CN115138309B - 一种用于甲酯生产中粗品制备的智能生产监测方法 - Google Patents

一种用于甲酯生产中粗品制备的智能生产监测方法 Download PDF

Info

Publication number
CN115138309B
CN115138309B CN202211075555.3A CN202211075555A CN115138309B CN 115138309 B CN115138309 B CN 115138309B CN 202211075555 A CN202211075555 A CN 202211075555A CN 115138309 B CN115138309 B CN 115138309B
Authority
CN
China
Prior art keywords
time period
set time
current set
power
temperature
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
Application number
CN202211075555.3A
Other languages
English (en)
Other versions
CN115138309A (zh
Inventor
韩绍滋
孔意
张永民
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.)
Jinan Mingxin Pharmaceutical Co ltd
Original Assignee
Jinan Mingxin Pharmaceutical 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 Jinan Mingxin Pharmaceutical Co ltd filed Critical Jinan Mingxin Pharmaceutical Co ltd
Priority to CN202211075555.3A priority Critical patent/CN115138309B/zh
Publication of CN115138309A publication Critical patent/CN115138309A/zh
Application granted granted Critical
Publication of CN115138309B publication Critical patent/CN115138309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • B01J19/0033—Optimalisation processes, i.e. processes with adaptive control systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
    • B01J—CHEMICAL OR PHYSICAL PROCESSES, e.g. CATALYSIS OR COLLOID CHEMISTRY; THEIR RELEVANT APPARATUS
    • B01J19/00—Chemical, physical or physico-chemical processes in general; Their relevant apparatus
    • B01J19/0006—Controlling or regulating processes
    • C—CHEMISTRY; METALLURGY
    • C07—ORGANIC CHEMISTRY
    • C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
    • C07C67/00—Preparation of carboxylic acid esters
    • C07C67/08—Preparation of carboxylic acid esters by reacting carboxylic acids or symmetrical anhydrides with the hydroxy or O-metal group of organic compounds
    • 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
    • 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
    • G06Q10/06395—Quality analysis or management
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Organic Chemistry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)

Abstract

本发明涉及化工技术领域，具体涉及一种用于甲酯生产中粗品制备的智能生产监测方法，包括，实时获取甲酯粗品制备生产在当前设定时段内每个预设时刻对应的酯化釜温度、酯化釜压强以及加热装置功率，进而确定当前设定时段对应的综合状态变化趋势向量，从而确定当前设定时段的下一时刻对应的加热装置功率和酯化釜温度；构建酯化反应状态结果向量，根据酯化反应状态结果向量和预先构建并训练好的酯化反应预测模型，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态。本发明解决了酯化反应实时监测精度差，无法准确预测未来时刻酯化反应发展状态的问题，提高了酯化反应状态预测结果的准确度，可以应用于化工原料甲酯粗品制备生产车间。

