CN114596919A - 指标预测方法、系统以及其在磷酸生产中的应用 - Google Patents

指标预测方法、系统以及其在磷酸生产中的应用 Download PDF

Info

Publication number
CN114596919A
CN114596919A CN202210500535.XA CN202210500535A CN114596919A CN 114596919 A CN114596919 A CN 114596919A CN 202210500535 A CN202210500535 A CN 202210500535A CN 114596919 A CN114596919 A CN 114596919A
Authority
CN
China
Prior art keywords
model
deep learning
production
learning model
digital twin
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
Application number
CN202210500535.XA
Other languages
English (en)
Other versions
CN114596919B (zh
Inventor
李颉
左肇煜
杨阳
孙小娟
张恒
代光然
黄毅
廖恺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui Ruibang Digital Technology Service Co ltd
Original Assignee
Anhui Ruibang Digital Technology Service Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui Ruibang Digital Technology Service Co ltd filed Critical Anhui Ruibang Digital Technology Service Co ltd
Priority to CN202210500535.XA priority Critical patent/CN114596919B/zh
Publication of CN114596919A publication Critical patent/CN114596919A/zh
Application granted granted Critical
Publication of CN114596919B publication Critical patent/CN114596919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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

Abstract

本发明适用于计算机技术领域，提供了一种指标预测方法、系统以及其在磷酸生产中的应用，所述方法包括：基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果，可以提前预知系统一段时间后的产出情况，大大提高了现场人员对系统的控制能力，减少成本，创造更大价值。

