CN116049640A - 一种用于液液非均相反应热行为判别的概率映射识别方法 - Google Patents
一种用于液液非均相反应热行为判别的概率映射识别方法 Download PDFInfo
- Publication number
- CN116049640A CN116049640A CN202310340122.4A CN202310340122A CN116049640A CN 116049640 A CN116049640 A CN 116049640A CN 202310340122 A CN202310340122 A CN 202310340122A CN 116049640 A CN116049640 A CN 116049640A
- Authority
- CN
- China
- Prior art keywords
- sample data
- liquid
- value
- test
- data volume
- 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
Links
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000013507 mapping Methods 0.000 title claims abstract description 48
- 239000007788 liquid Substances 0.000 title claims abstract description 36
- 230000006399 behavior Effects 0.000 title description 52
- 238000012360 testing method Methods 0.000 claims description 77
- 210000002569 neuron Anatomy 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 230000036962 time dependent Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000012512 characterization method Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及反应热行为识别技术领域，尤其涉及一种用于液液非均相反应热行为判别的概率映射识别方法，包括数据获取单元获取预设数量的具有设定特征的历史热行为信息数据形成样本数据，建模单元建立概率映射识别模型，训练单元使用样本数据对概率映射识别模型进行训练，采集单元采集恒温半间歇液‑液非均相反应体系中的特征热参数，预测单元使用训练后的概率映射识别模型对特征热参数做热行为预测，本发明通过建立概率映射识别模型，分类准确率高、实时性好。
Description
技术领域
本发明涉及反应热行为识别技术领域，尤其涉及一种用于液液非均相反应热行为判别的概率映射识别方法。
背景技术
化工生产过程中，一旦某些环节发生故障或发生反应失控，会对生命、财产和环境造成不可挽回的损失。为了预防反应热失控的发生，各国科学家在工艺设计、预警探测系统和应急响应措施等方面进行了大量探索性研究，而反应热行为辨识是以上研究的重要基础及关键所在。
在恒温半间歇反应体系热行为辨识方面：1）现有判据理论的建立大都基于反应体系的某个片面特征，无法充分反映整个体系的热行为动态信息；2）现有研究主要围绕简单的均相反应体系，缺乏对非均相等复杂反应体系的深入探讨，而工业生产中许多热失控问题是由更为复杂的非均相反应体系引起，这在很大程度上限制了其实际推广应用。考虑到热行为辨识的关键在于特征的提取及识别，其本质上属于模式识别范畴。模式识别方法近年来在语音识别、信号处理、图像处理等领域的成功应用，为反应体系热行为的表征与辨识研究提供了新的思路与途径。
本发明着眼于恒温半间歇液-液非均相反应体系热失控预防，针对该体系反应过程的热行为表征与识别展开研究，提出了用于该类体系热行为判别的概率映射模式识别方法。通过探索热行为与反应体系模型参数的内在规律，可为反应热失控机理及本质安全操作机制的揭示提供重要的方法指导，同时可为兼顾效率与安全的本质安全反应过程调控提供理论与方法指导。
发明内容
为此，本发明提供一种用于液液非均相反应热行为判别的概率映射识别方法，以提高热行为判别准确率。
为实现上述目的，本发明提供一种用于液液非均相反应热行为判别的概率映射识别方法，包括：
步骤S1，数据获取单元获取预设数量的具有设定特征的历史热行为信息数据形成样本数据，随机将样本数据划分为训练样本和测试样本；设定所述样本数据中包含
L个特征；
步骤S2，建模单元建立概率映射识别模型；
步骤S3，训练单元使用所述训练样本对所述概率映射识别模型进行训练，使用所述测试样本对训练后的概率映射识别模型进行测试，中控单元通过测试结果判定是否需要增加所述样本数据的数量；
