CN115620846A - 一种活性锰材料制备及控制方法 - Google Patents
一种活性锰材料制备及控制方法 Download PDFInfo
- Publication number
- CN115620846A CN115620846A CN202211362001.1A CN202211362001A CN115620846A CN 115620846 A CN115620846 A CN 115620846A CN 202211362001 A CN202211362001 A CN 202211362001A CN 115620846 A CN115620846 A CN 115620846A
- Authority
- CN
- China
- Prior art keywords
- neural network
- recurrent neural
- manganese
- manganese dioxide
- solid
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- C—CHEMISTRY; METALLURGY
- C01—INORGANIC CHEMISTRY
- C01G—COMPOUNDS CONTAINING METALS NOT COVERED BY SUBCLASSES C01D OR C01F
- C01G45/00—Compounds of manganese
- C01G45/02—Oxides; Hydroxides
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- 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
-
- 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
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Inorganic Chemistry (AREA)
- Analytical Chemistry (AREA)
- Inorganic Compounds Of Heavy Metals (AREA)
Abstract
本申请提供一种活性锰材料制备及控制方法,包括:通过云计算对废锰泥的用量进行决策;通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程;递归神经网络训练学习样本数据组确定烘干过程的最佳参数;递归神经网络对氧化焙烧所得数据进行训练学习;递归神经网络处理硫酸歧化的反应过程;递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数;递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取;对递归神经网络进行训练学习;训练完成后的递归神经网络模型对制备活性二氧化锰的工艺进行模拟与优化。
Description
技术领域
本发明涉及信息技术与化学领域,尤其涉及一种活性锰材料制备及控制方法。
背景技术
制备活性锰材料需要经历6大工艺流程,总共18个制备步骤;在传统检测方法上,活性锰材料只能在制备完成以后进行纯度检测,受到传统检测方法的限制,过去厂商只能对活性锰材料的产量超额生产20%,然后从生产得到的活性锰材料当中进行检测,对不符合生产纯度要求的活性锰材料产物进行淘汰,留下符合生产纯度要求的活性锰材料,这便造成产量过大、产能过剩、以及资源的过度浪费的问题;由此可知,利用传统检测方法筛选出不合格的成品只是一种治标不治本的做法,从生产环节中入手,对制备活性锰材料进行工艺变动,从而制备出符合纯度要求的活性锰材料,才是众多化工厂商真正需要解决高效节能制备活性锰材料问题的根源;此外,得到活性锰材料需要经过庞大且复杂的化学工艺流程,在得到活性锰材料的化学工艺流程中涉及到焙烧、化学组分、烘干,为了保证各工艺阶段能够充分反应,化工厂商需要提高10%-20%的能耗,能耗比的提高,不但造成没有必要的资源浪费,而且会伴随副产物的生成,副产物的出现为下一工艺阶段除杂带来了新的技术难题;因此,能耗比的增大对提高制备活性锰材料的收益效果不理想,相反,能耗的多余损耗往往是对制备后具有重要作用意义的;如何才能根据实验所得数据对得到活性锰材料的制备过程中所涉及到的化学配方、溶解配料比、稀释配料比进行改进,使得到活性锰材料的制备过程达到最佳的效果仍然是一个尚未解决的问题。
发明内容
本发明提供了一种活性锰材料制备及控制方法,主要包括:
通过云计算对废锰泥的用量进行决策;通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程,具体包括:边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理;递归神经网络训练学习样本数据组确定烘干过程的最佳参数;递归神经网络对氧化焙烧所得数据进行训练学习,所述递归神经网络对氧化焙烧所得数据进行训练学习,具体包括:根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围,平方根容积卡尔曼滤波算法建立具体的算法实现计算准则;递归神经网络处理硫酸歧化的反应过程,所述递归神经网络处理硫酸歧化的反应过程,具体包括:动态建模连续搅拌釜式反应器,递归神经网络对反应过程所得数据进行建模;递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数;递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取,所述递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取,具体包括:输入隐节点与激活函数完善隐含层,对处理固液混合物的全过程进行先验知识挖掘,设计目标函数以及对递进神经网络进行权值优化;对递归神经网络进行训练学习,所述对递归神经网络进行训练学习,具体包括:导入样本数据对递归神经网络进行初步训练,递归神经网络针对制备活性二氧化锰的工艺进行化工建模;训练完成后的递归神经网络模型对制备活性二氧化锰的工艺进行模拟与优化。
进一步可选地,所述通过云计算对废锰泥的用量进行决策包括:
将活性二氧化锰的纯度要求上传至云计算中心;获取活性二氧化锰的纯度要求后,获取活性二氧化锰中关键数据,所述关键数据包括活性二氧化锰的总锰含量、二氧化锰含量、重金属杂质Fe、Cu、Pb、Co、Ni、Cd的含量、还有以RS20电池放电结果为参考的一级电解标准的开路电压、电阻、连续放电时间的数据;待活性二氧化锰的纯度要求所涉及到的关键数据获取完毕以后,工业计算机导入工艺流程中所涉及的化学方程式中的化学计量数以及各化学反应过程中锰元素的损耗率峰值;用HDFS数据存储系统对活性二氧化锰的纯度要求、总锰含量、二氧化锰含量、重金属杂质含量以及一级电解标准的开路电压、电阻、连续放电时间进行数据存储;数据存储完成以后,使用Map-reduce分布式编程与计算制备活性二氧化锰工艺流程中锰元素的利用率和损耗率;Map-reduce分布式编程与计算完成后,将计算结果上传至云计算中心;计算结果上传完成至云计算中心后,云计算中心根据Map-reduce分布式编程与计算结果获取废锰泥的用量数据。
进一步可选地,所述通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程包括:
根据云计算中心决策的结果对相应的废锰泥用量进行取材;把浓度为98%的浓硫酸加入到含有蒸馏水的连续搅拌釜式反应器中进行搅拌稀释,在稀释的过程当中,用PLC程序控制搅拌的速率,在稀释的过程当中,用PLC程序控制搅拌的速率,同时,用硫酸浓度计进行硫酸的浓度测量直至示数达到稀硫酸浓度的数值;用温度计进行记录调节稀硫酸的温度在40-85℃的过程,对收集到的废锰泥进行酸浸处理,得到悬浊液,浸泡时间为10-120min,期间用计时器记录时间数据;浸泡期间,加入高锰酸钾除铁,固液分离得到浸出渣、含锰离子的浸出液;往所得含锰离子的浸出液中加入碳酸钠,加入碳酸钠期间,记录碳酸钠的用量,碳酸钠的加入使锰元素发生沉淀反应,对沉淀进行洗涤、干燥处理,得到碳酸锰产品;得到碳酸锰产品后,利用边缘云协同串行任务卸载算法,将回收工艺流程所记录的数值转化为状态向量St;将状态向量St进行初始化权重处理,得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池;得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池以后,对初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池进行序列的预处理;预处理序列完成后,使用ECWS-RDQN算法结束本轮迭代;结束本轮迭代后,根据本轮迭代结果预测回收废锰泥工艺的最佳化学反应条件、固体反应物质量、液体反应物浓度及pH值,根据预测结果改进回收废锰泥过程中的化学配方与稀释配料比;包括:边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理;
所述边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理,具体包括:
对回收废锰泥工艺中废锰泥的利用率作为进行概率赋值;根据概率赋值选择随机动作;完成随机动作的选择后,将随机动作转化为动作向量;完成动作向量的转化后,将动作向量输入至最优奖励函数Xt当中;最优奖励函数根据动作向量输出理论奖励值;完成输入最优奖励函数后,向回收废锰泥加工系统执行随机动作;在执行随机动作的同时记录回收废锰泥的系统与化学反应物及化学产物的状态;根据回收废锰泥的系统与化学反应物及化学产物的过程与状态更新权值矩阵;完成更新权值矩阵后,根据回收废锰泥的权值矩阵和系统及化学反应物与化学产物的状态计算回收废锰泥的奖励值Rt;完成计算奖励值后,返回理论奖励值和状态向量的后一项;令状态向量的第t项与状态向量的第t+1项相等,并计算状态向量的第t项与第t+1项相等时的结果;输出计算结果,并将计算结果表示成四维向量存放至经验池;四维向量完成存放至经验池以后,按优先经验回放策略;完成回放策略以后,往经验池中抽取四维向量;完成四维向量抽取动作以后,根据四维向量的数值结果对网络参数进行更新;当状态向量的第t+1项为结束状态时,结束本轮迭代。
进一步可选地,所述递归神经网络训练学习样本数据组确定烘干过程的最佳参数包括:
完成湿法从废锰泥材料中回收碳酸锰粉后,取200kg碳酸锰粉,并用称重仪表记录碳酸锰粉的质量数据;使用板框压滤机对碳酸锰粉进行固液分离;使用湿度传感器记录碳酸锰粉的湿度变化;固液分离完成以后,将回收的碳酸锰泥滤饼置于恒温烘箱中,调整烘干温度为以及烘干时间,用温度传感器记录烘干温度,计时器记录烘干时间;烘干处理完成后,碳酸锰泥在脱水后产生碳酸锰粉,用80目标准筛对小于80目孔径的碳酸锰粉进行筛选,对大于80目孔径的碳酸锰粉使用80目筛网粉碎机进行粉碎;对大于80目孔径的碳酸锰粉粉碎完成后,对粉碎完成后的碳酸锰粉进行过80目筛处理;完成过80目筛备用后,对烘干过程所得的数据类型进行分类成固体孔径、湿度含量、烘干温度与烘干时间,根据数据的种类数量与类型作为6个输入结点导入对角型递归神经网络;完成输入结点导入后,在对角型递归神经网络中建立输出层、递归层和输入层;完成建立对角型递归神经网络层数后,确定隐含节点和输出结点;完成结点的确定工作以后,对角型递归神经网络根据烘干过程进行网络结构的串联;对角型递归神经网络完成结构串联后,以1000组样本数据为总体,7:3的比例分别导入对角型递归神经网络的训练集和测试集;根据训练集和测试集的验证结果输出期望值以确定烘干过程的最佳参数。
进一步可选地,所述递归神经网络对氧化焙烧所得数据进行训练学习包括:
使用称重仪表称100kg烘干后的碳酸锰粉;完成称重后,将碳酸锰粉放入一个不锈钢器皿内;将100kg已烘干的碳酸锰粉置于反射炉中,对反射炉进行升温处理,在升温过程中用温度传感器记录温度数据变化,直到反射炉内的温度升温至500℃;当反射炉内温度升至500℃时,把100kg烘干后的碳酸锰粉加入到在反射炉中进行焙烧,调整焙烧时间至4h,用计时器记录时间,并将焙烧时间上传至数据库服务器;焙烧时反射炉保持空气流通,在反射炉周围留50个直径为1cm的进气孔,用气体探测器记录氧气流量;焙烧完成后,初步得到锰泥粉状的二氧化锰成品;初步得到锰泥粉状的二氧化锰成品后,将氧气的流量数值导入递归神经网络当中;完成导入氧气的流量数值工作后,递归神经网络根据氧气的实时流量数值设定时刻;完成时刻设定后,在输入层外部输入递归神经元;完成外部输入递归神经元后,对隐含层所在的递归神经元进行激活输出;使用双曲正切函数对递归神经网络进行初步训练学习;递归神经网络完成初步训练学习后,使用平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习;包括:根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围;平方根容积卡尔曼滤波算法建立具体的算法实现计算准则;
所述根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围,具体包括:
将氧气实时流量和浓度数值转化为权值状态向量;将权值状态向量转化为权值状态矩阵;根据权值状态矩阵对递归神经网络建立非线性状态空间模型;完成建立非线性状态空间模型后,设定训练时刻;完成训练时刻的设定以后,确定需要计算的参数,递归神经网络根据计算的参数对非线性状态空间建立具体的算法实现计算准则;根据具体的算法实现计算准则所得到的计算结果初步获得氧化焙烧过程中氧气流量和浓度的最佳范围。
所述平方根容积卡尔曼滤波算法建立具体的算法实现计算准则,具体包括:
非线性状态空间建立完成后,对非线性状态空间的权值状态向量的容积点进行计算;完成容积点的计算后,结合递归神经网络建立对非线性空间状态计算容积点的传播;递归神经网络根据容积点的传播输出预测均值向量;将预测均值向量进行估计量测输出预测误差协方差矩阵的平方根因子;输出预测误差协方差矩阵后,对预测误差协方差矩阵进行正交三角分解;输出正交三角分解结果,将正交三角分解结果转化成误差协方差矩阵;完成转化误差协方差矩阵后,将误差协方差矩阵转化成估计权值状态向量;将估计权值状态向量与量测输出向量转化成互协方差矩阵;根据互协方差矩阵计算卡尔曼增益;完成卡尔曼增益计算后,获取任意时刻,并从获取时刻中的递归神经网络进行结果输出;递归神经网络从获取时刻输出结果后,根据递归神经网络的状态更新计算状态更新后的权值状态向量的滤波值;根据计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子;基于计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子确定氧气进气流量和氧气浓度的最佳范围。
进一步可选地,所述递归神经网络处理硫酸歧化的反应过程包括:
量取300L的水和50L浓度为98%的浓硫酸;往连续搅拌釜式反应器中加入已经量好体积容量的300L的水和50L浓度为98%的浓硫酸,先加入300L的水,后加入50L的浓硫酸,用流量传感器记录加入水与浓硫酸的流量;建立水和浓硫酸的浓度参数,其中,水的浓度为反应器中液体成分的浓度参数,浓硫酸的浓度为液体进料的浓度参数;完成建立浓度参数后,在浓度的基础上建立浓硫酸的进料流量与反应器中的水的流量;在流量建立完成后,建立浓硫酸与水的比定压热容、密度、分子间作用力的参数;参数建立完成后,加入已经量好体积容量的300L水和50L浓度为98%的浓硫酸后,对已完成动态建模的连续搅拌釜式反应器中的水和浓硫酸的混合溶液用PLC程序控制的搅拌速率,用测速仪对搅拌速率进行测量,用计时器记录搅拌时间;在搅拌的同时,对连续搅拌釜式反应器中水和浓硫酸的混合溶液进行升温处理,用温度传感器记录连续搅拌反应器中水和浓硫酸混合溶液的温度变化;通过记录稀释浓硫酸温度的变化过程以及升温的所需时间计算稀释浓硫酸的升温过程的速率;待连续搅拌釜式反应器中的水和浓硫酸的混合溶液温度升至70℃以上但不超过98℃时,加入焙烧后得到的锰泥粉50kg进行歧化反应,然后继续升温;完成硫酸歧化反应的过程后,对连续搅拌釜式反应器进行动态建模,动态隐藏输出递归神经网络根据收集所得到的反应过程的数据进行建模处理;包括:动态建模连续搅拌釜式反应器;递归神经网络对反应过程所得数据进行建模;
所述动态建模连续搅拌釜式反应器,具体包括:
根据连续搅拌釜式反应器中浓硫酸的浓度变化建立非线性微分方程;以反应器中水的浓度参数对瞬时变化的时间t进行微分建立非线性微分方程第一个方程的左式;列出非线性微分方程的第一个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,浓硫酸的浓度参数,水的浓度参数,稀释浓硫酸的升温过程的速率参数建立非线性微分方程第一个方程的右式;对非线性微分方程的第一个方程的左式与右式以等式的形式进行合并,计算非线性第一个微分方程左右两式相等的结果;以反应器中的温度参数对瞬时变化的时间t进行微分建立非线性微分方程第二个方程的左式;列出非线性微分方程的第二个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,初始温度参数与末温度参数,稀释浓硫酸释放的热量参数建立非线性微分方程第二个方程的右式;对非线性微分方程的第二个方程的左式与右式以等式的形式进行合并,计算非线性第二个方程左右两式相等的结果;完成等式的计算结果后,动态隐藏输出递归神经网络分析等式计算结果,并根据等式计算结果对动态隐藏输出递归神经网络进行建模。
所述递归神经网络对反应过程所得数据进行建模,具体包括:
完成动态建模连续搅拌釜式反应器后,首先收集连续搅拌釜式反应器中的计算数据结果;完成收集计算数据结果后,然后采用3层动态隐藏输出递归神经网络对计算数据结果进行建模处理;接着设立动态隐藏输出递归神经网络的隐含节点数;完成设立隐含节点数后,再针对每个稀释浓硫酸反馈的温度状态变量在关键温度节点中设立时间序列结点;然后在输入层以及各反应阶层设立tansing函数;将连续搅拌釜式反应器中所收集到的计算数据导入tansing函数当中;完成计算数据导入后,接着在输出层中设立pureline激励函数;完成在输出层设立pureline激励函数后,然后采用基于莱文伯格-马夸特优化理论的L-M算法对输出层中激励函数的输出结果进行优化;完成输出优化结果后,使用目标函数均方差函数MSE检验动态隐藏输出递归神经网络的建模效果。
MSE函数公式如下
进一步可选地,所述递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数包括:
量取100L水和50kg氯酸钠固体;完成量取100L水和50kg氯酸钠固体后,往连续搅拌釜式反应器中加入100L水和50kg氯酸钠固体;连续搅拌釜式反应器搅拌固液混合物、对搅拌速率、搅拌时间、温度变化进行记录;对碳酸锰粉进行升温处理,待碳酸锰粉升温到90℃,将升温到90℃的碳酸锰粉进行保温1h,用计时器计时,温度传感器对温度变化进行实时测量,然后加入50L氯酸钠溶液以进行氧化反应;碳酸锰粉再在90℃温度下保温1h,加入氧化焙烧后得到的碳酸锰粉25kg,再保温1h后继续加氯酸钠溶液溶液25L;保温1h后再加氧化焙烧后得到的锰泥粉25kg,继续保温1h后再加25L氧化剂溶液,中途补充蒸发水后保温4h;取反应液过滤后检测反应液中硫酸锰的含量,使用锰离子浓度计进行实时测量变化数值,当硫酸锰含量低于10g/L时作为反应终点;递归神经网络根据重质氧化获取得到的反应过程数据的类型与数量建立反应温度、氯酸钠固体质量、水的体积、搅拌速率、液体浓度6个关键参数作为递归神经网络的输入结点;确定好递归神经网络的输入结点后,根据输入结点建立重质氧化关键参数的隐含节点;完成输入结点和隐含节点的建立后,建立递归神经网络的输入层、承接层、隐含层、输出层;在递归神经网络的输入层、承接层、隐含层、输出层建立递归神经网络的网络神经元,并根据递归神经网络的输入节点和隐含节点建立神经元个数;完成建立递归神经网络神经元后,在隐含层单元导入S型传递函数;完成S型传递函数导入后,获取递归神经网络承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值;完成获取连接权值后,对连接权值进行修正;修正连接权值完成后,对重质氧化的6个关键参数进行输入;对6个关键参数进行梯度下降,输入定义误差函数,并分别计算定义误差函数对连接权值的偏导数;计算定义误差函数对连接权值的偏导数为0的结果;根据定义误差函数对连接权值的偏导数为0的结果获取重质氧化的化学反应过程的最佳工艺参数。
S型传递函数公式如下
进一步可选地,所述递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取包括:
对完成重质氧化的固液混合物进行固液分离、洗涤、中和、干燥;待上述反应液自然冷却后,通过板框压滤机将其固液分离;用温度传感器量取80℃的热水,把过滤出来的滤渣用80℃热水进行洗涤,用pH计测量洗涤过程中到pH的数值;当pH的数值大于2.5时,用溶液浓度计量取质量浓度为5%的氢氧化钠溶液中和洗涤后的滤渣至pH值为6.8,用pH计实时测量溶液pH数值变化;再用热水对滤渣洗涤两次,洗涤完成后,对所得固液混合物再次固液分离,然后进行干燥;对空气进行加热处理,使用温度传感器测量空气温度的变化,当空气温度达到120℃时通过120℃的热空气进行干燥;对固体进行干燥4h,用计时器进行计时,用湿度计测量水分含量,当水分含量低于3%时,使用120目筛网粉碎机对固体即可进行粉碎,过120目筛,得到活性二氧化锰成品;对所得活性二氧化锰成品进行重金属杂质含量,总锰含量,二氧化锰含量进行检测;当重金属杂质含量,总锰含量,二氧化锰含量达标时,使用RS20电池的放电效果对活性二氧化锰的电学性能进行检测,包括开路电压,电阻,连放时间,根据开路电压,电阻,连放时间判断活性二氧化锰是否达到一级电解锰标准;完成对活性二氧化锰成品的检测后,对活性二氧化锰的产量进行计量,并根据制备活性二氧化锰各工艺过程的耗材计算制备活性活性二氧化锰的理论产量,同时根据制备活性二氧化锰的理论产量与实际产量的差异计算出制备活性二氧化锰的产率;递归神经网络根据处理固液混合物期间所获取得到的数据数量建立输入结点;完成输入结点建立后,建立递归神经网络的隐含层、输入层和输出层;完成建立隐含层、输入层和输出层后,递归神经网络对输入层与输出层建立直接联系;输入隐节点与激活函数完善隐含层;对处理固液混合物的全过程进行先验知识挖掘;设计目标函数以及对递进神经网络进行权值优化;根据融合过程先验知识挖掘的递归神经网络的运算结果获取处理固液混合物的全过程关键参数的最优解;包括:输入隐节点与激活函数完善隐含层;对处理固液混合物的全过程进行先验知识挖掘;设计目标函数以及对递进神经网络进行权值优化;
所述输入隐节点与激活函数完善隐含层,具体包括:
在隐含层当中输入非线性隐节点与线性隐节点;完成输入非线性隐节点与线性隐节点后,在非线性隐节点当中输入非线性S型激活函数,在线性隐节点输入线性激活函数;完成输入线性激活函数和非线性激活函数后,分别对激活函数中的线性隐节点和非线性隐节点进行输出;完成输出激活函数中的线性隐节点与非线性隐节点后,对处理固液混合物的时刻进行随机获取,并对获取所在时刻的递归神经网络进行动态模型输出。
所述对处理固液混合物的全过程进行先验知识挖掘,具体包括:
完成对任意时刻的递归神经网络的动态模型输出后,递归神经网络对获取任意当前时刻的动态模型输出对递归神经网络的输入进行求偏导操作;完成求偏导操作后,求偏导得到的结果获取递归神经网络的模型增益;对所得的递归神经网络的模型增益引入增益约束;完成引入增益约束后,根据模型增益判断处理固液混合物过程的单调性;完成单调性的判断后,对模型增益进行进行二次偏导判断处理固液混合物过程的凹凸性;根据处理固液混合物过程的单调性与凹凸性建立稳态工作点;完成建立稳态工作点后,根据所得的稳态工作点建立稳态模型;根据所得的稳态模型计算各稳态工作点的增益;根据计算所得的稳态工作点的增益对处理固液混合物的全过程进行先验知识挖掘。
所述设计目标函数以及对递进神经网络进行权值优化,具体包括:
对递归神经网络的全部权值进行获取;完成获取递归神经网络的全部权值后,利用PSO-IPOPT算法对网络权值进行优化;完成网络权值优化以后,输入损失函数处理优化后的网络权值;利用递归神经网络获取处理固液混合物过程中的拉格朗日乘子及惩罚因子最大更新次数、粒子群算法的最大迭代次数、溶液粒子种类、溶液粒子数、溶液粒子维数、惯性权重、认知系数、社会系数、拉格朗日算子、惩罚因子;基于处理固液混合物中获取的各类数据利用递归神经网络对经损失函数处理后的网络权值进行设定初始值操作;根据初始值在自变量空间初始化溶液微粒的随机位置和速度;根据所得初始值计算各溶液粒子的增广拉格朗日函数的适应值;根据计算所得适应值确定溶液微粒的最佳位置;确定微粒的最佳位置后,对递归神经网络输入目标函数;将模型误差项、正则项、以及松弛项导入递归神经网络当中以优化目标函数;模型误差项、正则项以及松弛项完成目标函数优化后,用非线性等式或不等式对目标函数进行约束;完成约束后,对目标函数进行运算;根据目标函数运算结果判断是否满足溶液粒子群最大迭代次数以及是否满足迭代终止条件;完成运算结果判断后,使用IPOPT非线性优化算法对递归神经网络进行局部加速收敛与求解;通过使用IPOPT非线性优化算法对递归神经网络的求解得到局部极小值;根据求解得到的极小值对处理固液混合物的过程进行参数优化。
进一步可选地,所述对递归神经网络进行训练学习包括:
获取制备活性二氧化锰中收集的固体反应物质量,液体反应物浓度及pH值,操作温度,操作条件,工况信息;将收集到的固体反应物质量,液体反应物浓度及pH值,操作条件和工况信息转化成输入向量;导入递归神经网络的前向传播公式;将输入向量导入到递归神经网络的前向传播公式当中;导入样本数据对递归神经网络进行初步训练;递归神经网络针对制备活性二氧化锰的工艺进行化工建模;包括:导入样本数据对递归神经网络进行初步训练;递归神经网络针对制备活性二氧化锰的工艺进行化工建模;
递归神经网络的前向传播公式如下
a2=σ(z2)=σ(a1*W2+b2)
所述导入样本数据对递归神经网络进行初步训练,具体包括:
获取制备活性二氧化锰的工艺过程中收集得到的数据,操作条件,工况信息,活性二氧化锰的实际产量与产率;对获取的各类数据转化成制备活性二氧化锰的预测值向量;递归神经网络进行先验知识挖掘获取制备活性二氧化锰的多组样本数据;将获取得到的多组样本数据转化成制备活性二氧化锰的理论值向量;完成理论值向量转化后,将损失函数导入递归神经网络当中;损失函数对理论值向量进行运算求解;根据导入递归神经网络的损失函数,先对单个样本预测值向量与理论值向量之间误差的平方和进行计算,后再对所有样本预测值向量与理论值向量之间误差的平方和进行计算;利用随机梯度下降法对获取所得到的制备活性二氧化锰的参数进行训练;对制备活性二氧化锰的参数进行迭代权重与偏置值更新;根据迭代权重与偏置值更新的结果对制备活性二氧化锰的工艺参数进行初步优化。
所述递归神经网络针对制备活性二氧化锰的工艺进行化工建模,具体包括:
获取制备活性二氧化锰的工艺过程中液体反应物的浓度与pH值的变化数值;根据液体反应物浓度与pH的数值变化建立函数拟合;完成函数拟合后,对液体反应物浓度与pH值的拟合函数进行微分;根据微分结果对多组分时序产率进行预测;获取制备活性二氧化锰中反应阶段过程的所需用时;根据制备活性二氧化锰中反应阶段过程的所需用时建立隐含神经元;对制备活性二氧化锰中各反应阶段过程的所需用时向量化;完成向量化后,对样本数量,时间序列长度以及组分数建立三维向量;将三维向量转化合并成训练集;对训练集导入速率常数回归公式;利用递归神经网络对训练集进行训练,通过训练所得结果回归反应速率常数;输出回归反应速率常数,并根据回归反应速率常数进一步调整制备活性二氧化锰的化学配方、溶解配料比与稀释配料比。
一种活性锰材料制备及控制方法其特征在于,所述系统包括:
完成递归神经网络的训练学习后,输入需要制备活性二氧化锰的产量,递归神经网络在得到需要制备活性二氧化锰的产量的基础上对废锰泥的用量进行决策;根据制备活性二氧化锰的反应过程建立过程微分方程;递归神经网络对过程微分方程进行运算求解;递归神经网络模型根据过程微分方程运算求解的结果对制备活性二氧化锰的工艺进行模拟预测;输出模拟预测所得的用量输出结果,根据模拟预测所得的用量输出结果改进制备活性二氧化锰的化学配方和优化制备活性二氧化锰物理变化过程中的烘干、溶解、粉碎的用料比例。
本发明实施例提供的技术方案可以包括以下有益效果:
本方法通过递归神经网络对活性锰材料的制备全过程进行实时监控,在获得各制备步骤的最佳固体反应物质量、最佳反应时间、最佳反应温度、最佳液体反应物浓度以及pH值,从而确定制备活性锰材料的各工艺阶段制备步骤的最佳化学配方、溶解配料比与稀释配料比。本申请在制备活性锰材料的各工艺阶段当中同样也能利用递归神经网络对生成的固体产物颗粒的孔径大小进行实时监控,基于工艺阶段的目筛孔径大小对固体产物颗粒的孔径进行调整,以便制备活性锰材料的工艺流程能够顺利持续地进行。本申请在获取各制备步骤的最佳化学配方、溶解配料比与稀释配料比下,作为标注值,对递归神经网络模型进行训练,模型训练完成以后,用训练完成的递归神经网络模型预测各反应阶段最佳的化学配方、稀释配料比以及溶解配料比。本申请通过使用基于递归神经网络的深度强化学习模型制备活性锰材料,不但能够高效满足生产需求,提高生产效率,让化工厂能够在无人工干预的情况下24小时全天运转,而且能够使工人远离危险的化学反应工艺流程,降低人工成本以及用工风险成本、同时能够使得反应装置的处理量较传统生产工艺方法得到较大增加,能降低能耗,降低运行维护成本,提高经济效益。
附图说明
图1为本发明的一种基于活性锰材料制备及控制方法的流程图。
图2为本发明的一种基于活性锰材料制备及控制方法的示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
图1为本发明的一种活性锰材料制备及控制方法流程图。如图1所示,本实施例一种活性锰材料制备及控制方法具体可以包括:
步骤101,通过云计算对废锰泥的用量进行决策。
将活性二氧化锰的纯度要求上传至云计算中心;获取活性二氧化锰的纯度要求后,获取活性二氧化锰中关键数据,所述关键数据包括活性二氧化锰的总锰含量、二氧化锰含量、重金属杂质Fe、Cu、Pb、Co、Ni、Cd的含量、还有以RS20电池放电结果为参考的一级电解标准的开路电压、电阻、连续放电时间的数据;待活性二氧化锰的纯度要求所涉及到的关键数据获取完毕以后,工业计算机导入工艺流程中所涉及的化学方程式中的化学计量数以及各化学反应过程中锰元素的损耗率峰值;用HDFS数据存储系统对活性二氧化锰的纯度要求、总锰含量、二氧化锰含量、重金属杂质含量以及一级电解标准的开路电压、电阻、连续放电时间进行数据存储;数据存储完成以后,使用Map-reduce分布式编程与计算制备活性二氧化锰工艺流程中锰元素的利用率和损耗率;Map-reduce分布式编程与计算完成后,将计算结果上传至云计算中心;计算结果上传完成至云计算中心后,云计算中心根据Map-reduce分布式编程与计算结果获取废锰泥的用量数据;在制备活性二氧化锰前,化工厂商为了能够根据产量有效预测提取原材料锰粉所需要的废锰泥,通常会采取人工化学预实验的方法或者使用工业物联网确定废锰泥的用量,对于化工厂商而言,由于化学原料物质用量庞大,因此使用云计算预测废锰泥的用量比人工化学预实验更准确;活性二氧化锰中往往存在一些杂质,这些杂质的存在不但不影响活性二氧化锰的化学用途,反而能够起到增强活性二氧化锰的发挥性能,因此杂质的含量也应在递归神经网络模型的监控检测范围之内;恰好完全反应是化学反应中的理想状态,但是在现实化学实验当中,化学反应往往需要反应物过量才能完全反应,因此为了能够更加精确测出各化学阶段最佳反应条件以及最佳固体反应物质量、最佳液体反应物浓度及pH值,固体反应物一开始必须过量,因此便从工业计算机导入工艺流程中所涉及的化学方程式中的化学计量数以及各化学反应过程中锰元素的损耗率峰值;云计算中心能够根据Map-reduce分布式编程与计算结果对废锰泥的用量数据进行精确获取,在云计算中心的加持下,不仅减少了废锰泥的浪费,同时也提高了废锰泥回收的利用率。
步骤102,通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程。
根据云计算中心决策的结果对相应的废锰泥用量进行取材;把浓度为98%的浓硫酸加入到含有蒸馏水的连续搅拌釜式反应器中进行搅拌稀释,在稀释的过程当中,用PLC程序控制搅拌的速率,在稀释的过程当中,用PLC程序控制搅拌的速率,同时,用硫酸浓度计进行硫酸的浓度测量直至示数达到稀硫酸浓度的数值;用温度计进行记录调节稀硫酸的温度在40-85℃的过程,对收集到的废锰泥进行酸浸处理,得到悬浊液,浸泡时间为10-120min,期间用计时器记录时间数据;浸泡期间,加入高锰酸钾除铁,固液分离得到浸出渣、含锰离子的浸出液;往所得含锰离子的浸出液中加入碳酸钠,加入碳酸钠期间,记录碳酸钠的用量,碳酸钠的加入使锰元素发生沉淀反应,对沉淀进行洗涤、干燥处理,得到碳酸锰产品;得到碳酸锰产品后,利用边缘云协同串行任务卸载算法,将回收工艺流程所记录的数值转化为状态向量St;将状态向量St进行初始化权重处理,得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池;得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池以后,对初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池进行序列的预处理;预处理序列完成后,使用ECWS-RDQN算法结束本轮迭代;结束本轮迭代后,根据本轮迭代结果预测回收废锰泥工艺的最佳化学反应条件、固体反应物质量、液体反应物浓度及pH值,根据预测结果改进回收废锰泥过程中的化学配方与稀释配料比。边缘云协同串行任务卸载算法是现有技术,是由云-边-用户3层结构组成,是针对边云协同场景下对任务的卸载资源的分配进行研究;边缘云协同串行任务卸载算法是基于深度强化学习RainbowDQN边缘云协同串算法进行优化的,与深度强化学习算法RainbowDQN相比,边缘云协同串行任务卸载算法能够对处理多用户的串行任务卸载与云端数据中心进行合适的资源调度,从而减小资源竞争,同时对不同用户的应用也具有优先级调动,处理任务延迟时间更低,任务能量消耗更小,服务质量更高的优势;边缘云协同串行任务卸载算法(ECWS-RDQN)能够根据决策值与经验池对工艺进行优化,ECWS-RDQN算法具有稳定、低时延、低能耗、低成本、协同性高、联动性高的特点,在ECWS-RDQN算法的加持下,优化回收废锰泥工艺的进度能够进一步得到提升;浓硫酸密度比水大,且稀释过程中会释放出大量的热量,为了使得反应不含其他杂质,因此需要蒸馏水,即需要将浓硫酸加入到蒸馏水当中进行稀释且不断搅拌以便容器散热更快。
边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理。
对回收废锰泥工艺中废锰泥的利用率作为进行概率赋值;根据概率赋值选择随机动作;完成随机动作的选择后,将随机动作转化为动作向量;完成动作向量的转化后,将动作向量输入至最优奖励函数Xt当中;最优奖励函数根据动作向量输出理论奖励值;完成输入最优奖励函数后,向回收废锰泥加工系统执行随机动作;在执行随机动作的同时记录回收废锰泥的系统与化学反应物及化学产物的状态;根据回收废锰泥的系统与化学反应物及化学产物的过程与状态更新权值矩阵;完成更新权值矩阵后,根据回收废锰泥的权值矩阵和系统及化学反应物与化学产物的状态计算回收废锰泥的奖励值Rt;完成计算奖励值后,返回理论奖励值和状态向量的后一项;令状态向量的第t项与状态向量的第t+1项相等,并计算状态向量的第t项与第t+1项相等时的结果;输出计算结果,并将计算结果表示成四维向量存放至经验池;四维向量完成存放至经验池以后,按优先经验回放策略;完成回放策略以后,往经验池中抽取四维向量;完成四维向量抽取动作以后,根据四维向量的数值结果对网络参数进行更新;当状态向量的第t+1项为结束状态时,结束本轮迭代。随机动作是对回收废锰泥的工艺流程中可以人为进行控制的参数进行训练学习,如稀释过程中搅拌浓硫酸的速率、浓硫酸的流量、温度的调节、浸泡的时间、高锰酸钾和碳酸钠的流量,边缘云协同串行任务卸载算法通过对人为可控参数进行训练学习能够促进回收废锰泥的初始化状态进行序列的预处理;ECWS-RDQN算法能够将回收废锰泥化学工艺流程中的流程步骤作为串行任务,通过对串行任务进行拆解,使得串行任务变成能够简单处理的多个微任务,得到微任务以后可以根据微任务的权重比值对微任务进行奖励赋值,并根据是否达到奖励值进行获取频率,完成获取频率以后便可进行数值标准化处理。
