CN116859848B - 甲基异丁基酮生产装置的控制系统及其方法 - Google Patents
甲基异丁基酮生产装置的控制系统及其方法 Download PDFInfo
- Publication number
- CN116859848B CN116859848B CN202310852711.0A CN202310852711A CN116859848B CN 116859848 B CN116859848 B CN 116859848B CN 202310852711 A CN202310852711 A CN 202310852711A CN 116859848 B CN116859848 B CN 116859848B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- reaction temperature
- acetone
- training
- hydrogen
- 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
- NTIZESTWPVYFNL-UHFFFAOYSA-N Methyl isobutyl ketone Chemical compound CC(C)CC(C)=O NTIZESTWPVYFNL-UHFFFAOYSA-N 0.000 title claims abstract description 73
- UIHCLUNTQKBZGK-UHFFFAOYSA-N Methyl isobutyl ketone Natural products CCC(C)C(C)=O UIHCLUNTQKBZGK-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 32
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 claims abstract description 184
- 238000006243 chemical reaction Methods 0.000 claims abstract description 177
- 239000013598 vector Substances 0.000 claims abstract description 151
- 239000001257 hydrogen Substances 0.000 claims abstract description 127
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 127
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 77
- 230000003247 decreasing effect Effects 0.000 claims abstract description 20
- 230000009133 cooperative interaction Effects 0.000 claims abstract description 10
- 238000012482 interaction analysis Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 81
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 230000003993 interaction Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 17
- 239000000047 product Substances 0.000 description 17
- 239000003054 catalyst Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- SWXVUIWOUIDPGS-UHFFFAOYSA-N diacetone alcohol Chemical compound CC(=O)CC(C)(C)O SWXVUIWOUIDPGS-UHFFFAOYSA-N 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- KDLHZDBZIXYQEI-UHFFFAOYSA-N Palladium Chemical compound [Pd] KDLHZDBZIXYQEI-UHFFFAOYSA-N 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 150000002431 hydrogen Chemical class 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002194 synthesizing effect Effects 0.000 description 4
- 238000006555 catalytic reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- SHOJXDKTYKFBRD-UHFFFAOYSA-N 4-Methyl-3-penten-2-one, 9CI Chemical compound CC(C)=CC(C)=O SHOJXDKTYKFBRD-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000005882 aldol condensation reaction Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001588 bifunctional effect Effects 0.000 description 2
- 238000009833 condensation Methods 0.000 description 2
- 230000005494 condensation Effects 0.000 description 2
- 239000007859 condensation product Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005984 hydrogenation reaction Methods 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- IIPYXGDZVMZOAP-UHFFFAOYSA-N lithium nitrate Chemical compound [Li+].[O-][N+]([O-])=O IIPYXGDZVMZOAP-UHFFFAOYSA-N 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910052763 palladium Inorganic materials 0.000 description 2
