CN116052789B - 一种基于深度学习的甲苯氯化参数自动优化系统 - Google Patents
一种基于深度学习的甲苯氯化参数自动优化系统 Download PDFInfo
- Publication number
- CN116052789B CN116052789B CN202310317484.1A CN202310317484A CN116052789B CN 116052789 B CN116052789 B CN 116052789B CN 202310317484 A CN202310317484 A CN 202310317484A CN 116052789 B CN116052789 B CN 116052789B
- Authority
- CN
- China
- Prior art keywords
- toluene
- chlorination
- toluene chlorination
- data
- hidden layer
- 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
Links
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
-
- C—CHEMISTRY; METALLURGY
- C07—ORGANIC CHEMISTRY
- C07C—ACYCLIC OR CARBOCYCLIC COMPOUNDS
- C07C17/00—Preparation of halogenated hydrocarbons
- C07C17/093—Preparation of halogenated hydrocarbons by replacement by halogens
- C07C17/10—Preparation of halogenated hydrocarbons by replacement by halogens of hydrogen atoms
- C07C17/14—Preparation of halogenated hydrocarbons by replacement by halogens of hydrogen atoms in the side-chain of aromatic compounds
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Crystallography & Structural Chemistry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Organic Chemistry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Organic Low-Molecular-Weight Compounds And Preparation Thereof (AREA)
Abstract
本发明提供一种基于深度学习的甲苯氯化参数自动优化系统。一种基于深度学习的甲苯氯化参数自动优化系统包括:甲苯氯化数据获取模块,甲苯氯化数据预处理模块,甲苯氯化数据划分模块,甲苯氯化深度置信网络构建模块,甲苯质量分数预测模块,甲苯质量分数验证模块,甲苯氯化参数优化模块。本发明甲苯氯化参数自动优化系统能够完成自动检测、信息处理、分析判断、操作控制和实现目标预期这整个过程,在减少人力的同时,提高了化学反应工艺的稳定性,提高了目标化合物的产率和纯度。
Description
技术领域
本发明涉及机器学习领域,特别地涉及一种基于深度学习的甲苯氯化参数自动优化系统。
背景技术
甲苯氯化反应作为化工反应中的一种重要反应,尤其是甲苯氯化反应生成的化合物氯甲苯,氯甲苯是一种重要的精细化工原料和用途十分广泛的有机化工中间体,近年来多种新型医药、农药、染料等中间体的生产都是以氯甲苯为起始原料。
在目前的连续化甲苯氯化工艺,一般会根据反应中的甲苯质量分数对反应参数进行人工调整,但人工调整会耗费更多的成本,并且人工无法对整个反应参数进行及时的调整。
发明内容
针对上述问题,本申请提供一种于深度学习的甲苯氯化参数自动优化系统。
甲苯氯化数据获取模块,获取甲苯氯化数据;
甲苯氯化数据预处理模块,用于将甲苯氯化数据进行预处理,预处理包括缺失值补充和归一化处理;
甲苯氯化数据划分模块,用于将预处理后得到的甲苯氯化数据划分成训练集样本和验证集样本;
甲苯氯化深度置信网络构建模块,用于构建甲苯氯化深度置信网络;
甲苯质量分数预测模块,用于采用甲苯氯化深度置信网络中预测的甲苯质量分数;
甲苯质量分数验证模块,用于将预测的甲苯质量分数和预设的甲苯质量分数达标区间进行对比,若甲苯质量分数属于预设的甲苯质量分数达标区间,则让甲苯氯化反应正常进行,否则进入甲苯氯化参数优化模块;
甲苯氯化参数优化模块,内置专家解决方案数据库,用于根据专家解决方案数据库控制执行器对氯化反应进行调节。
