9)和总负荷(xk10)的高维近似模型。
具体地,输出变量yk的高维近似模型为:
式(10)中,K为输入变量xk的最大阶数,i和i’表示每一个具体变量xk,k和k’表示每变量xk的阶数,模型参数包括:Ck、Aki,k和Bki,i’,k,k’,其中,Ck表示对输出变量yk的零阶响应;Aki,k指输入变量xki单独作用时对输出变量yk的影响;Bki,i,,k,k’是输入变量xki和xki’耦合作用时对输出变量yk的影响。
建立基于高维近似模型(式(10))的输出变量预测值(yk)与输入变量xk之间的计算关系,如式(11),其中下标m表示每一组数据,M为数据的组数,其他符号说明可参考式(10)。
执行步骤S220-S270,可得到高维近似模型的所有参数(Ck、Aki,k和Bki,i’,k,k’)。
步骤S500:建立基于高维近似模型的复合肥产品养分优化控制模型
首先,单养分生产约束如式(12)-(14),即复合肥单养分不能小于目标产品的最小养分约束。
yn≥minN (12)
yp≥minP (13)
yk≥minK (14)
式(15)约束了复合肥总养分也不能低于目标产品的最低总养分(min Z)。
yn+yp+yk≥minZ (15)
式(16)描述了原料总进料(tfz)等于各原料进料的总和,其中tfnh为液氨进料量,tfhso为硫酸进料量,tfhpo为磷酸进料量,tfniao为尿素进料量,tfkcl为氯化钾进料量,tfkso为硫酸钾进料量,tfpn为磷酸一铵进料量,tfsn为硫酸铵进料量,tfncl为氯化铵进料量,tffan为返料量,tffei为废料量。
tfz=tfnh+tfhso+tfhpo+tfniao+tfkcl+tfkso+tfpn+tfsn+tfncl+tffan+tffei(16)
复合肥产品养分优化控制的目标是,使各单养分和总养分满足合格产品约束的条件下(式12-14),总养分最低,如式(17):
min(yn+yp+yk) (17)。
由步骤S200、步骤S300、步骤S400的各个高维近似模型(式1、式8和式10)、养分约束方程(式12-15)、质量守恒(式16),以及目标函数(式17),组成了复合肥产品养分优化控制数学规划模型。
步骤S600:复合肥产品养分控制非线性优化问题求解。
针对步骤S500建立的非线性数学规划问题,利用数学编程技术,采用经典的连续凸逼近(Successive Convex Approximation)算法可对其进行高效地求解。
本发明提供的基于工业数据和工艺机理的复合肥生产养分优化方法,具有以下技术效果:
1、基于氨酸法复合肥生产工艺机理,对工业历史生产数据进行分析和清洗,去除与工艺机理逻辑相反的数据样本,为后续工艺模型训练提供健康的训练样本数据。
2、基于氨酸法复合肥生产工艺机理,确定影响单养分的关键生产参数。并提出高维表征近似模型训练算法,采用清洗后的工业历史生产数据,训练出复合肥N、P、K模型来对养分指标进行精准预测。
3、采用训练得到的养肥预测模型,建立复合肥养分优化控制数学模型,寻找最优的复合肥养分控制生产条件,最终制定出生产成本最优的各生产参数联调策略。
附图说明
图1为本发明的流程示意图;
图2为本发明求解复合肥N养分高维近似模型参数的方法示意图;
图3a为实施例复合肥N养分(yn)高维近似模型的训练结果;
图3b为实施例复合肥N养分(yn)高维近似模型的预测结果;
图4a为实施例复合肥P养分(yp)高维近似模型的训练结果;
图4b为实施例复合肥P养分(yp)高维近似模型的预测结果;
图5a为实施例复合肥K养分(yk)高维近似模型的训练结果;
图5b为实施例复合肥K养分(yk)高维近似模型的预测结果。
具体实施方式
结合实施例说明本发明的具体技术方案。
结合实施例说明本发明的具体技术方案。本发明的流程图如图1所示。
某氨酸法复合肥生产过程,包含磷酸、硫酸、液氨、尿素、氯化钾、硫酸钾、磷酸一铵、硫酸铵、氯化铵、返料和废料这十一种进料。原料养分每批次进行化验,产品养分每三小时化验一次。当前复合肥产品为N:15、P:15、K:15,单养分最低约束为:N:13.5、P:13.5、K:13.5,总养分最低约束为:44.5。其中,当前磷酸一铵N养分为11、尿素N养分为46、氯化铵N养分为25、硫酸铵N养分为20.5、磷酸一铵P养分为43.01、磷酸P养分为30、氯化钾K养分为60、硫酸钾K养分为50.5。且当前各原料进料量为:液氨0.787ton/h,浓硫酸0.798m3/h,磷酸1.515m3/h,尿素1.5ton/h,氯化钾1.5ton/h,磷酸一铵7.524ton/h,硫酸铵3.421ton/h,氯化铵4ton/h。复合肥化验养分分别为:N:15.74、P:13.99、K:13.06。需求出各原料进料流量,使得复合肥预测单养分达到最低单养分要求,且预测总养分为最低总养分44.5。
步骤S100:氨酸法过程工业数据分析及清洗