Description

一种用于甲酯生产中粗品制备的智能生产监测方法
技术领域
本发明涉及化工技术领域，具体涉及一种用于甲酯生产中粗品制备的智能生产监测方法。
背景技术
在甲酯生产过程中容易出现的异常状况包括：酯化釜发生堵塞导致装置停车、原材料纯度不足导致转化率低以及生产过程中出现副产物等。为了减少甲酯生产过程出现的异常状况对甲酯生产质量的影响，需要在甲酯生产过程中实时监测并预测酯化反应发展状态。
当甲酯生产过程中出现异常状况时，通常是由工作人员监测，再根据历史经验来调整甲酯生产的相关参数，以降低异常状况对甲酯生产质量的影响。由于人工监测存在不稳定性和实时性差的缺陷，该方法很难及时发现甲酯生产过程中的异常状况，其容易降低甲酯生产企业的经济效益。随着数据处理技术的迅速发展，现有提出了公开号为CN102718953B的一种聚酯生产中自动调整酯化釜EG回流比的方法，该方法通过采集酯化气相管温度，对酯化气相管温度进行相关的数据处理，调整酯化釜的回流比。该方法一定程度克服了人工监测实时性较差的缺陷，但是，酯化反应的发展状态受甲酯生产过程中的多方面因素的影响，该方法仅通过监测酯化气相管温度来反映监测酯化反应的发展状态，其监测准确性较差且难以准确预测出未来时刻的酯化反应状态，故使用该方法的甲酯生产过程中仍存在较大的隐患。
发明内容
为了解决上述现有方法酯化反应发展状态的实时监测准确性较差，无法准确预测未来时刻的酯化反应状态的技术问题，本发明的目的在于提供一种用于甲酯生产中粗品制备的智能生产监测方法，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于甲酯生产中粗品制备的智能生产监测方法，该方法包括以下步骤：
实时获取甲酯粗品制备生产在当前设定时段内每个预设时刻对应的酯化釜温度、酯化釜压强以及加热装置功率；
根据当前设定时段内每个预设时刻对应的酯化釜温度和加热装置功率，确定当前设定时段对应的综合状态变化趋势向量；
根据当前设定时段对应的综合状态变化趋势向量以及预先构建并训练好的相关向量机预测模型，确定当前设定时段的下一时刻对应的加热装置功率；
根据当前预设时刻对应的酯化釜温度和加热装置功率、当前设定时段的下一时刻对应的加热装置功率，确定当前设定时段的下一时刻对应的酯化釜温度，所述当前预设时刻为当前设定时段内的最后一个预设时刻；
根据当前设定时段的下一时刻对应的酯化釜温度和加热装置功率、当前预设时刻对应的酯化釜压强，构建酯化反应状态结果向量；
根据酯化反应状态结果向量和预先构建并训练好的酯化反应预测模型，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态。
进一步的，确定当前设定时段对应的综合状态变化趋势向量的步骤包括：
根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子以及第三温度变化趋势因子；
根据当前设定时段内每个预设时刻对应的加热装置功率和酯化釜温度，确定当前设定时段对应的第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子以及第四功率变化趋势因子；
根据当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子、第三温度变化趋势因子、第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子、第四功率变化趋势因子以及当前预设时刻对应的酯化釜温度和加热装置功率，确定当前设定时段对应的综合状态变化趋势向量。
进一步的，确定当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子以及第三温度变化趋势因子的步骤包括：
根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段内的酯化釜温度极大值和酯化釜温度极小值，并确定当前设定时段对应的酯化釜温度方差；
根据当前设定时段内的酯化釜温度极大值和酯化釜温度极小值、当前设定时段对应的酯化釜温度方差，确定当前设定时段对应的第一温度变化趋势因子；
根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段对应的酯化釜温度平均值，将该酯化釜温度平均值作为当前设定时段对应的第二温度变化趋势因子；
根据当前预设时刻对应的酯化釜温度和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前预设时刻对应的酯化釜温度与当前预设时刻的前一个预设时刻对应的酯化釜温度的比值，将该比值作为当前设定时段对应的第三温度变化趋势因子。
进一步的，确定当前设定时段对应的第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子以及第四功率变化趋势因子的步骤包括：
根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前设定时段对应的第一功率变化趋势因子；
根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段内的加热装置功率极大值和加热装置功率极小值，并确定当前设定时段对应的加热装置功率方差；
根据当前设定时段内的加热装置功率极大值和加热装置功率极小值、当前设定时段对应的加热装置功率方差，确定当前设定时段对应的第二功率变化趋势因子；
根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段对应的加热装置功率平均值，将该加热装置功率平均值作为当前设定时段对应的第三功率变化趋势因子；
根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的加热装置功率，确定当前预设时刻对应的加热装置功率与当前预设时刻的前一个预设时刻对应的加热装置功率的比值，将该比值作为当前设定时段对应的第四功率变化趋势因子。
进一步的，确定当前设定时段的下一时刻对应的加热装置功率的步骤包括：
将当前设定时段对应的综合状态变化趋势向量作为相关向量机预测模型的输入数据，输入到预先构建并训练好的相关向量机预测模型，输出当前设定时段的下一时刻对应的加热装置功率。
进一步的，确定当前设定时段的下一时刻对应的酯化釜温度的计算公式为：
Figure 354378DEST_PATH_IMAGE001
其中，
Figure 457463DEST_PATH_IMAGE002
为当前设定时段的下一时刻对应的酯化釜温度，
Figure 413786DEST_PATH_IMAGE003
为修正系数，
Figure 653138DEST_PATH_IMAGE004
