CN113705908A - 有机硅单体分馏过程能耗辅助预测方法及系统 - Google Patents
有机硅单体分馏过程能耗辅助预测方法及系统 Download PDFInfo
- Publication number
- CN113705908A CN113705908A CN202111016243.0A CN202111016243A CN113705908A CN 113705908 A CN113705908 A CN 113705908A CN 202111016243 A CN202111016243 A CN 202111016243A CN 113705908 A CN113705908 A CN 113705908A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- training set
- target unit
- auxiliary
- unit
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 title claims abstract description 63
- 238000005194 fractionation Methods 0.000 title claims abstract description 54
- 239000000178 monomer Substances 0.000 title claims abstract description 43
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 title claims abstract description 36
- 229910052710 silicon Inorganic materials 0.000 title claims abstract description 36
- 239000010703 silicon Substances 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 134
- 238000012360 testing method Methods 0.000 claims abstract description 74
- 238000000746 purification Methods 0.000 claims abstract description 18
- 229920001296 polysiloxane Polymers 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001308 synthesis method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种有机硅单体分馏过程能耗辅助预测方法，获取运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；建立目标单元能耗预测模型，对目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；确定能耗预测模型；利用测试集对确定的能耗预测模型进行测试，得到测试样本的能耗预测值，将能耗预测值与能耗实际值进行对比，以评估该模型的性能。本发明利用有机硅单体分馏过程中不同提纯单元之间的相似性，提出一种有机硅单体分馏过程能耗辅助预测方法，为有机硅分馏过程建立低成本和高泛化性能的能耗预测模型。
Description
技术领域
本发明涉及流程工业生产加工技术领域，尤其是指一种有机硅单体分馏过程能耗辅助预测方法及系统。
背景技术
有机硅材料具有耐腐蚀、耐辐射、耐高低温、电气绝缘、阻燃以及生物相容性好等优良特性，在食品、纺织、建筑、汽车、化工、医药、仪器仪表、航空航天等领域得到广泛应用。直接合成法生产的有机硅单体组分多，沸点接近，相对挥发度小，难分离。因此，有机硅单体分馏过程需分离的物质较多且分离要求高，是有机硅单体生产过程中能耗较高的单元。分馏过程的节能降耗在对有机硅工业的绿色生产具有重要意义,能耗的准确预测在实际生产中对降低能耗具有指导意义。
有机硅单体分馏过程多采用多塔连续精馏工艺，利用各组分相对挥发度的差异进行多级分离，使各单体纯度达到要求。现有技术对分馏过程的各提纯单元建立数据驱动的能耗预测模型，对数据量、质的要求高，当采集到的数据少或数据受污染严重时，难以建立准确的模型。而且各提纯单元的塔器设备、操作条件不同，难以使用一个普适化的模型满足每一提纯单元能耗预测的需求，因此单独对每一提纯单元建模需要重复的数据采集及处理、模型训练等工作，建模成本较高。
综上所述，现有技术的有机硅单体分馏过程能耗辅助预测方法存在建模成本高、忽视各塔之间相关性以及数据不足情况下难以建模的问题。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术存在的缺陷，利用有机硅单体分馏过程中不同提纯单元之间的相似性，提出一种有机硅单体分馏过程能耗辅助预测方法，为有机硅分馏过程建立低成本和高泛化性能的能耗预测模型。
为解决上述技术问题，本发明提供一种有机硅单体分馏过程能耗辅助预测方法，包括：
获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；