步骤S4，采集单元采集恒温半间歇液-液非均相反应体系中的热参数，并依次对采集的热参数做信号预处理和特征提取以获取特征热参数；
步骤S5，预测单元使用训练后的所述概率映射识别模型对所述特征热参数做热行为预测。
进一步地，所述概率映射识别模型包括输入层、第一隐层、第二隐层以及输出层，其中，
所述输入层包含
L个神经元节点，每个神经元节点代表一个特征，特征向量按照公式（1）计算，
公式（1）中，X为特征向量，X1代表第一个节点的特征，X2代表第二个节点的特征，X L 代表第
L节点的特征，
L为所述样本数据中特征的数量，
T为矩阵的转置。
进一步地，所述第一隐层包含
L个神经元节点，所述输入层和所述第一隐层通过高斯函数进行连接，第一隐层按照公式（2）计算出根据每个所述特征预测为类别C m 的概率，C代表所有热行为类别，C m 代表第
m个热行为类别：
其中，为第
l个特征对应于类别C m 的条件概率，由训练样本得到，对于第
l个特征求得的，按照公式（3）求取其最大值作为第一隐层的值，记为，
公式（2）和公式（3）中，
l取值为1～
L。
进一步地，所述第二隐层包含
N个神经元节点，所述第一隐层与所述第二隐层通过以下线性激活函数(4)进行连接，
公式（4）中，W为
L×
N权重矩阵，b为
N×1偏置向量，
g为sigmoid线性激活函数，p为
L个组成的向量。
进一步地，所述输出层包含
m个神经元节点，
m为热行为类别数量，所述第二隐层与输出层的关系为，
公式（5）和（6）中，β为所述第二隐层与所述输出层间的转移矩阵，t为目标识别结果的过渡向量，所述输出层的输出结果用
O表示：
其中，argmax(
·)函数用于求取一个向量中元素最大值对应的标签。
进一步地，所述第二隐层中，神经元节点数量
N的取值通过多路径参数搜索方法获取，所述多路径参数搜索方法包括，
步骤一：设定四个经验值作为搜索方法的多个搜索点；
步骤二：在搜索点附近设置搜索范围；
步骤三：在搜索范围内进行遍历搜索。
进一步地，所述步骤一中确定四个经验值的方法为，
第一经验值，根据经验公式取值，表示为
其中，
L为所述样本数据中特征的数量，
m为热行为类别数量，
Q 0为训练样本数量，
H 1为根据公式（8）得到的第一经验值，
α为经验调节系数；
第二经验值设定为介于输入层大小和输出层大小之间，表示为
其中，min([
L,m])表示
L和
m中的较小值，
b 1为第一调节系数，
H 2为根据公式（9）得到的第二经验值；
第三经验值设定为输入层神经元节点数量加上输出层神经元节点数量大小的2/3，表示为
其中，
H 3为根据公式（10）得到的第三经验值；
第四经验值设定为小于等于输入层神经元节点数量的两倍，表示为
其中，
H 4为根据公式（11）得到的第四经验值，
b 2为第二调节系数。
进一步地，在所述步骤S3中，所述训练单元使用所述测试样本对训练后的概率映射识别模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，
所述训练单元使用测试样本中的
r个样本数据对训练后的概率映射识别模型进行测试时，若预测正确，则取值为1，若预测错误，则取值为0，训练单元计算测试正确率
φ，设定
其中，
n为预测结果取值为1的数量。
进一步地，所述中控单元将所述测试正确率
φ与预设正确率
φ 0进行比对，
若处于第一正确率水平，所述中控单元判定测试正确率符合标准，无需增加所述样本数据的数量；
若处于第二正确率水平，所述中控单元判定测试正确率不符合标准，需增加所述样本数据的数量；
所述第一正确率水平满足
φ≥
φ 0，所述第二正确率水平满足
φ＜
φ 0。
进一步地，所述中控单元设有在第二正确率水平下对所述样本数据的数量的调节方式，
第一样本数据量调节方式为，所述中控单元将预设样本数据量调节至第一样本数据量；
第二样本数据量调节方式为，所述中控单元将预设样本数据量调节至第二样本数据量；
第三样本数据量调节方式为，所述中控单元将预设样本数据量调节至第三样本数据量；
其中，预设样本数据量＜第一样本数据量＜第二样本数据量＜第三样本数据量；
所述第一样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值大于等于第二预设测试正确率差值；
所述第二样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值小于第二预设测试正确率差值且大于等于第一预设测试正确率差值；
所述第三样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值小于第一预设测试正确率差值。
与现有技术相比，本发明的有益效果在于，本发明将模式识别方法引入恒温半间歇反应体系热行为判别中，为热行为识别领域提供了一种新的模式识别思路。本发明概率映射识别模型是一种新的分类思路，分类准确率高、实时性好，提高了热行为判别准确率。
进一步地，本发明提出多路径参数搜索方法，快速有效地确定隐藏层的神经元节点数量，减少了通常使用的“试错法”或者单经验法的人力成本，提升了参数搜索效率和准确性，进而提高了概率映射识别模型对热行为预测的准确率和效率。