作为本发明的一个优选,对于甲苯氯化数据预处理方法如下:获取甲苯氯化数据,判断这一时刻的甲苯氯化数据是否存在缺失,若这一时刻的甲苯氯化数据没有缺失,则直接输出此甲苯氯化数据,若这一时刻的甲苯氯化数据缺失,则采用前一时刻的甲苯氯化数据来填补当时时刻对应甲苯氯化数据的缺失值;利用公式将甲苯氯化数据进行归一化,其公式如下: ,式中, />为甲苯氯化数据样本值, />为甲苯氯化数据样本中的最小值, />为甲苯氯化数据样本中的最大值, />为归一化后的值。
作为本发明的一个优选,对于甲苯氯化数据划分模块,将预处理得到的甲苯氯化数据按照 划分成训练集样本和验证集样本。
作为本发明的一个优选,构建甲苯氯化深度置信网络方法如下:
组成,基于BP神经网络建立甲苯氯化深度置信网络,甲苯氯化深度置信网络包括一个输入层、三个隐含层和一个输出层;隐含层包括第一隐含层、第二隐含层和第三隐含层,且输入层与第一隐含层组成RBM1,第一隐含层与第二隐含层组成RBM2,第二隐含层与第三隐含层组成RBM3;
训练,利用训练集样本分别对甲苯氯化深度置信网络中的RBM1、RBM2和RBM3单独进行无监督训练,首先充分训练RBM1,然后固定输入层和第一隐含层之间的权值和偏移量,然后使用第一隐含层的输出值,又作为RBM2中第一隐含层的输入值,充分训练RBM2后,固定第一隐含层和第二隐含层之间的权值和偏移量,然后使用第二隐含层的输出值,作为RBM3中第二隐含层的输入值,充分训练RBM3后,固定第二隐含层和第三隐含层之间的权值和偏移量,再将第三隐含层的输出层作为输出层的输入,最后由输出层输出;
验证,将RBM1、RBM2和RBM3充分训练得到的权值和偏移量作为甲苯氯化深度置信网络的初始权值和初始偏移量,再将验证集样本输入至输入层,通过甲苯氯化深度置信网络输出预测甲苯质量分数,当预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差不在预设可接受误差范围内时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值和偏移量,向隐含层和输入层逐层反传;若预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差在预设可接受误差范围内时,则无需调整。
作为本发明的一个优选,对于甲苯质量分数验证模块,预设一个甲苯质量分数达标区间 ,将甲苯氯化反应中得到的甲苯质量分数 />和预设的甲苯质量分数达标区间进行验证,若 />且 />,则让甲苯氯化反应正常进行,若 />且 />,则需要通过人工操作或者根据专家解决方案数据库控制执行器对其进行优化。
作为本发明的一个优选,对于甲苯氯化参数优化模块,当预测甲苯质量分数不属于预设的甲苯质量分数达标区间时,通过输出的不达标的甲苯氯化数据与专家解决方案数据库进行对比,获取相应的甲苯氯化故障解决方案,最后根据甲苯氯化故障解决方案控制操作执行器对反应进行相应的调整。
此外,还需说明一种对甲苯氯化深度置信网络进行节点控制的方法;具体方法如下:设置甲苯氯化深度置信网络中的每个节点为 ,即第m层的第n个节点,且,当使用验证集样本对甲苯氯化深度置信网络进行验证时,获取每一个节点的输出值为 />,即第m层的第n个节点的输出值,再利用公式:,得到每一个节点的贡献占比 />,再将这些节点的贡献占比 />和预设的贡献占比阈值 />进行对比,若该节点的贡献占比 />低于预设的贡献占比阈值 />,将该节点关闭;否则无操作。
另外,还需说明一种智能DCS系统,该系统分为人工操作和自动操作,在操控室内安装红外感应和自动优化开关,当红外感应能够感应到操控室有人时,才能关闭自动优化开关,进行人工操作,其他情况下都是根据专家解决方案数据库中的甲苯氯化故障解决方案控制操作执行器实施自动优化。
本发明具有以下优点:
1、本发明通过传感器能够实时监测各个指标,能够对获取的甲苯氯化信息和数据进行快速处理,还能通过自动预测接下来的甲苯质量分数,判断是否需要对正在进行的甲苯氯化反应进行调整,判断之后能还实现自动操作控制,对反应进行优化处理。
2、本发明甲苯氯化参数自动优化系统能够完成自动检测、信息处理、分析判断、操作控制和实现目标预期这整个过程,在减少人力的同时,提高了化学反应工艺的稳定性,提高了目标化合物的产率和纯度。
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,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地介绍,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示出的结构获得其他的附图。
图1为本发明实施例1中一种基于深度学习的甲苯氯化参数自动优化系统结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请部分实施例进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。然而,本领域的普通技术人员可以理解,在本申请的各实施例中,为了使读者更好地理解本申请而提出了许多技术细节。但是,即使没有这些技术细节和基于以下各实施例的种种变化和修改,也可以实现本申请所要求保护的技术方案。
实施例1
参见图1,本发明实施例1提供一种基于深度学习的甲苯氯化参数自动优化系统。
甲苯氯化数据获取模块,获取甲苯氯化数据;