为当前预设时刻对应的酯化釜温度，
Figure 967707DEST_PATH_IMAGE005
为当前设定时段的下一时刻对应的加热装置功率，
Figure 292509DEST_PATH_IMAGE006
为当前预设时刻对应的加热装置功率。
进一步的，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态的步骤包括：
将酯化反应状态结果向量作为酯化反应预测模型的输入数据，输入到预先构建并训练好的酯化反应异常预测模型，输出当前设定时段的下一时刻对应的甲酯粗品制备生产状态，所述甲酯粗品制备生产状态包含酯化反应异常和酯化反应正常。
本发明具有如下有益效果：
本发明提供了一种用于甲酯生产中粗品制备的智能生产监测方法，涉及化工技术领域，通过对当前设定时段内每个预设时刻对应的酯化釜温度和加热装置功率进行实时状态分析，得到当前设定时段对应的综合状态变化趋势向量，综合状态变化趋势向量从两个角度综合反映甲酯生产的实时发展状态，便于后续分析当前设定时段的下一时刻对应的加热装置功率，提高当前设定时段的下一时刻对应的加热装置功率的准确性，进而提高后续所确定的酯化反应发展状态实时监测的准确性；根据当前预设时刻对应的酯化釜温度和加热装置功率、当前设定时段的下一时刻对应的加热装置功率，可以确定当前设定时段的下一时刻对应的酯化釜温度，基于酯化釜温度和加热装置功率之间的对应关系，对当前设定时段的下一时刻对应的酯化釜温度进行分析，有助于提高当前设定时段的下一时刻对应的酯化釜温度的可参考性；根据当前设定时段的下一时刻对应的酯化釜温度和加热装置功率、当前预设时刻对应的酯化釜压强，构建酯化反应状态结果向量，由三个方面所构建的酯化反应状态结果向量提高了酯化反应状态结果向量的全面性，便于后续精准确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态；基于酯化反应状态结果向量和预先构建并训练好的酯化反应预测模型，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态，当前设定时段的下一时刻也就是未来时刻，利用酯化反应预测模型得到最终的预测结果，其能够有效提高未来时刻的酯化反应状态预测结果的准确性，同时有助于提高甲酯生产中粗品制备的生产产品质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明一种用于甲酯生产中粗品制备的智能生产监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例适用于化工原料甲基丙烯酸甲酯的丙酮氰醇法制备，具体过程为：首先，氢氰酸与丙酮在30%的氢氧化钠水溶液中进行氢化反应，生成丙酮氰醇。此时，氢氰酸与丙酮的摩尔比为1:1，反应温度为40℃。然后，丙酮氰醇与浓硫酸进行酰胺化反应，生成甲基丙烯酰胺的硫酸盐，且硫酸加入量要稍高于化学储量。此时，反应温度可以控制在三个温度阶段中，分别为80~90℃、130~140℃以及90℃。其次，酰胺盐再与水、甲醇依次进行水解和酯化，得到甲基丙烯酸甲酯，简称甲甲酯，甲甲酯属于甲酯的一种类别。此时，反应温度为100℃左右，甲基丙烯酰胺、甲醇与水的摩尔比为1:1.65:2。为了准确监测并预测甲酯生产过程中酯化反应发展状态，本实施例提供了一种用于甲酯生产中粗品制备的智能生产监测方法，如图1所示，该方法包括以下步骤：
（1）实时获取甲酯粗品制备生产在当前设定时段内每个预设时刻对应的酯化釜温度、酯化釜压强以及加热装置功率。
在甲酯的生产过程中，混合釜的反应是硫酸和丙酮氰醇用泵按照一定比例持续加入的过程，生成甲基丙烯肽胺硫酸盐。混合釜中所生成的甲基丙烯肽胺硫酸盐流入到酯化釜，通过酯化釜发生反应得到甲酯生产的粗品，同时得到副产物，副产物的种类可以有很多种，例如水、甲醇、高沸物重组以及未反应的甲基丙烯酸等，不同的温度和反应物的纯度会造成甲酯生产的副产物不同。基于对甲酯生产过程的分析可知，酯化釜温度、酯化釜压强以及加热装置功率均能够用于对甲酯粗品制备生产状态进行分析，故需要获取甲酯粗品制备生产在当前设定时段内每个预设时刻对应的酯化釜温度、酯化釜压强以及加热装置功率。
在本实施例中，设定时段为3分钟，预设时刻为每30秒采集一次数据，先利用酯化釜内的温度传感器在当前3分钟内每间隔30秒采集一次酯化釜温度，记为{T 1，T 2，…，T t }。然后，再利用酯化釜内的压力计记录在当前3分钟内每间隔30秒对应的酯化釜压强，记为{P 1，P 2，…，P t }。由于酯化反应需要控制在一定的温度范围内才能生成最终的甲酯，故该过程需要用到反应釜的加热装置，通过采集加热过程中加热装置功率可以反映甲酯粗品制备生产的温度变化情况，在当前3分钟内每间隔30秒，功率数据采集器就采集一次加热装置功率，记为{K 1，K 2，…，K t }。
（2）根据当前设定时段内每个预设时刻对应的酯化釜温度和加热装置功率，确定当前设定时段对应的综合状态变化趋势向量。
需要说明的是，为了能够从多个状态角度分析甲酯粗品制备生产在当前设定时段内的状态变化，综合反映甲酯粗品制备生产的真实情况，预测未来时刻的酯化发展状态，对当前设定时段内每个预设时刻对应的酯化釜温度和加热装置功率均进行相关数据处理，得到当前设定时段对应的综合状态变化趋势向量，其步骤包括：
（2-1）根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子以及第三温度变化趋势因子，其步骤包括：
（2-1-1）根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段内的酯化釜温度极大值和酯化釜温度极小值，并确定当前设定时段对应的酯化釜温度方差。
在本实施例中，酯化釜温度在当前设定时段内温度变换波动情况可由设定时段对应的极值和方差来确定，基于当前设定时段内每个预设时刻对应的酯化釜温度，可以计算当前设定时段内的酯化釜温度极大值、酯化釜温度极小值以及当前设定时段对应的酯化釜温度方差，其有助于后续确定当前设定时段对应的第一温度变化趋势因子。计算一组数据对应的极大值、极小值和方差的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（2-1-2）根据当前设定时段内的酯化釜温度极大值和酯化釜温度极小值、当前设定时段对应的酯化釜温度方差，确定当前设定时段对应的第一温度变化趋势因子。