进一步地，本发明通过对采集的热参数做信号预处理，以滤除与识别无关的噪声信息，然后进行特征提取，以剔除冗余特征，得到特征热参数，通过对识别数据的处理，进一步提高了概率映射识别模型对特征热参数进行热行为预测的准确率和效率。
进一步地，本发明中控单元在概率映射识别模型的测试正确率不符合标准时对样本数据的数量进行调节，并根据测试正确率与预设正确率的差值确定对样本数据的数量的调节方式，通过以上技术方案，以减小模型的训练误差和泛化误差，从而进一步提高了本发明所述方法对热行为预测的准确率和效率。
附图说明
图1为本发明实施例用于液液非均相反应热行为判别的概率映射识别方法的流程图；
图2为本发明实施例热行为表征与识别框图；
图3为本发明实施例提出的概率映射识别模型的网络结构；
图4为本发明实施例提出的多路径参数搜索方法；
图5（a）为恒温半间歇液-液非均相反应过程中
ξ B随时间的变化曲线；
图5（b）为恒温半间歇液-液非均相反应过程中
ξ ac随时间的变化曲线；
图5（c）为恒温半间歇液-液非均相反应过程中
τ随时间的变化曲线；
图6（a）为恒温半间歇液-液非均相反应在本质安全热行为情形下
ξ B随时间的变化曲线；
图6（b）为恒温半间歇液-液非均相反应在本质安全热行为情形下
ξ ac随时间的变化曲线；
图6（c）为恒温半间歇液-液非均相反应在本质安全热行为情形下
τ随时间的变化曲线。
具体实施方式
为了使本发明的目的和优点更加清楚明白，下面结合实施例对本发明作进一步描述；应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非在限制本发明的保护范围。
需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
请参阅图1所示，其为本发明实施例用于液液非均相反应热行为判别的概率映射识别方法的流程图，本发明所述用于液液非均相反应热行为判别的概率映射识别方法包括：
步骤S1，数据获取单元获取预设数量的具有设定特征的历史热行为信息数据形成样本数据，随机将样本数据划分为训练样本和测试样本；设定所述样本数据中包含
L个特征；
步骤S2，建模单元建立概率映射识别模型；
步骤S3，训练单元使用所述训练样本对所述概率映射识别模型进行训练，使用所述测试样本对训练后的概率映射识别模型进行测试，中控单元通过测试结果判定是否需要增加所述样本数据的数量；
步骤S4，采集单元采集恒温半间歇液-液非均相反应体系中的热参数，并依次对采集的热参数做信号预处理和特征提取以获取特征热参数；
步骤S5，预测单元使用训练后的所述概率映射识别模型对所述特征热参数做热行为预测。
本发明将模式识别方法引入恒温半间歇反应体系热行为判别中，为热行为识别领域提供了一种新的模式识别思路。本发明概率映射识别模型是一种新的分类思路，分类准确率高、实时性好，提高了热行为判别准确率。
请参阅图2所示，其为本发明实施例热行为表征与识别框图，其展示了特征热参数的获取及识别过程，包括，
热行为信息采集，采集恒温半间歇反应体系的热行为；
信号预处理，对采集的热行为做信号滤波，滤除与识别无关的噪声信息；
特征提取，对于有监督（即待识别样本有标签）模式识别研究，获取识别样本及样本标签是首要任务。对于反应体系的热行为识别，“样本”是指反应体系的热行为，通过反应体系的模型参数进行表征。样本的“类别标签”为IS（未引发）、NI（本质安全）、TR（热失控）和QFS（快速且安全状态），指示热行为类别，本实施例中设定以上4种热行为类别。
针对恒温半间歇液-液非均相反应体系，通过四阶龙格库塔法对该体系模型方程进行求解，可以得到反应体系在不同热行为情形下的状态变量（如无量纲转化率
ξ B、无量纲累积度
ξ ac、无量纲温度
τ等）随反应进程的变化，如图5和图6所示，其中，图5（a）为恒温半间歇液-液非均相反应过程中
ξ B随时间的变化曲线，图5（b）为恒温半间歇液-液非均相反应过程中
ξ ac随时间的变化曲线，图5（c）为恒温半间歇液-液非均相反应过程中
τ随时间的变化曲线，图5（a）、图5（b）和图5（c）中点线箭头表示夹套温度升高的方向，虚线、实线和点划线分别表示三种不同的热行为，虚线表示NI（本质安全），实线表示TR（热失控），点划线表示QFS（快速且安全状态），图中
τ j 为无量纲夹套温度，
θ为无量纲时间。图6（a）为恒温半间歇液-液非均相反应在本质安全热行为情形下
ξ B随时间的变化曲线，图6（b）为恒温半间歇液-液非均相反应在本质安全热行为情形下
ξ ac随时间的变化曲线，图6（c）为恒温半间歇液-液非均相反应在本质安全热行为情形下
τ随时间的变化曲线，图6（a）、图6（b）和图6（c）中点线箭头表示夹套温度升高的方向，图中
τ j 为无量纲夹套温度，
θ为无量纲时间。通过系统分析反应体系的状态参数变化，结合热行为类别属性，挖掘可有效表征各类热行为的线性及非线性特征组合，如转化率在上升阶段的最大曲率、转化率在初始时刻的斜率、转化率-时间曲线的最大斜率等特征及不同组合（即步骤S1中的设定特征），构成特征热参数。在特征提取过程中剔除冗余特征，进行特征精选。