- 239000012188 paraffin wax Substances 0.000 description 2
- 230000008929 regeneration Effects 0.000 description 2
- 238000011069 regeneration method Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- OZXIZRZFGJZWBF-UHFFFAOYSA-N 1,3,5-trimethyl-2-(2,4,6-trimethylphenoxy)benzene Chemical compound CC1=CC(C)=CC(C)=C1OC1=C(C)C=C(C)C=C1C OZXIZRZFGJZWBF-UHFFFAOYSA-N 0.000 description 1
- 229930182555 Penicillin Natural products 0.000 description 1
- JGSARLDLIJGVTE-MBNYWOFBSA-N Penicillin G Chemical compound N([C@H]1[C@H]2SC([C@@H](N2C1=O)C(O)=O)(C)C)C(=O)CC1=CC=CC=C1 JGSARLDLIJGVTE-MBNYWOFBSA-N 0.000 description 1
- 239000004098 Tetracycline Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000003513 alkali Substances 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000009903 catalytic hydrogenation reaction Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003960 organic solvent Substances 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 229940049954 penicillin Drugs 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 229960002180 tetracycline Drugs 0.000 description 1
- 229930101283 tetracycline Natural products 0.000 description 1
- 235000019364 tetracycline Nutrition 0.000 description 1
- 150000003522 tetracyclines Chemical class 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 229910001845 yogo sapphire Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种甲基异丁基酮生产装置的控制系统及其方法,其获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及,基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。这样,可以对于甲基异丁基酮生产过程中的反应参数进行实时准确地控制,以优化甲基异丁基酮生产装置的生产效率和产品质量。
Description
技术领域
本发明涉及智能化控制技术领域,尤其涉及一种甲基异丁基酮生产装置的控制系统及其方法。
背景技术
甲基异丁基酮(MIBK)是一种重要的有机溶剂,具有优良的溶解性能,能溶解绝大部分油漆用树脂,也可用作生产四环素、青霉素的溶剂,在炼油上,作为石油脱蜡剂,可节省冷量、降低溶剂消耗、提高装置加工能力、降低生产成本、提高收率,还可用于生产精炼石蜡和微晶石蜡。
由丙酮合成甲基异丁基酮,传统的方法为三步法,第一步由两分子丙酮在碱催化下进行缩合,生成二丙酮醇(DAA);第二步是二丙酮醇在酸催化下脱一分子水生成异丙叉丙酮;第三步是所得的异丙叉丙酮在金属活性中心上催化加氢得到目的产物MIBK。三步法已工业化多年,仍为世界上生产MIBK的主要方法。尽管其中间产物DAA、MO亦是丙酮的重要下游产品,但该法的工艺流程长、设备投资大、操作繁琐,第一步的平衡不倾向于形成羟醛缩合产物,且其它两步产品收率相对低。因此近几年来的开发研究均采用一步法制MIBK,关键是双功能催化剂的研制与开发,这种催化剂要能够使丙酮缩合步骤的平衡向生成MO方向移动的同时不可逆加氢生成MIBK。目前,由丙酮一步法合成甲基异丁基酮的方法广泛采用的是钯/树脂型催化剂,但该类催化剂热稳定性差,催化剂再生困难,操作条件的控制要求苛刻。而且传统的由丙酮合成甲基异丁基酮的方法多在高压下进行。
因此,期望一种优化的甲基异丁基酮生产装置的控制系统。
发明内容
本发明实施例提供一种甲基异丁基酮生产装置的控制系统及其方法,其获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及,基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。这样,可以对于甲基异丁基酮生产过程中的反应参数进行实时准确地控制,以优化甲基异丁基酮生产装置的生产效率和产品质量。
本发明实施例还提供了一种甲基异丁基酮生产装置的控制系统,其包括:
数据参数采集模块,用于获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;
参数时序协同分析模块,用于对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及
反应温度控制模块,用于基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。
本发明实施例还提供了一种甲基异丁基酮生产装置的控制方法,其包括:
获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;
对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及
基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。
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获得其他的附图。在附图中:
图1为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统的框图。
图2为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统中所述参数时序协同分析模块的框图。
图3为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统中所述训练模块的框图。
图4为本发明实施例中提供的一种甲基异丁基酮生产装置的控制方法的流程图。
图5为本发明实施例中提供的一种甲基异丁基酮生产装置的控制方法的系统架构的示意图。
图6为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统的应用场景图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
传统的甲基异丁基酮的三步制备法工艺流程长、设备投资大、操作繁琐,第一步的平衡不倾向于形成羟醛缩合产物,且其它两步产品收率相对低。因此近几年来的开发研究均采用一步法制MIBK,关键是双功能催化剂的研制与开发,这种催化剂要能够使丙酮缩合步骤的平衡向生成MO方向移动的同时不可逆加氢生成MIBK。目前,由丙酮一步法合成甲基异丁基酮的方法广泛采用的是钯/树脂型催化剂,但该类催化剂热稳定性差,催化剂再生困难,操作条件的控制要求苛刻。而且传统的由丙酮合成甲基异丁基酮的方法多在高压下进行。因此,期望一种优化的甲基异丁基酮生产装置的控制系统。
具体地,在本申请的技术方案中,用γ-Al2O3做载体,使用之前在1073K焙烧3h,浸渍PH值为3的氯钯酸溶液,373K干燥3h后再浸渍硝酸锂溶液,373K干燥3h,623K 焙烧3h,制得Pd-Li/Al2O3催化剂。Pd含量为0.5wt%,Li含量为 1.0wt%。催化反应在连续进料固定床内径为8mm不锈钢反应器中进行,取2.1克30~50目该催化剂,高径比为4。反应温度423K,常压下进行,液体空速为2h-1,氢酮摩尔比为2。丙酮进反应器之前经过373K预热,丙酮和氢气自上而下通过催化剂床层,产物由冷阱冷却后收集。
在本发明的一个实施例中,图1为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统的框图。如图1所示,根据本发明实施例的甲基异丁基酮生产装置的控制系统100,包括:数据参数采集模块110,用于获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;参数时序协同分析模块120,用于对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及,反应温度控制模块130,用于基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。
相应地,考虑到在甲基异丁基酮的生产过程中,通常通过丙酮和氢气的催化加氢反应来实现。为了确保反应的高效进行,需要对丙酮和氢气的通入速度以及反应温度进行协同控制。具体来说,在甲基异丁基酮生产装置中,丙酮首先经过预热处理,然后与氢气一同通过催化剂床层进行反应,最后产物通过冷却收集。在此过程中,丙酮和氢气的通入速度以及反应温度的适配性控制对于产物的质量和产量具有重要影响。
基于此,在本申请的技术方案中,期望基于深度学习的人工智能算法来对于丙酮和氢气的通入流速值以及反应温度值进行时序的协同分析,进而来对于甲基异丁基酮生产过程中的反应参数进行实时准确地控制,以优化甲基异丁基酮生产装置的生产效率和产品质量。
其中,所述数据参数采集模块110,获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及反应温度值。其确保数据的准确性和实时性,以便后续的分析和控制模块能够基于准确的数据进行操作。通过数据参数采集模块,可以实时获取丙酮和氢气的通入流速值以及反应温度值,为后续的分析和控制提供准确的数据基础。
所述参数时序协同分析模块120,对多个预定时间点的丙酮和氢气的通入流速值以及反应温度值进行时序协同交互分析,以得到多参数协同特征向量。通过分析不同时间点的参数值之间的关系,可以揭示丙酮和氢气通入速度以及反应温度之间的相互影响。通过参数时序协同分析模块,可以深入了解丙酮和氢气通入速度以及反应温度之间的协同关系,为后续的反应温度控制提供依据。
所述反应温度控制模块130,基于多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。通过分析多参数协同特征向量,可以判断当前反应温度是否适合产生高效的甲基异丁基酮,并根据需要调整反应温度。通过反应温度控制模块,可以实时调整反应温度,以优化甲基异丁基酮的生产效率和产品质量。
在所述甲基异丁基酮生产装置的控制系统中,所述数据参数采集模块、所述参数时序协同分析模块和所述反应温度控制模块相互配合,能够实现对丙酮和氢气的通入速度以及反应温度的协同控制,从而提高甲基异丁基酮生产装置的生产效率和产品质量。
具体地,所述数据参数采集模块110,用于获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值。
在本申请中,通过收集大量的数据,可以建立丙酮和氢气的通入流速值与反应温度值之间的关系模型,有助于理解丙酮和氢气通入流速对反应温度的影响,并找到最佳的通入流速值和反应温度值的组合。
通过分析建立的关系模型,可以根据所需的反应温度来预测丙酮和氢气的最佳通入流速值,这样可以实现更精确的控制,提高生产效率,避免过高或过低的反应温度对产物质量的影响。还可以确定最佳的丙酮和氢气通入流速值和反应温度值的组合,以优化产物的质量,这可以避免产生副反应或不良产物,并提高产品的纯度和稳定性。
通过实时监测丙酮和氢气的通入流速值和反应温度值,并与建立的关系模型进行比较,可以及时调整反应条件,这样可以快速响应变化,并优化反应过程,提高生产的灵活性和适应性。