需要说明的是,本发明需要建立先进的甲苯氯化工装设备,以及各种性能优良的控制器和执行器,还有完备的各类传感器,以便于充分获取甲苯氯化反应的各项数据。
甲苯氯化数据预处理模块,用于将甲苯氯化数据进行预处理,预处理包括缺失值补充和归一化处理;
预处理方法如下:获取甲苯氯化数据,判断这一时刻的甲苯氯化数据是否存在缺失,若这一时刻的甲苯氯化数据没有缺失,则直接输出此甲苯氯化数据,若这一时刻的甲苯氯化数据缺失,则采用前一时刻的甲苯氯化数据来填补当时时刻对应甲苯氯化数据的缺失值;利用公式将甲苯氯化数据进行归一化,其公式如下: ,式中, />为甲苯氯化数据样本值, />为甲苯氯化数据样本中的最小值, />为甲苯氯化数据样本中的最大值, />为归一化后的值。
甲苯氯化数据划分模块,用于将预处理后得到的甲苯氯化数据划分成训练集样本和验证集样本;
划分方法如下:对于甲苯氯化数据划分模块,将预处理得到的甲苯氯化数据按照划分成训练集样本和验证集样本;训练集样本用于训练甲苯氯化深度置信网络中的RBM层,从而获得每一层的权重;验证集样本用于验证BP网络,通过反向传播网络将错误信息自顶向下传播至每一层RBM,微调整个甲苯氯化深度置信网络。
甲苯氯化深度置信网络构建模块,用于构建甲苯氯化深度置信网络。
需要说明的是,构建甲苯氯化深度置信网络方法如下:
基于BP神经网络建立甲苯氯化深度置信网络,甲苯氯化深度置信网络包括一个输入层、三个隐含层和一个输出层;隐含层包括第一隐含层、第二隐含层和第三隐含层,且输入层与第一隐含层组成RBM1,第一隐含层与第二隐含层组成RBM2,第二隐含层与第三隐含层组成RBM3;
训练,用训练集样本分别对甲苯氯化深度置信网络中的RBM1、RBM2和RBM3单独进行无监督训练,首先充分训练RBM1,然后固定输入层和第一隐含层之间的权值和偏移量,然后使用第一隐含层的输出值,又作为RBM2中第一隐含层的输入值,充分训练RBM2后,固定第一隐含层和第二隐含层之间的权值和偏移量,然后使用第二隐含层的输出值,作为RBM3中第二隐含层的输入值,充分训练RBM3后,固定第二隐含层和第三隐含层之间的权值和偏移量,再将第三隐含层的输出层作为输出层的输入,最后由输出层输出;
验证,将RBM1、RBM2和RBM3充分训练得到的权值和偏移量作为甲苯氯化深度置信网络的初始权值和初始偏移量,再将验证集样本输入至输入层,通过甲苯氯化深度置信网络输出预测甲苯质量分数,当预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差不在预设可接受误差范围内时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值和偏移量,向隐含层和输入层逐层反传;若预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差在预设可接受误差范围内,则无需调整;此外每一层的RBM网络只能确保自身层内的权值对该层特征向量映射达到最优,不能对整个甲苯氯化深度置信网络的特征向量映射达到最优,而甲苯氯化深度置信网络的反向传播阶段能够将错误信息自顶向下传播至每一个RBM,从而微调整个甲苯氯化深度置信网络;同时也克服甲苯氯化深度置信网络因初始权值和初始偏移值导致局部最优和时间长的缺点。
甲苯质量分数验证模块,用于将预测的甲苯质量分数和预设的甲苯质量分数达标区间进行对比,若甲苯质量分数属于此区间,则直接输出,若不属于,则进入甲苯氯化参数优化模块;
需要说明的是,对于甲苯质量分数验证模块,预设一个甲苯质量分数达标区间,将甲苯氯化反应中得到的甲苯质量分数 />和预设的甲苯质量分数达标区间进行验证,若 />且 />,则让甲苯氯化反应正常进行,若 />且 />,则需要通过人工操作或者根据专家解决方案数据库控制执行器对其进行优化。
甲苯氯化参数优化模块,内置专家解决方案数据库,用于根据专家解决方案数据库控制执行器对氯化反应进行调节;
需要说明的是,对于甲苯氯化参数优化模块,采用最小二乘法对样本氯化数据进行曲线拟合,然后专家根据不同的情况输入不同的甲苯氯化故障解决方案数据,例如,某时刻甲苯氯化反应发现甲苯和氯气的质量分数变化幅度小,生成物质量分数低,则有可能是催化剂不足导致,然后专家按照专业知识计算出需要添加催化剂的量,最后将这些故障和故障解决方案数据化,从而构建专家解决方案数据库,当预测甲苯质量分数不属于预设的甲苯质量分数达标区间时,通过输出的不达标的甲苯氯化数据与专家解决方案数据库进行匹对,获取相应的甲苯氯化故障解决方案数据,最后根据专家解决方案数据库控制操作执行器对反应进行相应的调整。
此外,还需要补充的是,对甲苯氯化深度置信网络进行节点控制,当甲苯氯化深度置信网络拟合度过高,太过于专一化,而通过增加节点重新训练来修改权值等数据的方法又过于繁琐,为此,本发明通过减少节点,不修改权值等数据的方法对甲苯氯化深度置信网络进行优化,方法如下:
设置甲苯氯化深度置信网络中的每个节点为 ,即第m层的第n个节点,且,当使用验证集样本对甲苯氯化深度置信网络进行验证时,获取每一个节点的输出值为 />,即第m层的第n个节点的输出值,再利用公式:,得到每一个节点的贡献占比 />,再将这些节点的贡献占比和预设的贡献占比阈值 />进行对比,若该节点的贡献占比 />低于预设的贡献占比阈值 />,说明此节点对应的特征并不具备参考性,将该节点关闭,避免甲苯氯化深度置信网络拟合度过高,否则无操作。