设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；
在多个目标单元能耗预测模型中确定能耗预测模型；
利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
在本发明的一个实施例中，设置数据质量好的提纯单元为辅助单元，样本全部为训练集包括：
所述辅助单元训练集设为Ds＝(xi,yi),i＝1,2,…,n，其中xi表示辅助单元能耗模型输入样本，yi表示辅助单元的能耗值，n表示辅助单元所采集样本的个数。
在本发明的一个实施例中，设置数据质量差的提纯单元为目标单元，样本分为训练集和测试集包括：
分别将所述目标单元训练集和所述目标单元测试集分别设为目标单元训练集Dt＝(xj,yj),j＝n+1,…,n+m和目标单元测试集Dl＝(xl,yl),l＝1,2,…,L，其中，xj表示目标单元能耗模型训练集的输入样本，yj表示目标单元训练集的的能耗值，m表示目标单元训练集样本的个数,xl表示目标单元测试集的输入样本，yl表示目标单元测试集的能耗值，L表示目标单元测试集样本的个数。
在本发明的一个实施例中，定义混合训练集包括：
定义混合训练集D＝Ds∪Dt＝(x,y)，其中，x＝{x1,x2,…,xn,xn+1,…xn+m}，y＝{y1,y2,…,yn,yn+1,…,yn+m}。
在本发明的一个实施例中，设置所述混合训练集中样本的初始权重包括：
设置混合训练集中样本的初始权重：
在本发明的一个实施例中，设置辅助单元训练集的权重更新系数包括：
设置辅助单元训练集的权重更新系数：
其中，K表示迭代次数。
在本发明的一个实施例中，建立目标单元能耗预测模型包括：
对所述辅助单元训练集的样本权重和目标单元训练集的样本权重进行归一化处理如下：
其中，
表示辅助单元训练集第k次迭代的权重，
表示目标单元训练集第k次迭代的权重；
更新所述辅助单元训练集中的样本和所述目标单元训练集中的样本，得到更新后的混合训练集的样本；
利用更新后的混合训练集的样本建立目标单元能耗预测模型。
在本发明的一个实施例中，对所述目标单元能耗预测模型进行迭代更新包括：
计算第k次迭代得到的目标单元能耗预测模型的建模误差函数为：
fk(xk)表示第k次迭代得到的目标单元能耗预测模型，当
的值大于1时，通过建模误差函数将其映射至范围[0,1]；
取平方型建模误差函数为：
其中，
计算第k次迭代的目标单元训练集的权重更新系数为：
其中，εk是
的平均建模误差：
更新第k次迭代的混合训练集的样本权重，利用更新后的所述第k次迭代的混合训练集的样本权重建立第k+1个目标单元能耗预测模型。
根据迭代更新得到的K个模型确定最终的能耗预测模型。
在本发明的一个实施例中，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能包括：
采用均方根误差对预测模型的性能进行评价：
其中，fT(xl)为目标单元测试样本的能耗预测值。
此外，本发明还提供一种有机硅单体分馏过程能耗辅助预测系统，包括：
数据获取模块，所述数据获取模块用于获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；
模型建立模块，设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，所述模型建立模块用于建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；
模型确定模块，所述模型确定模块用于在多个目标单元能耗预测模型中确定能耗预测模型；
模型测试评估模块，所述模型测试评估模块用于利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
本发明的上述技术方案相比现有技术具有以下优点：
本发明利用有机硅单体分馏过程中不同提纯单元之间的相似性，提出一种有机硅单体分馏过程能耗辅助预测方法，充分利用相邻提纯单元中数据中包含的知识，减少建模过程对数据量、质的要求，减少建模过程中大量的数据采集、处理和模型训练工作，为有机硅分馏过程建立低成本和高泛化性能的能耗预测模型。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明。
图1为有机硅单体分馏过程生产工艺流程图。
图2为实施例1的实施步骤流程图。
图3为实施例1的数据预处理前后的目标单元能耗模型输入数据的PCA得分图。
图4为实施例1的不同数量的目标单元样本的建模误差图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
实施例1
有机硅单体分馏过程的生产工艺如图1所示，本实施例提供一种有机硅单体分馏过程能耗辅助预测方法，其方法流程图如图2所示，所述方法包括：
步骤一：获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集。
示例地，基于分馏过程的工艺知识，并结合方差筛选能耗模型的输入变量，通过PI实时数据库，采集模型输入变量的运行数据，采样间隔为5min，取平均值。基于运行工况记录，初步对每个提纯单元的数据进行划分，并从数据适量性、时效性的角度评估数据质量，分析每个提纯单元的模型训练过程中可能产生的问题。