基于氨酸法工艺机理,确定影响复合肥各养分的生产因素。正常生产情况下,养分化验数据按每小时更新(原料养分和产品养分),生产实时数据每分钟更新(原料进料)。采用化验数据与生产实时数据每小时值对齐的策略,组成一组数据样本。因此,在工厂连续生产状态下,每天会产生24组数据样本。去除工艺逻辑错误数据和工厂停车检修情况下的数据后,得到健康样本属于用于复合肥单养分预测模型的训练。
如图2所示,步骤S200:针对影响复合肥N养分的15种生产参数历史数据来训练复合肥N养分预测模型。复合肥N养分(yn)的高维近似模型结构。
采用步骤S210-S270建立的线性优化方法,求解步骤S200中复合肥N养分(yn)高维近似模型的参数。近似模型的训练和预测结果如图3a和图3b。
步骤S300:针对影响复合肥P养分的10种生产参数历史数据来训练复合肥P养分预测模型。复合肥P养分(yp)的高维近似模型结构。
采用步骤S220-S270建立的线性优化方法,求解步骤S300中中复合肥P养分(yp)高维近似模型的参数。近似模型的训练和预测结果如图4a和图4b。
步骤S400:针对影响复合肥K养分的10种生产参数历史数据来训练复合肥K养分预测模型。复合肥K养分(yk)的高维近似模型结构。
采用步骤S220-S270建立的线性优化方法,求解步骤S400中中复合肥K养分(yk)高维近似模型的参数。近似模型的训练和预测结果如图5a和图5b。
步骤S500:首先,建立单养分生产约束方程。
yn≥13.5
yp≥13.5
yk≥13.5
其次,复合肥总养分约束方程为:
yn+yp+yk≥44.5
复合肥生产质量平衡方程为:
tfz=tfnh+tfhso+tfhpo+tfniao+tfkcl+tfkso+tfpn+tfsn+tfncl+tffan+tffei
复合肥养分优化的目标为:
min(yn+yp+yk)
最终,复合肥单养分预测方程(步骤S200-S400)和步骤S500建立的生产约束方程和操作目标函数组成了复合肥产品养分优化控制数学规划模型。
步骤S600:基于步骤S500建立的非线性数学规划问题,利用数学编程技术,采用经典的连续凸逼近(Successive ConvexApproximation)算法可对其进行高效地求解。优化结果为:液氨0.787ton/h,浓硫酸0.798m3/h,磷酸1.515m3/h,尿素2.5ton/h,氯化钾2.5ton/h,磷酸一铵7.365ton/h,硫酸铵2.421 ton/h,氯化铵3.459ton/h。复合肥预测养分分别为:N:15.926、P:13.616、K:14.958,预测总养分为最低总养分约束44.5,即生产成本最低。
Claims (7)
1.基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,包括以下步骤:
步骤S100:基于氨酸法工艺机理的历史生产数据清洗,去除工艺逻辑错误的数据样本,将健康数据用于模型训练;
将历史生产数据中存在的工艺逻辑错误样本去除后,用于复合肥养分控制模型的训练;
步骤S200:基于工艺机理分析的复合肥N养分控制模型训练;
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥N养分yn与返料N养分xn1、返料量xn2、废料N养分xn3、废料量xn4、磷酸一铵N养分xn5、磷酸一铵量xn6、尿素N养分xn7、尿素量xn8、氯化铵N养分xn9、氯化铵量xn10、硫酸铵N养分xn11、硫酸铵量xn12、液氨总量xn13、初始N养分xn14和总负荷xn15的高维近似模型;
步骤S300:基于工艺机理分析的复合肥P养分控制模型训练;
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥P养分yp与返料P养分xp1、返料量xp2、废料P养分xp3、废料量xp4、磷酸一铵P养分xp5、磷酸一铵量xp6、磷酸P养分xp7、磷酸量xp8、初始P养分xp9和总负荷xp10的高维近似模型;
步骤S400:基于工艺机理分析的复合肥K养分控制模型训练;
采用高维模型表征多项式建模训练方法,基于步骤S100清洗后的生产数据样本,训练出复合肥K养分yk与返料K养分xk1、返料量xk2、废料K养分xk3、废料量xk4、氯化钾K养分xk5、氯化钾量xk6、硫酸钾K养分xk7、硫酸钾量xk8、初始K养分xk9和总负荷xk10的高维近似模型;
步骤S500:建立基于高维近似模型的复合肥产品养分优化控制模型;
由步骤S200、步骤S300、步骤S400的各个高维近似模型、养分约束方程、质量守恒,以及目标函数,组成复合肥产品养分优化控制数学规划模型;
步骤S600:复合肥产品养分控制非线性优化问题求解;
针对步骤S500建立的非线性数学规划问题,利用数学编程技术,采用经典的连续凸逼近算法对其进行高效地求解。