此外,还需要补充的是,构建智能DCS系统,该系统分为人工操作和自动操作,在操控室内安装红外感应和自动优化开关,当红外感应能够感应到操控室有人时,才能关闭自动优化开关,进行人工操作,其他情况下都是根据甲苯氯化深度置信网络的调节单元操作控制执行器自动实施操作;这样可以保证参数实时监控与优化,还能保证优化操作的正确性,确保甲苯氯化反应得到的目标化合物的产率和纯度。
当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。
Claims (4)
1.一种基于深度学习的甲苯氯化参数自动优化系统,其特征在于,包括:
甲苯氯化数据获取模块,获取甲苯氯化数据;
甲苯氯化数据预处理模块,用于将甲苯氯化数据进行预处理,预处理包括缺失值补充和归一化处理;
甲苯氯化数据划分模块,用于将预处理后得到的甲苯氯化数据划分成训练集样本和验证集样本;
甲苯氯化深度置信网络构建模块,用于构建甲苯氯化深度置信网络;
甲苯质量分数预测模块,用于采用甲苯氯化深度置信网络预测甲苯质量分数;
甲苯质量分数验证模块,用于将预测的甲苯质量分数和预设的甲苯质量分数达标区间进行对比,若甲苯质量分数属于预设的甲苯质量分数达标区间,则让甲苯氯化反应正常进行,否则进入甲苯氯化参数优化模块;
甲苯氯化参数优化模块,内置专家解决方案数据库,用于根据专家解决方案数据库控制执行器对氯化反应进行调节;
构建甲苯氯化深度置信网络,构建甲苯氯化深度置信网络方法如下:
组成,基于BP神经网络建立甲苯氯化深度置信网络,甲苯氯化深度置信网络包括一个输入层、三个隐含层和一个输出层;隐含层包括第一隐含层、第二隐含层和第三隐含层,且输入层与第一隐含层组成RBM1,第一隐含层与第二隐含层组成RBM2,第二隐含层与第三隐含层组成RBM3;
训练,利用训练集样本分别对甲苯氯化深度置信网络中的RBM1、RBM2和RBM3单独进行无监督训练,首先充分训练RBM1,然后固定输入层和第一隐含层之间的权值和偏移量,然后使用第一隐含层的输出值,又作为RBM2中第一隐含层的输入值,充分训练RBM2后,固定第一隐含层和第二隐含层之间的权值和偏移量,然后使用第二隐含层的输出值,作为RBM3中第二隐含层的输入值,充分训练RBM3后,固定第二隐含层和第三隐含层之间的权值和偏移量,再将第三隐含层的输出层作为输出层的输入,最后由输出层输出;
验证,将RBM1、RBM2和RBM3充分训练得到的权值和偏移量作为甲苯氯化深度置信网络的初始权值和初始偏移量,再将验证集样本输入至输入层,通过甲苯氯化深度置信网络输出预测甲苯质量分数,当预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差不在预设可接受误差范围内时,进入误差的反向传播阶段,误差通过输出层,按误差梯度下降的方式修正各层权值和偏移量,向隐含层和输入层逐层反传;若预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差在预设可接受误差范围内,则无需调整;
还包括对甲苯氯化深度置信网络进行节点控制,具体方法如下:设置甲苯氯化深度置信网络中的每个节点为Xmn,即第m层的第n个节点,且n=1,2,3......N,m=1,2,3......M,当使用验证集样本对甲苯氯化深度置信网络进行验证时,获取每一个节点的输出值为即第m层的第n个节点的输出值,再利用公式:/>得到每一个节点的贡献占比Wmn,再将这些节点的贡献占比Wmn和预设的贡献占比阈值α进行对比,若该节点的贡献占比Wmn低于预设的贡献占比阈值α,将该节点关闭;否则无操作;
对于甲苯质量分数验证模块,预设一个甲苯质量分数达标区间(0,a),将甲苯氯化反应中得到的甲苯质量分数ω和预设的甲苯质量分数达标区间进行验证,若ω∈(0,a)且a<1,则让甲苯氯化反应正常进行,若ω∈(a,1)且a<1,则需要通过人工操作或者根据专家解决方案数据库控制执行器对其进行优化;
对于甲苯氯化参数优化模块,当预测甲苯质量分数不属于预设的甲苯质量分数达标区间时,通过输出的不达标的甲苯氯化数据与专家解决方案数据库进行对比,获取相应的甲苯氯化故障解决方案,最后根据甲苯氯化故障解决方案控制操作执行器对反应进行相应的调整。
2.权利要求1所述的一种基于深度学习的甲苯氯化参数自动优化系统,其特征在于,对于甲苯氯化数据预处理模块,对于甲苯氯化数据预处理方法如下:获取甲苯氯化数据,判断这一时刻的甲苯氯化数据是否存在缺失,若这一时刻的甲苯氯化数据没有缺失,则直接输出此甲苯氯化数据,若这一时刻的甲苯氯化数据缺失,则采用前一时刻的甲苯氯化数据来填补当时时刻对应甲苯氯化数据的缺失值;利用公式将甲苯氯化数据进行归一化,其公式如下:式中,x为甲苯氯化数据样本值,xmin为甲苯氯化数据样本中的最小值,xmax为甲苯氯化数据样本中的最大值,f(x)为归一化后的值。
3.如权利要求2所述的一种基于深度学习的甲苯氯化参数自动优化系统,其特征在于,对于甲苯氯化数据划分模块,将预处理得到的甲苯氯化数据按照8:1划分成训练集样本和验证集样本。