在本实施例中，基于当前设定时段内的酯化釜温度极大值和酯化釜温度极小值，使当前设定时段内的酯化釜温度极大值减去酯化釜温度极小值，得到酯化釜温度极大值与酯化釜温度极小值的差值，简称极值差值。为了防止当前设定时段内每个预设时刻对应的酯化釜温度相等使后续确定的第一温度变化趋势因子为0，对酯化釜温度对应的极值差值和当前设定时段对应的酯化釜温度方差均进行加1处理，进而计算加1后的酯化釜温度对应的极值差值与加1后的当前设定时段对应的酯化釜温度方差的乘积，将该乘积作为当前设定时段对应的第一温度变化趋势因子，计算当前设定时段对应的第一温度变化趋势因子的计算公式可以为：
Figure 849261DEST_PATH_IMAGE007
其中，w 1为当前设定时段对应的第一温度变化趋势因子，T为当前设定时段内每个预设时刻对应的酯化釜温度组成的序列，Range( )为求极值差值函数，Var( )为求方差函数。
需要说明的是，第一温度变化趋势因子的计算公式中的
Figure 631535DEST_PATH_IMAGE008
和
Figure 366272DEST_PATH_IMAGE009
均能够反映当前设定时段内各个酯化釜温度的波动情况，
Figure 162059DEST_PATH_IMAGE008
表征当前设定时段内的酯化釜温度极差状态，
Figure 273234DEST_PATH_IMAGE009
表征当前设定时段内整体酯化釜温度的波动情况。从两个角度分析第一温度变化趋势因子，能够提高第一温度变化趋势因子的准确性和可参考性。第一温度变化趋势因子w 1越大，意味着当前设定时段对应的酯化釜温度有较大的波动变化，第一温度变化趋势因子w 1越小，意味着当前设定时段对应的酯化釜温度的波动变化较为平稳。
（2-1-3）根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段对应的酯化釜温度平均值，将该酯化釜温度平均值作为当前设定时段对应的第二温度变化趋势因子。
为了能够提高后续确定的当前设定时段对应的综合状态变化趋势向量的全面性，从酯化釜温度平均值的角度再次分析当前设定时段内酯化釜温度的变化情况，酯化釜温度平均值是反映数据集中趋势的一项指标，其能够很好的反映当前设定时段内各个酯化釜温度的集中趋势情况。因此，需要基于当前设定时段内每个预设时刻对应的酯化釜温度，计算当前设定时段对应的酯化釜温度平均值，并将该酯化釜温度平均值作为当前设定时段对应的第二温度变化趋势因子，其计算公式为：
Figure 972331DEST_PATH_IMAGE010
其中，w 2为当前设定时段对应的第二温度变化趋势因子，T为当前设定时段内每个预设时刻对应的酯化釜温度组成的序列，mean( )为求均值函数。
需要说明的是，若当前设定时段内每个预设时刻对应的酯化釜温度均较大，那么第二温度变化趋势因子w 2也会比较大，若当前设定时段内每个预设时刻对应的酯化釜温度均较小，那么第二温度变化趋势因子w 2也会比较小。
（2-1-4）根据当前预设时刻对应的酯化釜温度和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前预设时刻对应的酯化釜温度与当前预设时刻的前一个预设时刻对应的酯化釜温度的比值，将该比值作为当前设定时段对应的第三温度变化趋势因子。
在本实施例中，为了提高当前设定时段对应的温度变化趋势的准确性，基于当前预设时刻对应的酯化釜温度和当前预设时刻的前一个预设时刻对应的酯化釜温度，计算当前设定时段对应的第三温度变化趋势因子，其计算公式为：
Figure 143550DEST_PATH_IMAGE011
其中，w 3为当前设定时段对应的第三温度变化趋势因子，T t 为当前预设时刻对应的酯化釜温度，T t-1为当前预设时刻的前一个预设时刻对应的酯化釜温度。
当前预设时刻的前一个预设时刻对应的酯化釜温度T t-1不为0，需要说明的是，第三温度变化趋势因子是由两个酯化釜温度相比所得的值，其可以表征当前设定时段内当前预设时刻与其前一预设时刻对应的温度变化差异。第三温度变化趋势因子小于1，说明当前设定时段对应的酯化釜温度呈现递减趋势，第三温度变化趋势因子不小于1，说明当前设定时段对应的酯化釜温度呈现递增趋势。
（2-2）根据当前设定时段内每个预设时刻对应的加热装置功率和酯化釜温度，确定当前设定时段对应的第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子以及第四功率变化趋势因子。
需要说明的是，甲酯生产中粗品制备过程中的酯化釜温度需要保持在标准温度范围内，而加热装置的功率可用于控制酯化釜温度，基于对酯化釜温度的分析可知，酯化釜反应过程中的原料自身所产生或吸收的热量会对加热功率的调节有一定的影响，也就是酯化釜温度与加热装置功率存在对应关系，故需要对当前设定时段内每个预设时刻对应的加热装置功率进行数据分析，以确定当前设定时段对应的各个功率变化趋势因子，提高后续所确定的综合状态变化趋势向量的准确性，其步骤包括：
（2-2-1）根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前设定时段对应的第一功率变化趋势因子。
在本实施例中，为了能够反映出加热装置功率与酯化釜温度的对应关系，需要计算当前设定时段对应的第一功率变化趋势因子，当前预设时刻对应的加热装置功率与当前预设时刻的前一个预设时刻对应的酯化釜温度之间的比例关系可以表征第一功率变化趋势因子，其计算公式为：
Figure 629895DEST_PATH_IMAGE012
其中，h 1为当前设定时段对应的第一功率变化趋势因子，K t 为当前预设时刻对应的加热装置功率，T t-1为当前预设时刻的前一个预设时刻对应的酯化釜温度，exp( )为以自然常数e为底的指数函数。
由第一功率变化趋势因子的计算公式可知，当前预设时刻对应的加热装置功率K t 与当前设定时段对应的第一功率变化趋势因子h 1为正相关，当前预设时刻的前一个预设时刻对应的酯化釜温度T t-1与当前设定时段对应的第一功率变化趋势因子h 1为负相关。当前预设时刻对应的加热装置功率K t 与当前预设时刻的前一个预设时刻对应的酯化釜温度T t-1存在一定关联，例如，若当前预设时刻的前一个预设时刻对应的酯化釜温度高于标准温度范围最大值，为了保持酯化釜温度在标准温度范围内，通过降低加热装置功率使当前预设时刻对应的酯化釜温度降低。
（2-2-2）根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段内的加热装置功率极大值和加热装置功率极小值，并确定当前设定时段对应的加热装置功率方差。
为了便于后续确定当前设定时段对应的第二功率变化趋势因子，第二功率变化趋势因子能够反映当前设定时段内的各个加热装置功率对应的整体变化趋势，本实施例基于当前设定时段内每个预设时刻对应的加热装置功率，计算当前设定时段内的加热装置功率极大值和加热装置功率极小值以及当前设定时段对应的加热装置功率方差。从两个角度分析加热装置功率整体变化趋势，能够有效提高后续所确定的第二功率变化趋势因子的可参考性。计算一组数据对应的极大值、极小值和方差的过程为现有技术，不在本发明保护范围内，此处不再进行详细阐述。