2.根据权利要求1所述的基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,步骤S100中,所述的工艺逻辑错误的情况,主要包括:
(1)其他生产操作不变的情况下,增加N养分原料,产品N养分降低;减少N养分原料,产品N养分增加;
(2)其他生产操作不变的情况下,增加P养分原料,产品P养分降低;减少P养分原料,产品P养分增加;
(3)其他生产操作不变的情况下,增加K养分原料,产品K养分降低;减少K养分原料,产品K养分增加。
4.根据权利要求3所述的基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,步骤S200中模型训练包括以下步骤:
步骤S210:建立基于高维近似模型即式(1)的输出变量预测值yn与输入变量xn之间的计算关系,如式(2),其中下标m表示每一组数据,M为数据的组数,其他符号说明参考式(1);
步骤S220:约束高维近似模型的误差范围σn;引入两个不小于0的变量ynam和ynbm,建立式(3)-(6),yn* m为输出变量的样本值:
0≤ynam≤σn,m∈M (5)
0≤ynbm≤σn,m∈M (6)
步骤S230:建立线性优化的目标值rn,使预测值与数据样本值的误差ynam+ynbm最小,如式(7):
步骤S240:设置误差范围σn,输入变量xn的初始阶数K=1;
步骤S250:线性优化问题求解;针对步骤S210-S240建立的线性优化问题,利用数学编程技术,采用经典的对偶单纯形算法对其进行高效地求解;
步骤S260:判断线性优化问题是否有解;有解,输出结果,算法停止;无解,则进入步骤S270;
步骤S270:增加输入变量xn的阶数,K=K+1;返回步骤S250,求解更新变量xn阶数后的线性优化问题;通过不断增加变量xn的阶数K,反复执行步骤S250-S270,得到高维近似模型在误差范围σn内的所有参数Cn、Ani,k和Bni,i’,k,k’。
5.根据权利要求4所述的基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,步骤S300中,输出变量yp的高维近似模型为:
式(8)中,K为输入变量xp的最大阶数,i和i’表示每一个具体变量xp,k和k’表示每变量xp的阶数,模型参数包括:Cp、Api,k和Bpi,i’,k,k’,其中,Cp表示对输出变量yp的零阶响应;Api,k指输入变量xpi单独作用时对输出变量yp的影响;Bpi,i’,k,k’是输入变量xpi和xpi’耦合作用时对输出变量yp的影响;
建立基于高维近似模型即式(8)的输出变量预测值yp与输入变量xp之间的计算关系,如式(9),其中下标m表示每一组数据,M为数据的组数,其他符号说明参考式(8):
执行步骤S220-S270,得到高维近似模型的所有参数Cp、Api,k和Bpi,i’,k,k’。
6.根据权利要求4所述的基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,步骤S400中,输出变量yk的高维近似模型为:
式(10)中,K为输入变量xk的最大阶数,i和i’表示每一个具体变量xk,k和k’表示每变量xk的阶数,模型参数包括:Ck、Aki,k和Bki,i’,k,k’,其中,Ck表示对输出变量yk的零阶响应;Aki,k指输入变量xki单独作用时对输出变量yk的影响;Bki,i’,k,k’是输入变量xki和xki’耦合作用时对输出变量yk的影响;
建立基于高维近似模型即式(10)的输出变量预测值yk与输入变量xk之间的计算关系,如式(11),其中下标m表示每一组数据,M为数据的组数,其他符号说明参考式(10):
执行步骤S220-S270,得到高维近似模型的所有参数Ck、Aki,k和Bki,i’,k,k’。
7.根据权利要求1所述的基于工业数据和工艺机理的复合肥生产养分优化方法,其特征在于,步骤S500中,单养分生产约束如式(12)-(14),即复合肥单养分不能小于目标产品的最小养分约束;
yn≥min N (12)
yp≥min P (13)
yk≥min K (14)
式(15)约束了复合肥总养分也不能低于目标产品的最低总养分min Z:
yn+yp+yk≥min Z (15)
式(16)描述了原料总进料tfz等于各原料进料的总和,其中tfnh为液氨进料量,tfhso为硫酸进料量,tfhpo为磷酸进料量,tfniao为尿素进料量,tfkcl为氯化钾进料量,tfkso为硫酸钾进料量,tfpn为磷酸一铵进料量,tfsn为硫酸铵进料量,tfncl为氯化铵进料量,tffan为返料量,tffei为废料量;
tfz=tfnh+tfhso+tfhpo+tfniao+tfkcl+tfkso+tfpn+tfsn+tfncl+tffan+tffei(16)
复合肥产品养分优化控制的目标是,使各单养分和总养分满足合格产品约束的条件下(式12-14),总养分最低,如式(17):