4.如权利要求1所述的一种基于深度学习的甲苯氯化参数自动优化系统,其特征在于,还包括:构建智能DCS系统,该系统分为人工操作和自动操作,在操控室内安装红外感应和自动优化开关,当红外感应能够感应到操控室有人时,才能关闭自动优化开关,进行人工操作,其他情况下都是根据专家解决方案数据库中的甲苯氯化故障解决方案控制操作执行器实施自动优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317484.1A CN116052789B (zh) | 2023-03-29 | 2023-03-29 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310317484.1A CN116052789B (zh) | 2023-03-29 | 2023-03-29 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052789A CN116052789A (zh) | 2023-05-02 |
CN116052789B true CN116052789B (zh) | 2023-09-15 |
Family
ID=86133551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310317484.1A Active CN116052789B (zh) | 2023-03-29 | 2023-03-29 | 一种基于深度学习的甲苯氯化参数自动优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052789B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及系统 |
CN109734551A (zh) * | 2019-01-10 | 2019-05-10 | 江苏琦衡农化科技有限公司 | 一种甲苯定向氯化制备对氯甲苯的生产工艺 |
CN111078479A (zh) * | 2019-09-26 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
CN114334025A (zh) * | 2021-12-31 | 2022-04-12 | 武汉理工大学 | 一种水泥熟料煅烧环境变量的构建及验证方法 |
WO2022233602A1 (fr) * | 2021-05-05 | 2022-11-10 | IFP Energies Nouvelles | Procede de construction d'un modele de simulation d'une reaction chimique |
CN115438897A (zh) * | 2022-05-18 | 2022-12-06 | 沈阳化工大学 | 一种基于blstm神经网络的工业过程产品质量预测方法 |
WO2023027279A1 (ko) * | 2021-08-27 | 2023-03-02 | 디어젠 주식회사 | 화학구조 내부 원자의 키나아제 결합여부 예측 방법 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220027709A1 (en) * | 2018-12-18 | 2022-01-27 | Nokia Technologies Oy | Data denoising based on machine learning |
US20230034897A1 (en) * | 2019-12-27 | 2023-02-02 | Ptt Exploration And Production Public Company Limited | A method and system for predicting pipeline corrosion |
-
2023
- 2023-03-29 CN CN202310317484.1A patent/CN116052789B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106202946A (zh) * | 2016-07-18 | 2016-12-07 | 燕山大学 | 基于深度信念网络模型的水泥熟料游离钙含量预测方法 |
CN108898261A (zh) * | 2018-07-24 | 2018-11-27 | 深圳市源广浩电子有限公司 | 一种基于环保大数据的空气质量监测方法及系统 |
CN109734551A (zh) * | 2019-01-10 | 2019-05-10 | 江苏琦衡农化科技有限公司 | 一种甲苯定向氯化制备对氯甲苯的生产工艺 |
CN111078479A (zh) * | 2019-09-26 | 2020-04-28 | 腾讯科技(深圳)有限公司 | 一种内存检测模型训练的方法、内存检测的方法及装置 |
CN112529147A (zh) * | 2020-10-19 | 2021-03-19 | 北京工业大学 | 断面水质中的氨氮含量预测方法及装置 |