步骤103,递归神经网络训练学习样本数据组确定烘干过程的最佳参数。
完成湿法从废锰泥材料中回收碳酸锰粉后,取200kg碳酸锰粉,并用称重仪表记录碳酸锰粉的质量数据;使用板框压滤机对碳酸锰粉进行固液分离;使用湿度传感器记录碳酸锰粉的湿度变化;固液分离完成以后,将回收的碳酸锰泥滤饼置于恒温烘箱中,调整烘干温度为以及烘干时间,用温度传感器记录烘干温度,计时器记录烘干时间;烘干处理完成后,碳酸锰泥在脱水后产生碳酸锰粉,用80目标准筛对小于80目孔径的碳酸锰粉进行筛选,对大于80目孔径的碳酸锰粉使用80目筛网粉碎机进行粉碎;对大于80目孔径的碳酸锰粉粉碎完成后,对粉碎完成后的碳酸锰粉进行过80目筛处理;完成过80目筛备用后,对烘干过程所得的数据类型进行分类成固体孔径、湿度含量、烘干温度与烘干时间,根据数据的种类数量与类型作为6个输入结点导入对角型递归神经网络;完成输入结点导入后,在对角型递归神经网络中建立输出层、递归层和输入层;完成建立对角型递归神经网络层数后,确定隐含节点和输出结点;完成结点的确定工作以后,对角型递归神经网络根据烘干过程进行网络结构的串联;对角型递归神经网络完成结构串联后,以1000组样本数据为总体,7:3的比例分别导入对角型递归神经网络的训练集和测试集;根据训练集和测试集的验证结果输出期望值以确定烘干过程的最佳参数。工业化学与实验化学的区别在于化学原料的用量,在工业化学领域,化学原料的用量远大于实验化学,因此为了能够更准确获取制备活性锰材料的最佳化学反应条件以及最佳固体化学反应物质量,除了样本容量要足够大以外,同时也需要获取烘干过程的试验数据,以便为最后的评估提供定量分析结果;在烘干处理的过程当中,固体微粒孔径是决定烘干处理是否能够成功完成的一个最重要的指标,因此在烘干处理完成以后,为了能够让更多碳酸锰粉顺利通过目筛,提高原材料利用率,因此烘干处理完成后,需要用80目标准实验筛测量金属锰粉的孔径,当碳酸锰粉孔径过大无法通过时便需要使用80目筛网粉碎机进行粉碎;由于在烘干处理的过程当中金属锰粉的孔径大小难以得到控制,因此在优化烘干处理的过程中需要递归神经网络对金属锰粉的孔径进行及时反馈,而对角型递归神经网络不仅具有前馈网络的输入、输出和隐含单元,其隐含单元还伴随着自反馈功能,隐含单元所伴随的自反馈功能不仅能够减少更多的人为干预,还能及时将金属锰粉的孔径及时反馈到云计算中心,同时也能起到减小递归神经网络的训练时间,递归神经网络训练时间的减少,提高了烘干处理优化过程的时效性;在总体样本数据为1000时,当训练集和测试集的比例达到7:3时,其验证结果所输出的期望值的最大误差与平均误差最小,即验证结果所输出的期望值最准确;隐含单元的自反馈功能能够捕捉到烘干过程的动态特性,从而能够极大简化目标训练模型与大幅度提高学习的快速性。
步骤104,递归神经网络对氧化焙烧所得数据进行训练学习。
使用称重仪表称100kg烘干后的碳酸锰粉;完成称重后,将碳酸锰粉放入一个不锈钢器皿内;将100kg已烘干的碳酸锰粉置于反射炉中,对反射炉进行升温处理,在升温过程中用温度传感器记录温度数据变化,直到反射炉内的温度升温至500℃;当反射炉内温度升至500℃时,把100kg烘干后的碳酸锰粉加入到在反射炉中进行焙烧,调整焙烧时间至4h,用计时器记录时间,并将焙烧时间上传至数据库服务器;焙烧时反射炉保持空气流通,在反射炉周围留50个直径为1cm的进气孔,用气体探测器记录氧气流量;焙烧完成后,初步得到锰泥粉状的二氧化锰成品;初步得到锰泥粉状的二氧化锰成品后,将氧气的流量数值导入递归神经网络当中;完成导入氧气的流量数值工作后,递归神经网络根据氧气的实时流量数值设定时刻;完成时刻设定后,在输入层外部输入递归神经元;完成外部输入递归神经元后,对隐含层所在的递归神经元进行激活输出;使用双曲正切函数对递归神经网络进行初步训练学习;递归神经网络完成初步训练学习后,使用平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习。碳酸锰粉进行氧化焙烧可以初步得到二氧化锰成品(锰泥粉),然而此时二氧化锰成品的纯度达不到活性锰材料的要求,因此需要下一步的除杂流程;由于焙烧反应需要氧气的参与,留50个进气孔能够使得空气中的氧气顺利进入,且50个进气孔分布在反射炉周围可以使得氧气充分吸收反射炉内的热量,并与锰泥粉充分反应;递归神经网络是一种非线性状态空间模型的神经网络,其时间更新方程中的权值状态向量近似服从高斯分布,由于递归神经网络的时间更新方程中权值状态向量不能发生显著变化,因此需要平方根容积卡尔曼滤波算法对递归神经网络进行训练学习,从而使得递归神经网络的时间更新方程中权值状态向量发生显著变化;平方根容积卡尔曼滤波算法能够对非线性动力系统中的气体流量进行动态参数估计,且能够避免常规梯度下算法已陷入局部极小的不足,也不需要对状态向量转化成矩阵进而对矩阵求导或求逆运算,起到简化运算步骤的效果,同时与EKF算法和CKF算法相比,平方根卡尔曼滤波算法对递归神经网络训练学习的收敛速度更快,精度更高。
根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围。
将氧气实时流量和浓度数值转化为权值状态向量;将权值状态向量转化为权值状态矩阵;根据权值状态矩阵对递归神经网络建立非线性状态空间模型;完成建立非线性状态空间模型后,设定训练时刻;完成训练时刻的设定以后,确定需要计算的参数,递归神经网络根据计算的参数对非线性状态空间建立具体的算法实现计算准则;根据具体的算法实现计算准则所得到的计算结果初步获得氧化焙烧过程中氧气流量和浓度的最佳范围。在氧化焙烧反应过程当中,氧气的实时流量遵循非线性变化;平方根容积卡尔曼滤波算法能够将训练问题作为一个非线性动力系统对递归神经网络进行进一步优化训练学习,通过获取非线性动力系统的动态参数去估计问题以此优化氧化焙烧的反应过程;在平方根容积卡尔曼滤波算法的加持下,递归神经网络的实际输出与期望输出之间的均方误差能够随着时序的增加而逐渐减小;与其他训练学习的算法相比,利用平方根容积卡尔曼滤波算法不仅避免了矩阵平方根运算,同时也改进了数值计算的稳定性,保持了协方差的对称性和正定性的特点。
平方根容积卡尔曼滤波算法建立具体的算法实现计算准则。
非线性状态空间建立完成后,对非线性状态空间的权值状态向量的容积点进行计算;完成容积点的计算后,结合递归神经网络建立对非线性空间状态计算容积点的传播;递归神经网络根据容积点的传播输出预测均值向量;将预测均值向量进行估计量测输出预测误差协方差矩阵的平方根因子;输出预测误差协方差矩阵后,对预测误差协方差矩阵进行正交三角分解;输出正交三角分解结果,将正交三角分解结果转化成误差协方差矩阵;完成转化误差协方差矩阵后,将误差协方差矩阵转化成估计权值状态向量;将估计权值状态向量与量测输出向量转化成互协方差矩阵;根据互协方差矩阵计算卡尔曼增益;完成卡尔曼增益计算后,获取任意时刻,并从获取时刻中的递归神经网络进行结果输出;递归神经网络从获取时刻输出结果后,根据递归神经网络的状态更新计算状态更新后的权值状态向量的滤波值;根据计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子;基于计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子确定氧气进气流量和氧气浓度的最佳范围。递归神经网络在氧化焙烧反应过程的建模精度比传统神经网络的建模精度高,因此选择递归神经网络对氧化焙烧工艺过程进行优化能够得到更加精确的氧化焙烧工艺优化参数;与传统的训练算法相比,利用平方根容积卡尔曼滤波算法对递归神经网络进行训练所得到的预测精度结果要搞一个数量级,证明了平方根容积卡尔曼滤波算法训练递归神经网络的有效性与可行性。在氧化焙烧的过程中,氧气与碳酸锰粉的接触面积、进气流量以及浓度是决定氧化焙烧工艺是否成功的最关键因素,因此只需要通过平方根容积卡尔曼滤波算法训练递归神经网络,通过训练后的递归神经网络对氧气的进气流量以及浓度还有控制进气孔的数量与孔径大小进而控制氧气与碳酸锰粉的接触面积便可达到优化氧化焙烧反应过程的目的。
步骤105,递归神经网络处理硫酸歧化的反应过程。
量取300L的水和50L浓度为98%的浓硫酸;往连续搅拌釜式反应器中加入已经量好体积容量的300L的水和50L浓度为98%的浓硫酸,先加入300L的水,后加入50L的浓硫酸,用流量传感器记录加入水与浓硫酸的流量;建立水和浓硫酸的浓度参数,其中,水的浓度为反应器中液体成分的浓度参数,浓硫酸的浓度为液体进料的浓度参数;完成建立浓度参数后,在浓度的基础上建立浓硫酸的进料流量与反应器中的水的流量;在流量建立完成后,建立浓硫酸与水的比定压热容、密度、分子间作用力的参数;参数建立完成后,加入已经量好体积容量的300L水和50L浓度为98%的浓硫酸后,对已完成动态建模的连续搅拌釜式反应器中的水和浓硫酸的混合溶液用PLC程序控制的搅拌速率,用测速仪对搅拌速率进行测量,用计时器记录搅拌时间;在搅拌的同时,对连续搅拌釜式反应器中水和浓硫酸的混合溶液进行升温处理,用温度传感器记录连续搅拌反应器中水和浓硫酸混合溶液的温度变化;通过记录稀释浓硫酸温度的变化过程以及升温的所需时间计算稀释浓硫酸的升温过程的速率;待连续搅拌釜式反应器中的水和浓硫酸的混合溶液温度升至70℃以上但不超过98℃时,加入焙烧后得到的锰泥粉50kg进行歧化反应,然后继续升温;完成硫酸歧化反应的过程后,对连续搅拌釜式反应器进行动态建模,动态隐藏输出递归神经网络根据收集所得到的反应过程的数据进行建模处理。连续搅拌釜式反应器既不与浓硫酸反应,也不与稀硫酸反应,因此可以往工业玻璃钢储蓄罐中加入大量的水和浓硫酸进行稀释;由于浓硫酸稀释过程中会释放大量的热量,因此相比冷却至常温再次升温至70℃以上98℃以下,在稀释浓硫酸过程中一边搅拌一边升温有利于节约更多用于升温的能源;浓硫酸的稀释过程是物理变化,在浓硫酸的稀释过程当中分子间隔变大,分子间作用力也会随之变小,在分子间作用力变小的期间,分子间的机械能转化成内能,因而释放大量的热量,因此需要记录分子间作用力变化以此记录浓硫酸释放的理论热量。
动态建模连续搅拌釜式反应器。
根据连续搅拌釜式反应器中浓硫酸的浓度变化建立非线性微分方程;以反应器中水的浓度参数对瞬时变化的时间t进行微分建立非线性微分方程第一个方程的左式;列出非线性微分方程的第一个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,浓硫酸的浓度参数,水的浓度参数,稀释浓硫酸的升温过程的速率参数建立非线性微分方程第一个方程的右式;对非线性微分方程的第一个方程的左式与右式以等式的形式进行合并,计算非线性第一个微分方程左右两式相等的结果;以反应器中的温度参数对瞬时变化的时间t进行微分建立非线性微分方程第二个方程的左式;列出非线性微分方程的第二个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,初始温度参数与末温度参数,稀释浓硫酸释放的热量参数建立非线性微分方程第二个方程的右式;对非线性微分方程的第二个方程的左式与右式以等式的形式进行合并,计算非线性第二个方程左右两式相等的结果;完成等式的计算结果后,动态隐藏输出递归神经网络分析等式计算结果,并根据等式计算结果对动态隐藏输出递归神经网络进行建模。由于浓硫酸的稀释过程是释放热量的过程,而且浓硫酸的稀释过程所释放的热量会导致温度发生非线性变化且放热过程不可逆,因此需要用可监视温度的连续搅拌釜式反应器对浓硫酸的稀释进行温度实时监测;与其他搅拌反应仪器设备相比,连续搅拌釜式反应器不但可以对浓硫酸的温度变化进行实时监测,而且能够令浓硫酸与水混合更加均匀,从而达到稀释浓硫酸的目的;连续搅拌釜式反应器是一个温度随时间变化的非线性动态系统且在连续搅拌釜式反应器的动态建模过程中,连续搅拌釜式反应器发生的是不可逆的放热反应;动态建模连续搅拌釜式反应器所用到的网络模型为Yt+1=f(Xc(t),Xc(t-1),...Xc(t-m),Yt,Yt-1,...Yt-1,Ut)式中m,n分别为隐层、输出层的最大时延值、Xc为隐层反馈、Y为输出层反馈,Ut为系统输入矢量。
递归神经网络对反应过程所得数据进行建模。