（2-2-3）根据当前设定时段内的加热装置功率极大值和加热装置功率极小值、当前设定时段对应的加热装置功率方差，确定当前设定时段对应的第二功率变化趋势因子。
在本实施例中，为了确定当前设定时段对应的第二功率变化趋势因子，计算当前设定时段内的加热装置功率极大值与加热装置功率极小值的差值，得到当前设定时段对应的加热装置功率的极值差值，极值差值可以表征当前设定时段对应的加热装置功率的整体差异幅度。为了避免出现当前设定时段内的各个加热装置功率相等的情况，对当前设定时段对应的加热装置功率的极值差值和当前设定时段对应的加热装置功率方差均进行加1处理，得到加1后的加热装置功率的极值差值和加热装置功率方差，使加1后的加热装置功率的极值差值和加热装置功率方差相乘，将该乘积作为当前设定时段对应的第二功率变化趋势因子，其计算公式为：
Figure 279182DEST_PATH_IMAGE013
其中，h 2为当前设定时段对应的第二功率变化趋势因子，K为当前设定时段内每个预设时刻对应的加热装置功率组成的序列，Range( )为求极值差值函数，Var( )为求方差函数。
需要说明的是，第二功率变化趋势因子的计算公式中的Range(K)和Var(K)与h 2为正相关，当前设定时段对应的加热装置功率的极值差值Range(K)和当前设定时段对应的加热装置功率方差Var(K)越大，第二功率变化趋势因子h 2就会越大。
（2-2-4）根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段对应的加热装置功率平均值，将该加热装置功率平均值作为当前设定时段对应的第三功率变化趋势因子。
为了提高后续所确定的综合状态变化趋势向量的准确性，对当前设定时段内每个预设时刻对应的加热装置功率再次进行数据分析，得到当前设定时段对应的加热装置功率平均值，将当前设定时段对应的加热装置功率平均值作为当前设定时段对应的第三功率变化趋势因子，其计算公式为：
Figure 98364DEST_PATH_IMAGE014
其中，h 3为当前设定时段对应的第三功率变化趋势因子，K为当前设定时段内每个预设时刻对应的加热装置功率组成的序列，mean( )为求均值函数。
需要说明的是，第三功率变化趋势因子能够反映当前设定时段对应的各个加热装置功率的集中趋势状况，在当前设定时段内每个预设时刻对应的加热装置功率均较大的情况下，当前设定时段对应的第三功率变化趋势因子也会比较大。
（2-2-5）根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的加热装置功率，确定当前预设时刻对应的加热装置功率与当前预设时刻的前一个预设时刻对应的加热装置功率的比值，将该比值作为当前设定时段对应的第四功率变化趋势因子。
在本实施例中，为了确定当前设定时段对应的功率变化趋势，基于当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的加热装置功率，计算当前预设时刻对应的加热装置功率与当前预设时刻的前一个预设时刻对应的加热装置功率的比值，将该比值作为当前设定时段对应的第四功率变化趋势因子，当前设定时段对应的第四功率变化趋势因子的计算公式为：
Figure 174905DEST_PATH_IMAGE015
其中，h 4为当前设定时段对应的第四功率变化趋势因子，K t 为当前预设时刻对应的加热装置功率，K t-1为当前预设时刻的前一个预设时刻对应的加热装置功率。
当前预设时刻的前一个预设时刻对应的加热装置功率不为0，需要说明的是，第四功率变化趋势因子是由当前设定时段内的最后两个加热装置功率相比所得的值，第四功率变化趋势因子可以表征当前预设时刻与其前一预设时刻对应的温度变化差异，确定当前设定时段对应的功率变化趋势。当第四功率变化趋势因子小于1时，说明当前设定时段对应的功率变化呈现递减趋势，当第四功率变化趋势因子不小于1时，说明当前设定时段对应的功率变化呈现递增趋势。
（2-3）根据当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子、第三温度变化趋势因子、第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子、第四功率变化趋势因子以及当前预设时刻对应的酯化釜温度和加热装置功率，确定当前设定时段对应的综合状态变化趋势向量。
在本实施例中，为了整体分析当前设定时段对应的酯化反应发展状态，基于步骤（2-1）得到的当前设定时段对应的第一温度变化趋势因子w 1、第二温度变化趋势因子w 2和第三温度变化趋势因子w 3，步骤（2-2）得到的当前设定时段对应的第一功率变化趋势因子h 1、第二功率变化趋势因子h 2、第三功率变化趋势因子h 3、第四功率变化趋势因子h 4，以及当前预设时刻对应的酯化釜温度Tt和加热装置功率Kt，构建综合状态变化趋势向量，将该综合状态变化趋势向量记为X{w 1，w 2，w 3，h 1，h 2，h3，h 4，T t ，K t }。
需要说明的是，综合状态变化趋势向量包含了多个温度变化趋势因子、多个功率变化趋势因子以及当前预设时刻对应的酯化釜温度和加热装置功率，其能够很好的描述当前设定时段对应的酯化反应发展状态，提高实时监测酯化反应发展状态的准确性，有助于后续确定当前设定时段的下一时刻对应的加热装置功率。
（3）根据当前设定时段对应的综合状态变化趋势向量以及预先构建并训练好的相关向量机预测模型，确定当前设定时段的下一时刻对应的加热装置功率。
将当前设定时段对应的综合状态变化趋势向量作为相关向量机预测模型的输入数据，输入到预先构建并训练好的相关向量机预测模型，输出当前设定时段的下一时刻对应的加热装置功率。
需要说明的是，酯化反应是在酯化釜内部进行的，操作人员并不能直观地观测到当前设定时段对应的甲酯粗品制备生产状态，甲酯粗品制备生产状态也就是酯化反应发展状态，只能对完成甲酯生产全部流程的生产结果进行判断，判断该生产结果是否符合预设目标。基于对酯化生产流程的分析可知，预测当前设定时段的下一时刻对应的加热装置功率，对于提高甲酯粗品制备生产质量具有极其重要的作用。
为了能够准确预测当前设定时段的下一时刻对应的加热装置功率，本实施例预先构建并训练了一种RVM（Relevance Vector Machine，相关向量机）相关向量机预测模型，RVM相关向量机是基于贝叶斯原理上的一种可学习数据特征的概率模型，RVM相关向量机预测模型相比常见的SVM（Support Vector Machines，支持向量机）支持向量机预测模型和RBF（Radial Basis Function，径向基函数神经网络）神经网络预测模型，RVM相关向量机预测模型具有预测泛化能力强、预测精度高、模型更稀疏以及预测误差小等优势。
