CN115631804A - 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 - Google Patents
基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 Download PDFInfo
- Publication number
- CN115631804A CN115631804A CN202211404521.4A CN202211404521A CN115631804A CN 115631804 A CN115631804 A CN 115631804A CN 202211404521 A CN202211404521 A CN 202211404521A CN 115631804 A CN115631804 A CN 115631804A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- sodium aluminate
- concentration
- 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
- 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
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,包括如下步骤,步骤一:利用数据协调技术对氧化铝生产蒸发过程产生的多种测量数据进行预处理,并估计未测量参数数据:步骤二:构建各个蒸发器和各个闪蒸器的机理模型;分析过程机理,利用领域知识和平衡原理建立铝酸钠溶液出口浓度机理预测;步骤三:构建基于自回归移动平均模型和广义自回归条件异方差模型的数据驱动预测方法,并基于支持向量回归模型优化补偿数据驱动预测残差;步骤四:构建蒸发过程铝酸钠溶液出口浓度智能预测模型,以获取氧化铝生产蒸发过程铝酸钠溶液出口浓度数据。本发明提升了预测精度,减小了决策失误可能性;为保证产品质量、提升操作优化准确性起到了技术支持。
Description
技术领域
本发明涉及生产技术领域,特别是一种基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法。
背景技术
蒸发过程是氧化铝生产中必不可少的一个重要生产环节,铝酸钠溶液浓度作为蒸发生产的关键质量指标,也作为调整蒸发过程操作参数的重要指导。然而,由于现场生产环境复杂恶劣,且铝酸钠溶液具有易沉淀、粘度高、腐蚀性强等特性,现有技术通常是利用人工采样和实验室分析,离线获得铝酸钠溶液出口浓度,这样会造成获得的数据滞后严重,难以及时指导调整实际生产铝酸钠溶液的浓度。此外,过程测量信息受检测仪表影响存在误差,部分重要生产信息无法获取,影响了生产过程中实时优化和控制的及时性及有效性。
软测量作为一种虚拟传感技术,结合了数学模型、数据处理和软件技术,并基于其他可用的测量和过程参数获得待测量物品变量的估计值。它为不可靠的的物理测量传感器提供了一种可行且经济的替代解决方案。通常,软测量建模方法分为机理建模、数据驱动建模。机理建模的可解释性更强,但因为工业过程的复杂性和不确定性导致其精度较低。数据驱动建模并不需要详细、准确的先验知识,仅依靠过程操作数据即可实现过程参数的实时预测;但当数据波动较为剧烈,其内在变化关系识别困难时往往预测效果不理想,可解释性较差。综上,提供一种结合机理建模、数据驱动建模优点,克服了单一建模方法的局限性和低适应性,实现更高预测精度和更小预测误差的方法显得尤为必要。
发明内容
为了克服现有氧化铝生产过程中,因技术所限,存在铝酸钠溶液蒸发过程中数据不准确、生产信息缺失、预测模型精度低的弊端,本发明提供了在相关过程共同作用下,结合机理建模、数据驱动建模的各自优点,通过方差倒序策略进一步将机理预测结果与数据驱动预测结果有机结合,弥补了单一机理模型依赖大量先验知识和单一数据驱动模型工况变化不确定、预测精度低的问题,提高了过程预测建模的可行性,为保证氧化铝生产蒸发过程出口产品质量、提升过程实时操作优化准确性起到了有利技术支持的基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法。
本发明解决其技术问题所采用的方案是:
基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,其特征在于,包括如下步骤,步骤一:利用数据协调技术对氧化铝生产蒸发过程产生的多种测量数据进行预处理,并估计未测量参数数据;多种测量数据进行预处理具体过程包括构建数据协调模型,校正测量数据:步骤二:利用物料平衡、热量平衡原理,构建各个蒸发器和各个闪蒸器的机理模型;分析过程机理,利用领域知识和平衡原理建立铝酸钠溶液出口浓度机理预测;步骤三:构建基于自回归移动平均模型和广义自回归条件异方差模型的数据驱动预测方法、集成预测铝酸钠溶液出口浓度,并基于支持向量回归模型优化补偿数据驱动预测残差、对数据驱动预测结果进行补偿;步骤四:根据方差倒序法,将机理预测模型和数据驱动预测模型有机结合,对机理模型预测结果和数据驱动模型预测结果进行权重分配,构建蒸发过程铝酸钠溶液出口浓度智能预测模型,以获取氧化铝生产蒸发过程铝酸钠溶液出口浓度数据。
进一步地,所述步骤一中,多种测量数据包括新蒸汽流量、新蒸汽温度、原液流量、原液温度、二次汽温度;未测量参数数据包括蒸发流程中间蒸发器设备的出口料液流量、二次汽流量。
进一步地,所述步骤一中,构建的数据协调模型公式如下,
其中,m表示测量变量个数,l和m-l分别表示物料平衡层和热量平衡层的测量变量,表示第i个测量变量的测量值,表示第i个测量变量的协调值,σi表示标准差,U表示未测变量,G表示等式约束方程,表示协调变量的上下限,表示未测参数的上下限,f1和f2表示目标函数。
进一步地,所述步骤二中,构建各个蒸发器和各个闪蒸器的机理模型中,具体的模型公式为其中,Wz表示蒸发过程蒸水量,F0、ρ0、C0表示原液流量、密度和浓度,表示第四级闪蒸器出口料液密度和浓度,Vi表示第i个蒸发器出口二次汽流量。
进一步地,所述步骤二中,建立出口浓度机理预测模型步骤如下,S1、基于数据协调结果,考虑汽水混合、泄漏现象,设定蒸水量的误差精度、相关系数和初始值;S2、分析变量之间的耦合关系,计算密度、比热等物理参数,得到各蒸发器出口液体物料浓度和流量;S3、联立各机理模型,组成方程组,计算蒸发设备所需蒸汽量;S4、计算的蒸汽流量和实际需要的蒸汽量之间的误差精度是否满足操作要求,若不满足则将初始计算中使用的蒸汽量替换为后续计算的蒸汽量,并跳转到S2;S5、计算蒸汽的总量,并根据入口液体材料的浓度和出口液体材料的流速获得出口液体材料浓度。
进一步地,所述步骤三中,自回归移动平均模型公式为广义自回归条件异方差模型公式为其中yt是当前值,yt-i是历史值,μ是常数项,γi是自相关系数,是白噪声,p是阶数,表示p个时间点的历史值用于预测当前值,θi是移动平均系数,q是移动平均过程的阶。xt是输入时间序列,vt是均值为0,方差为1的独立同分布随机变量序列,εt是白噪声序列,σt是波动率,α和β表示系数。
本发明有益效果是:本发明结合机理建模、数据驱动建模的各自优点,基于数据协调有效解决了过程数据建模所用数据不准确和不完备的问题,显著提升了不确定生产场景下铝酸钠溶液出口浓度的预测精度,减小了决策失误的可能性;充分考虑了时间序列的非线性特性,通过支持向量回归非线性预测模型对自回归移动平均模型集成广义自回归条件异方差模型的预测误差进行补偿,有效确保了预测性能;通过方差倒序策略进一步将机理预测结果与数据驱动预测结果有机结合,弥补了单一机理模型依赖大量先验知识和单一数据驱动模型工况变化不确定预测精度低的问题,提高了过程预测建模的可行性,为保证氧化铝生产蒸发过程出口产品质量、提升过程实时操作优化准确性起到了有利技术支持。综上,本发明具有好的应用前景。
附图说明
图1是本发明工作流程示意框图。
图2是本发明蒸发过程铝酸钠溶液出口浓度对比图。
图3是本发明各种模型误差曲线对比图。
图4为本发明各种模型的预测误差分布图。
图5是本发明典型蒸发设备的机理模型参数表格图。
图6是本发明各种模型预测性能指标的比较表格图。
具体实施方式
图1所示,基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,包括如下步骤,步骤一:利用数据协调技术(目的是基于数据冗余,使测量数据与协调数据偏差平方和最小)对氧化铝生产蒸发过程产生的多种测量数据进行预处理,估计未测量参数数据;具体过程包括构建数据协调模型(目的是最小化测量误差),校正测量数据且估计未测参数(目的是提高数据的可靠性和完整性):步骤二:利用物料平衡、热量平衡原理(投入的物料量或热量与产出的物料量或热量相等原理),构建氧化铝生产蒸发过程使用的各个蒸发器和各个闪蒸器的机理模型,分析过程机理(铝酸钠溶液蒸发过程机理),利用领域知识(铝酸钠溶液蒸发操作运行知识)和平衡原理(物料平衡