WO2022233602A1 (fr) * | 2021-05-05 | 2022-11-10 | IFP Energies Nouvelles | Procede de construction d'un modele de simulation d'une reaction chimique |
WO2023027279A1 (ko) * | 2021-08-27 | 2023-03-02 | 디어젠 주식회사 | 화학구조 내부 원자의 키나아제 결합여부 예측 방법 |
CN114334025A (zh) * | 2021-12-31 | 2022-04-12 | 武汉理工大学 | 一种水泥熟料煅烧环境变量的构建及验证方法 |
CN115438897A (zh) * | 2022-05-18 | 2022-12-06 | 沈阳化工大学 | 一种基于blstm神经网络的工业过程产品质量预测方法 |
Non-Patent Citations (3)
Title |
---|
杨博雄.《深度学习理论与实践》.北京邮电大学出版社,2020,第178-183页. * |
焦李成 等.《深度神经网络FPGA设计与实现》.西安电子科技大学出版社,2020,第220-222页. * |
王宇龙 等.《PyTorch深度学习入门与实战》.中国铁道出版社有限公司,2020,第169-11页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116052789A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4006790A1 (en) | Inference device, inference method, and inference program | |
CN110023850B (zh) | 用于控制技术系统的方法和控制装置 | |
CN1274435A (zh) | 无模型自适应过程控制 | |
CN107707657A (zh) | 基于多传感器的安全监护系统 | |
US20190370683A1 (en) | Method, Apparatus and Computer Program for Operating a Machine Learning System | |
US10918014B2 (en) | Fertilization precision control method for water and fertilizer integrated equipment and control system thereof | |
CN109165724A (zh) | 一种基于神经网络的梯度下降迭代次数预测方法及装置 | |
CN108536127B (zh) | 一种数据驱动的多变量控制系统的模型失配诊断方法 | |
CN116052789B (zh) | 一种基于深度学习的甲苯氯化参数自动优化系统 | |
CN109407512A (zh) | 依赖时滞的间歇过程2d输入输出约束控制方法 | |
CN113325819B (zh) | 一种基于深度学习算法的连退机组故障诊断方法及系统 | |
CN114403486A (zh) | 基于局部峰值编码循环网络的气流式烘丝机智能控制方法 | |
CN116859839A (zh) | 基于模型训练的工业控制方法和装置 | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN116661402A (zh) | 一种化工材料的生产管控方法及系统 | |
CN110643485A (zh) | 一种具有智能预测补偿器的粮食发酵过程温度场自动控制系统与方法 | |
JPH11296204A (ja) | 多変数プロセス制御システム | |
CN114609898A (zh) | 一种基于模糊自适应pid补偿的动态矩阵控制方法 | |
US11467543B2 (en) | Process controller design with process approximation and lambda tuning | |
Ay et al. | System identification of a cnc machining center with support vector machines | |
Pramanik et al. | PID Flow-Level Control Tuned by Genetic Algorithm and Harmony Search Algorithm | |
CN118030940A (zh) | 一种基于物联网的阀门智能管控平台 | |
WO2024102474A1 (en) | System and method for ai-optimized hvac control | |
Jia et al. | The probability density function based neuro-fuzzy model and its application in batch processes | |
CN117193223B (zh) | 一种塑料制品生产控制系统 |
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 |