RVM相关向量机预测模型的训练数据为各个设定时段对应的历史综合状态变化趋势向量，训练数据分为训练集和测试集，历史综合状态变化趋势向量的获取过程可参考当前设定对应的综合状态变化趋势向量的确定过程，这里不再进行详细描述，RVM相关向量机预测模型的标签数据为各个设定时段的下一个预设时刻对应的加热装置功率。RVM相关向量机预测模型的训练和构建过程均为现有技术，不在本发明保护范围内，此处不再进行详细阐述。、
需要说明的是，在甲酯生产中粗品制备的过程中，参与化学反应的原料纯度和配比随时可能会发生变化，酯化釜也会受原料的影响发生聚化堵塞，故酯化釜温度会随着酯化反应进程会不断地变化，进而导致加热装置功率也随着酯化釜温度不断调整。因此，本实施例为了提高RVM相关向量机预测模型的预测结果的准确性，将各个设定时段对应的历史综合状态变化趋势向量作为训练数据。
（4）根据当前预设时刻对应的酯化釜温度和加热装置功率、当前设定时段的下一时刻对应的加热装置功率，确定当前设定时段的下一时刻对应的酯化釜温度，上述当前预设时刻为当前设定时段内的最后一个预设时刻。
在本实施例中，酯化釜温度会受到加热装置功率的影响，也就是酯化釜温度和加热装置功率存在对应关系，故当前设定时段的下一时刻对应的酯化釜温度与当前预设时刻对应的酯化釜温度、当前设定时段的下一时刻对应的加热装置功率为正相关，当前设定时段的下一时刻对应的酯化釜温度与当前预设时刻对应的加热装置功率为负相关。基于对当前设定时段的下一时刻对应的酯化釜温度的分析，为了提高当前设定时段的下一时刻对应的酯化釜温度的准确性，本实施例基于步骤（1）得到的当前预设时刻对应的酯化釜温度和加热装置功率，以及步骤（3）得到的当前设定时段的下一时刻对应的加热装置功率，利用相关的数学建模知识，计算当前设定时段的下一时刻对应的酯化釜温度，其计算公式为：
Figure 148546DEST_PATH_IMAGE016
其中，
Figure 132682DEST_PATH_IMAGE017
为当前设定时段的下一时刻对应的酯化釜温度，
Figure 806371DEST_PATH_IMAGE018
为修正系数，
Figure 506343DEST_PATH_IMAGE019
为当前预设时刻对应的酯化釜温度，
Figure 311488DEST_PATH_IMAGE020
为当前设定时段的下一时刻对应的加热装置功率，
Figure 302578DEST_PATH_IMAGE021
为当前预设时刻对应的加热装置功率。
需要说明的是，设置修正系数
Figure 819055DEST_PATH_IMAGE018
是为了使加热装置功率与酯化釜温度呈现对应关系，本实施例通过对当前设定时段对应的各个加热装置功率和各个酯化釜温度进行拟合处理，得到修正系数
Figure 237398DEST_PATH_IMAGE018
。由于酯化釜温度升温和降温的速度不同，所以当
Figure 716789DEST_PATH_IMAGE022
大于1时，修正系数
Figure 511570DEST_PATH_IMAGE018
可以为0.86，当
Figure 894272DEST_PATH_IMAGE022
大于1时，修正系数
Figure 217937DEST_PATH_IMAGE018
可以为0.92。修正系数的大小可根据实验和大量数据计算得到，实施者可根据具体实际情况自行确定修正系数的大小。
（5）根据当前设定时段的下一时刻对应的酯化釜温度和加热装置功率、当前预设时刻对应的酯化釜压强，构建酯化反应状态结果向量。
在本实施例中，酯化反应状态结果向量有助于后续判定当前设定时段的下一时刻对应的甲酯粗品制备生产状态，基于当前设定时段的下一时刻对应的酯化釜温度、当前设定时段的下一时刻对应的加热装置功率以及当前预设时刻对应的酯化釜压强，可以构建酯化反应状态结果向量，将酯化反应状态结果向量记为Y，
Figure 450204DEST_PATH_IMAGE023
。酯化反应状态结果向量中的各个数值能够反映出当前设定时段内酯化反应的各项指标是否处于正常状态，同时也能反映出酯化釜温度、加热装置功率以及酯化釜压强之间的关系是否合理，预测当前设定时段的下一时刻的酯化反应状态是否异常。
需要说明的是，当前预设时刻对应的酯化釜压强是酯化反应发展状态的重要判定指标，酯化反应过程中酯化釜温度的高低会影响甲醇气化情况，进而影响酯化釜压强，故本实施例构建的酯化反应状态结果向量中包含当前预设时刻对应的酯化釜压强。
（6）根据酯化反应状态结果向量和预先构建并训练好的酯化反应预测模型，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态。
将酯化反应状态结果向量作为酯化反应预测模型的输入数据，输入到预先构建并训练好的酯化反应异常预测模型，输出当前设定时段的下一时刻对应的甲酯粗品制备生产状态，甲酯粗品制备生产状态包含酯化反应异常和酯化反应正常。酯化反应异常是指在当前设定时段内发生了酯化釜堵塞、原材料纯度不足导致转化率低或生产过程中出现副产物等异常情况，该异常情况容易导致甲酯粗品制备生产数据不正常，影响最终的生产产品质量，酯化反应正常是指在当前设定时段内没有发生任何会对甲酯粗品制备生产造成影响的异常情况。
本实施例为了能够快速判定当前设定时段的下一时刻对应的甲酯粗品制备生产状态是否异常，利用预先构建并训练好的酯化反应预测模型对当前设定时段的下一时刻对应的甲酯粗品制备生产状态进行判断，其能够提高所确定的当前设定时段的下一时刻对应的甲酯粗品制备生产状态的准确性。酯化反应预测模型的结构为One-Class SVM（SupportVector Machines，支持向量机）模型，One-Class SVM模型是一种单分类器，酯化反应预测模型的训练数据为多个设定时段对应的历史酯化反应状态结果向量，历史酯化反应状态结果向量与酯化反应状态结果向量的获取步骤是一致的，不再对多个历史酯化反应状态结果向量进行详细描述，多个历史酯化反应状态结果向量中包含正常酯化反应对应的历史酯化反应状态结果向量以及异常酯化反应对应的历史酯化反应状态结果向量，酯化反应预测模型的输出结果为设定时段的下一时刻对应的甲酯粗品制备生产状态。
本发明通过酯化釜温度、加热装置功率以及酯化釜压强对酯化反应发展过程中的实时状态进行分析，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态，其有助于及时调整甲酯生产过程中的相关参数，减少因调整相关参数不及时而造成的损失，提高甲酯生产中粗品制备的生产产品的质量和效率。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，均应包含在本申请的保护范围之内。