Description

指标预测方法、系统以及其在磷酸生产中的应用
技术领域
本发明属于计算机技术领域，尤其涉及一种指标预测方法、系统以及其在磷酸生产中的应用。
背景技术
随着国家政策推动锂电的发展，市场对磷酸的需求逐年增加，磷收率每提升1个百分点，磷酸产能和磷矿石消耗都会随之等比例的增加和减少，生产需要用到的原料是磷矿石，在工厂成本支出中占比最大。磷酸的生产需要将磷矿石磨成磷矿浆，与浓硫酸发生酸解反应萃取P2O5，目前磷酸生产车间的磷收率（从磷矿石中获取到的P2O5）在94%左右，工厂希望提高磷收率来增加磷酸的产量，减少磷矿石的消耗量。
当前，磷酸生产过程控制普遍依赖于理论计算的配方与人工经验，但由于原料品质的变化，产物质量波动性很大，无法进行有效的过程控制，难以提高磷收率。
发明内容
本发明实施例的目的在于提供一种指标预测方法、系统以及其在磷酸生产中的应用，旨在解决由于原料品质的变化，产物质量波动性很大，无法进行有效的过程控制，难以提高磷收率。
本发明实施例是这样实现的，一种指标预测方法，所述方法包括以下步骤：
基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
作为本发明一个优选的实施例，所述基于生产相关历史数据和反应机理建立数字孪生模型的步骤，具体包括：
分析反应机理；
根据反应机理对每一个反应中间指标的变化列出初步的微分方程组；
根据生产相关历史数据对初步的微分方程组的系数进行拟合求解得到微分方程组。
作为本发明另一个优选的实施例，所述训练深度学习模型的步骤，具体包括：
根据反应机理定义节点和边；
生成关于残差的标签；
定义损失函数，以对图深度神经网络模型进行训练，训练过程中自动对权重进行调整更新。
作为本发明另一个优选的实施例，还包括以下步骤：以真实数据对所述数字孪生模型和深度学习模型进行修正。
作为本发明另一个优选的实施例，所述以真实数据对所述数字孪生模型和深度学习模型进行修正的步骤，具体包括：
获取生产相关真实数据；
将生产相关真实数据和数据孪生模型的预测结果进行比较，根据比较结果调整微分方程组的系数；
基于调整后微分方程组输出的反应中间指标的预测值，计算获取反应中间指标与实际值的残差；
将所述反应中间指标与实际值的残差输入至深度学习模型中进行预测；
预测时按照深层至浅层逐层解冻的方式进行，直至误差收敛至设定阈值时停止，以实现对深度学习模型的修正。
作为本发明另一个优选的实施例，所述对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果的步骤，具体包括：
获取数字孪生模型和深度学习模型的输出结果；
将所述输出结果输入至感知机模型中，由所述感知机模型输出指标预测结果。
作为本发明另一个优选的实施例，还包括将指标预测结果实时通过有线或无线方式向用户展示的步骤。
本发明实施例的另一目的在于提供一种指标预测系统，包括：
数据采集模块，用于采集生产相关历史数据；
第一模型预测模块，用于基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
第二模型预测模块，用于以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
结果处理模块，用于将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
本发明实施例的另一目的在于提供一种所述的指标预测方法在磷酸生产中的应用。
本发明实施例提供的一种指标预测方法，其基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果，可以提前预知系统一段时间后的产出情况，大大提高了现场人员对系统的控制能力，减少控制时间成本，为使用者创造更大价值；而且其不改变生产过程中的原料与流程的对应关系，不需要改变生产设备及工艺，可以与传统生产系统无缝结合，功能扩展性强，因此能够最大程度上减少平台与设备成本。
附图说明
图1为本发明实施例提供的一种指标预测方法的应用环境图；
图2为本发明实施例提供的一种指标预测方法的流程图；
图3为本发明实施例提供的建立数字孪生模型的流程图；
图4为本发明实施例提供的以生产相关历史数据作为测试样本训练深度学习模型的流程图；
图5为本发明实施例提供的以真实数据对所述数字孪生模型和深度学习模型进行修正的流程图；
图6为本发明实施例提供的对数字孪生模型和深度学习模型的输出结果进行耦合处理的流程图；
图7为本发明实施例提供的一种指标预测系统的结构框图；
图8为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供一种指标预测方法的应用环境图，如图1所示，在该应用环境中，包括终端110以及计算机设备120。
计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端110以及计算机设备120可以通过网络进行连接，本发明在此不做限制。
如图2所示，在一个实施例中，提出了一种指标预测方法，本实施例主要以该方法应用于上述图1中的终端110（或服务器120）来举例说明。一种指标预测方法，具体可以包括以下步骤：
S100，基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标。
本发明实施例中所指生产相关历史数据包括反应过程中的温度、压力、密度、电流、电压、液位等数据，也可以包括相关设备的工作参数和反应物的浓度等参数，而生产相关历史数据的采集方式可以为通过Web系统、生产线工作站系统、OPC服务器等配置对生产线上的各个设备的生产数据进行监控，本发明实施例在此不进行具体的限定。