完成动态建模连续搅拌釜式反应器后,首先收集连续搅拌釜式反应器中的计算数据结果;完成收集计算数据结果后,然后采用3层动态隐藏输出递归神经网络对计算数据结果进行建模处理;接着设立动态隐藏输出递归神经网络的隐含节点数;完成设立隐含节点数后,再针对每个稀释浓硫酸反馈的温度状态变量在关键温度节点中设立时间序列结点;然后在输入层以及各反应阶层设立tansing函数;将连续搅拌釜式反应器中所收集到的计算数据导入tansing函数当中;完成计算数据导入后,接着在输出层中设立pureline激励函数;完成在输出层设立pureline激励函数后,然后采用基于莱文伯格-马夸特优化理论的L-M算法对输出层中激励函数的输出结果进行优化;完成输出优化结果后,使用目标函数均方差函数MSE检验动态隐藏输出递归神经网络的建模效果。基于列文伯格-马夸尔特法开发的动态隐藏输出递归神经网络具有合理的结构和快速有效的算法,与Jordan网络模型建模对比,动态隐藏输出递归神经网络具有收敛速度更快,预设精度更高,对检测样本的测试效果更好,训练步骤数量更少且训练速度更快以及平均相对误差更小的特点,因此基于列文伯格-马夸尔特法开发的动态隐藏输出递归神经网络适用于高阶非线性变化的数据系统;基于列文伯格-马夸尔特法开发的动态隐藏输出递归神经网络能够对具有多输入单输出的连续搅拌釜式反应器进行动态建模,且与Jordan网络模型相比较,动态隐藏输出递归神经网络具有更好的动态建模能力。
步骤106,递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数。
量取100L水和50kg氯酸钠固体;完成量取100L水和50kg氯酸钠固体后,往连续搅拌釜式反应器中加入100L水和50kg氯酸钠固体;连续搅拌釜式反应器搅拌固液混合物、对搅拌速率、搅拌时间、温度变化进行记录;对碳酸锰粉进行升温处理,待碳酸锰粉升温到90℃,将升温到90℃的碳酸锰粉进行保温1h,用计时器计时,温度传感器对温度变化进行实时测量,然后加入50L氯酸钠溶液以进行氧化反应;碳酸锰粉再在90℃温度下保温1h,加入氧化焙烧后得到的碳酸锰粉25kg,再保温1h后继续加氯酸钠溶液溶液25L;保温1h后再加氧化焙烧后得到的锰泥粉25kg,继续保温1h后再加25L氧化剂溶液,中途补充蒸发水后保温4h;取反应液过滤后检测反应液中硫酸锰的含量,使用锰离子浓度计进行实时测量变化数值,当硫酸锰含量低于10g/L时作为反应终点;递归神经网络根据重质氧化获取得到的反应过程数据的类型与数量建立反应温度、氯酸钠固体质量、水的体积、搅拌速率、液体浓度6个关键参数作为递归神经网络的输入结点;确定好递归神经网络的输入结点后,根据输入结点建立重质氧化关键参数的隐含节点;完成输入结点和隐含节点的建立后,建立递归神经网络的输入层、承接层、隐含层、输出层;在递归神经网络的输入层、承接层、隐含层、输出层建立递归神经网络的网络神经元,并根据递归神经网络的输入节点和隐含节点建立神经元个数;完成建立递归神经网络神经元后,在隐含层单元导入S型传递函数;完成S型传递函数导入后,获取递归神经网络承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值;完成获取连接权值后,对连接权值进行修正;修正连接权值完成后,对重质氧化的6个关键参数进行输入;对6个关键参数进行梯度下降,输入定义误差函数,并分别计算定义误差函数对连接权值的偏导数;计算定义误差函数对连接权值的偏导数为0的结果;根据定义误差函数对连接权值的偏导数为0的结果获取重质氧化的化学反应过程的最佳工艺参数。连续搅拌釜式反应器相比传统的搅拌罐的优势在于连续搅拌釜式反应器能够使得固体与液体搅拌得更加充分,更加均匀;溶解氯酸钠固体的过程会释放大量的热量,与冷却至常温再次升温相比,在溶解搅拌过程中进行边搅拌边升温操作能够减小用于升温的能源损耗;将氯酸钠固体和水放入连续搅拌釜式反应器中有利于氯酸钠充分溶解于水中,并且能够使氯酸钠溶液中的离子分布均匀。在递归神经网络中,有输入层、承接层、隐含层和输出层;输出层的神经元起到线性加权的作用,能够将重质氧化中遵循非线性变化的参数进行线性拟合;输入层的神经元能够将所得的6个关键参数进行传输;隐含层的神经元能够获取来自承接层前一时刻的输出值,并对输出值进行记忆。
步骤107,递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取。
对完成重质氧化的固液混合物进行固液分离、洗涤、中和、干燥;待上述反应液自然冷却后,通过板框压滤机将其固液分离;用温度传感器量取80℃的热水,把过滤出来的滤渣用80℃热水进行洗涤,用pH计测量洗涤过程中到pH的数值;当pH的数值大于2.5时,用溶液浓度计量取质量浓度为5%的氢氧化钠溶液中和洗涤后的滤渣至pH值为6.8,用pH计实时测量溶液pH数值变化;再用热水对滤渣洗涤两次,洗涤完成后,对所得固液混合物再次固液分离,然后进行干燥;对空气进行加热处理,使用温度传感器测量空气温度的变化,当空气温度达到120℃时通过120℃的热空气进行干燥;对固体进行干燥4h,用计时器进行计时,用湿度计测量水分含量,当水分含量低于3%时,使用120目筛网粉碎机对固体即可进行粉碎,过120目筛,得到活性二氧化锰成品;对所得活性二氧化锰成品进行重金属杂质含量,总锰含量,二氧化锰含量进行检测;当重金属杂质含量,总锰含量,二氧化锰含量达标时,使用RS20电池的放电效果对活性二氧化锰的电学性能进行检测,包括开路电压,电阻,连放时间,根据开路电压,电阻,连放时间判断活性二氧化锰是否达到一级电解锰标准;完成对活性二氧化锰成品的检测后,对活性二氧化锰的产量进行计量,并根据制备活性二氧化锰各工艺过程的耗材计算制备活性活性二氧化锰的理论产量,同时根据制备活性二氧化锰的理论产量与实际产量的差异计算出制备活性二氧化锰的产率;递归神经网络根据处理固液混合物期间所获取得到的数据数量建立输入结点;完成输入结点建立后,建立递归神经网络的隐含层、输入层和输出层;完成建立隐含层、输入层和输出层后,递归神经网络对输入层与输出层建立直接联系;输入隐节点与激活函数完善隐含层;对处理固液混合物的全过程进行先验知识挖掘;设计目标函数以及对递进神经网络进行权值优化;根据融合过程先验知识挖掘的递归神经网络的运算结果获取处理固液混合物的全过程关键参数的最优解。对滤液中的稀硫酸进行循环使用,可以有效节约能源;由于盐类的水解反应是吸热反应,因此用热水洗涤有利于pH值增大,从而节省碱性化学用品的使用,节约生产成本;用120目筛网粉碎机对所得固体进行粉碎,能够尽最大限度减少固体产物的损耗,从而提高活性二氧化锰成品的产率;一级电解锰标准的检测标准为活性二氧化锰中重金属杂质Fe、Cu、Pb、Co、Ni、Cd的含量别为1731.2ppm、55.3pm、66ppm、19.6ppm、11.2ppm、1.0ppm,并要求成品中总锰含量达到55.31%,二氧化锰含量为85.76%,RS20电池放电结果中开路电压1.72V、1.8Ω0.9V连放207min、3.9Ω0.9V连放456min;针对具有非线性特性变化的化学工艺流程,递归神经网络能够根据过程先验知识在处理固液混合物期间对所得到的关键参数进行优化;递归神经网络不仅具有保证良好的动态建模精度和预测能力,而且还在工作点区域之外保留了外推性能,避免了模型输出时出现增益反转,以确保模型在处理固液混合物的过程当中的可靠性;递归神经网络对输入层与输出层建立直接联系,有利于直接反映输入层与输出层的关系,同时避免了递归神经网络在实际处理固液混合物的过程出现零增益的风险。
输入隐节点与激活函数完善隐含层。
在隐含层当中输入非线性隐节点与线性隐节点;完成输入非线性隐节点与线性隐节点后,在非线性隐节点当中输入非线性S型激活函数,在线性隐节点输入线性激活函数;完成输入线性激活函数和非线性激活函数后,分别对激活函数中的线性隐节点和非线性隐节点进行输出;完成输出激活函数中的线性隐节点与非线性隐节点后,对处理固液混合物的时刻进行随机获取,并对获取所在时刻的递归神经网络进行动态模型输出。隐含层是由线性隐节点和非线性隐节点两部分组成的,其中,线性隐节点遵循线性激活函数,非线性隐节点遵循非线性激活函数;线性隐节点和非线性隐节点都能够通过激活函数紧密地联系起来,因此在完成输入线性隐节点和非线性隐节点后,需要建立激活函数以便更好地对线性隐节点和非线性隐节点进行数据挖掘分析。
对处理固液混合物的全过程进行先验知识挖掘。
完成对任意时刻的递归神经网络的动态模型输出后,递归神经网络对获取任意当前时刻的动态模型输出对递归神经网络的输入进行求偏导操作;完成求偏导操作后,求偏导得到的结果获取递归神经网络的模型增益;对所得的递归神经网络的模型增益引入增益约束;完成引入增益约束后,根据模型增益判断处理固液混合物过程的单调性;完成单调性的判断后,对模型增益进行进行二次偏导判断处理固液混合物过程的凹凸性;根据处理固液混合物过程的单调性与凹凸性建立稳态工作点;完成建立稳态工作点后,根据所得的稳态工作点建立稳态模型;根据所得的稳态模型计算各稳态工作点的增益;根据计算所得的稳态工作点的增益对处理固液混合物的全过程进行先验知识挖掘。对递归神经网络的模型增益进行引入增益约束操作是为了保证处理固液混合物的过程当中的研究对象参数的部分或全部增益近似有界;在处理固液混合物的过程当中,处理固液混合物的过程稳态数据包含不同的稳态信息,这些稳态信息能够直观反映出过程输入输出的非线性稳态关系。
设计目标函数以及对递进神经网络进行权值优化。
对递归神经网络的全部权值进行获取;完成获取递归神经网络的全部权值后,利用PSO-IPOPT算法对网络权值进行优化;完成网络权值优化以后,输入损失函数处理优化后的网络权值;利用递归神经网络获取处理固液混合物过程中的拉格朗日乘子及惩罚因子最大更新次数、粒子群算法的最大迭代次数、溶液粒子种类、溶液粒子数、溶液粒子维数、惯性权重、认知系数、社会系数、拉格朗日算子、惩罚因子;基于处理固液混合物中获取的各类数据利用递归神经网络对经损失函数处理后的网络权值进行设定初始值操作;根据初始值在自变量空间初始化溶液微粒的随机位置和速度;根据所得初始值计算各溶液粒子的增广拉格朗日函数的适应值;根据计算所得适应值确定溶液微粒的最佳位置;确定微粒的最佳位置后,对递归神经网络输入目标函数;将模型误差项、正则项、以及松弛项导入递归神经网络当中以优化目标函数;模型误差项、正则项以及松弛项完成目标函数优化后,用非线性等式或不等式对目标函数进行约束;完成约束后,对目标函数进行运算;根据目标函数运算结果判断是否满足溶液粒子群最大迭代次数以及是否满足迭代终止条件;完成运算结果判断后,使用IPOPT非线性优化算法对递归神经网络进行局部加速收敛与求解;通过使用IPOPT非线性优化算法对递归神经网络的求解得到局部极小值;根据求解得到的极小值对处理固液混合物的过程进行参数优化。使用权衰减法能够避免过程先验知识递归神经网络在训练过程中出现错误拟合的可能,并同时减少网络结构的复杂性;利用基于增广拉格朗日乘子法约束处理机制使用PSO-IPOPT算法搜索全局最优解范围不仅能够保证递归神经网络的收敛性,同时避免了陷入局部最小的可能,用于递归神经网络也能使得网络权值加速收敛到局部极小值。
步骤108,对递归神经网络进行训练学习。
获取制备活性二氧化锰中收集的固体反应物质量,液体反应物浓度及pH值,操作温度,操作条件,工况信息;将收集到的固体反应物质量,液体反应物浓度及pH值,操作条件和工况信息转化成输入向量;导入递归神经网络的前向传播公式;将输入向量导入到递归神经网络的前向传播公式当中;导入样本数据对递归神经网络进行初步训练;递归神经网络针对制备活性二氧化锰的工艺进行化工建模。递归神经网络的前向传播能够表示多组制备活性二氧化锰的工艺流程所得到的数据、操作条件和工况信息所组成的向量,从而极大地简化了训练步骤与节省训练时间;与其他深度神经网络不同,递归神经网络在所有训练步骤中能够共享相同的参数,在制备活性二氧化锰每一步骤都能针对不同的参数输入执行相同的任务;相比其他传统深度神经网络而言,递归神经网络的权重共享机制大大减少了需要学习的参数总数,通过减少需要学习的参数总数进而降低了递归神经网络模型的复杂度,同时递归神经网络模型能够输入任意长度的序列数据,带来更好的推广性。
导入样本数据对递归神经网络进行初步训练。