应可以理解,在本申请的一个实施例中,首先,在预定时间段内的多个预定时间点,使用传感器或监测设备实时记录丙酮和氢气的通入流速值和反应温度值。这些设备可以直接连接到反应系统,以获取准确的数据。然后,将采集到的丙酮和氢气的通入流速值和反应温度值记录在一个数据表或数据库中,确保每个时间点的数据都被准确记录下来,包括时间戳和对应的数值。接着,对记录的数据进行整理和清理,确保数据的准确性和完整性,当然,可以删除异常值或无效数据,并进行数据格式的统一。然后,可以计算丙酮和氢气的通入流速值与反应温度值之间的相关性,探索它们之间的模式和趋势,并建立丙酮和氢气通入流速值与反应温度值之间的关系模型。
这样,可以根据丙酮和氢气的通入流速值预测反应温度,或者根据反应温度值调整通入流速,以优化生产效率和产品质量。
具体地,所述参数时序协同分析模块120,用于对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量。图2为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统中所述参数时序协同分析模块的框图,如图2所示,所述参数时序协同分析模块120,包括:流速时序分布单元121,用于将所述多个预定时间点的丙酮和氢气的通入流速值分别按照时间维度排列为丙酮通入流速时序输入向量和氢气通入流速时序输入向量;流速时序关联特征提取单元122,用于对所述丙酮通入流速时序输入向量和氢气通入流速时序输入向量进行关联分析以得到丙酮-氢气通入流速协同特征向量;反应温度时序变化单元123,用于对所述多个预定时间点的反应温度值进行时序分析以得到反应温度时序特征向量;以及,数据参数关联编码单元124,用于对所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量进行关联编码以得到所述多参数协同特征向量。
首先,对于所述流速时序分布单元121,接着,考虑到由于所述丙酮和氢气的通入流速值在时间维度上有着动态性的变化规律,为了能够捕捉到有关于所述丙酮和所述氢气的通入流速值的时序协同关联特征信息,在本申请的技术方案中,进一步将所述多个预定时间点的丙酮和氢气的通入流速值分别按照时间维度排列为丙酮通入流速时序输入向量和氢气通入流速时序输入向量,以此来整合所述丙酮和所述氢气的通入流速值在时序上的分布信息,以便于后续进行所述丙酮和所述氢气的通入流速值的时序协同关联特征刻画。
应可以理解,将丙酮和氢气的通入流速值与反应温度的时序数据结合起来,可以得到多参数协同特征,这些特征能够反映出丙酮和氢气通入流速与反应温度之间的时序关系,从而提供更全面的信息来分析和预测反应过程。通过将丙酮和氢气的通入流速值与反应温度的时序数据进行组合,可以捕捉到丙酮通入流速、氢气通入流速和反应温度之间的交互关系,这种交互关系可以更好地理解丙酮和氢气通入流速对反应温度的影响,以及它们之间的相互作用。通过将丙酮通入流速时序输入向量、氢气通入流速时序输入向量和反应温度时序输入向量结合起来,可以进行综合分析。这样可以更全面地了解丙酮、氢气和反应温度之间的关系,并找到最佳的反应条件,以提高产物质量和产量。
然后,对于所述流速时序关联特征提取单元122,包括:丙酮-氢气流速时序关联子单元,用于对所述丙酮通入流速时序输入向量和所述氢气通入流速时序输入向量进行关联编码以得到丙酮-氢气通入流速协同时序矩阵;丙酮-氢气时序协同变化子单元,用于将所述丙酮-氢气通入流速协同时序矩阵通过基于二维卷积神经网络模型的时序协同特征提取器以得到所述丙酮-氢气通入流速协同特征向量。
然后,对所述丙酮通入流速时序输入向量和所述氢气通入流速时序输入向量进行关联编码以得到丙酮-氢气通入流速协同时序矩阵,以此来表示所述丙酮和所述氢气的通入流速值之间的时序关联分布信息。继而,再将所述丙酮-氢气通入流速协同时序矩阵通过基于二维卷积神经网络模型的时序协同特征提取器中进行特征挖掘,以提取出所述丙酮和所述氢气的通入流速值之间的时序协同关联变化特征信息,从而得到丙酮-氢气通入流速协同特征向量。
应可以理解,二维卷积神经网络(Convolutional Neural Network,CNN)是一种广泛应用于图像处理和计算机视觉任务的深度学习模型,在图像识别、物体检测、图像分割等领域取得了显著的成果。二维卷积神经网络包括:卷积层(Convolutional Layer),卷积层是CNN的核心部分,通过应用一系列可学习的滤波器(也称为卷积核)来提取输入数据的特征。每个滤波器对输入进行卷积操作,生成一个特征图,通过使用多个滤波器,卷积层可以同时提取多个不同的特征,卷积操作可以有效地捕捉图像中的局部空间关系,使得网络能够学习到具有平移不变性的特征;池化层(Pooling Layer),池化层用于减小特征图的尺寸,并且保留最重要的特征。例如,最大池化(Max Pooling),在每个池化窗口中选择最大值作为输出,池化操作可以减少计算量,同时也有助于提取图像的平移不变性特征;全连接层(Fully Connected Layer),全连接层将池化层的输出连接到一个或多个全连接层,用于进行分类或回归等任务。全连接层的神经元与前一层的所有神经元都有连接,通过学习权重和偏置来进行特征的组合和映射。
二维卷积神经网络的优点在于能够自动学习图像中的特征,并且具有一定的平移不变性。这使得在处理图像数据时具有很强的表达能力和鲁棒性。同时,CNN还可以通过堆叠多个卷积层和全连接层来构建更深层次的网络结构,进一步提升性能。
接着,对于所述反应温度时序变化单元123,用于:将所述多个预定时间点的反应温度值按照时间维度排列为反应温度时序输入向量后通过基于一维卷积神经网络模型的反应温度时序特征提取器以得到所述反应温度时序特征向量。
进一步地,对于所述反应温度值来说,其在时间维度上也具有着时序的动态变化规律,因此,为了能够综合进行反应参数之间的时序关联,以此来基于各个反应参数之间的时序协同适配性来进行反应温度值的实时准确控制,在本申请的技术方案中,进一步需要将所述多个预定时间点的反应温度值按照时间维度排列为反应温度时序输入向量后通过基于一维卷积神经网络模型的反应温度时序特征提取器中进行特征提取,以提取出所述反应温度值在时间维度上的时序变化特征信息,从而得到反应温度时序特征向量。
其中,一维卷积神经网络能够有效地从时序数据中提取出关键的特征,通过对反应温度时序输入向量进行卷积操作和池化操作,网络可以捕捉到温度的时序变化模式和趋势。反应温度的时序信息对于预测和分析反应过程非常重要,通过建立反应温度的时序模型,可以更好地理解温度在不同时间点上的变化情况,揭示反应过程中的动态特征。
基于一维卷积神经网络的特征提取器可以捕捉到反应温度与时间之间的交互关系,这种交互关系可以理解反应温度与其他参数(如丙酮和氢气的通入流速)之间的影响,从而更好地优化反应条件。通过使用基于一维卷积神经网络的反应温度时序特征提取器,可以提高模型的性能和准确性,提取到的反应温度时序特征向量可以作为输入,与其他参数进行级联,进一步提高模型的预测能力。