本发明实施例中，数字孪生模型的建立目的是希望通过找到一种手段可以将化学反应的速率以及针对某种物质的选择性定量表示出来，即对化学反应进行定量描述。
以湿法生产磷酸为例，其是用无机酸分解磷矿粉，分离出粗磷酸，再经净化后制得磷酸产品。湿法磷酸工艺按其所用无机酸的不同可分为硫酸法、硝酸法、盐酸法等。矿石分解反应式表示如下：
Ca5F(PO4)3+5H2SO4+5nH2O=3H3PO4+5CaSO4·nH2O+HF↑
反应分两步进行，第一步是磷矿和循环料浆（或返回系统的磷酸）进行预分解反应，磷矿首先溶解在过量的磷酸溶液中生成磷酸一钙：
Ca5F(PO4)3+7H3PO4=5Ca(H2PO4)2+HF↑
预分解可防止磷矿与浓硫酸直接反应，避免在磷矿粒子表面生成硫酸钙薄膜而阻碍磷矿的进一步分解，同时也有利于硫酸钙过饱和度的降低。
第二步反应，磷酸一钙与稍过量的硫酸反应生产硫酸钙结晶与磷酸溶液：
5Ca(H2PO4)2+5H2SO4+5nH2O=5CaSO4·nH2O+10H3PO4
磷矿中的钙生成什么形式的钙盐不尽相同，各有其特点。反应终止后，如何将钙盐分离出去，并能经济地生产出磷酸则是问题的关键。相应地，湿法磷酸的生产工艺可分为无水物法、半水法、二水法及半水-二水法等。其中，二水法由于技术成熟、操作稳定可靠、对矿石的适应性强等优点，在湿法磷酸工艺中居于主导地位。我国80%以上的磷酸都采用湿法磷酸二水法流程生产。二水法流程具有工艺简单、技术成熟、对矿石种类适应性强的特点，特别适用于中低品位矿石，在湿法磷酸生产中居于统治地位。
在上述反应机理中，每一步反应可以称作基元反应，磷萃取反应机理由多个基元反应所组成，这些基元反应的净反应即为表观上的磷萃取化学反应。数字孪生模型的作用可以理解为对上述化学反应进行定量描述。
S200，以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测。
本发明实施例中深度学习模型的目的在于对数字孪生模型输出值和实际值的残差进行预测。
而在实际应用中，数字孪生模型因为其特殊性，其可以对机理可计算可解释的部分进行预测，即基于反应机理可解释的部分（反应中间指标）进行计算预测，然而实际过程中还存在由于时延、非线性、杂质等造成的不可知噪音，以及难以被数字孪生模型捕捉的方差，方差指的是变异性，深度学习模型即是用于对难以被数字孪生模型捕捉的这部分方差进行处理预测的。
S300，将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
本发明实施例中，由于对于测试样本的预测值，就是上述数字孪生与深度学习模型的预测值的处理结果。整个过程由数字孪生模型与深度学习模型各负责一部分，最后获取更为准确的预测结果。
以上述提供的磷酸生产制备中指标的预测方法，其是通过预测反应中间指标（如滤液密度、料浆密度、含固量等）的方式，最终来对磷收率进行预知。
本发明实施例所提供的方法，可以提前预知系统一段时间后的产出情况，大大提高了现场人员对系统的控制能力，减少控制时间成本，为使用者创造更大价值；而且其不改变生产过程中的原料与流程的对应关系，不需要改变生产设备及工艺，可以与传统生产系统无缝结合，功能扩展性强，因此能够最大程度上减少平台与设备成本。
在一个实施例中，如图3所示，步骤S100具体可以包括以下步骤：
S101，分析反应机理。
本发明实施例中，还是以前述的湿法生产磷酸为例，其实质上研究的是磷萃取生产过程中性质随时间而变化的非平衡的动态体系，即从化学动力学的原始实验数据出发研究目标指标c与时间t的关系。
本发明实施例中的数字孪生模型并不直接计算达到反应平衡时反应进行的程度或转化率，其实际是从一种动态的角度观察化学反应，研究反应系统转变所需要的时间，以及这其中所涉及的微观物理化学过程。例如反应进程中时间间隔（Δt）内参与萃取反应的原料、中间物的变化量。反应机理中，每一步反应称作基元反应，磷萃取反应机理由多个基元反应所组成，这些基元反应的净反应即为表观上的磷萃取化学反应。因此在建立数字孪生模型分析和研究其反应机理非常有必要。
S102，根据反应机理对每一个反应中间指标的变化列出初步的微分方程组。
S103，根据生产相关历史数据对初步的微分方程组的系数进行拟合求解得到微分方程组。
本发明实施例中，具体的来说，可以根据对反应机理的研究去确定关于反应中间指标的初步的微分方程组，以滤液密度这个中间指标为例，其反应机理在前述实施例中已经表述，那么可以根据反应机理列出如下微分方程组：
Figure 78243DEST_PATH_IMAGE001
上述式中，
Figure 542854DEST_PATH_IMAGE002
为滤液密度，
Figure 588170DEST_PATH_IMAGE003
、
Figure 576855DEST_PATH_IMAGE004
和
Figure 171653DEST_PATH_IMAGE005
分别为Ca5F(PO4)3、Ca(H2PO4)2、H3PO4的 浓度，k1、k2和k3分别为Ca5F(PO4)3、Ca(H2PO4)2、H3PO4的反应比速，其在反应温度稳定时为常 数，in为反应级数，t为时间。
具体的，在实际应用时，可以基于反应机理去拟合函数，由于事先已经获取了大量的历史数据，通过这些大量的历史数据，可以为上述微分方程组拟合最佳参数。
这一组微分方程实际上就是数字孪生模型，所求得的解即是预测或者得到的反应中间指标，上述微分方程组的迭代求解方法主要是利用Gauss-Seidelization（高斯-赛德尔迭代）和Newton's method（牛顿迭代），基本思路是构建迭代的非线性方程组，然后迭代直至收敛。偏微分方程组在离散化以后会得到相应的非线性方程组，也就可以用上面两种方法求解，方程组求解用于给计算无解析解情况下，变量间演化关系。
在一个实施例中，如图4所示，步骤S200具体可以包括以下步骤：