、热量平衡原理)建立出口浓度机理预测(实现基于机理建模的出口料液浓度预测);步骤三:构建基于自回归移动平均模型和广义自回归条件异方差模型的数据驱动预测方法、集成预测铝酸钠溶液出口浓度(目的是建立基于数据驱动的浓度预测模型);并基于支持向量回归模型优化补偿数据驱动预测残差、对数据驱动预测结果进行补偿(目的是实现数据驱动预测误差补偿);步骤四:根据方差倒序法(通过误差平方和的大小确定权重),将机理预测模型和数据驱动预测模型(机理预测模型对应步骤2,数据驱动预测模型对应步骤3)有机结合,对机理模型预测结果和数据驱动模型预测结果(机理预测模型对应步骤2,数据驱动预测模型对应步骤3)进行权重分配,构建蒸发过程铝酸钠溶液出口浓度智能预测模型,以获取氧化铝生产蒸发过程铝酸钠溶液出口浓度数据。
图1所示,步骤一中,测量数据包括氧化铝生产蒸发器设备(各个蒸发器和闪蒸器)产生的新蒸汽流量、新蒸汽温度、原液流量、原液温度、二次汽温度等数据;未测量参数包括蒸发器设备的出口料液流量、二次汽流量等数据。具体的,考虑到生产过程检测仪表会受到蒸发工艺高温强碱生产环境影响,采用的测量数据新蒸汽流量、新蒸汽温度、原液流量、原液温度、二次汽温度等存在误差,以及蒸发流程中间蒸发器设备的出口料液流量、二次汽流量等变量检测信息无法获取。因此,为了提高预处理建模所用数据的有效性,需要基于设备级联结构的特殊性(由于过程设备级联构成,所以生产流程长,料液流量、蒸汽流量仅在流程入口和出口有检测信息,大部分中间设备的运行参数无法获取,导致数据冗余不足),构建所述数据协调模型,校正测量数据且估计未测参数(目的是提高过程数据的可靠性和完整性),数据协调模型表示为:
式中,m表示测量变量个数(蒸发过程测量变量,如新蒸汽流量、新蒸汽温度、入口料液温度、入口料液流量、出口料液温度、出口料液流量等),l和m-l分别表示物料平衡层(针对物料平衡构建的数据协调模型)和热量平衡层的测量变量(针对热量平衡构建的数据协调模型),表示第i个测量变量的测量值,表示第i个测量变量的协调值,σi表示标准差(标准差是方差的算术平方根),U表示未测变量,G表示等式约束方程,表示协调变量的上下限,表示未测参数的上下限,由专家经验(现场技术人员根据实际生产要求给定参数允许变化范围)获取。
图1所示,步骤二中,构建氧化铝生产蒸发器设备各个蒸发器和各个闪蒸器的机理模型中,根据质量守恒和热平衡原理,基于以下假设条件:(1)各个蒸发器和各个闪蒸器由结垢引起的溶质质量变化忽略不计;(2)各个蒸发器和各个闪蒸器蒸发生产使用的蒸汽均为饱和蒸汽,不含不可冷凝气体;(3)各个蒸发器和各个闪蒸器物料或蒸汽均匀分布在加热管内;(4)各个蒸发器和各个闪蒸器的预热器中的物料与蒸汽反应充分,然后分别建立各个蒸发器和各个闪蒸器的机理模型(实现基于机理建模的出口料液浓度预测)。本实施例以氧化铝生产蒸发器设备的六效蒸发器、五效蒸发器、一级闪蒸器为例,列出所构建的机理模型(如图5的表1所示);同样,蒸发生产其他相关设备的机理模型也可以类推得出。本发明结合整个生产过程物料和蒸汽的变化趋势,建立整个蒸发过程的机理模型公式为:(目的是通过蒸水量计算出口料液浓度),其中,Wz表示蒸发器和各个闪蒸器蒸发过程的蒸水量,F0、ρ0、C0表示蒸发器和各个闪蒸器原液流量、密度和浓度,表示第四级闪蒸器出口料液密度和浓度,Vi表示第i个蒸发器出口二次汽流量;表格1中,T和Ts表示物料(蒸发器和闪蒸器出口料液)温度,cp和cps表示物料比热,F和Fs表示物料流量,ρ和ρs表示料液密度 表示冷凝水温度,V和表示二次蒸汽流量,H和表示蒸汽热焓,F0表示原液流量,F02和F01分别表示进五效蒸发器原液流量和进六效蒸发器原液流量,cpw表示水的比热,V0表示新蒸汽流量,H0表示新蒸汽热焓,TVi表示二次蒸汽温度,Ai表示传热面积,ki表示传热系数,Qloss表示热损失。由于铝酸钠溶液出口浓度与溶液中所含水分有关,根据所建立的机理模型(蒸水量与出口料液浓度关系的机理模型),分析过程机理,利用领域知识(铝酸钠溶液蒸发操作运行知识)和平衡原理(物料平衡和热量平衡)建立出口浓度机理预测模型(利用各个蒸发器的蒸水量计算铝酸钠溶液出口浓度,实现出口料液浓度预测)具体步骤包括:S1、基于数据协调结果(步骤1获得的结果),考虑汽水(蒸发器产生的汽水)混合、泄漏现象,设定各个蒸发器蒸水量的误差精度、相关系数和初始值(便于计算,计算所需);S2、分析变量之间的耦合关系(变量之间的相互影响关系),计算密度、比热等物理参数(具体是蒸发器料液的参数),得到各蒸发器出口液体物料浓度和流量(目的是为了计算蒸汽量);S3、联立各机理模型(各个蒸发器的物料平衡和热量平衡模型),组成方程组,计算蒸发设备所需的蒸汽量(目的是为了与实际所需蒸汽量进行比较);S4、计算各蒸发器蒸汽流量和实际需要的蒸汽量之间的误差精度是否满足操作要求,若不满足则将初始计算中使用的蒸汽量替换为后续计算的蒸汽量,并跳转到S2;S5、计算蒸汽的总量(包括各个蒸发器的蒸汽量),并根据入口液体材料(整个蒸发过程的入口、铝酸钠溶液)的浓度和出口液体材料的流速获得出口液体材料浓度(整个蒸发过程的出口、铝酸钠溶液,目的是利用机理模型计算获得出口铝酸钠溶液浓度)。