示例地，设置数据质量好的提纯单元为辅助单元，样本全部为训练集，设为Ds＝(xi,yi),i＝1,2,…,n，其中xi为辅助单元能耗模型输入样本，yi为辅助单元的能耗值，n为辅助单元所采集样本的个数；设置数据质量差的提纯单元为目标单元，样本集分为，训练集Dt＝(xj,yj),j＝n+1,…,n+m和测试集Dl＝(xl,yl),l＝1,2,…,L，其中，xj为目标单元能耗模型训练集的输入样本，yj为目标单元训练集的的能耗值，m为目标单元训练集样本的个数,xl为目标单元测试集的输入样本，yl为目标单元测试集的能耗值，L为目标单元测试集样本的个数；定义混合训练集D＝Ds∪Dt＝(x,y)，即合并的总样本集，其中，x＝{x1,x2,…,xn,xn+1,…xn+m}，y＝{y1,y2,…,yn,yn+1,…,yn+m}。
示例地，分馏过程受测量仪表或数据传输等故障或异常干扰影响，实时采集的运行数据一般是有噪声的，其数据一般是不一致的，因此需要对数据进行清洗。首先剔除非数值样本点，然后通过PCA聚类和3б准则剔除异常值，PCA聚类中判定异常值的阈值为90％，数据清洗前后的能耗曲线对比见图3。然后通过z-score标准化消除变量间不同量纲的影响。
步骤二：设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型。
示例地，设置所述混合训练集中样本的初始权重为：
示例地，设置辅助单元训练集的权重更新系数：
其中，K表示迭代次数。
步骤三：在多个目标单元能耗预测模型中确定能耗预测模型。
示例地，可以通过加权中位数的模型集成策略在多个目标单元能耗预测模型中确定能耗预测模型。
步骤四：利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
在步骤二中，建立目标单元能耗预测模型包括：
a：对所述辅助单元训练集的样本权重和目标单元训练集的样本权重进行归一化处理如下：
其中，
表示辅助单元训练集第k次迭代的权重，
表示目标单元训练集第k次迭代的权重；
b：更新所述辅助单元训练集中的样本和所述目标单元训练集中的样本，得到更新后的混合训练集的样本，其中更新后的辅助单元训练集为
其中
更新后的目标单元训练集为
其中
则更新后的混合训练集为
c：利用更新后的混合训练集的样本建立目标单元能耗预测模型fk(xk)。
在步骤二中，对所述目标单元能耗预测模型进行迭代更新包括：
a：计算第k次迭代得到的目标单元能耗预测模型fk(xk)的建模误差函数为：
fk(xk)表示第k次迭代得到的目标单元能耗预测模型，当
的值大于1时，通过建模误差函数将其映射至范围[0,1]；
b：取平方型建模误差函数为：
其中，
c：计算第k次迭代的目标单元训练集的权重更新系数为：
其中，εk是
的平均建模误差,
d：更新第k次迭代的混合训练集的样本权重，利用更新后的所述第k次迭代的混合训练集的样本权重建立第k+1个目标单元能耗预测模型，即
由上述公式可知，当第k次迭代中辅助单元的样本误差大时，该样本对目标单元模型训练的有利信息少或不利，在第k+1次迭代中降低对其的关注；当第k次迭代中目标单元的样本误差大时，认为该样本训练难度较大，在第k+1次迭代中加强对其的关注
在步骤四中，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能包括：
采用均方根误差对预测模型的性能进行评价：
其中，fT(xl)为目标单元测试样本的能耗预测值。借助于不同数目辅助单元样本建立的目标单元能耗预测模型性能如图4所示，从图中可以看出，当样本量不足时，与单独建模(使用目标单元训练集Dt)和直接混合建模(直接使用混合训练集D)比较，基于辅助建模方法建立的模型预测精度更高。
上述模型性能评估的指标，可以为但不限于均方误差、均方根误差、平均绝对误差、平均绝对百分比误差、均方误差对数、中位绝对误差。
本发明利用有机硅单体分馏过程中不同提纯单元之间的相似性，提出一种有机硅单体分馏过程能耗辅助预测方法，充分利用相邻提纯单元中数据中包含的知识，减少建模过程对数据量、质的要求，减少建模过程中大量的数据采集、处理和模型训练工作，为有机硅分馏过程建立低成本和高泛化性能的能耗预测模型。
实施例2
下面对本发明实施例2公开的一种有机硅单体分馏过程能耗辅助预测系统进行介绍，下文描述的一种有机硅单体分馏过程能耗辅助预测系统与上文描述的一种有机硅单体分馏过程能耗辅助预测方法可相互对应参照。
本发明实施例公开了一种有机硅单体分馏过程能耗辅助预测系统，包括：
数据获取模块，所述数据获取模块用于获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；
模型建立模块，设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，所述模型建立模块用于建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；
模型确定模块，所述模型确定模块用于在多个目标单元能耗预测模型中确定能耗预测模型；
模型测试评估模块，所述模型测试评估模块用于利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
本实施例的有机硅单体分馏过程能耗辅助预测系统用于实现前述的有机硅单体分馏过程能耗辅助预测方法，因此该系统的具体实施方式可见前文中的有机硅单体分馏过程能耗辅助预测方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。