然后,对于所述数据参数关联编码单元124,用于:使用级联函数来进行所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量之间的特征交互以得到所述多参数协同特征向量。
继而,再使用级联函数来进行所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量之间的特征交互,以此来融合所述丙酮和所述氢气的通入流速值之间的时序协同关联变化特征信息与所述反应温度值的时序变化特征信息,从而得到具有各参数时序协同关联特征交互的多参数协同特征向量。
使用级联函数来进行丙酮-氢气通入流速协同特征向量和反应温度时序特征向量之间的特征交互是一种有效的方法,可以得到多参数协同特征向量,进一步提高模型的性能和准确性。级联函数可以将两个特征向量按照一定的规则进行合并,以实现特征的交互。在这种情况下,可以将丙酮-氢气通入流速协同特征向量和反应温度时序特征向量级联在一起,形成一个更全面的特征向量。
具体而言,可以将丙酮-氢气通入流速协同特征向量和反应温度时序特征向量按照时间维度进行级联。这样,每个时间点上的丙酮-氢气通入流速特征和反应温度特征就可以相互关联起来,形成一个多参数协同特征向量。通过使用级联函数,可以将不同特征之间的关系编码到特征向量中,使得模型可以更好地捕捉到丙酮-氢气通入流速和反应温度之间的复杂关联。这样的多参数协同特征向量可以提供更丰富和准确的信息,有助于改进模型的预测性能。
因此,使用级联函数来进行丙酮-氢气通入流速协同特征向量和反应温度时序特征向量之间的特征交互,可以提高模型的效果和准确性。
具体地,所述反应温度控制模块130,用于:将所述多参数协同特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
进而,将所述多参数协同特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的反应温度值应增大或应减小。也就是,在本申请的技术方案中,所述分类器的标签包括当前时间点的反应温度值应增大(第一标签),以及,当前时间点的反应温度值应减小(第二标签),其中,所述分类器通过软最大值函数来确定所述多参数协同特征向量属于哪个分类标签。
值得注意的是,这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念,实际上在训练过程当中,计算机模型并没有“当前时间点的反应温度值应增大或应减小”这种概念,其只是有两种分类标签且输出特征在这两个分类标签下的概率,即p1和p2之和为一。因此,反应温度值应增大或应减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布,实质上用到的是标签的自然概率分布的物理意义,而不是“当前时间点的反应温度值应增大或应减小”的语言文本意义。
应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述当前时间点的反应温度值应增大或应减小的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的反应温度值增大或减小,以此基于实际丙酮和氢气的通入速度变化情况来进行反应温度值的自适应控制,从而优化反应速率和质量。
所述甲基异丁基酮生产装置的控制系统,还包括用于对所述基于二维卷积神经网络模型的时序协同特征提取器、所述基于一维卷积神经网络模型的反应温度时序特征提取器和所述分类器进行训练的训练模块。图3为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统中所述训练模块的框图,如图3所示,所述训练模块140,包括:训练数据采集单元141,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的丙酮和氢气的训练通入流速值,所述多个预定时间点的训练反应温度值,以及,所述当前时间点的反应温度值应增大或应减小的真实值;训练数据时序排列单元142,用于将所述多个预定时间点的丙酮和氢气的训练通入流速值分别按照时间维度排列为训练丙酮通入流速时序输入向量和训练氢气通入流速时序输入向量;训练流速数据关联编码单元143,用于对所述训练丙酮通入流速时序输入向量和所述训练氢气通入流速时序输入向量进行关联编码以得到训练丙酮-氢气通入流速协同时序矩阵;训练流速时序协同单元144,用于将所述训练丙酮-氢气通入流速协同时序矩阵通过所述基于二维卷积神经网络模型的时序协同特征提取器以得到训练丙酮-氢气通入流速协同特征向量;训练反应温度时序变化特征提取单元145,用于将所述多个预定时间点的训练反应温度值按照时间维度排列为训练反应温度时序输入向量后通过所述基于一维卷积神经网络模型的反应温度时序特征提取器以得到训练反应温度时序特征向量;训练特征交互单元146,用于使用级联函数来进行所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量之间的特征交互以得到训练多参数协同特征向量;分类损失单元147,用于将所述训练多参数协同特征向量通过所述分类器以得到分类损失函数值;共有流形隐式相似性损失单元148,用于计算所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值;以及,模型训练单元149,用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于二维卷积神经网络模型的时序协同特征提取器、所述基于一维卷积神经网络模型的反应温度时序特征提取器和所述分类器进行训练。
特别地,在本申请的技术方案中,所述丙酮-氢气通入流速协同特征向量表达丙酮通入流速值与氢气通入流速值的样本间全时序关联的高阶局部时域关联特征,而所述反应温度时序特征向量表达所述反应温度值的单样本局部时序关联特征,由此所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量在特征样本维度、特征阶次维度和特征排列维度上存在关联模态的显著差异,使得其在不同关联模态下的关联特征表达也在高维特征空间内存在显著的特征流形差异。
进一步地,尽管所述级联函数在对所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量分别进行点卷积和激活操作时提取了特征交互,所述多参数协同特征向量的分别对应于所述丙酮-氢气通入流速协同特征向量的特征、所述反应温度时序特征向量和交互特征的局部分布之间仍然存在特征流形差异,导致所述多参数协同特征向量的高维特征流形的几何单调性差,使得其通过分类器进行分类回归时存在收敛困难。