在特征提取的基础上，为快速有效地识别反应热行为，本发明受贝叶斯网络（BN）和极限学习机（ELM）方法的启发，提出一种概率映射的识别方法，该方法将输入特征值转化为预测类别的概率值，并将概率值作为ELM网络的输入节点值。相比BN和ELM方法，概率映射识别方法可丰富样本特征，进而有助于提升识别性能。概率映射识别方法基于概率映射识别模型实现。
请参阅图3所示，其为本发明实施例提出的概率映射识别模型的网络结构；
具体而言，所述概率映射识别模型包括输入层、第一隐层、第二隐层以及输出层，其中，
所述输入层包含
L个神经元节点，每个神经元节点代表一个特征，特征向量按照公式（1）计算，
公式（1）中，X为特征向量，X1代表第一个节点的特征，X2代表第二个节点的特征，X L 代表第
L节点的特征，
L为所述样本数据中特征的数量，
T为矩阵的转置。
具体而言，所述第一隐层包含
L个神经元节点，所述输入层和所述第一隐层通过高斯函数进行连接，第一隐层按照公式（2）计算出根据每个所述特征预测为类别C m 的概率，C代表所有热行为类别，C m 代表第
m个热行为类别：
其中，为第
l个特征对应于类别C m 的条件概率，由训练样本得到，对于第
l个特征求得的，按照公式（3）求取其最大值作为第一隐层的值，记为，
公式（2）和公式（3）中，
l取值为1～
L。
具体而言，所述第二隐层包含
N个神经元节点，所述第一隐层与所述第二隐层通过以下线性激活函数(4)进行连接，
公式（4）中，W为
L×
N权重矩阵，b为
N×1偏置向量，
g为sigmoid线性激活函数，p为
L个组成的向量。
具体而言，所述输出层包含
m个神经元节点，
m为热行为类别数量，所述第二隐层与输出层的关系为：
公式（5）和（6）中，β为所述第二隐层与所述输出层间的转移矩阵，t为目标识别结果的过渡向量，本实施例中，热行为类别数量为4，即
m的取值为4，所述输出层的输出结果用
O表示：
其中，argmax(
·)函数用于求取一个向量中元素最大值对应的标签。
由以上四个网络层构成的概率映射识别方法可以将特征值转化为预测类别的概率值，有助于充分挖掘该特征包含的类别信息，进而提升识别准确率。
本发明呈现的概率映射识别模型是一种学习模型，因此需要通过训练样本获取映射模型，基于训练模型，可以得到测试样本的分类结果。
在概率映射识别模型的隐藏层中使用太少的神经元将导致欠拟合。反之，使用过多的神经元可能会导致过拟合。当神经网络具有过多的神经元节点时，训练样本中包含的有限信息不足以训练隐藏层中的所有神经元节点，因此会导致过拟合。此外，即使训练样本包含的信息量足够，隐藏层中过多的神经元节点会增加训练时间，从而难以达到预期的效果。因此，选择一个合适的隐藏层神经元节点数量是至关重要的。
然而，目前没有明确的理论推导可以确定隐藏层的神经元节点个数，实际应用中通常凭借“试错法”或者经验进行参数调整。为快速有效地确定隐藏层的神经元节点个数，本发明提出一种多路径参数搜索方法，请参阅图4所示，其为本发明实施例提出的多路径参数搜索方法，这里的多路径搜索指的是从多个不同的初始值出发进行搜索，该方法的详细描述如下所示。
具体而言，所述第二隐层中，神经元节点数量
N的取值通过多路径参数搜索方法获取，所述多路径参数搜索方法包括，
步骤一：设定四个经验值（即根据经验确定的第二隐层中神经元节点的数量），作为搜索方法的多个搜索点；
步骤二：在搜索点附近设置搜索范围；
为减少参数搜索时间，本发明拟在选取的初始值附近设置搜索范围为[初始值-
d,初始值+
d]，其中
d需要根据训练（训练准确率进行试错）结果进行确定。
步骤三：在搜索范围内进行遍历搜索，
由于每个初始值对应的搜索范围很小，本发明拟针对每个搜索范围的每个参数进行尝试，即进行遍历式搜索，并以概率映射识别模型的运行时间和识别精度作为评价指标，从多组参数值中筛选出最佳值。
具体而言，所述步骤一中确定四个经验值的方法为，
第一经验值，根据经验公式取值，表示为
其中，
L为所述样本数据中特征的数量，
m为热行为类别数量，
Q 0为训练样本数量，
H 1为根据公式（8）得到的第一经验值，
α为经验调节系数，
α可取任意值，本实施例中限定
α的取值范围为2-10，本实施例优选
α的取值为2、6、10。
第二经验值设定为介于输入层大小和输出层大小之间，表示为
其中，min([
L,m])表示
L和
m中的较小值，
b 1为第一调节系数，
H 2为根据公式（9）得到的第二经验值；本实施例中限定0＜
b 1＜1，本实施例优选
b 1的取值为1/4、1/2、3/4。
第三经验值设定为输入层神经元节点数量加上输出层神经元节点数量大小的2/3，表示为
其中，
H 3为根据公式（10）得到的第三经验值；
第四经验值设定为小于等于输入层神经元节点数量的两倍，表示为
其中，
H 4为根据公式（11）得到的第四经验值，
b 2为第二调节系数，本实施例中限定0＜
b 2≤2，本实施例优选
b 2取值为1、1.5、2。