图1所示,步骤三,基于ARIMA-GARCH出料浓度时间序列模型中,自回归移动平均模型ARIMA包括自回归模型AR、移动平均模型MA和差分过程I。自回归模型AR描述溶液浓度当前值和溶液浓度历史值之间的关系,移动平均模型MA主要关注自回归模型(AR)中误差项的累积(自身数学模型的内部原理),当稳态随机过程(统计特性如数学期望、方差等不随时间的推移而变化)同时具有自回归过程和移动平均过程的特性时,再对数据进行差分处理(目的是使数据平稳,达到进行AR和MA模型的应用要求)。自回归移动平均模型表示为:其中yt是当前值,yt-i是历史值,μ是常数项,γi是自相关系数,是白噪声,p是阶数,表示p个时间点的历史值用于预测当前值,θi是移动平均系数,q是移动平均过程的阶,由于蒸发器的蒸发过程生产环境不确定变化,时间序列(当前输入的溶液浓度时间序列)波动干扰项的方差不一定恒定,引入了广义自回归条件异方差GARCH模型(GARCH模型用于学习并预测时间序列数据的波动性),表示为:
式中,时间序列中每个时间点变量的波动性是最近p个时间点残差平方的线性组合和最近q个时间点变量波动的线性组合(目的全面覆盖整个时间序列)。具体的,由于生产过程数据包括线性特性(蒸汽压力增大使蒸汽流量减小),还包括非线性特性(溶液浓度与蒸汽温度、流量之间,溶液浓度与溶液密度和比热之间存在非线性关系),为了进一步提升ARIMA-GARCH两者建立的数据驱动预测模型的准确性,采用支持向量回归SVR模型(已有的经典的预测方法)优化数据驱动预测模型的残差数据(目的是减小预测的误差,提高预测精度)。具体的,支持向量回归基于结构风险最小化原则,使所有采样点接近回归超平面(浓度误差采样点接近回归超平面),并最小化采样点与超平面之间的总偏差(目的是减小偏差);在SVR模型中,输入样本x须首先通过非线性映射映射到高维空间(当训练数据不能用线性分类时,那么就需要将数据映射到高维空间中,然后再用超平面分类),然后在特征空间中建立回归模型。回归模型如下,式中,f(x)表示预测输出,表示特征函数,w表示权重向量,b表示偏差量,x表示输入;然后通过最小化向量范数w的平方来找到最平滑的函数f(x),每个训练数据预测值(输入溶液浓度训练数据预测值)的误差都要小于ε(目的是通过最大化间隔带的宽度与最小化总损失来优化模型)。具体的,预测误差大于ε的数据使用灵敏度损失函数来惩罚,公式如下, 式中,n表示样本数量,ξ和ξ*表示不敏感度的在线训练误差,并且C>0表示正则化因子,w表示权重向量,b表示偏差量,yi是输出时间序列值。使用拉格朗日乘数将约束优化问题(将上面的两个公式变形,为专业名词)改写为对偶问题,公式如下,
对每个约束(s.t.中的两个式子就是两个约束),使用二次规划来确定,再计算最佳权重的偏差,通过等式给出预测值(目的是简化问题的求解过程),其中,αi,j均为拉格朗日乘子,进一步表示为如下公式,式中,αi和αi *表示拉格朗日乘数,k(xi,xj)表示核函数,xi,xj表示函数的自变量,映射到高维平面使其线性可分。通过上述过程,利用ARIMA-GARCH模型预测真实的蒸发过程铝酸钠溶液出口浓度历史浓度数据Ot,以获得时间序列数据At,并计算实际浓度值和预测浓度值之间的残差eAt,并根据SVR模型进行误差预测,获得残差序列的预测值eSt,最后,通过残差预测值对预测浓度值进行补偿优化,得到数据驱动预测结果公式如下,Ht(Ht=At+eSt)(解释结果的计算过程,目的是得到结果)。
