一种基于时序数据处理的制盐蒸发罐固液比动态预测方法与流程
本发明属于制盐工业过程控制与智能预测,具体涉及一种基于时序数据处理的制盐蒸发罐固液比动态预测方法。
背景技术:
1、制盐蒸发过程中,蒸发罐内固液比(即罐内固相结晶盐质量与固液混合物总质量之比)是决定产盐质量和设备运行安全的核心工艺参数。当固液比偏低时,结晶盐数量不足、晶体粒度偏小,蒸发罐加热管壁面因过饱和度偏高而严重结垢,导致管道堵塞;当固液比偏高时,结晶盐颗粒之间碰撞频率增大,产生大量细晶碎晶,导致产盐粒度分布不均、产品质量下降,同时高浓度浆料也加剧了设备堵塞风险。因此,固液比的实时精准监测对于保障制盐生产的连续稳定运行至关重要。
2、然而,蒸发罐内高温、高浓度、强腐蚀性的恶劣工况使得固液比无法通过传感器直接在线实时测量。工业现场通常采用间歇人工取样、离线化验分析的方式获取固液比数据,分析周期长达30分钟至数小时,严重滞后于蒸发过程的动态变化,无法为实时控制提供有效支撑。现有技术中已有一些利用过程数据间接预测固液比的方法,但存在以下不足:第一,静态回归模型仅利用当前时刻的多变量快照数据建立回归关系,完全忽略了蒸发过程作为连续动态过程的时序演化特性,无法捕捉固液比的变化趋势。第二,基于标准循环神经网络(如标准gru或lstm)的时序预测方法,其单一更新门对所有信息维度施加统一的更新速率控制。当输入包含快速波动信号(如温度、压力的短期脉动)和缓慢趋势信号(如密度的长期变化)时,单一更新门无法同时兼顾快速响应与长期记忆,若更新门倾向于快速响应,则缓慢趋势信息被频繁覆盖导致长期记忆丢失;若更新门倾向于保守记忆,则快速波动信息无法及时反映导致短期灵敏度不足。因此,亟需一种能够从多源异构时序数据中有效提取不同时间尺度特征、并在门控循环单元内部实现快慢时间尺度信息独立处理与双向交互的固液比动态预测方法。
技术实现思路
1、本发明针对上述背景技术中所存在的技术问题,提出一种基于时序数据处理的制盐蒸发罐固液比动态预测方法。
2、为了达到上述目的,本发明采用的技术方案为:
3、s1、采集制盐蒸发罐的温度、压力、料液密度和循环泵电流多路时序运行数据,对各路时序数据进行多源时间同步对齐与去噪预处理;
4、s2、对预处理后的各路时序数据,通过不同窗口长度的滑动平均运算,分别构造高频和低频两个时间分辨率的时序数据集;
5、s3、对所述两个时间分辨率的时序数据集执行多通道因果膨胀卷积特征提取,对应快动态过程的变量通道采用小膨胀率因果膨胀卷积核提取局部动态特征,对应慢动态过程的变量通道采用大膨胀率因果膨胀卷积核提取长程趋势特征,各通道卷积输出通过跨变量卷积融合为多变量耦合特征,得到融合时序特征序列;
6、s4、将所述融合时序特征序列中各时刻的特征向量分解为快速波动分量和慢趋势分量,分别输入双尺度耦合门控循环单元的快更新门和慢更新门;所述快更新门驱动快尺度隐状态更新,所述慢更新门驱动慢尺度隐状态更新;通过跨尺度耦合门实现快尺度隐状态与慢尺度隐状态之间的双向信息交互;将经耦合后的双路隐状态进行自适应融合,最终经全连接层输出固液比动态预测值。
7、作为优选,步骤s1中所述多源时间同步对齐与去噪预处理的具体方式为:
8、将各路时序数据统一重采样至公共时间基准,对于采样频率低于公共采样频率的通道,采用分段三次hermite插值进行上采样;
9、对第i路同步对齐后的时序数据,计算各候选小波基与该路数据的匹配度评分,选取使目标函数取得最大值的小波基作为最优小波基,所述目标函数为:,其中,为第m个候选小波基函数,为第i路时序数据对应的最优小波基,为第m个小波基下第j层的近似系数向量,为第m个小波基下第j层的细节系数向量,为第一层细节系数向量,为第一层细节系数向量中的第k个元素,公式中第一项为近似系数能量集中度,第二项为首层细节系数的平均绝对值,分别为两个评估指标的权重系数,且;
10、采用最优小波基逐层分解时序数据,计算第j层细节系数的能量占比:,其中,为第j层细节系数的能量,为第j层近似系数的能量,表示从第一层到第j层所有细节系数的累计总能量,分母整体表示为分解到第j层时信号总能量;当第j层至第j+1层的能量占比满足时,其中,为能量占比收敛判定阈值,确定最优分解层;