设置四个经验值作为初始值是本实施例提供的一种优选的实施方式，本发明不对设置初始值的数量做具体限定。
相比仅依靠单经验值，本发明拟采用多经验值作为参数优化的初始值，有助于跳出局部最优，进而发现全局最优解。
本发明提出多路径参数搜索方法，快速有效地确定隐藏层的神经元节点数量，减少了通常使用的“试错法”或者单经验法的人力成本，提升了参数搜索效率和准确性，进而提高了概率映射识别模型对热行为预测的准确率和效率。
具体而言，在所述步骤S3中，所述训练单元使用所述测试样本对训练后的概率映射识别模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，
所述训练单元使用测试样本中的
r个样本数据对训练后的概率映射识别模型进行测试时，若预测正确，则取值为1，若预测错误，则取值为0，训练单元计算测试正确率
φ，设定
其中，
n为预测结果取值为1的数量。
具体而言，所述中控单元将所述测试正确率
φ与预设正确率
φ 0进行比对，
若处于第一正确率水平，所述中控单元判定测试正确率符合标准，无需增加所述样本数据的数量；
若处于第二正确率水平，所述中控单元判定测试正确率不符合标准，需增加所述样本数据的数量；
所述第一正确率水平满足
φ≥
φ 0，所述第二正确率水平满足
φ＜
φ 0。
本实施例限定96%＜
φ 0＜100%，本实施例优选预设正确率
φ 0的取值为97%，以保证概率映射识别模型预测的准确率。
具体而言，所述中控单元设有在第二正确率水平下对所述样本数据的数量的调节方式，
第一样本数据量调节方式为，所述中控单元将预设样本数据量调节至第一样本数据量；
第二样本数据量调节方式为，所述中控单元将预设样本数据量调节至第二样本数据量；
第三样本数据量调节方式为，所述中控单元将预设样本数据量调节至第三样本数据量；
其中，预设样本数据量＜第一样本数据量＜第二样本数据量＜第三样本数据量；
所述第一样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值大于等于第二预设测试正确率差值；
所述第二样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值小于第二预设测试正确率差值且大于等于第一预设测试正确率差值；
所述第三样本数据量调节方式满足所述测试正确率
φ与所述预设正确率
φ 0的差值小于第一预设测试正确率差值。
本实施例提供一种实施方式，通过调节系数对样本数据的数量进行调节，具体如下：
中控单元在第二正确率水平计算所述测试正确率
φ与预设正确率
φ 0的正确率差值Δ
φ并根据Δ
φ确定对样本数据的数量的调节方式，设定Δ
φ=
φ 0-
φ，其中，
第一样本数据量调节方式为，选用第一预设样本数量调节系数
e 1将预设样本数据量
W 0调节至第一样本数据量
W 1，设定
W 1=
W 0×
e 1；
第二样本数据量调节方式为，选用第二预设样本数量调节系数
e 2将预设样本数据量
W 0调节至第二样本数据量
W 2，设定
W 2=
W 0×
e 2；
第三样本数据量调节方式为，选用第三预设样本数量调节系数
e 3将预设样本数据量
W 0调节至第三样本数据量
W 3，设定
W 3=
W 0×
e 3；
其中，
W 0＜
W 3＜
W 2＜
W 1，第一样本数据量调节方式满足Δ
φ≥Δ
φ 2，第二样本数据量调节方式满足Δ
φ 1≤Δ
φ＜Δ
φ 2，第三样本数据量调节方式满足Δ
φ＜Δ
φ 1，
W 0为预设样本数据量，Δ
φ 1为第一预设测试正确率差值，Δ
φ 2为第二预设测试正确率差值，0＜Δ
φ 1＜2%＜Δ
φ 2＜4%，1.2≤
e 3＜1.4≤
e 2＜1.6≤
e 1＜1.8。
在研究过程中发现，当样本数量在3000至8000之间时，概率映射识别模型可取得较好的测试正确率，测试正确率可达93%以上，当样本数量超过8000时，由于计算量增大，概率映射识别模型的计算效率会显著降低，本实施例拟定预设样本数据量
W 0的取值限定为3000＜
W 0＜8000，综合考虑准确率和计算效率，本实施例优选
W 0=4000，通过设置样本数量调节系数对预设样本数据量分档次调节，且样本数量调节系数以0.2倍作为调节基数可使测试正确率发生明显变化，本实施例优选
e 3=1.2，
e 2=1.4，
e 1=1.6。
本发明提供另一种实施方式，通过预设调节增量对样本数据的数量进行调节。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例，并不用于限制本发明；对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，包括：
步骤S1，数据获取单元获取预设数量的具有设定特征的历史热行为信息数据形成样本数据，随机将样本数据划分为训练样本和测试样本；设定所述样本数据中包含L个特征；
步骤S2，建模单元建立概率映射识别模型；
步骤S3，训练单元使用所述训练样本对所述概率映射识别模型进行训练，使用所述测试样本对训练后的概率映射识别模型进行测试，中控单元通过测试结果判定是否需要增加所述样本数据的数量；