Claims (4)

1.一种用于甲酯生产中粗品制备的智能生产监测方法，其特征在于，包括以下步骤：
实时获取甲酯粗品制备生产在当前设定时段内每个预设时刻对应的酯化釜温度、酯化釜压强以及加热装置功率；
根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段内的酯化釜温度极大值和酯化釜温度极小值，并确定当前设定时段对应的酯化釜温度方差；
根据当前设定时段内的酯化釜温度极大值和酯化釜温度极小值、当前设定时段对应的酯化釜温度方差，确定当前设定时段对应的第一温度变化趋势因子，所述第一温度变化趋势因子的计算公式为：
Figure 948217DEST_PATH_IMAGE001
其中，w 1为当前设定时段对应的第一温度变化趋势因子，T为当前设定时段内每个预设时刻对应的酯化釜温度组成的序列，Range( )为求极值差值函数，Var( )为求方差函数；
根据当前设定时段内每个预设时刻对应的酯化釜温度，确定当前设定时段对应的酯化釜温度平均值，将该酯化釜温度平均值作为当前设定时段对应的第二温度变化趋势因子；
根据当前预设时刻对应的酯化釜温度和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前预设时刻对应的酯化釜温度与当前预设时刻的前一个预设时刻对应的酯化釜温度的比值，将该比值作为当前设定时段对应的第三温度变化趋势因子；
根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的酯化釜温度，确定当前设定时段对应的第一功率变化趋势因子，所述第一功率变化趋势因子的计算公式为：
Figure 281109DEST_PATH_IMAGE002
其中，h 1为当前设定时段对应的第一功率变化趋势因子，K t 为当前预设时刻对应的加热装置功率，T t-1为当前预设时刻的前一个预设时刻对应的酯化釜温度，exp( )为以自然常数e为底的指数函数；
根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段内的加热装置功率极大值和加热装置功率极小值，并确定当前设定时段对应的加热装置功率方差；
根据当前设定时段内的加热装置功率极大值和加热装置功率极小值、当前设定时段对应的加热装置功率方差，确定当前设定时段对应的第二功率变化趋势因子，所述第二功率变化趋势因子的计算公式为：
Figure 361061DEST_PATH_IMAGE003
其中，h 2为当前设定时段对应的第二功率变化趋势因子，K为当前设定时段内每个预设时刻对应的加热装置功率组成的序列，Range( )为求极值差值函数，Var( )为求方差函数；
根据当前设定时段内每个预设时刻对应的加热装置功率，确定当前设定时段对应的加热装置功率平均值，将该加热装置功率平均值作为当前设定时段对应的第三功率变化趋势因子；
根据当前预设时刻对应的加热装置功率和当前预设时刻的前一个预设时刻对应的加热装置功率，确定当前预设时刻对应的加热装置功率与当前预设时刻的前一个预设时刻对应的加热装置功率的比值，将该比值作为当前设定时段对应的第四功率变化趋势因子；
根据当前设定时段对应的第一温度变化趋势因子、第二温度变化趋势因子、第三温度变化趋势因子、第一功率变化趋势因子、第二功率变化趋势因子、第三功率变化趋势因子、第四功率变化趋势因子以及当前预设时刻对应的酯化釜温度和加热装置功率，确定当前设定时段对应的综合状态变化趋势向量；
根据当前设定时段对应的综合状态变化趋势向量以及预先构建并训练好的相关向量机预测模型，确定当前设定时段的下一时刻对应的加热装置功率；
根据当前预设时刻对应的酯化釜温度和加热装置功率、当前设定时段的下一时刻对应的加热装置功率，确定当前设定时段的下一时刻对应的酯化釜温度，所述当前预设时刻为当前设定时段内的最后一个预设时刻；
根据当前设定时段的下一时刻对应的酯化釜温度和加热装置功率、当前预设时刻对应的酯化釜压强，构建酯化反应状态结果向量；
根据酯化反应状态结果向量和预先构建并训练好的酯化反应预测模型，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态。
2.根据权利要求1所述的一种用于甲酯生产中粗品制备的智能生产监测方法，其特征在于，确定当前设定时段的下一时刻对应的加热装置功率的步骤包括：
将当前设定时段对应的综合状态变化趋势向量作为相关向量机预测模型的输入数据，输入到预先构建并训练好的相关向量机预测模型，输出当前设定时段的下一时刻对应的加热装置功率。
3.根据权利要求1所述的一种用于甲酯生产中粗品制备的智能生产监测方法，其特征在于，确定当前设定时段的下一时刻对应的酯化釜温度的计算公式为：
Figure 121206DEST_PATH_IMAGE004
其中，T t+1为当前设定时段的下一时刻对应的酯化釜温度，
Figure 591502DEST_PATH_IMAGE005
为修正系数，T t 为当前预设时刻对应的酯化釜温度，K t+1为当前设定时段的下一时刻对应的加热装置功率，K t 为当前预设时刻对应的加热装置功率。
4.根据权利要求1所述的一种用于甲酯生产中粗品制备的智能生产监测方法，其特征在于，确定当前设定时段的下一时刻对应的甲酯粗品制备生产状态的步骤包括：
将酯化反应状态结果向量作为酯化反应预测模型的输入数据，输入到预先构建并训练好的酯化反应异常预测模型，输出当前设定时段的下一时刻对应的甲酯粗品制备生产状态，所述甲酯粗品制备生产状态包含酯化反应异常和酯化反应正常。
CN202211075555.3A 2022-09-05 2022-09-05 一种用于甲酯生产中粗品制备的智能生产监测方法 Active CN115138309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211075555.3A CN115138309B (zh) 2022-09-05 2022-09-05 一种用于甲酯生产中粗品制备的智能生产监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211075555.3A CN115138309B (zh) 2022-09-05 2022-09-05 一种用于甲酯生产中粗品制备的智能生产监测方法