作为优选的，步骤S200中的深度学习模型，在本发明实施例中，以图深度神经网络为例，当然在实际应用时，也可以选用诸如卷积神经网络等其他深度学习模型，本发明实施例在此不进行具体的限定。
S201，根据反应机理定义节点和边。
本发明实施例中，在图深度神经网络结构中，每一个节点由它自身的特征以及与其相连的节点特征来定义该节点。磷萃取过程可以看作一个图结构，其中各个反应或者加工流程（预反应、反应、过滤、萃取、反酸等）可以看做是节点，各个反应或者加工流程之间的相互关系可以看做是边，图神经网络可以进行许多预测，例如链接预测，输入刚才提到的两个节点的隐向量以及它们之间的边的信息，能够输出这两个节点之间相互作用，比如预测预反应的充分性对正式反应充分性会产生多大的影响。因为上游反应或流程会影响下游反应或流程的进行。本发明实施例中所述深度学习模型是对数字孪生模型输出值和实际值的残差进行预测的。
S202，生成关于残差的标签。即相当于将图深度神经网络的输入和输出进行定义。
深度学习模型的目的就是为每个节点学习到一个状态向量
Figure 322012DEST_PATH_IMAGE006
，Rs为s维的 有理数空间，这个向量包含每个节点的邻居节点的信息。
Figure 57887DEST_PATH_IMAGE007
表示节点的状态向量，这个状 态向量可以用于产生输出
Figure 600995DEST_PATH_IMAGE008
。
Figure 535453DEST_PATH_IMAGE009
是带有参数的函数，叫做局部转移函数，这个函数在所有节点中共享，并根据 邻居节点的输入来更新节点状态。
Figure 997658DEST_PATH_IMAGE010
为局部输出函数，这个函数用于描述输出的产生方 式。
Figure 345463DEST_PATH_IMAGE011
其中，
Figure 128480DEST_PATH_IMAGE012
表示节点
Figure 120706DEST_PATH_IMAGE013
的特征向量，
Figure 816130DEST_PATH_IMAGE014
表示与节点
Figure 651231DEST_PATH_IMAGE015
关联的边的特征向量，
Figure 395196DEST_PATH_IMAGE016
表示节点
Figure 382875DEST_PATH_IMAGE015
的邻居节点的状态向量，
Figure 186883DEST_PATH_IMAGE017
表示节点
Figure 243700DEST_PATH_IMAGE015
的邻居节点特征向量。
假设将所有的状态向量、所有的输出向量、所有的特征向量和所有的节点特征而 得到的向量叠加起来，分别用
Figure 791356DEST_PATH_IMAGE018
、
Figure 155514DEST_PATH_IMAGE019
、
Figure 396003DEST_PATH_IMAGE020
、
Figure 940116DEST_PATH_IMAGE021
表示，那么可以得到更加紧凑的表示：
Figure 291463DEST_PATH_IMAGE022
其中，
Figure 988155DEST_PATH_IMAGE023
和
Figure 399545DEST_PATH_IMAGE024
分别称为全局转移函数和全局输出函数，是针对所有节点的
Figure 430955DEST_PATH_IMAGE025
和
Figure 320413DEST_PATH_IMAGE026
的堆叠版本。根据Banach（巴拿赫）的不动点定理，图深度神经网络使用如下的 传统迭代方法来计算状态参量：
Figure 635726DEST_PATH_IMAGE027
其中，
Figure 14755DEST_PATH_IMAGE028
表示
Figure 408827DEST_PATH_IMAGE029
的第t个迭代周期的张量，对于任意的初始值
Figure 226610DEST_PATH_IMAGE030
，公式（5）能通 过快速收敛来得到公式（3）最终的固定点的解。
S203，定义损失函数，以对图深度神经网络模型进行训练，训练过程中通过优化器自动对权重进行调整更新。
本发明实施例中，使用的是有监督的学习方式，可以将损失函数定义为如下形式：
Figure 756949DEST_PATH_IMAGE031
Figure 385507DEST_PATH_IMAGE032
表示监督节点的数目，
Figure 266876DEST_PATH_IMAGE033
和
Figure 622771DEST_PATH_IMAGE034
分别表示节点的真实值和预测值。损失函数的 学习基于梯度下降策略，由以下步骤组成：
状态
Figure 273195DEST_PATH_IMAGE035
（
Figure 305611DEST_PATH_IMAGE035
为第t次迭代的状态向量
Figure 674275DEST_PATH_IMAGE036
）按照公式（1）迭代更新T个轮次，直到到 达接近公式（3）的定点解的时刻T，这时得到的H会接近不动点的解
Figure 833861DEST_PATH_IMAGE037
。
权重
Figure 604371DEST_PATH_IMAGE038
的梯度由损失函数计算得到并根据上一步中计算的梯度更新。其中，图深 度神经网络可以看做是一个函数：
Figure 309153DEST_PATH_IMAGE039
，
Figure 165113DEST_PATH_IMAGE040
为输入，
Figure 128390DEST_PATH_IMAGE041
为输出，
Figure 674778DEST_PATH_IMAGE042
为