步骤S4，采集单元采集恒温半间歇液-液非均相反应体系中的热参数，并依次对采集的热参数做信号预处理和特征提取以获取特征热参数；
步骤S5，预测单元使用训练后的所述概率映射识别模型对所述特征热参数做热行为预测。
2.根据权利要求1所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述概率映射识别模型包括输入层、第一隐层、第二隐层以及输出层，其中，
所述输入层包含L个神经元节点，每个神经元节点代表一个特征，特征向量按照公式（1）计算，
公式（1）中，x为特征向量，x1代表第一个节点的特征，x2代表第二个节点的特征，x L 代表第L节点的特征，L为所述样本数据中特征的数量，T为矩阵的转置。
3.根据权利要求2所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述第一隐层包含L个神经元节点，所述输入层和所述第一隐层通过高斯函数进行连接，第一隐层按照公式（2）计算出根据每个所述特征预测为类别C m 的概率，C代表所有热行为类别，C m 代表第m个热行为类别，
其中，为第l个特征对应于类别C m 的条件概率，由训练样本得到，对于第l个特征求得的，按照公式（3）求取其最大值作为第一隐层的值，记为：
公式（2）和公式（3）中，l取值为1～L。
4.根据权利要求3所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述第二隐层包含N个神经元节点，所述第一隐层与所述第二隐层通过以下线性激活函数(4)进行连接，
公式（4）中，W为L×N权重矩阵，b为N×1偏置向量，g为sigmoid线性激活函数，p为L个组成的向量。
5.根据权利要求4所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述输出层包含m个神经元节点，m为热行为类别数量，所述第二隐层与输出层的关系为，
公式（5）和（6）中，β为所述第二隐层与所述输出层间的转移矩阵，t为目标识别结果的过渡向量，所述输出层的输出结果用O表示，
其中，argmax(·)函数用于求取一个向量中元素最大值对应的标签。
6.根据权利要求5所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述第二隐层中，神经元节点数量N的取值通过多路径参数搜索方法获取，所述多路径参数搜索方法包括，
步骤一：设定四个经验值作为搜索方法的多个搜索点；
步骤二：在搜索点附近设置搜索范围；
步骤三：在搜索范围内进行遍历搜索。
7.根据权利要求6所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述步骤一中确定四个经验值的方法为，
第一经验值，根据经验公式取值，表示为
其中，L为所述样本数据中特征的数量，m为热行为类别数量，Q 0为训练样本数量，H 1为根据公式（8）得到的第一经验值，α为经验调节系数；
第二经验值设定为介于输入层大小和输出层大小之间，表示为
其中，min([L,m])表示L和m中的较小值，b 1为第一调节系数，H 2为根据公式（9）得到的第二经验值；
第三经验值设定为输入层神经元节点数量加上输出层神经元节点数量大小的2/3，表示为
其中，H 3为根据公式（10）得到的第三经验值；
第四经验值设定为小于等于输入层神经元节点数量的两倍，表示为
其中，H 4为根据公式（11）得到的第四经验值，b 2为第二调节系数。
8.根据权利要求7所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，在所述步骤S3中，所述训练单元使用所述测试样本对训练后的概率映射识别模型进行测试，所述中控单元通过测试结果判定是否需要增加所述样本数据的数量，其中，
所述训练单元使用测试样本中的r个样本数据对训练后的概率映射识别模型进行测试时，若预测正确，则取值为1，若预测错误，则取值为0，训练单元计算测试正确率φ，设定
其中，n为预测结果取值为1的数量。
9.根据权利要求8所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述中控单元将所述测试正确率φ与预设正确率φ 0进行比对，
若处于第一正确率水平，所述中控单元判定测试正确率符合标准，无需增加所述样本数据的数量；
若处于第二正确率水平，所述中控单元判定测试正确率不符合标准，需增加所述样本数据的数量；
所述第一正确率水平满足φ≥φ 0，所述第二正确率水平满足φ＜φ 0。
10.根据权利要求9所述的用于液液非均相反应热行为判别的概率映射识别方法，其特征在于，所述中控单元设有在第二正确率水平下对所述样本数据的数量的调节方式，
第一样本数据量调节方式为，所述中控单元将预设样本数据量调节至第一样本数据量；
第二样本数据量调节方式为，所述中控单元将预设样本数据量调节至第二样本数据量；
第三样本数据量调节方式为，所述中控单元将预设样本数据量调节至第三样本数据量；