min(yn+yp+yk) (17)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416487.1A CN113065288A (zh) | 2021-04-19 | 2021-04-19 | 基于工业数据和工艺机理的复合肥生产养分优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110416487.1A CN113065288A (zh) | 2021-04-19 | 2021-04-19 | 基于工业数据和工艺机理的复合肥生产养分优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065288A true CN113065288A (zh) | 2021-07-02 |
Family
ID=76566950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110416487.1A Pending CN113065288A (zh) | 2021-04-19 | 2021-04-19 | 基于工业数据和工艺机理的复合肥生产养分优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065288A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113591388A (zh) * | 2021-08-09 | 2021-11-02 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的汽轮机热耗率优化方法 |
CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
CN113673093A (zh) * | 2021-08-04 | 2021-11-19 | 合肥力拓云计算科技有限公司 | 一种基于线性规划的工业智能的复合肥原料配比方法 |
CN113741358A (zh) * | 2021-08-04 | 2021-12-03 | 合肥力拓云计算科技有限公司 | 一种基于工业数字化智能预测的复合肥养份控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235166A1 (en) * | 2002-12-09 | 2008-09-25 | Bijan Sayyar-Rodsari | Training a model of a non-linear process |
CN107516148A (zh) * | 2017-08-22 | 2017-12-26 | 厦门逸圣科智能科技有限公司 | 系统建模优化方法及存储介质 |
CN109241607A (zh) * | 2017-09-27 | 2019-01-18 | 山东农业大学 | 基于相关向量机的配比变量施肥离散元模型参数标定方法 |
CN111984692A (zh) * | 2020-02-28 | 2020-11-24 | 合肥力拓云计算科技有限公司 | 基于工业大数据的化工数据分析系统 |
-
2021
- 2021-04-19 CN CN202110416487.1A patent/CN113065288A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235166A1 (en) * | 2002-12-09 | 2008-09-25 | Bijan Sayyar-Rodsari | Training a model of a non-linear process |
CN107516148A (zh) * | 2017-08-22 | 2017-12-26 | 厦门逸圣科智能科技有限公司 | 系统建模优化方法及存储介质 |
CN109241607A (zh) * | 2017-09-27 | 2019-01-18 | 山东农业大学 | 基于相关向量机的配比变量施肥离散元模型参数标定方法 |
CN111984692A (zh) * | 2020-02-28 | 2020-11-24 | 合肥力拓云计算科技有限公司 | 基于工业大数据的化工数据分析系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113673093A (zh) * | 2021-08-04 | 2021-11-19 | 合肥力拓云计算科技有限公司 | 一种基于线性规划的工业智能的复合肥原料配比方法 |
CN113741358A (zh) * | 2021-08-04 | 2021-12-03 | 合肥力拓云计算科技有限公司 | 一种基于工业数字化智能预测的复合肥养份控制方法 |