基于此,本申请的申请人针对所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量/>引入特征向量的共有流形隐式相似性因数作为损失函数,具体表示为:以如下损失公式计算所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值;其中,所述损失公式为:/>其中,/>和/>分别是所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量均为列向量形式,/>、/>、/>和/>为权重超参数,表示向量乘法,/>表示按位置点乘,/>表示按位置差分,/>表示所述共有流形隐式相似性损失函数值。
这里,所述共有流形隐式相似性因数可以以所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量/>间的结构化关联来表示各自特征流形在交叉维度下的共有流形,并以相同因数化权重来共享特征向量的差异性、对应性、关联性等流形结构性因素的共同约束,从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量,以实现跨关联模态特征间的融合特征的非线性几何单调性,以提升所述多参数协同特征向量通过分类器进行分类回归时的收敛效果。这样,能够基于实际丙酮和氢气的通入速度变化情况来进行反应温度值的自适应控制,从而优化甲基异丁基酮生产装置的生产效率和产品质量。
综上,基于本发明实施例的甲基异丁基酮生产装置的控制系统100被阐明,其可以对于甲基异丁基酮生产过程中的反应参数进行实时准确地控制,以优化甲基异丁基酮生产装置的生产效率和产品质量。
如上所述,根据本发明实施例的甲基异丁基酮生产装置的控制系统100可以实现在各种终端设备中,例如用于甲基异丁基酮生产装置的控制的服务器等。在一个示例中,根据本发明实施例的甲基异丁基酮生产装置的控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该甲基异丁基酮生产装置的控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该甲基异丁基酮生产装置的控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该甲基异丁基酮生产装置的控制系统100与该终端设备也可以是分立的设备,并且该甲基异丁基酮生产装置的控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图4为本发明实施例中提供的一种甲基异丁基酮生产装置的控制方法的流程图。图5为本发明实施例中提供的一种甲基异丁基酮生产装置的控制方法的系统架构的示意图。如图4和图5所示,一种甲基异丁基酮生产装置的控制方法,包括:210,获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;220,对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及,230,基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。
本领域技术人员可以理解,上述甲基异丁基酮生产装置的控制方法中的各个步骤的具体操作已经在上面参考图1到图3的甲基异丁基酮生产装置的控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图6为本发明实施例中提供的一种甲基异丁基酮生产装置的控制系统的应用场景图。如图6所示,在该应用场景中,首先,获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值(例如,如图6中所示意的C1),以及,所述多个预定时间点的反应温度值(例如,如图6中所示意的C2);然后,将获取的通入流速值和反应温度值输入至部署有甲基异丁基酮生产装置的控制算法的服务器(例如,如图6中所示意的S)中,其中所述服务器能够基于甲基异丁基酮生产装置的控制算法对所述通入流速值和所述反应温度值进行处理,以确定当前时间点的反应温度值应增大或应减小。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种甲基异丁基酮生产装置的控制系统,其特征在于,包括:
数据参数采集模块,用于获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;
参数时序协同分析模块,用于对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及
反应温度控制模块,用于基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小;
其中,还包括用于对基于二维卷积神经网络模型的时序协同特征提取器、基于一维卷积神经网络模型的反应温度时序特征提取器和分类器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据采集单元,用于获取训练数据,所述训练数据包括预定时间段内多个预定时间点的丙酮和氢气的训练通入流速值,所述多个预定时间点的训练反应温度值,以及,当前时间点的反应温度值应增大或应减小的真实值;
训练数据时序排列单元,用于将所述多个预定时间点的丙酮和氢气的训练通入流速值分别按照时间维度排列为训练丙酮通入流速时序输入向量和训练氢气通入流速时序输入向量;
训练流速数据关联编码单元,用于对所述训练丙酮通入流速时序输入向量和所述训练氢气通入流速时序输入向量进行关联编码以得到训练丙酮-氢气通入流速协同时序矩阵;
训练流速时序协同单元,用于将所述训练丙酮-氢气通入流速协同时序矩阵通过所述基于二维卷积神经网络模型的时序协同特征提取器以得到训练丙酮-氢气通入流速协同特征向量;
训练反应温度时序变化特征提取单元,用于将所述多个预定时间点的训练反应温度值按照时间维度排列为训练反应温度时序输入向量后通过所述基于一维卷积神经网络模型的反应温度时序特征提取器以得到训练反应温度时序特征向量;
训练特征交互单元,用于使用级联函数来进行所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量之间的特征交互以得到训练多参数协同特征向量;
分类损失单元,用于将所述训练多参数协同特征向量通过所述分类器以得到分类损失函数值;
共有流形隐式相似性损失单元,用于计算所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值;以及