其中，预设样本数据量＜第一样本数据量＜第二样本数据量＜第三样本数据量；
所述第一样本数据量调节方式满足所述测试正确率φ与所述预设正确率φ 0的差值大于等于第二预设测试正确率差值；
所述第二样本数据量调节方式满足所述测试正确率φ与所述预设正确率φ 0的差值小于第二预设测试正确率差值且大于等于第一预设测试正确率差值；
所述第三样本数据量调节方式满足所述测试正确率φ与所述预设正确率φ 0的差值小于第一预设测试正确率差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310340122.4A CN116049640B (zh) | 2023-04-03 | 2023-04-03 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310340122.4A CN116049640B (zh) | 2023-04-03 | 2023-04-03 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116049640A true CN116049640A (zh) | 2023-05-02 |
| CN116049640B CN116049640B (zh) | 2023-07-07 |
Family
ID=86118586
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310340122.4A Active CN116049640B (zh) | 2023-04-03 | 2023-04-03 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116049640B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3181221A1 (de) * | 2015-12-16 | 2017-06-21 | Fluitec Invest AG | Verfahren zur überwachung einer chemischen reaktion und reaktor |
| CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN113448821A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东振世信息技术有限公司 | 一种识别工程缺陷的方法和装置 |
| CN114417948A (zh) * | 2021-06-18 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于神经网络预测电池热失控的方法 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN114528876A (zh) * | 2022-01-29 | 2022-05-24 | 西安电子科技大学 | 基于改进原型网络的小样本信号自动调制识别方法 |
| WO2023035672A1 (zh) * | 2021-09-10 | 2023-03-16 | 蜂巢能源科技股份有限公司 | 电池热失控预测方法、装置及计算机可读存储介质 |
-
2023
- 2023-04-03 CN CN202310340122.4A patent/CN116049640B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3181221A1 (de) * | 2015-12-16 | 2017-06-21 | Fluitec Invest AG | Verfahren zur überwachung einer chemischen reaktion und reaktor |
| CN109726858A (zh) * | 2018-12-21 | 2019-05-07 | 新奥数能科技有限公司 | 基于动态时间规整的热负荷预测方法及装置 |
| CN113448821A (zh) * | 2020-03-25 | 2021-09-28 | 北京京东振世信息技术有限公司 | 一种识别工程缺陷的方法和装置 |
| CN113009077A (zh) * | 2021-02-18 | 2021-06-22 | 南方电网数字电网研究院有限公司 | 气体检测方法、装置、电子设备和存储介质 |
| CN114417948A (zh) * | 2021-06-18 | 2022-04-29 | 重庆长安汽车股份有限公司 | 一种基于神经网络预测电池热失控的方法 |
| WO2023035672A1 (zh) * | 2021-09-10 | 2023-03-16 | 蜂巢能源科技股份有限公司 | 电池热失控预测方法、装置及计算机可读存储介质 |