CN113673093B (zh) * | 2021-08-04 | 2023-12-15 | 合肥力拓云计算科技有限公司 | 一种基于线性规划的工业智能的复合肥原料配比方法 |
CN113591388A (zh) * | 2021-08-09 | 2021-11-02 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的汽轮机热耗率优化方法 |
CN113609684A (zh) * | 2021-08-09 | 2021-11-05 | 工数科技(广州)有限公司 | 基于工业数据和工艺机理的锅炉吨煤产汽优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113065288A (zh) | 基于工业数据和工艺机理的复合肥生产养分优化方法 | |
Mears et al. | A review of control strategies for manipulating the feed rate in fed-batch fermentation processes | |
Kadam et al. | Integration of economical optimization and control for intentionally transient process operation | |
CN102841538B (zh) | 用于控制分批过程的方法和系统 | |
US20200202051A1 (en) | Method for Predicting Outcome of an Modelling of a Process in a Bioreactor | |
CN111650834B (zh) | 基于极限学习机的污水处理过程预测控制方法 | |
CN110426956B (zh) | 一种基于过程迁移模型的间歇过程最优补偿控制策略 | |
CN110866659B (zh) | 一种拜耳法氧化铝生产高压管道溶出过程中苛性比值在线预测方法 | |
CN104460319A (zh) | 多批次间歇反应过程二维多模型预测迭代学习控制方法 | |
CN101863088A (zh) | 一种橡胶混炼过程中门尼粘度的预报方法 | |
CN114036810A (zh) | 一种细胞培养状态在线估计及优化补料调控方法 | |
CN111679643B (zh) | 基于过程迁移模型的间歇过程二阶修正自适应优化方法 | |
CN103500280A (zh) | 谷氨酸发酵过程菌体浓度在线软测量方法 | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
CN111639820A (zh) | 一种水泥炉窑生产的能耗参数优化方法及系统 | |
CN113066536A (zh) | 二水湿法磷酸萃取生产优化方法 | |
CN113515893B (zh) | 一种稀土萃取过程实时预测模型的建立方法及预测方法和预测装置 | |
Yang et al. | Modeling and optimal-setting control of blending process in a metallurgical industry | |
CN116864014A (zh) | 一种基于代理模型的湿法磷酸生产工艺全流程模拟与优化方法 | |
Mulas et al. | Full-scale implementation of an advanced control system on a biological wastewater treatment plant | |
Iyer et al. | Dynamic re-optimization of a fed-batch fermentor using adaptive critic designs | |
Gorrini et al. | Reaction rate estimation and model predictive control of hybridoma cell cultures | |
Kong et al. | Stochastic optimization for real-time operation of alumina blending process | |
CN113741358A (zh) | 一种基于工业数字化智能预测的复合肥养份控制方法 | |
CN101339408A (zh) | 铝酸钠溶液连续碳酸化分解过程智能控制系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210702 |