Figure 737412DEST_PATH_IMAGE043
的参数， 也可以称之为权重。事实上
Figure 142985DEST_PATH_IMAGE042
的真实值就是目标，但是实际上我们有的只是一些
Figure 300166DEST_PATH_IMAGE040
和与 之对应的真实的
Figure 779689DEST_PATH_IMAGE041
值，所以需要用这两个值去估计
Figure 341120DEST_PATH_IMAGE042
的真实值，这个问题可以看成下式 的优化问题（优化问题即求函数最小值）：
Figure 906094DEST_PATH_IMAGE044
；
令
Figure 460441DEST_PATH_IMAGE045
，此处的E为误差项，即为损失函数。我们的目标就是求一 组
Figure 528891DEST_PATH_IMAGE042
使得E最小。一般是采用梯度下降法来实现（优化器所执行的步骤或者所实现的功能， 实际上就是这个梯度下降法），这个算法一开始先随机生成一个
Figure 261224DEST_PATH_IMAGE042
，然后用下面的公式不 断更新
Figure 313493DEST_PATH_IMAGE042
的值，最终能够逼近真实结果。
Figure 907417DEST_PATH_IMAGE046
其中
Figure 361532DEST_PATH_IMAGE047
是当前误差E关于
Figure 264766DEST_PATH_IMAGE042
的梯度，它的物理意义是当
Figure 601069DEST_PATH_IMAGE042
变化的时候E随之变 化的幅度，
Figure 123317DEST_PATH_IMAGE048
为学习率，通常为0.1以下，用于控制更新的步长。
经过以上学习过程，图深度神经网络表现出了对残差良好的预测性能，并在600个训练周期内收敛，实验结果表明该网络实现了有效和准确预测，可以用于磷萃取反应中间指标的预测。
在一个实施例中，如图5所示，一种指标预测方法，其与图2所示的方法相比，区别在于，还包括：
步骤S400，以真实数据对所述数字孪生模型和深度学习模型进行修正。
具体的来说，所述步骤S400包括以下步骤：
S401，获取生产相关真实数据；
S402，将生产相关真实数据和数据孪生模型的预测结果进行比较，根据比较结果调整微分方程组的系数；
S403，基于调整后微分方程组输出的反应中间指标，计算获取反应中间指标与实际值的残差；
S404，将所述反应中间指标与实际值的残差输入至深度学习模型中进行预测；
S405，预测时以验证集数据为基准，按照深层至浅层逐层解冻的方式进行，直至误差收敛至设定阈值时停止，以实现对深度学习模型的修正。所述验证集数据为一部分真实的数据。
本发明实施例中，此处的误差为神经网络的预测值与实际数据值的差值的误差，采用这种方式对深度学习模型进行修正，可以控制深度学习模型在欠拟合和过拟合之间的权衡，使深度学习模型能恰到好处地学习到本质信息，而不是噪音，最终达到降低预测误差的效果。
在一个实施例中，如图6所示，一种指标预测方法，其与图2所示的方法相比，区别在于，还包括：
所述对数字孪生模型和深度学习模型的输出结果进行处理，以获取指标预测结果的步骤，具体包括：
S301，获取数字孪生模型和深度学习模型的输出结果；
S302，将所述输出结果输入至感知机模型中，由所述感知机模型输出指标预测结果。
在本发明实施例中，所述感知机模型为一种浅层神经网络，输出层为一个单元，即为指标预测结果。感知机模型是单个神经元模型，通过加深神经元的网络层次既得多层感知机，它是一种简单的神经网络。实际上，感知机模型建立了数字孪生模型和深度学习模型的输出与真实数据之间的非线性映射关系。
在一个实施例中，一种指标预测方法，其与图2所示的方法相比，区别在于，还包括将指标预测结果实时通过有线或无线方式向用户展示的步骤。
本发明实施例中，指标预测结果可以有线或无线方式显示在终端110向用户展示，也可以通过短信、微信推送的方式来告知用户，具体不做限定，终端110不仅可以作为图形或者信息的展示，也可以进行人机交互等。
如图7所示，在一个实施例中，提供了一种指标预测系统，该指标预测系统可以集成于上述的计算机设备120中，具体可以包括数据采集模块100、第一模型预测模块200、第二模型预测模块300和结果处理模块400，其中：
数据采集模块100用于采集生产相关历史数据；
第一模型预测模块200用于基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
第二模型预测模块300用于以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
结果处理模块400用于将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
本发明实施例中，所述数据采集模块100由各类测量表具及上层的数据采集单元组成和实现，可实现现场实时数据采集和处理。具备实时采集、自动存储、即时显示、即时反馈、自动处理、自动传输功能，为现场数据的真实性、有效性、实时性、可用性提供了保证。
第一模型预测模块200、第二模型预测模块300和结果处理模块400根据数据采集的信息与内部结构，进行实时运算与在线学习。
特别的，所述的指标预测系统还可以具备监控告警模块，其根据数据采集模块100获取到的数据与历史数据的对照，以异常检测的方式发现或预测极端情况的发生，返回安全警告消息。