模型训练单元,用于以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值,并通过梯度下降的方向传播来对所述基于二维卷积神经网络模型的时序协同特征提取器、所述基于一维卷积神经网络模型的反应温度时序特征提取器和所述分类器进行训练;
其中,所述共有流形隐式相似性损失单元,用于:以如下损失公式计算所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值;
其中,所述损失公式为:
,
其中,和/>分别是所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量,/>表示向量的二范数,且/>表示矩阵的Frobenius范数的平方根,所述训练丙酮-氢气通入流速协同特征向量和所述训练反应温度时序特征向量均为列向量形式,、/>、/>和/>为权重超参数,/>表示向量乘法,/>表示按位置点乘,/>表示按位置差分,表示所述共有流形隐式相似性损失函数值。
2.根据权利要求1所述的甲基异丁基酮生产装置的控制系统,其特征在于,所述参数时序协同分析模块,包括:
流速时序分布单元,用于将所述多个预定时间点的丙酮和氢气的通入流速值分别按照时间维度排列为丙酮通入流速时序输入向量和氢气通入流速时序输入向量;
流速时序关联特征提取单元,用于对所述丙酮通入流速时序输入向量和氢气通入流速时序输入向量进行关联分析以得到丙酮-氢气通入流速协同特征向量;
反应温度时序变化单元,用于对所述多个预定时间点的反应温度值进行时序分析以得到反应温度时序特征向量;以及
数据参数关联编码单元,用于对所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量进行关联编码以得到所述多参数协同特征向量。
3.根据权利要求2所述的甲基异丁基酮生产装置的控制系统,其特征在于,所述流速时序关联特征提取单元,包括:
丙酮-氢气流速时序关联子单元,用于对所述丙酮通入流速时序输入向量和所述氢气通入流速时序输入向量进行关联编码以得到丙酮-氢气通入流速协同时序矩阵;
丙酮-氢气时序协同变化子单元,用于将所述丙酮-氢气通入流速协同时序矩阵通过基于二维卷积神经网络模型的时序协同特征提取器以得到所述丙酮-氢气通入流速协同特征向量。
4.根据权利要求3所述的甲基异丁基酮生产装置的控制系统,其特征在于,所述反应温度时序变化单元,用于:将所述多个预定时间点的反应温度值按照时间维度排列为反应温度时序输入向量后通过基于一维卷积神经网络模型的反应温度时序特征提取器以得到所述反应温度时序特征向量。
5.根据权利要求4所述的甲基异丁基酮生产装置的控制系统,其特征在于,所述数据参数关联编码单元,用于:使用级联函数来进行所述丙酮-氢气通入流速协同特征向量和所述反应温度时序特征向量之间的特征交互以得到所述多参数协同特征向量。
6.根据权利要求5所述的甲基异丁基酮生产装置的控制系统,其特征在于,所述反应温度控制模块,用于:将所述多参数协同特征向量通过分类器以得到分类结果,所述分类结果用于表示当前时间点的反应温度值应增大或应减小。
7.一种甲基异丁基酮生产装置的控制方法,用于如权利要求1所述的甲基异丁基酮生产装置的控制系统,其特征在于,包括:
获取预定时间段内多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值;
对所述多个预定时间点的丙酮和氢气的通入流速值,以及,所述多个预定时间点的反应温度值进行时序协同交互分析以得到多参数协同特征向量;以及
基于所述多参数协同特征向量,确定当前时间点的反应温度值应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310852711.0A CN116859848B (zh) | 2023-07-12 | 2023-07-12 | 甲基异丁基酮生产装置的控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310852711.0A CN116859848B (zh) | 2023-07-12 | 2023-07-12 | 甲基异丁基酮生产装置的控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116859848A CN116859848A (zh) | 2023-10-10 |
CN116859848B true CN116859848B (zh) | 2024-01-26 |
Family
ID=88235509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310852711.0A Active CN116859848B (zh) | 2023-07-12 | 2023-07-12 | 甲基异丁基酮生产装置的控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859848B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010023998A (ko) * | 1997-09-16 | 2001-03-26 | 조셉 에스. 바이크 | 메틸 이소부틸 케톤 및 디이소부틸 케톤의 제조 방법 |
WO2019000069A1 (en) * | 2017-06-29 | 2019-01-03 | The University Of Western Ontario | DIPHASIC CONTINUOUS FLOW TUBULAR REACTOR AND PROCESS FOR PREPARING HETEROGENEOUS CATALYSTS FOR PRODUCTION OF 5-HYDROXYMETHYLFURFURAL |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
CN116000297A (zh) * | 2023-01-03 | 2023-04-25 | 赣州市光华有色金属有限公司 | 高强度钨镧丝的制备装置及其方法 |
CN116082863A (zh) * | 2023-01-05 | 2023-05-09 | 江西欧凯科技有限公司 | 绿色的铝颜料制备方法及其系统 |
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
-
2023
- 2023-07-12 CN CN202310852711.0A patent/CN116859848B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20010023998A (ko) * | 1997-09-16 | 2001-03-26 | 조셉 에스. 바이크 | 메틸 이소부틸 케톤 및 디이소부틸 케톤의 제조 방법 |