另外，由于本实施例的有机硅单体分馏过程能耗辅助预测系统用于实现前述的有机硅单体分馏过程能耗辅助预测方法，因此其作用与上述方法的作用相对应，这里不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种有机硅单体分馏过程能耗辅助预测方法，其特征在于，包括：
获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；
设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；
在多个目标单元能耗预测模型中确定能耗预测模型；
利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
2.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：设置数据质量好的提纯单元为辅助单元，样本全部为训练集包括：
所述辅助单元训练集设为Ds＝(xi,yi),i＝1,2,…,n，其中xi表示辅助单元能耗模型输入样本，yi表示辅助单元的能耗值，n表示辅助单元所采集样本的个数。
3.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：设置数据质量差的提纯单元为目标单元，样本分为训练集和测试集包括：
分别将所述目标单元训练集和所述目标单元测试集分别设为目标单元训练集Dt＝(xj,yj),j＝n+1,…,n+m和目标单元测试集Dl＝(xl,yl),l＝1,2,…,L，其中，xj表示目标单元能耗模型训练集的输入样本，yj表示目标单元训练集的的能耗值，m表示目标单元训练集样本的个数,xl表示目标单元测试集的输入样本，yl表示目标单元测试集的能耗值，L表示目标单元测试集样本的个数。
4.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：定义混合训练集包括：
定义混合训练集D＝Ds∪Dt＝(x,y)，其中，x＝{x1,x2,…,xn,xn+1,…xn+m}，y＝{y1,y2,…,yn,yn+1,…,yn+m}。
5.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：设置所述混合训练集中样本的初始权重包括：
设置混合训练集中样本的初始权重：
6.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：设置辅助单元训练集的权重更新系数包括：
设置辅助单元训练集的权重更新系数：
其中，K表示迭代次数。
7.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：建立目标单元能耗预测模型包括：
对所述辅助单元训练集的样本权重和目标单元训练集的样本权重进行归一化处理如下：
其中，
表示辅助单元训练集第k次迭代的权重，
表示目标单元训练集第k次迭代的权重；
更新所述辅助单元训练集中的样本和所述目标单元训练集中的样本，得到更新后的混合训练集的样本；
利用更新后的混合训练集的样本建立目标单元能耗预测模型。
8.根据权利要求7所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：对所述目标单元能耗预测模型进行迭代更新包括：
计算第k次迭代得到的目标单元能耗预测模型的建模误差函数为：
fk(xk)表示第k次迭代得到的目标单元能耗预测模型，当
的值大于1时，通过建模误差函数将其映射至范围[0,1]；
取平方型建模误差函数为：
其中，
计算第k次迭代的目标单元训练集的权重更新系数为：
其中，εk是
的平均建模误差：
更新第k次迭代的混合训练集的样本权重，利用更新后的所述第k次迭代的混合训练集的样本权重建立第k+1个目标单元能耗预测模型。
9.根据权利要求1所述的有机硅单体分馏过程能耗辅助预测方法，其特征在于：将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能包括：
采用均方根误差对预测模型的性能进行评价：
其中，fT(xl)为目标单元测试样本的能耗预测值。
10.一种有机硅单体分馏过程能耗辅助预测系统，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取有机硅分馏过程变量的运行数据，分别将其设置为辅助单元训练集、目标单元训练集和目标单元测试集，定义混合训练集，其中所述混合训练集为辅助单元训练集和目标单元训练集合并后的总样本集；
模型建立模块，设置所述混合训练集中样本的初始权重，并设置辅助单元训练集的权重更新系数，所述模型建立模块用于建立目标单元能耗预测模型，对所述目标单元能耗预测模型进行迭代更新，输出多个目标单元能耗预测模型；
模型确定模块，所述模型确定模块用于在多个目标单元能耗预测模型中确定能耗预测模型；
模型测试评估模块，所述模型测试评估模块用于利用所述目标单元测试集对确定的能耗预测模型进行测试，得到所述测试集中的测试样本的能耗预测值，将所述测试样本的能耗预测值与所述测试样本的能耗实际值进行对比，以评估该能耗模型的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016243.0A CN113705908A (zh) | 2021-08-31 | 2021-08-31 | 有机硅单体分馏过程能耗辅助预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111016243.0A CN113705908A (zh) | 2021-08-31 | 2021-08-31 | 有机硅单体分馏过程能耗辅助预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705908A true CN113705908A (zh) | 2021-11-26 |