在一个实施例中，提出了一种指标预测方法在磷酸生产中的应用。具体的，其基于生产相关历史数据和反应机理建立数字孪生模型，此处的生产相关历史数据和反应机理即为磷酸生产的相关数据以及磷酸生产的反应机理，所述数字孪生模型用于预测反应中间指标，此处的反应中间指标可以为滤液密度、料浆密度、含固量等指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。可以在磷酸的生产制备时，预测反应中间指标，进而实现磷萃取率的精准预测，大大提高了现场人员对系统的控制能力，减少控制时间成本，为用户创造更大价值。
图8示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的终端110（或服务器120）。如图8所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现指标预测方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行指标预测方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的指标预测系统可以实现为一种计算机程序的形式，计算机程序可在如图8所示的计算机设备上运行。计算机设备的存储器中可存储组成该指标预测系统的各个程序模块，比如，图7所示的数据采集模块100、第一模型预测模块200和第二模型预测模块300。 各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的指标方法中的步骤。
例如，图8所示的计算机设备可以通过如图7所示的指标预测系统中的第一模型预测模块200执行步骤S100，第二模型预测模块300执行步骤S200。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
S100，基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
S200，以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
S300，将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
S100，基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
S200，以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
S300，将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种指标预测方法，其特征在于，所述方法包括以下步骤：
基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于生产相关历史数据和反应机理建立数字孪生模型的步骤，具体包括：
分析反应机理；
根据反应机理对每一个反应中间指标的变化列出初步的微分方程组；
根据生产相关历史数据对初步的微分方程组的系数进行拟合求解得到微分方程组。
3.根据权利要求1所述的方法，其特征在于，所述训练深度学习模型的步骤，具体包括：
根据反应机理定义节点和边；
生成关于残差的标签；
定义损失函数，以对图深度神经网络模型进行训练，训练过程中自动对权重进行调整更新。
4.根据权利要求2所述的方法，其特征在于，还包括以下步骤：以真实数据对所述数字孪生模型和深度学习模型进行修正。
5.根据权利要求4所述的方法，其特征在于，所述以真实数据对所述数字孪生模型和深度学习模型进行修正的步骤，具体包括：
获取生产相关真实数据；
将生产相关真实数据和数据孪生模型的预测结果进行比较，根据比较结果调整微分方程组的系数；
基于调整后微分方程组输出的反应中间指标的预测值，计算获取反应中间指标与实际值的残差；
将所述反应中间指标与实际值的残差输入至深度学习模型中进行预测；
预测时按照深层至浅层逐层解冻的方式进行，直至误差收敛至设定阈值时停止，以实现对深度学习模型的修正。
6.根据权利要求1或2或3或4或5所述的方法，其特征在于，所述对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果的步骤，具体包括：
获取数字孪生模型和深度学习模型的输出结果；
将所述输出结果输入至感知机模型中，由所述感知机模型输出指标预测结果。
7.根据权利要求6所述的方法，其特征在于，还包括将指标预测结果实时通过有线或无线方式向用户展示的步骤。
8.一种指标预测系统，其特征在于，包括：
数据采集模块，用于采集生产相关历史数据，
第一模型预测模块，用于基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；
第二模型预测模块，用于以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；
结果处理模块，用于将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
9.如权利要求1至7中任一项所述的指标预测方法在磷酸生产中的应用。
CN202210500535.XA 2022-05-10 2022-05-10 指标预测方法、系统以及其在磷酸生产中的应用 Active CN114596919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210500535.XA CN114596919B (zh) 2022-05-10 2022-05-10 指标预测方法、系统以及其在磷酸生产中的应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210500535.XA CN114596919B (zh) 2022-05-10 2022-05-10 指标预测方法、系统以及其在磷酸生产中的应用