| CN114528876A (zh) * | 2022-01-29 | 2022-05-24 | 西安电子科技大学 | 基于改进原型网络的小样本信号自动调制识别方法 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
Non-Patent Citations (3)
| Title |
|---|
| M. JAVED ET AL.: "Melting heat transfer with radiative effects and homogeneous– heterogeneous reaction in thermally stratified stagnation flow embedded in porous medium", JOURNAL OF CENTRAL SOUTH UNIVERSITY, pages 2701 * |
| 刘秀玉;蒋军成;王彦富;: "间歇放热反应系统热失控参数敏感性研究", 化学工程, no. 03, pages 13 - 16 * |
| 谢水英 等: "基于GRNN 神经网络的800H 合金热变形预测", 热加工工艺, vol. 43, no. 12, pages 45 - 47 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116049640B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263846B (zh) | 基于故障数据深度挖掘及学习的故障诊断方法 | |
| US6289328B2 (en) | Chemical sensor pattern recognition system and method using a self-training neural network classifier with automated outlier detection | |
| CN110532471B (zh) | 基于门控循环单元神经网络的主动学习协同过滤方法 | |
| EP2323080B1 (en) | Sample attribution class estimation method, sample attribution class estimation program, and attribution class estimation apparatus | |
| CN110598902A (zh) | 一种基于支持向量机与knn相结合的水质预测方法 | |
| CN115811440B (zh) | 一种基于网络态势感知的实时流量检测方法 | |
| Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
| CN116633601A (zh) | 一种基于网络流量态势感知的检测方法 | |
| CN116930042B (zh) | 建筑防水材料性能检测设备及方法 | |
| CN110956331A (zh) | 数字工厂运营状态预测方法、系统、装置 | |
| CN116985793B (zh) | 基于深度学习算法的自动驾驶安全控制系统及方法 | |
| CN114398992A (zh) | 一种基于无监督域适应的智能故障诊断方法 | |
| CN116049640B (zh) | 一种用于液液非均相反应热行为判别的概率映射识别方法 | |
| CN111863151B (zh) | 基于高斯过程回归的聚合物分子量分布的预测方法 | |
| CN113610167B (zh) | 基于度量学习与视觉感知的设备风险检测方法 | |
| JP2004078812A (ja) | プロセスデータの解析方法及び解析装置 | |
| CN114660931A (zh) | 用于石油化工过程故障诊断与识别的方法及系统 | |
| CN113269217A (zh) | 基于Fisher准则的雷达目标分类方法 | |
| CN110688287A (zh) | 一种基于改进概率神经网络的工控网络态势评估方法 | |
| CN115348074B (zh) | 深度时空混合的云数据中心网络流量实时检测方法 | |
| CN116543538B (zh) | 一种物联网消防电气预警方法及预警系统 | |
| CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 | |
| EP4273752A1 (en) | Device and method for detecting anomalies in technical systems | |
| CN117437976B (zh) | 基于基因检测的疾病风险筛查方法及系统 | |
| EP3965019A1 (en) | Device and method for training a normalizing flow |
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 |