Family
ID=78658340
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111016243.0A Pending CN113705908A (zh) | 2021-08-31 | 2021-08-31 | 有机硅单体分馏过程能耗辅助预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705908A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
| CN113204918A (zh) * | 2021-04-29 | 2021-08-03 | 南京邮电大学 | 水泥窑生产能耗的建模方法 |
-
2021
- 2021-08-31 CN CN202111016243.0A patent/CN113705908A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021133253A1 (en) * | 2019-12-25 | 2021-07-01 | Envision Digital International Pte. Ltd. | Method and apparatus for predicting energy consumption, and device and storage medium thereof |
| CN113204918A (zh) * | 2021-04-29 | 2021-08-03 | 南京邮电大学 | 水泥窑生产能耗的建模方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴文波: "溶剂油生产两塔分馏单元的建模与应用", 《化学工程师》 * |
| 平晓静等: "基于迁移学习的有机硅单体分馏过程能耗建模", 《化工学报》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN105303051A (zh) | 一种空气污染物浓度预测方法 | |
| CN115423175A (zh) | 一种风电功率预测误差分解方法 | |
| CN111736567A (zh) | 一种基于故障敏感慢特征的多块故障监测方法 | |
| CN112765787B (zh) | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 | |
| CN112381279B (zh) | 一种基于vmd和bls组合模型的风电功率预测方法 | |
| CN117892162A (zh) | 一种基于非负矩阵分解和机器学习的流域径流预报方法 | |
| CN109063767B (zh) | 一种基于样本和变量共识的近红外光谱建模方法 | |
| CN113705908A (zh) | 有机硅单体分馏过程能耗辅助预测方法及系统 | |
| CN106529680A (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
| CN116089897A (zh) | 一种基于多源信息融合的电力设备运行状态评估方法及系统 | |
| CN112966449B (zh) | 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法 | |
| CN113723686B (zh) | 有机硅单体分馏过程能耗的多任务灰箱预测方法及系统 | |
| CN115728290A (zh) | 一种土壤中铬元素的检测方法、系统、设备及存储介质 | |
| CN110728024B (zh) | 一种基于vine copula的软测量方法及系统 | |
| CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
| CN108182337B (zh) | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 | |
| CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 | |
| CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 | |
| CN111914214A (zh) | 一种基于缩减kpls模型的pta生产过程软测量方法 | |
| CN109376337B (zh) | 一种基于Girvan-Newman算法的集散软测量方法 | |
| CN110909492B (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211126 |
|
| RJ01 | Rejection of invention patent application after publication |