Publications (2)

Publication Number Publication Date
CN114596919A true CN114596919A (zh) 2022-06-07
CN114596919B CN114596919B (zh) 2022-09-02

Family

ID=81811913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210500535.XA Active CN114596919B (zh) 2022-05-10 2022-05-10 指标预测方法、系统以及其在磷酸生产中的应用

Country Status (1)

Country Link
CN (1) CN114596919B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115579092A (zh) * 2022-11-25 2023-01-06 安徽瑞邦数科科技服务有限公司 一种贡献值预测方法、系统和其在磷酸生产中的应用
CN115577641A (zh) * 2022-11-14 2023-01-06 成都飞机工业（集团）有限责任公司 一种数字孪生模型的训练方法、装置、设备及介质

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091458A (zh) * 2013-01-09 2013-05-08 浙江大学 湿法磷酸生产过程中反应槽料浆磷酸浓度的软测量方法
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
CN111639430A (zh) * 2020-05-29 2020-09-08 重庆大学 一种数字孪生驱动的天然气管道泄漏识别系统
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN111723513A (zh) * 2020-04-26 2020-09-29 深圳同奈信息科技有限公司 一种通过机器学习神经网络进行反演模拟参数的方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112427624A (zh) * 2020-11-04 2021-03-02 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112684379A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器故障诊断系统及其方法
WO2021092263A1 (en) * 2019-11-05 2021-05-14 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for value chain networks
CN113051831A (zh) * 2021-04-01 2021-06-29 重庆大学 机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法
CN113192568A (zh) * 2021-03-15 2021-07-30 山东钢铁股份有限公司 一种精炼炉脱硫终点预报方法和系统
CN113609955A (zh) * 2021-07-30 2021-11-05 福州大学 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统
CN113642236A (zh) * 2021-08-10 2021-11-12 东华大学 一种面向多学科的数字孪生图网络建模方法
CN113656971A (zh) * 2021-08-18 2021-11-16 中国石油化工股份有限公司 数字孪生系统建立方法、装置、电子设备和可读存储介质
CN113985814A (zh) * 2021-10-25 2022-01-28 东华大学 一种基于数字孪生的加工过程自适应控制方法
CN114297927A (zh) * 2021-12-28 2022-04-08 中国科学院自动化研究所 基于数据驱动的工业装备数字孪生构建维护方法及系统
CN114398049A (zh) * 2021-11-29 2022-04-26 南京航空航天大学 一种离散制造车间数字孪生模型自适应动态更新方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091458A (zh) * 2013-01-09 2013-05-08 浙江大学 湿法磷酸生产过程中反应槽料浆磷酸浓度的软测量方法
CN110322933A (zh) * 2019-06-20 2019-10-11 浙江工业大学 一种基于动态误差补偿机制的聚丙烯熔融指数混合建模方法
CN110851966A (zh) * 2019-10-30 2020-02-28 同济大学 一种基于深度神经网络的数字孪生模型修正方法
WO2021092263A1 (en) * 2019-11-05 2021-05-14 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform for value chain networks
CN111723513A (zh) * 2020-04-26 2020-09-29 深圳同奈信息科技有限公司 一种通过机器学习神经网络进行反演模拟参数的方法
CN111639430A (zh) * 2020-05-29 2020-09-08 重庆大学 一种数字孪生驱动的天然气管道泄漏识别系统
CN111695734A (zh) * 2020-06-12 2020-09-22 中国科学院重庆绿色智能技术研究院 一种基于数字孪生及深度学习的多工艺规划综合评估系统及方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112427624A (zh) * 2020-11-04 2021-03-02 中国科学院重庆绿色智能技术研究院 一种基于数字孪生的铸锻双控成型系统及参数优化方法
CN112684379A (zh) * 2020-11-25 2021-04-20 江苏科技大学 一种基于数字孪生的变压器故障诊断系统及其方法
CN113192568A (zh) * 2021-03-15 2021-07-30 山东钢铁股份有限公司 一种精炼炉脱硫终点预报方法和系统
CN113051831A (zh) * 2021-04-01 2021-06-29 重庆大学 机床热误差自学习预测模型建模方法及基于数字孪生的机床热误差控制方法
CN113609955A (zh) * 2021-07-30 2021-11-05 福州大学 一种基于深度学习和数字孪生的三相逆变器参数辨识方法和系统
CN113642236A (zh) * 2021-08-10 2021-11-12 东华大学 一种面向多学科的数字孪生图网络建模方法
CN113656971A (zh) * 2021-08-18 2021-11-16 中国石油化工股份有限公司 数字孪生系统建立方法、装置、电子设备和可读存储介质
CN113985814A (zh) * 2021-10-25 2022-01-28 东华大学 一种基于数字孪生的加工过程自适应控制方法
CN114398049A (zh) * 2021-11-29 2022-04-26 南京航空航天大学 一种离散制造车间数字孪生模型自适应动态更新方法
CN114297927A (zh) * 2021-12-28 2022-04-08 中国科学院自动化研究所 基于数据驱动的工业装备数字孪生构建维护方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
唐子惠: "《医学人工智能导论》", 30 April 2020 *
徐先峰 等: "融合MLP和DBN的光伏发电预测算法", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577641A (zh) * 2022-11-14 2023-01-06 成都飞机工业（集团）有限责任公司 一种数字孪生模型的训练方法、装置、设备及介质
CN115579092A (zh) * 2022-11-25 2023-01-06 安徽瑞邦数科科技服务有限公司 一种贡献值预测方法、系统和其在磷酸生产中的应用