11、对最优分解层数下的各层细节系数,计算通用阈值,对各层每个细节系数采用软阈值函数进行修正;
12、将修正后的各层细节系数与未修改的近似系数,执行小波逆变换重构得到去噪后的时序信号。
13、作为优选,步骤s2中构造高频和低频两个时间分辨率的时序数据集的具体方式为:
14、高频时序数据采用预处理后的原始采样数据,低频时序数据通过对原始采样数据施加设定滑动窗口长度的滑动平均计算得到;
15、对每一路的时序数据,分别输出高频版本和低频版本两个时间分辨率的时序数据。
16、作为优选,步骤s3中所述多通道因果膨胀卷积特征提取的具体方式为:
17、对各路时序数据分别计算其自相关函数的衰减速率,将衰减速率大于设定阈值的变量归为快变量组,衰减速率小于等于设定阈值的变量归为慢变量组;
18、对所述快变量组各变量的时序数据,分别采用膨胀率为的因果膨胀卷积核提取局部动态特征,对所述慢变量组各变量的时序数据,分别采用膨胀率为的因果膨胀卷积核提取局部动态特征,其中,为根据快变量组平均自相关衰减时移量与高频时序步长的比值确定的正整数,为根据慢变量组平均自相关衰减时移量与低频时序步长的比值确定的正整数;
19、各通道卷积输出通过1×1跨变量卷积在变量维度上融合为多变量耦合特征向量,并添加残差连接输出融合时序特征序列。
20、作为优选,步骤s4中所述特征向量分解与双路隐状态更新的具体方式为:
21、对融合时序特征施加指数加权移动平均得到慢速变化分量,其中,,其中,为平滑系数,快速变化分量为:;
22、快更新门接收快速波动分量与上一时刻快尺度隐状态,计算当前时刻快更新门输出:,慢更新门接收慢趋势分量与上一时刻慢尺度隐状态,计算当前时刻慢更新门输出:,共享重置门接收上一时刻双路隐状态与当前融合时序特征,计算当前时刻重置门输出:,基于重置后的双路隐状态与当前融合时序特征,计算候选隐状态:,其中,为逐元素乘法运算,为sigmoid激活函数,tanh为双曲正切激活函数,为快更新门的权重与偏置,为慢更新门的权重与偏置,为重置门的权重与偏置,为候选隐状态的权重与偏置,为t-1时刻的快尺度隐状态,为t-1时刻的慢尺度隐状态;
23、当前时刻双路隐状态分别更新为:,,其中,为当前时刻的快尺度隐状态,为当前时刻的慢尺度隐状态。
24、作为优选,步骤s4中所述跨尺度耦合门实现双向信息交互的具体方式为:
25、基于当前时刻更新后的快尺度隐状态、慢尺度隐状态与融合时序特征,计算跨尺度耦合门输出:,其中,为跨尺度耦合门的权重矩阵与偏置项;
26、将快尺度隐状态的信息通过耦合门加权后叠加至慢尺度隐状态,得到耦合后的慢尺度隐状态:;
27、将慢尺度隐状态的信息通过耦合门加权后叠加至快尺度隐状态,得到耦合后的快尺度隐状态:,其中,为快尺度隐状态向慢尺度隐状态映射的权重矩阵,为慢尺度隐状态向快尺度隐状态映射的权重矩阵。
28、作为优选,步骤s4中所述双路隐状态自适应融合与预测输出的具体方式为:
29、基于耦合后的快尺度隐状态与慢尺度隐状态,计算逐维度的自适应融合权重:,其中,为自适应融合权重矩阵和偏置项;
30、最终融合隐状态为双路隐状态的加权融合结果:;
31、将最终融合隐状态输入全连接层,映射得到提前时刻的固液比预测值:,其中,分别为输出全连接层的权重矩阵与偏置项。
32、与现有技术相比,本发明的优点和积极效果在于,针对现有静态回归模型忽略时序动态特性以及标准循环神经网络单一更新门无法兼顾快速响应与长期记忆的不足,本发明提出了一套完整的方法。该方法通过多源时序同步对齐与自适应小波去噪保障数据质量;通过构造多分辨率数据集捕获不同时间尺度特征;利用多通道因果膨胀卷积差异化提取快慢变量特征并融合;最终通过双尺度耦合门控循环单元,以独立的快、慢更新门分别驱动不同尺度隐状态的更新,并通过跨尺度耦合门实现双向信息交互,有效解决了快速波动与缓慢趋势信号处理的矛盾。该方法显著提升了固液比动态预测的精度,能够为制盐蒸发过程的实时优化控制提供可靠的数据支撑,有助于保障产盐质量、提升蒸发效率并确保设备运行安全。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com