图1所示,步骤四中,具体的,在获得机理建模的预测结果和数据驱动建模的预测结果后(步骤二和步骤三),利用方差倒数法来计算机理预测模型和数据驱动预测模型的权重系数(目的是将两种模型的预测结果进行组合,提高预测精度,减小预测误差)。权重系数获取方式表示公式为,式中,Ei是第i个单一预测模型的预测方差,ωi是第i个预测模型的权重(目的是给机理预测模型和数据驱动预测模型分配权重),m为模型个数。将机理模型的预测结果Mt(数据来源于步骤二)和数据驱动模型的预测结果Dt分别给出相应的权重(ω1,ω2),获得最终的预测结果Ft,公式如下,Ft=ω1*Mt+ω2*Dt其中,ω1是机理模型的预测结果,ω2是数据驱动模型的预测结果。本发明具体数据驱动预测模型构造包括如下步骤:S1、建立ARIMA-GARCH模型,(1)首先,测试数据(浓度数据)的平稳性,如未通过测试,进行差异差分操作并记录差分次数(数据自身相邻单元差分,目的是使数据平稳);(2)绘制其自相关图和部分自相关图(根据数据可以用计算机自动绘出两种图像,目的是观察图像大致确定两个系数p和q的范围);(3)确定自回归移动平均模型的自回归项数p和自回归移动平均模型的滑动平均项数q的上限后(目的是为后续建模确定参数),根据AIC标准(赤池信息准则,来衡量统计模型拟合优良性)确定最优ARIMA模型的p和q值(目的是便于下一步建立ARIMA模型);(4)建立最优ARIMA模型,计算实际浓度值与预测浓度值)残差序列,判断残差序列中是否存在ARCH效应(如符合ARCH效应,说明模型含有条件异方差效应,需要建立GARCH模型来优化),如果存在ARCH效应,则根据AIC准则确定GARCH模型参数(目的是构建ARIMA-GARCH模型能更好的预测数据的波动性)。S2、建立SVR模型,SVR模型的核函数采用RBF核函数,并使用10倍交叉验证方法确定的超参数值(目的是确定SVR模型参数,以建立SVR模型);具体的,以ARIMA-GARCH模型的误差时间序列数据(步骤(4)获得的数据)作为SVR模型的输入,将其输出用于补偿ARIMA-GARCH模型的预测结果,进一步得到数据驱动建模的浓度预测值(利用SVR模型预测ARIMA-GARCH模型预测误差)。S3、采用方差倒数法,为误差较小的模型的预测结果(将机理模型预测结果和数据驱动模型预测结果分别与实际浓度值进行比较,确定预测误差较小的模型)赋予更大的权重(目的是提高集成预测精度),将机理建模结果与数据驱动建模结果(步骤二和步骤三获得的结果)相结合,得到最终的智能预测结果。
图1所示,本实施例,选取中国一氧化铝厂连续变化的1500个蒸发过程铝酸钠溶液出口浓度数据作为实施案例的数据来源。其中,前1200组数据用于模型训练,后300组数据用于模型测试。为了进一步确保本发明的有效性和可行性,采用BP神经网络、核函数极限学习机(KELM)、长短期记忆(LSTM)和支持向量回归(SVR)模型进行预测对比实验。其中,BP神经网络的隐藏层数设置为6和8,KELM模型的两个超级参数使用10倍交叉验证方法确定为8555.2和121.2675,LSTM模型中的隐藏层单元数为200,最大迭代次数为250,mini-banch为50,梯度限制为1,初始学习速率为0.005;学习速率用于减少,降序迭代次数为125,下降因子设置为0.2。从图2中可以明显看出,与其他现有技术单一预测模型相比,本发明所述预测模型获得的预测浓度变化更符合实际浓度数据的变化趋势,误差更小,与实际值相比,其他单一预测模型的预测结果误差较大,无法很好地跟踪浓度数据的变化趋势。
图3比较了不同模型的预测误差。可以看出,代表本发明所述预测模型的红色曲线A比其他曲线更稳定,表明其误差最小,并且本发明所述预测模型的误差曲线未出现其他模型当中在某一点的值突然增加的现象,这表明本发明所述预测模型具有良好的稳定性,可以准确预测浓度数据的变化。从图4可以看出,本发明所述预测模型的误差在小误差范围内分布更广,预测误差小,预测有效性显著提高。为了进一步评价本发明所述预测模型的准确性,将本发明所述预测模型的均绝对百分比误差(MAPE)、均绝对误差(MAE)和均方根误差(RMSE)与其他预测模型进行比较,结果如图6的表2所示;具体的,从表2可以看出,本发明所述预测模型的RMSE、MAE、MAPE三项指标均为所有模型中最小,表示其有最小的预测误差和更符合真实值的变化趋势。在RMSE指标中,本发明所述预测模型比RMSE最大的BP模型低51.8%。与MAE最小的LSTM模型相比,仍降低了45.53%。与MAPE最好的SVR模型相比,模型仍然减少了47.24%。以上结果充分说明,本发明所述预测模型在各个方面都优于其他单一数据驱动预测模型。本发明所述预测模型更准确,对出口浓度数据的变化更敏感,可以更好地跟踪浓度数据的变化趋势,是一种有效的出口浓度预测模型,并且适用范围更广。