Also Published As

Publication number Publication date
CN114596919B (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN114596919B (zh) 指标预测方法、系统以及其在磷酸生产中的应用
JP7461440B2 (ja) 根本的原因分析を実行してプラントワイド操業での希少イベントの発生の予測モデルを構築するコンピュータシステムおよび方法
Bhadriraju et al. Operable adaptive sparse identification of systems: Application to chemical processes
Dai et al. Hybrid parallel stochastic configuration networks for industrial data analytics
Ren et al. Vine copula-based dependence description for multivariate multimode process monitoring
Diaz et al. Random forest model predictive control for paste thickening
CN110782067B (zh) 一种基于模糊信息粒化的烧结终点波动范围预测方法
Jia et al. Transfer learning for end-product quality prediction of batch processes using domain-adaption joint-Y PLS
Cao et al. Real-time feasible multi-objective optimization based nonlinear model predictive control of particle size and shape in a batch crystallization process
Pinto et al. A general deep hybrid model for bioreactor systems: Combining first principles with deep neural networks
Wang et al. Optimization of aluminum fluoride addition in aluminum electrolysis process based on pruned sparse fuzzy neural network
Jia et al. Self-tuning final product quality control of batch processes using kernel latent variable model
Jia et al. Batch-to-batch optimization of cobalt oxalate synthesis process using modifier-adaptation strategy with latent variable model
Wu et al. Physics-informed machine learning for MPC: Application to a batch crystallization process
Liang et al. Hydrocarbon production dynamics forecasting using machine learning: A state-of-the-art review
CN115620846A (zh) 一种活性锰材料制备及控制方法
Chen et al. Transfer life prediction of gears by cross-domain health indicator construction and multi-hierarchical long-term memory augmented network
CN115579092B (zh) 一种贡献值预测方法、系统和其在磷酸生产中的应用
Ren et al. Spatial-temporal associations representation and application for process monitoring using graph convolution neural network
Zhu et al. A Fuzzy Control Method Based on Rule Extraction for Zinc Leaching Process of Zinc Hydrometallurgy
Li et al. The updating strategy for the safe control Bayesian network model under the abnormity in the thickening process of gold hydrometallurgy
Samad et al. Introducing uncertainty analysis of nucleation and crystal growth models in Process Analytical Technology (PAT) system design of crystallization processes
EP4293541A1 (en) Systems and methods for probabilistic forecasting of extremes
Wen et al. Multivariate degradation system reliability analysis with multiple sources of uncertainty
Robinson et al. Deep learning assisted physics-based modeling of aluminum extraction process

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