WO2019000069A1 (en) * | 2017-06-29 | 2019-01-03 | The University Of Western Ontario | DIPHASIC CONTINUOUS FLOW TUBULAR REACTOR AND PROCESS FOR PREPARING HETEROGENEOUS CATALYSTS FOR PRODUCTION OF 5-HYDROXYMETHYLFURFURAL |
CN115079572A (zh) * | 2022-06-30 | 2022-09-20 | 福建省龙德新能源有限公司 | 用于六氟磷酸锂制备的能源管理控制系统及其控制方法 |
CN115453990A (zh) * | 2022-08-31 | 2022-12-09 | 福建天甫电子材料有限公司 | 用于氟化铵生产的生产管理控制系统及其控制方法 |
CN115328228A (zh) * | 2022-10-13 | 2022-11-11 | 新乡市合力鑫电源有限公司 | 一种高频开关电源 |
CN115936682A (zh) * | 2022-12-21 | 2023-04-07 | 江西有源工业废物回收处理有限公司 | 印制线路板的废料回收系统及其方法 |
CN116000297A (zh) * | 2023-01-03 | 2023-04-25 | 赣州市光华有色金属有限公司 | 高强度钨镧丝的制备装置及其方法 |
CN116082863A (zh) * | 2023-01-05 | 2023-05-09 | 江西欧凯科技有限公司 | 绿色的铝颜料制备方法及其系统 |
CN116285481A (zh) * | 2023-05-23 | 2023-06-23 | 佛山市时力涂料科技有限公司 | 涂料的生产加工方法及其系统 |
Non-Patent Citations (1)
Title |
---|
甲基异丁基酮的生产技术及应用;王学强;石油化工(第05期);67-74 * |
Also Published As
Publication number | Publication date |
---|---|
CN116859848A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Learning deep multimanifold structure feature representation for quality prediction with an industrial application | |
CN115896817A (zh) | 氟氮混合气的生产方法及其系统 | |
CN1987697A (zh) | 工业生产过程小样本条件下的故障诊断系统及方法 | |
Chen et al. | One-dimensional convolutional neural network-based active feature extraction for fault detection and diagnosis of industrial processes and its understanding via visualization | |
CN107273633B (zh) | 多工序间变量时滞估计方法及加氢裂化流程时滞估计方法 | |
CN113344070A (zh) | 一种基于多头自注意力模块的遥感图像分类系统及方法 | |
CN111738218A (zh) | 人体异常行为识别系统及方法 | |
CN116859848B (zh) | 甲基异丁基酮生产装置的控制系统及其方法 | |
CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
Zhang et al. | Amplitude‐frequency images‐based ConvNet: Applications of fault detection and diagnosis in chemical processes | |
Yang et al. | Application of multitask joint sparse representation algorithm in Chinese painting image classification | |
CN117455451A (zh) | 一种草甘膦水解溶剂的回收方法 | |
CN112733751A (zh) | 用于余热回收的智能进水控制方法 | |
CN112336354A (zh) | 一种基于eeg信号癫痫监测方法 | |
CN116484275B (zh) | 基于自适应时空图卷积神经网络的铝电解阳极效应监测方法 | |
CN115861902A (zh) | 无监督的动作迁移和发现方法、系统、设备和介质 | |
Yang et al. | Multi-source information fusion for autoformer: Soft sensor modeling of FeO content in iron ore sintering process | |
Zhu et al. | MR-Transformer: Multiresolution Transformer for Multivariate Time Series Prediction | |
CN113835964B (zh) | 基于小样本学习的云数据中心服务器能耗预测方法 | |
CN112085251A (zh) | 一种消费品产品研发组合概念推荐方法和系统 | |
CN116835540B (zh) | 一种五氟化磷的制备方法 | |
Li et al. | Draformer: differentially reconstructed attention transformer for time-series forecasting | |
Mamatha et al. | Visual Sentiment Classification of Restaurant Review Images using Deep Convolutional Neural Networks | |
CN116524416B (zh) | 医疗实验用动物血清提取设备 | |
CN115294386B (zh) | 一种基于正则化监督损失函数的图像分类方法 |
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 |