本领域技术人员应当理解,虽然本说明书按照实施方式加以描述,但并非实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式,因此本申请的保护范围由权利要求书界定。
Claims (8)
1.基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,其特征在于,包括如下步骤,步骤一:利用数据协调技术对氧化铝生产蒸发过程产生的多种测量数据进行预处理,并估计未测量参数数据;多种测量数据进行预处理具体过程包括构建数据协调模型,校正测量数据:步骤二:利用物料平衡、热量平衡原理,构建各个蒸发器和各个闪蒸器的机理模型;分析过程机理,利用领域知识和平衡原理建立铝酸钠溶液出口浓度机理预测;步骤三:构建基于自回归移动平均模型和广义自回归条件异方差模型的数据驱动预测方法、集成预测铝酸钠溶液出口浓度,并基于支持向量回归模型优化补偿数据驱动预测残差、对数据驱动预测结果进行补偿;步骤四:根据方差倒序法,将机理预测模型和数据驱动预测模型有机结合,对机理模型预测结果和数据驱动模型预测结果进行权重分配,构建蒸发过程铝酸钠溶液出口浓度智能预测模型,以获取氧化铝生产蒸发过程铝酸钠溶液出口浓度数据。
2.根据权利要求1所述的基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,其特征在于,步骤一中,多种测量数据包括新蒸汽流量、新蒸汽温度、原液流量、原液温度、二次汽温度;未测量参数数据包括蒸发流程中间蒸发器设备的出口料液流量、二次汽流量。
5.根据权利要求1所述的基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法,其特征在于,步骤二中,建立出口浓度机理预测模型步骤如下,S1、基于数据协调结果,考虑汽水混合、泄漏现象,设定蒸水量的误差精度、相关系数和初始值;S2、分析变量之间的耦合关系,计算密度、比热等物理参数,得到各蒸发器出口液体物料浓度和流量;S3、联立各机理模型,组成方程组,计算蒸发设备所需蒸汽量;S4、计算的蒸汽流量和实际需要的蒸汽量之间的误差精度是否满足操作要求,若不满足则将初始计算中使用的蒸汽量替换为后续计算的蒸汽量,并跳转到S2;S5、计算蒸汽的总量,并根据入口液体材料的浓度和出口液体材料的流速获得出口液体材料浓度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211404521.4A CN115631804A (zh) | 2022-11-10 | 2022-11-10 | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211404521.4A CN115631804A (zh) | 2022-11-10 | 2022-11-10 | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115631804A true CN115631804A (zh) | 2023-01-20 |
Family
ID=84909168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211404521.4A Pending CN115631804A (zh) | 2022-11-10 | 2022-11-10 | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115631804A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467911A (zh) * | 2023-04-13 | 2023-07-21 | 深圳职业技术学院 | 基于多工况信息融合的蒸发过程出口溶液浓度估算方法 |
-
2022
- 2022-11-10 CN CN202211404521.4A patent/CN115631804A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116467911A (zh) * | 2023-04-13 | 2023-07-21 | 深圳职业技术学院 | 基于多工况信息融合的蒸发过程出口溶液浓度估算方法 |