Publications (2)

Publication Number Publication Date
CN115138309A CN115138309A (zh) 2022-10-04
CN115138309B true CN115138309B (zh) 2022-12-06

Family

ID=83416057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211075555.3A Active CN115138309B (zh) 2022-09-05 2022-09-05 一种用于甲酯生产中粗品制备的智能生产监测方法

Country Status (1)

Country Link
CN (1) CN115138309B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572137B (zh) * 2024-01-17 2024-03-29 山东海纳智能装备科技股份有限公司 一种七电平anpc高压变频器远程监测系统
CN118034409B (zh) * 2024-04-12 2024-06-25 山西华凯伟业科技有限公司 一种基于物联网的分段控温调节方法及系统

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3997939B2 (ja) * 2003-03-25 2007-10-24 株式会社日立製作所 化学プロセスの反応温度制御装置，反応温度制御方法並びに反応温度制御システム
CN103336539B (zh) * 2013-07-05 2015-10-21 杭州电子科技大学 一种废塑料裂解反应釜的压力平衡控制方法
CN104536294B (zh) * 2014-12-10 2017-03-08 浙江大学 基于连续搅拌反应釜的多目标分层预测控制方法
CN108196607B (zh) * 2017-12-29 2019-11-05 西南科技大学 不确定随机时滞的电磁感应加热系统的温度控制方法
JP6804027B2 (ja) * 2018-02-23 2020-12-23 株式会社Ｋｏｋｕｓａｉ Ｅｌｅｃｔｒｉｃ 基板処理装置、温度制御方法、半導体装置の製造方法及び温度制御プログラム
CN109581870B (zh) * 2018-11-27 2022-01-25 中国工程物理研究院化工材料研究所 含能材料反应釜的釜内温度动态矩阵控制方法
CN112181008B (zh) * 2020-09-02 2022-06-21 珠海泰坦新动力电子有限公司 高温化成柜热源功率智能控制方法、装置及介质
JP7461490B2 (ja) * 2020-09-28 2024-04-03 株式会社Kokusai Electric 温度制御方法、半導体装置の製造方法、プログラム及び基板処理装置
CN114020067B (zh) * 2021-11-09 2022-08-26 广西中伟新能源科技有限公司 一种反应釜的温度控制方法、装置及计算机可读存储介质
CN114115380B (zh) * 2021-11-24 2022-07-22 广东华中科技大学工业技术研究院 一种3d玻璃热弯模具温度控制方法和系统

Also Published As

Publication number Publication date
CN115138309A (zh) 2022-10-04

Similar Documents

Publication Publication Date Title
CN115138309B (zh) 一种用于甲酯生产中粗品制备的智能生产监测方法
CN101458522A (zh) 基于主元分析和支持向量数据描述的多工况过程监控方法
CN101286044B (zh) 一种燃煤锅炉系统蒸汽温度混合建模方法
CN115950495B (zh) 一种超声水表测量频率调节方法
CN110197296B (zh) 一种基于时间序列相似性的机组负荷预测方法
CN116757553B (zh) 一种农业有机废弃物资源利用数字化信息管理系统
CN113809370B (zh) 燃料电池电堆运行温度控制方法、装置及系统
CN108153267A (zh) 一种基于误差主元分析模型的工业过程监测方法
CN109873455B (zh) 一种储能辅助火电机组agc调频方法及系统
CN113783237B (zh) 一种考虑响应延时的储能快速调频控制方法
CN116400126A (zh) 一种具有数据处理系统的低压电力箱
WO2020151587A1 (zh) 发电机组调频迫切度评估方法、装置、电力系统以及存储介质
CN116067690A (zh) 一种基于大数据的电热锅运行故障智能预测系统
CN110142803B (zh) 一种移动焊接机器人系统工作状态检测方法及装置
CN101995891A (zh) 一种芳香酸生产中母固料回收系统水分在线分析方法
CN117350604A (zh) 一种报表多维度智能分析处理系统
CN116011667A (zh) 一种火电厂二氧化碳排放量实时计算的预警方法
CN115659825A (zh) 一种基于高斯过程回归的风电功率预测方法
CN114065610A (zh) 基于麻雀搜索算法优化核极限学习机的风电功率预测方法
CN113608443A (zh) 基于增强pi控制的污水处理控制方法
CN118644049B (zh) 一种生产线管控系统、方法、电子设备及存储介质
CN117311281A (zh) 一种反应釜的控制系统及装置
CN118035929B (zh) 基于热力学和数据挖掘的电厂安全监测预警方法及系统
CN118223105B (zh) 一种基于电解氧化法的自动控制方法和系统
CN113468767B (zh) 一种海上风电机组发电量评估方法与系统

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
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An intelligent production monitoring method for crude product preparation in methyl ester production

Effective date of registration: 20230217

Granted publication date: 20221206

Pledgee: Weihai commercial bank Limited by Share Ltd. Ji'nan branch

Pledgor: JINAN MINGXIN PHARMACEUTICAL Co.,Ltd.

Registration number: Y2023980032845

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20221206

Pledgee: Weihai commercial bank Limited by Share Ltd. Ji'nan branch

Pledgor: JINAN MINGXIN PHARMACEUTICAL Co.,Ltd.

Registration number: Y2023980032845

PC01 Cancellation of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: An intelligent production monitoring method for crude product preparation in methyl ester production

Granted publication date: 20221206

Pledgee: Weihai commercial bank Limited by Share Ltd. Ji'nan branch

Pledgor: JINAN MINGXIN PHARMACEUTICAL Co.,Ltd.

Registration number: Y2024980005646

PE01 Entry into force of the registration of the contract for pledge of patent right