获取制备活性二氧化锰的工艺过程中收集得到的数据,操作条件,工况信息,活性二氧化锰的实际产量与产率;对获取的各类数据转化成制备活性二氧化锰的预测值向量;递归神经网络进行先验知识挖掘获取制备活性二氧化锰的多组样本数据;将获取得到的多组样本数据转化成制备活性二氧化锰的理论值向量;完成理论值向量转化后,将损失函数导入递归神经网络当中;损失函数对理论值向量进行运算求解;根据导入递归神经网络的损失函数,先对单个样本预测值向量与理论值向量之间误差的平方和进行计算,后再对所有样本预测值向量与理论值向量之间误差的平方和进行计算;利用随机梯度下降法对获取所得到的制备活性二氧化锰的参数进行训练;对制备活性二氧化锰的参数进行迭代权重与偏置值更新;根据迭代权重与偏置值更新的结果对制备活性二氧化锰的工艺参数进行初步优化。递归神经网络的训练本质上是一个优化权重参数使得损失函数最小化的问题;建立递归神经网络预测模型是一个回归优化问题,而回归优化问题常用的方法便是选取损失函数作为预测值向量与理论值向量之间的平方和;在递归神经网络的初步训练中,每一时间序列层都会存在相互影响到情况,因此计算一层的梯度的同时需要考虑之前所有层的梯度。
递归神经网络针对制备活性二氧化锰的工艺进行化工建模。
获取制备活性二氧化锰的工艺过程中液体反应物的浓度与pH值的变化数值;根据液体反应物浓度与pH的数值变化建立函数拟合;完成函数拟合后,对液体反应物浓度与pH值的拟合函数进行微分;根据微分结果对多组分时序产率进行预测;获取制备活性二氧化锰中反应阶段过程的所需用时;根据制备活性二氧化锰中反应阶段过程的所需用时建立隐含神经元;对制备活性二氧化锰中各反应阶段过程的所需用时向量化;完成向量化后,对样本数量,时间序列长度以及组分数建立三维向量;将三维向量转化合并成训练集;对训练集导入速率常数回归公式;利用递归神经网络对训练集进行训练,通过训练所得结果回归反应速率常数;输出回归反应速率常数,并根据回归反应速率常数进一步调整制备活性二氧化锰的化学配方、溶解配料比与稀释配料比。在制备活性二氧化锰的工艺过程中,液体反应物的浓度和pH数值往往不遵循线性变化,因此需要寻找相关的函数进行拟合;通过对拟合函数进行微分能够获取液体反应物浓度与pH数值的瞬时变化率,通过分析瞬时变化率从而能够对多组分时序进行产率预测;使用递归神经网络对制备活性二氧化锰的工艺进行化工建模不仅可以求出反应速率常熟,避免求解过多且复杂微分方程,还能在递归神经网络针对活性二氧化锰建模规模逐渐庞大的同时减小计算优化参数的所需时长。
步骤109,训练完成后的递归神经网络模型对制备活性二氧化锰的工艺进行模拟与优化。
完成递归神经网络的训练学习后,输入需要制备活性二氧化锰的产量,递归神经网络在得到需要制备活性二氧化锰的产量的基础上对废锰泥的用量进行决策;根据制备活性二氧化锰的反应过程建立过程微分方程;递归神经网络对过程微分方程进行运算求解;递归神经网络模型根据过程微分方程运算求解的结果对制备活性二氧化锰的工艺进行模拟预测;输出模拟预测所得的用量输出结果,根据模拟预测所得的用量输出结果改进制备活性二氧化锰的化学配方和优化制备活性二氧化锰物理变化过程中的烘干、溶解、粉碎的用料比例。过程微分方程一般都是存在两种或以上的多重尺度的刚性方程组,对于刚性方程组的解法,通常都是采用数值型解法通过迭代权重方式以此获得稳定解;在递归神经网络模型的加持下,对于刚性方程组的求解能够起到简化运算步骤,减小初值影响误差,缩短对刚性方程组收敛的时间,从而能以更快的速度求得更精确的数值来优化制备活性二氧化锰的工艺流程所涉及的参数;递归神经网络模型能够在机理模型耦合迭代的过程中简化求解质量平衡、动量平衡、能量平衡的微分方程组,从而减小了运算时间,提高了运算时效。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种活性锰材料制备及控制方法,其特征在于,所述方法包括:
通过云计算对废锰泥的用量进行决策;通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程,具体包括:边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理;递归神经网络训练学习样本数据组确定烘干过程的最佳参数;递归神经网络对氧化焙烧所得数据进行训练学习,所述递归神经网络对氧化焙烧所得数据进行训练学习,具体包括:根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围,平方根容积卡尔曼滤波算法建立具体的算法实现计算准则;递归神经网络处理硫酸歧化的反应过程,所述递归神经网络处理硫酸歧化的反应过程,具体包括:动态建模连续搅拌釜式反应器,递归神经网络对反应过程所得数据进行建模;递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数;递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取,所述递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取,具体包括:输入隐节点与激活函数完善隐含层,对处理固液混合物的全过程进行先验知识挖掘,设计目标函数以及对递进神经网络进行权值优化;对递归神经网络进行训练学习,所述对递归神经网络进行训练学习,具体包括:导入样本数据对递归神经网络进行初步训练,递归神经网络针对制备活性二氧化锰的工艺进行化工建模;训练完成后的递归神经网络模型对制备活性二氧化锰的工艺进行模拟与优化。
2.根据权利要求1所述的方法,其中,所述通过云计算对废锰泥的用量进行决策,包括:
将活性二氧化锰的纯度要求上传至云计算中心;获取活性二氧化锰的纯度要求后,获取活性二氧化锰中关键数据,所述关键数据包括活性二氧化锰的总锰含量、二氧化锰含量、重金属杂质Fe、Cu、Pb、Co、Ni、Cd的含量、还有以RS20电池放电结果为参考的一级电解标准的开路电压、电阻、连续放电时间的数据;待活性二氧化锰的纯度要求所涉及到的关键数据获取完毕以后,工业计算机导入工艺流程中所涉及的化学方程式中的化学计量数以及各化学反应过程中锰元素的损耗率峰值;用HDFS数据存储系统对活性二氧化锰的纯度要求、总锰含量、二氧化锰含量、重金属杂质含量以及一级电解标准的开路电压、电阻、连续放电时间进行数据存储;数据存储完成以后,使用Map-reduce分布式编程与计算制备活性二氧化锰工艺流程中锰元素的利用率和损耗率;Map-reduce分布式编程与计算完成后,将计算结果上传至云计算中心;计算结果上传完成至云计算中心后,云计算中心根据Map-reduce分布式编程与计算结果获取废锰泥的用量数据。
3.根据权利要求1所述的方法,其中,所述通过边缘云协同串行任务卸载算法优化回收废锰泥的工艺流程,包括:
根据云计算中心决策的结果对相应的废锰泥用量进行取材;把浓度为98%的浓硫酸加入到含有蒸馏水的连续搅拌釜式反应器中进行搅拌稀释,在稀释的过程当中,用PLC程序控制搅拌的速率,在稀释的过程当中,用PLC程序控制搅拌的速率,同时,用硫酸浓度计进行硫酸的浓度测量直至示数达到稀硫酸浓度的数值;用温度计进行记录调节稀硫酸的温度在40-85℃的过程,对收集到的废锰泥进行酸浸处理,得到悬浊液,浸泡时间为10-120min,期间用计时器记录时间数据;浸泡期间,加入高锰酸钾除铁,固液分离得到浸出渣、含锰离子的浸出液;往所得含锰离子的浸出液中加入碳酸钠,加入碳酸钠期间,记录碳酸钠的用量,碳酸钠的加入使锰元素发生沉淀反应,对沉淀进行洗涤、干燥处理,得到碳酸锰产品;得到碳酸锰产品后,利用边缘云协同串行任务卸载算法,将回收工艺流程所记录的数值转化为状态向量St;将状态向量St进行初始化权重处理,得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池;得到初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池以后,对初始化状态、初始化权重矩阵以及回收废锰泥工艺的经验池进行序列的预处理;预处理序列完成后,使用ECWS-RDQN算法结束本轮迭代;结束本轮迭代后,根据本轮迭代结果预测回收废锰泥工艺的最佳化学反应条件、固体反应物质量、液体反应物浓度及pH值,根据预测结果改进回收废锰泥过程中的化学配方与稀释配料比;包括:边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理;
所述边缘云协同串行任务卸载算法对回收废锰泥的初始化状态进行序列的预处理,具体包括:
对回收废锰泥工艺中废锰泥的利用率作为进行概率赋值;根据概率赋值选择随机动作;完成随机动作的选择后,将随机动作转化为动作向量;完成动作向量的转化后,将动作向量输入至最优奖励函数Xt当中;最优奖励函数根据动作向量输出理论奖励值;完成输入最优奖励函数后,向回收废锰泥加工系统执行随机动作;在执行随机动作的同时记录回收废锰泥的系统与化学反应物及化学产物的状态;根据回收废锰泥的系统与化学反应物及化学产物的过程与状态更新权值矩阵;完成更新权值矩阵后,根据回收废锰泥的权值矩阵和系统及化学反应物与化学产物的状态计算回收废锰泥的奖励值Rt;完成计算奖励值后,返回理论奖励值和状态向量的后一项;令状态向量的第t项与状态向量的第t+1项相等,并计算状态向量的第t项与第t+1项相等时的结果;输出计算结果,并将计算结果表示成四维向量存放至经验池;四维向量完成存放至经验池以后,按优先经验回放策略;完成回放策略以后,往经验池中抽取四维向量;完成四维向量抽取动作以后,根据四维向量的数值结果对网络参数进行更新;当状态向量的第t+1项为结束状态时,结束本轮迭代。
4.根据权利要求1所述的方法,其中,所述递归神经网络训练学习样本数据组确定烘干过程的最佳参数,包括:
完成湿法从废锰泥材料中回收碳酸锰粉后,取200kg碳酸锰粉,并用称重仪表记录碳酸锰粉的质量数据;使用板框压滤机对碳酸锰粉进行固液分离;使用湿度传感器记录碳酸锰粉的湿度变化;固液分离完成以后,将回收的碳酸锰泥滤饼置于恒温烘箱中,调整烘干温度为以及烘干时间,用温度传感器记录烘干温度,计时器记录烘干时间;烘干处理完成后,碳酸锰泥在脱水后产生碳酸锰粉,用80目标准筛对小于80目孔径的碳酸锰粉进行筛选,对大于80目孔径的碳酸锰粉使用80目筛网粉碎机进行粉碎;对大于80目孔径的碳酸锰粉粉碎完成后,对粉碎完成后的碳酸锰粉进行过80目筛处理;完成过80目筛备用后,对烘干过程所得的数据类型进行分类成固体孔径、湿度含量、烘干温度与烘干时间,根据数据的种类数量与类型作为6个输入结点导入对角型递归神经网络;完成输入结点导入后,在对角型递归神经网络中建立输出层、递归层和输入层;完成建立对角型递归神经网络层数后,确定隐含节点和输出结点;完成结点的确定工作以后,对角型递归神经网络根据烘干过程进行网络结构的串联;对角型递归神经网络完成结构串联后,以1000组样本数据为总体,7:3的比例分别导入对角型递归神经网络的训练集和测试集;根据训练集和测试集的验证结果输出期望值以确定烘干过程的最佳参数。
5.根据权利要求1所述的方法,其中,所述递归神经网络对氧化焙烧所得数据进行训练学习,包括:
使用称重仪表称100kg烘干后的碳酸锰粉;完成称重后,将碳酸锰粉放入一个不锈钢器皿内;将100kg已烘干的碳酸锰粉置于反射炉中,对反射炉进行升温处理,在升温过程中用温度传感器记录温度数据变化,直到反射炉内的温度升温至500℃;当反射炉内温度升至500℃时,把100kg烘干后的碳酸锰粉加入到在反射炉中进行焙烧,调整焙烧时间至4h,用计时器记录时间,并将焙烧时间上传至数据库服务器;焙烧时反射炉保持空气流通,在反射炉周围留50个直径为1cm的进气孔,用气体探测器记录氧气流量;焙烧完成后,初步得到锰泥粉状的二氧化锰成品;初步得到锰泥粉状的二氧化锰成品后,将氧气的流量数值导入递归神经网络当中;完成导入氧气的流量数值工作后,递归神经网络根据氧气的实时流量数值设定时刻;完成时刻设定后,在输入层外部输入递归神经元;完成外部输入递归神经元后,对隐含层所在的递归神经元进行激活输出;使用双曲正切函数对递归神经网络进行初步训练学习;递归神经网络完成初步训练学习后,使用平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习;包括:根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围;平方根容积卡尔曼滤波算法建立具体的算法实现计算准则;
所述根据平方根容积卡尔曼滤波算法对递归神经网络进行进一步优化训练学习初步获得氧气流量的最佳范围,具体包括:
将氧气实时流量和浓度数值转化为权值状态向量;将权值状态向量转化为权值状态矩阵;根据权值状态矩阵对递归神经网络建立非线性状态空间模型;完成建立非线性状态空间模型后,设定训练时刻;完成训练时刻的设定以后,确定需要计算的参数,递归神经网络根据计算的参数对非线性状态空间建立具体的算法实现计算准则;根据具体的算法实现计算准则所得到的计算结果初步获得氧化焙烧过程中氧气流量和浓度的最佳范围;
所述平方根容积卡尔曼滤波算法建立具体的算法实现计算准则,具体包括:
非线性状态空间建立完成后,对非线性状态空间的权值状态向量的容积点进行计算;完成容积点的计算后,结合递归神经网络建立对非线性空间状态计算容积点的传播;递归神经网络根据容积点的传播输出预测均值向量;将预测均值向量进行估计量测输出预测误差协方差矩阵的平方根因子;输出预测误差协方差矩阵后,对预测误差协方差矩阵进行正交三角分解;输出正交三角分解结果,将正交三角分解结果转化成误差协方差矩阵;完成转化误差协方差矩阵后,将误差协方差矩阵转化成估计权值状态向量;将估计权值状态向量与量测输出向量转化成互协方差矩阵;根据互协方差矩阵计算卡尔曼增益;完成卡尔曼增益计算后,获取任意时刻,并从获取时刻中的递归神经网络进行结果输出;递归神经网络从获取时刻输出结果后,根据递归神经网络的状态更新计算状态更新后的权值状态向量的滤波值;根据计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子;基于计算状态更新后的权值状态向量的滤波值估计相应的权值状态向量所形成的滤波误差协方差矩阵的平方根因子确定氧气进气流量和氧气浓度的最佳范围。
6.根据权利要求1所述的方法,其中,所述递归神经网络处理硫酸歧化的反应过程,包括:
量取300L的水和50L浓度为98%的浓硫酸;往连续搅拌釜式反应器中加入已经量好体积容量的300L的水和50L浓度为98%的浓硫酸,先加入300L的水,后加入50L的浓硫酸,用流量传感器记录加入水与浓硫酸的流量;建立水和浓硫酸的浓度参数,其中,水的浓度为反应器中液体成分的浓度参数,浓硫酸的浓度为液体进料的浓度参数;完成建立浓度参数后,在浓度的基础上建立浓硫酸的进料流量与反应器中的水的流量;在流量建立完成后,建立浓硫酸与水的比定压热容、密度、分子间作用力的参数;参数建立完成后,加入已经量好体积容量的300L水和50L浓度为98%的浓硫酸后,对已完成动态建模的连续搅拌釜式反应器中的水和浓硫酸的混合溶液用PLC程序控制的搅拌速率,用测速仪对搅拌速率进行测量,用计时器记录搅拌时间;在搅拌的同时,对连续搅拌釜式反应器中水和浓硫酸的混合溶液进行升温处理,用温度传感器记录连续搅拌反应器中水和浓硫酸混合溶液的温度变化;通过记录稀释浓硫酸温度的变化过程以及升温的所需时间计算稀释浓硫酸的升温过程的速率;待连续搅拌釜式反应器中的水和浓硫酸的混合溶液温度升至70℃以上但不超过98℃时,加入焙烧后得到的锰泥粉50kg进行歧化反应,然后继续升温;完成硫酸歧化反应的过程后,对连续搅拌釜式反应器进行动态建模,动态隐藏输出递归神经网络根据收集所得到的反应过程的数据进行建模处理;包括:动态建模连续搅拌釜式反应器;递归神经网络对反应过程所得数据进行建模;
所述动态建模连续搅拌釜式反应器,具体包括:
根据连续搅拌釜式反应器中浓硫酸的浓度变化建立非线性微分方程;以反应器中水的浓度参数对瞬时变化的时间t进行微分建立非线性微分方程第一个方程的左式;列出非线性微分方程的第一个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,浓硫酸的浓度参数,水的浓度参数,稀释浓硫酸的升温过程的速率参数建立非线性微分方程第一个方程的右式;对非线性微分方程的第一个方程的左式与右式以等式的形式进行合并,计算非线性第一个微分方程左右两式相等的结果;以反应器中的温度参数对瞬时变化的时间t进行微分建立非线性微分方程第二个方程的左式;列出非线性微分方程的第二个方程的左式以后,以浓硫酸的进料流量参数,浓硫酸的体积参数,初始温度参数与末温度参数,稀释浓硫酸释放的热量参数建立非线性微分方程第二个方程的右式;对非线性微分方程的第二个方程的左式与右式以等式的形式进行合并,计算非线性第二个方程左右两式相等的结果;完成等式的计算结果后,动态隐藏输出递归神经网络分析等式计算结果,并根据等式计算结果对动态隐藏输出递归神经网络进行建模;
所述递归神经网络对反应过程所得数据进行建模,具体包括:
完成动态建模连续搅拌釜式反应器后,首先收集连续搅拌釜式反应器中的计算数据结果;完成收集计算数据结果后,然后采用3层动态隐藏输出递归神经网络对计算数据结果进行建模处理;接着设立动态隐藏输出递归神经网络的隐含节点数;完成设立隐含节点数后,再针对每个稀释浓硫酸反馈的温度状态变量在关键温度节点中设立时间序列结点;然后在输入层以及各反应阶层设立tansing函数;将连续搅拌釜式反应器中所收集到的计算数据导入tansing函数当中;完成计算数据导入后,接着在输出层中设立pureline激励函数;完成在输出层设立pureline激励函数后,然后采用基于莱文伯格-马夸特优化理论的L-M算法对输出层中激励函数的输出结果进行优化;完成输出优化结果后,使用目标函数均方差函数MSE检验动态隐藏输出递归神经网络的建模效果。
MSE函数公式如下
7.根据权利要求1所述的方法,其中,所述递归神经网络根据定义误差函数获取重质氧化过程中最佳工艺参数,包括:
量取100L水和50kg氯酸钠固体;完成量取100L水和50kg氯酸钠固体后,往连续搅拌釜式反应器中加入100L水和50kg氯酸钠固体;连续搅拌釜式反应器搅拌固液混合物、对搅拌速率、搅拌时间、温度变化进行记录;对碳酸锰粉进行升温处理,待碳酸锰粉升温到90℃,将升温到90℃的碳酸锰粉进行保温1h,用计时器计时,温度传感器对温度变化进行实时测量,然后加入50L氯酸钠溶液以进行氧化反应;碳酸锰粉再在90℃温度下保温1h,加入氧化焙烧后得到的碳酸锰粉25kg,再保温1h后继续加氯酸钠溶液溶液25L;保温1h后再加氧化焙烧后得到的锰泥粉25kg,继续保温1h后再加25L氧化剂溶液,中途补充蒸发水后保温4h;取反应液过滤后检测反应液中硫酸锰的含量,使用锰离子浓度计进行实时测量变化数值,当硫酸锰含量低于10g/L时作为反应终点;递归神经网络根据重质氧化获取得到的反应过程数据的类型与数量建立反应温度、氯酸钠固体质量、水的体积、搅拌速率、液体浓度6个关键参数作为递归神经网络的输入结点;确定好递归神经网络的输入结点后,根据输入结点建立重质氧化关键参数的隐含节点;完成输入结点和隐含节点的建立后,建立递归神经网络的输入层、承接层、隐含层、输出层;在递归神经网络的输入层、承接层、隐含层、输出层建立递归神经网络的网络神经元,并根据递归神经网络的输入节点和隐含节点建立神经元个数;完成建立递归神经网络神经元后,在隐含层单元导入S型传递函数;完成S型传递函数导入后,获取递归神经网络承接层到隐含层、输入层到隐含层、隐含层到输出层的连接权值;完成获取连接权值后,对连接权值进行修正;修正连接权值完成后,对重质氧化的6个关键参数进行输入;对6个关键参数进行梯度下降,输入定义误差函数,并分别计算定义误差函数对连接权值的偏导数;计算定义误差函数对连接权值的偏导数为0的结果;根据定义误差函数对连接权值的偏导数为0的结果获取重质氧化的化学反应过程的最佳工艺参数。
S型传递函数公式如下
8.根据权利要求1所述的方法,其中,所述递归神经网络融合过程先验知识挖掘对处理固液混合物的全过程关键参数的最优解进行获取,包括:
对完成重质氧化的固液混合物进行固液分离、洗涤、中和、干燥;待上述反应液自然冷却后,通过板框压滤机将其固液分离;用温度传感器量取80℃的热水,把过滤出来的滤渣用80℃热水进行洗涤,用pH计测量洗涤过程中到pH的数值;当pH的数值大于2.5时,用溶液浓度计量取质量浓度为5%的氢氧化钠溶液中和洗涤后的滤渣至pH值为6.8,用pH计实时测量溶液pH数值变化;再用热水对滤渣洗涤两次,洗涤完成后,对所得固液混合物再次固液分离,然后进行干燥;对空气进行加热处理,使用温度传感器测量空气温度的变化,当空气温度达到120℃时通过120℃的热空气进行干燥;对固体进行干燥4h,用计时器进行计时,用湿度计测量水分含量,当水分含量低于3%时,使用120目筛网粉碎机对固体即可进行粉碎,过120目筛,得到活性二氧化锰成品;对所得活性二氧化锰成品进行重金属杂质含量,总锰含量,二氧化锰含量进行检测;当重金属杂质含量,总锰含量,二氧化锰含量达标时,使用RS20电池的放电效果对活性二氧化锰的电学性能进行检测,包括开路电压,电阻,连放时间,根据开路电压,电阻,连放时间判断活性二氧化锰是否达到一级电解锰标准;完成对活性二氧化锰成品的检测后,对活性二氧化锰的产量进行计量,并根据制备活性二氧化锰各工艺过程的耗材计算制备活性活性二氧化锰的理论产量,同时根据制备活性二氧化锰的理论产量与实际产量的差异计算出制备活性二氧化锰的产率;递归神经网络根据处理固液混合物期间所获取得到的数据数量建立输入结点;完成输入结点建立后,建立递归神经网络的隐含层、输入层和输出层;完成建立隐含层、输入层和输出层后,递归神经网络对输入层与输出层建立直接联系;输入隐节点与激活函数完善隐含层;对处理固液混合物的全过程进行先验知识挖掘;设计目标函数以及对递进神经网络进行权值优化;根据融合过程先验知识挖掘的递归神经网络的运算结果获取处理固液混合物的全过程关键参数的最优解;包括:输入隐节点与激活函数完善隐含层;对处理固液混合物的全过程进行先验知识挖掘;设计目标函数以及对递进神经网络进行权值优化;
所述输入隐节点与激活函数完善隐含层,具体包括:
在隐含层当中输入非线性隐节点与线性隐节点;完成输入非线性隐节点与线性隐节点后,在非线性隐节点当中输入非线性S型激活函数,在线性隐节点输入线性激活函数;完成输入线性激活函数和非线性激活函数后,分别对激活函数中的线性隐节点和非线性隐节点进行输出;完成输出激活函数中的线性隐节点与非线性隐节点后,对处理固液混合物的时刻进行随机获取,并对获取所在时刻的递归神经网络进行动态模型输出;
所述对处理固液混合物的全过程进行先验知识挖掘,具体包括:
完成对任意时刻的递归神经网络的动态模型输出后,递归神经网络对获取任意当前时刻的动态模型输出对递归神经网络的输入进行求偏导操作;完成求偏导操作后,求偏导得到的结果获取递归神经网络的模型增益;对所得的递归神经网络的模型增益引入增益约束;完成引入增益约束后,根据模型增益判断处理固液混合物过程的单调性;完成单调性的判断后,对模型增益进行进行二次偏导判断处理固液混合物过程的凹凸性;根据处理固液混合物过程的单调性与凹凸性建立稳态工作点;完成建立稳态工作点后,根据所得的稳态工作点建立稳态模型;根据所得的稳态模型计算各稳态工作点的增益;根据计算所得的稳态工作点的增益对处理固液混合物的全过程进行先验知识挖掘;
所述设计目标函数以及对递进神经网络进行权值优化,具体包括:
对递归神经网络的全部权值进行获取;完成获取递归神经网络的全部权值后,利用PSO-IPOPT算法对网络权值进行优化;完成网络权值优化以后,输入损失函数处理优化后的网络权值;利用递归神经网络获取处理固液混合物过程中的拉格朗日乘子及惩罚因子最大更新次数、粒子群算法的最大迭代次数、溶液粒子种类、溶液粒子数、溶液粒子维数、惯性权重、认知系数、社会系数、拉格朗日算子、惩罚因子;基于处理固液混合物中获取的各类数据利用递归神经网络对经损失函数处理后的网络权值进行设定初始值操作;根据初始值在自变量空间初始化溶液微粒的随机位置和速度;根据所得初始值计算各溶液粒子的增广拉格朗日函数的适应值;根据计算所得适应值确定溶液微粒的最佳位置;确定微粒的最佳位置后,对递归神经网络输入目标函数;将模型误差项、正则项、以及松弛项导入递归神经网络当中以优化目标函数;模型误差项、正则项以及松弛项完成目标函数优化后,用非线性等式或不等式对目标函数进行约束;完成约束后,对目标函数进行运算;根据目标函数运算结果判断是否满足溶液粒子群最大迭代次数以及是否满足迭代终止条件;完成运算结果判断后,使用IPOPT非线性优化算法对递归神经网络进行局部加速收敛与求解;通过使用IPOPT非线性优化算法对递归神经网络的求解得到局部极小值;根据求解得到的极小值对处理固液混合物的过程进行参数优化。
9.根据权利要求1所述的方法,其中,所述对递归神经网络进行训练学习,包括:
获取制备活性二氧化锰中收集的固体反应物质量,液体反应物浓度及pH值,操作温度,操作条件,工况信息;将收集到的固体反应物质量,液体反应物浓度及pH值,操作条件和工况信息转化成输入向量;导入递归神经网络的前向传播公式;将输入向量导入到递归神经网络的前向传播公式当中;导入样本数据对递归神经网络进行初步训练;递归神经网络针对制备活性二氧化锰的工艺进行化工建模;包括:导入样本数据对递归神经网络进行初步训练;递归神经网络针对制备活性二氧化锰的工艺进行化工建模;
递归神经网络的前向传播公式如下
a2=σ(z2)=σ(a1*W2+b2)
所述导入样本数据对递归神经网络进行初步训练,具体包括:
获取制备活性二氧化锰的工艺过程中收集得到的数据,操作条件,工况信息,活性二氧化锰的实际产量与产率;对获取的各类数据转化成制备活性二氧化锰的预测值向量;递归神经网络进行先验知识挖掘获取制备活性二氧化锰的多组样本数据;将获取得到的多组样本数据转化成制备活性二氧化锰的理论值向量;完成理论值向量转化后,将损失函数导入递归神经网络当中;损失函数对理论值向量进行运算求解;根据导入递归神经网络的损失函数,先对单个样本预测值向量与理论值向量之间误差的平方和进行计算,后再对所有样本预测值向量与理论值向量之间误差的平方和进行计算;利用随机梯度下降法对获取所得到的制备活性二氧化锰的参数进行训练;对制备活性二氧化锰的参数进行迭代权重与偏置值更新;根据迭代权重与偏置值更新的结果对制备活性二氧化锰的工艺参数进行初步优化;
所述递归神经网络针对制备活性二氧化锰的工艺进行化工建模,具体包括:
获取制备活性二氧化锰的工艺过程中液体反应物的浓度与pH值的变化数值;根据液体反应物浓度与pH的数值变化建立函数拟合;完成函数拟合后,对液体反应物浓度与pH值的拟合函数进行微分;根据微分结果对多组分时序产率进行预测;获取制备活性二氧化锰中反应阶段过程的所需用时;根据制备活性二氧化锰中反应阶段过程的所需用时建立隐含神经元;对制备活性二氧化锰中各反应阶段过程的所需用时向量化;完成向量化后,对样本数量,时间序列长度以及组分数建立三维向量;将三维向量转化合并成训练集;对训练集导入速率常数回归公式;利用递归神经网络对训练集进行训练,通过训练所得结果回归反应速率常数;输出回归反应速率常数,并根据回归反应速率常数进一步调整制备活性二氧化锰的化学配方、溶解配料比与稀释配料比。
10.根据权利要求1所述的方法,其中,所述训练完成后的递归神经网络模型对制备活性二氧化锰的工艺进行模拟与优化,包括:
完成递归神经网络的训练学习后,输入需要制备活性二氧化锰的产量,递归神经网络在得到需要制备活性二氧化锰的产量的基础上对废锰泥的用量进行决策;根据制备活性二氧化锰的反应过程建立过程微分方程;递归神经网络对过程微分方程进行运算求解;递归神经网络模型根据过程微分方程运算求解的结果对制备活性二氧化锰的工艺进行模拟预测;输出模拟预测所得的用量输出结果,根据模拟预测所得的用量输出结果改进制备活性二氧化锰的化学配方和优化制备活性二氧化锰物理变化过程中的烘干、溶解、粉碎的用料比例。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362001.1A CN115620846A (zh) | 2022-11-02 | 2022-11-02 | 一种活性锰材料制备及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362001.1A CN115620846A (zh) | 2022-11-02 | 2022-11-02 | 一种活性锰材料制备及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115620846A true CN115620846A (zh) | 2023-01-17 |
Family
ID=84876624
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362001.1A Pending CN115620846A (zh) | 2022-11-02 | 2022-11-02 | 一种活性锰材料制备及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115620846A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
CN117113629A (zh) * | 2023-07-11 | 2023-11-24 | 中交(天津)生态环保设计研究院有限公司 | 基于层次分析和均匀设计确定板框压滤机压滤参数的方法 |
CN117113629B (zh) * | 2023-07-11 | 2024-05-31 | 中交(天津)生态环保设计研究院有限公司 | 基于层次分析和均匀设计确定板框压滤机压滤参数的方法 |
-
2022
- 2022-11-02 CN CN202211362001.1A patent/CN115620846A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859830A (zh) * | 2023-03-27 | 2023-10-10 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
CN116859830B (zh) * | 2023-03-27 | 2024-01-26 | 福建天甫电子材料有限公司 | 用于电子级氟化铵生产的生产管理控制系统 |
CN117113629A (zh) * | 2023-07-11 | 2023-11-24 | 中交(天津)生态环保设计研究院有限公司 | 基于层次分析和均匀设计确定板框压滤机压滤参数的方法 |
CN117113629B (zh) * | 2023-07-11 | 2024-05-31 | 中交(天津)生态环保设计研究院有限公司 | 基于层次分析和均匀设计确定板框压滤机压滤参数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | A multilevel prediction model of carbon efficiency based on the differential evolution algorithm for the iron ore sintering process | |
Li et al. | Data-driven multiobjective optimization for burden surface in blast furnace with feedback compensation | |
Araujo et al. | Particle swarm approaches using Lozi map chaotic sequences to fuzzy modelling of an experimental thermal-vacuum system | |
An et al. | A multi-time-scale fusion prediction model for the gas utilization rate in a blast furnace | |
He et al. | A novel fault diagnosis method based on optimal relevance vector machine | |
CN102540879A (zh) | 基于群决策检索策略的多目标评价优化方法 | |
WO2021203912A1 (zh) | 氧气底吹炉铜吹炼过程参数在线预测方法 | |
CN115620846A (zh) | 一种活性锰材料制备及控制方法 | |
Wang et al. | Optimization of aluminum fluoride addition in aluminum electrolysis process based on pruned sparse fuzzy neural network | |
Zhou et al. | Dynamic multi-objective optimization and fuzzy AHP for copper removal process of zinc hydrometallurgy | |
Wang et al. | VAE4RSS: A VAE-based neural network approach for robust soft sensor with application to zinc roasting process | |
Yao et al. | An improved feed-forward neural network based on UKF and strong tracking filtering to establish energy consumption model for aluminum electrolysis process | |
Al Miaari et al. | Batteries temperature prediction and thermal management using machine learning: An overview | |
CN109359320B (zh) | 基于多采样率自回归分布滞后模型的高炉指标预测方法 | |
Li et al. | Burden surface decision using MODE with TOPSIS in blast furnace ironmkaing | |
Chen et al. | A hybrid model combining mechanism with semi-supervised learning and its application for temperature prediction in roller hearth kiln | |
Li et al. | Dual ensemble online modeling for dynamic estimation of hot metal silicon content in blast furnace system | |
Liang et al. | A transfer predictive control method based on inter-domain mapping learning with application to industrial roasting process | |
Xu et al. | Soft sensor for ammonia concentration at the ammonia converter outlet based on an improved particle swarm optimization and BP neural network | |
Zhu et al. | A Fuzzy Control Method Based on Rule Extraction for Zinc Leaching Process of Zinc Hydrometallurgy | |
Wang et al. | Digital twin for zinc roaster furnace based on knowledge-guided variable-mass thermodynamics: Modeling and application | |
Liu et al. | XGBoost-based model for predicting hydrogen content in electroslag remelting | |
CN114420220A (zh) | 一种湿法炼锌中性浸出过程pH值的预测方法 | |
CN103675012A (zh) | Bp粒子群优化的工业熔融指数软测量仪表和方法 | |
Chen et al. | Modeling of goethite iron precipitation process based on time-delay fuzzy gray cognitive network |
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 |