CN116467911B (zh) * | 2023-04-13 | 2023-12-15 | 深圳职业技术学院 | 基于多工况信息融合的蒸发过程出口溶液浓度估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ge et al. | A comparative study of just-in-time-learning based methods for online soft sensor modeling | |
Ma et al. | A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes | |
CN112989711B (zh) | 基于半监督集成学习的金霉素发酵过程软测量建模方法 | |
CN112818595A (zh) | 一种火电厂蒸发区的数字孪生模型数据的修正方法及系统 | |
CN109389314A (zh) | 一种基于最优近邻成分分析的质量软测量与监测方法 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
Wu et al. | Integrated soft sensing of coke-oven temperature | |
Aguel et al. | Parametric study and modeling of cross-flow heat exchanger fouling in phosphoric acid concentration plant using artificial neural network | |
CN114117919B (zh) | 基于样本协同表示的即时学习的软测量建模方法 | |
Yang et al. | Domain adaptation network with uncertainty modeling and its application to the online energy consumption prediction of ethylene distillation processes | |
CN116821695B (zh) | 一种半监督神经网络软测量建模方法 | |
CN114528764A (zh) | 基于整体优化的即时学习的软测量建模方法及装置 | |
CN115121626A (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
CN111142494A (zh) | 一种胺液再生装置的智能控制方法及系统 | |
CN116415394A (zh) | 一种融合机器学习和机理模型的二回路设备模型仿真方法 | |
Duarte et al. | Combined mechanistic and empirical modelling | |
Wang et al. | Transfer learning based on incorporating source knowledge using Gaussian process models for quick modeling of dynamic target processes | |
Jia et al. | A subspace ensemble regression model based slow feature for soft sensing application | |
CN110728024B (zh) | 一种基于vine copula的软测量方法及系统 | |
CN114580151A (zh) | 一种基于灰色线性回归-马尔科夫链模型的需水预测方法 | |
CN113420499B (zh) | 用于常减压装置的物理逻辑重建方法 | |
Boug et al. | Expectations and regime robustness in price formation: evidence from vector autoregressive models and recursive methods | |
Na et al. | A soft-sensing model for feedwater flow rate using fuzzy support vector regression | |
CN110188433B (zh) | 基于分布并行局部建模机制的岭回归软测量建模方法 | |
CN117710008B (zh) | 一种适用于喀斯特地区生态产品销售信息管理系统 |
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 |