一种基于机器学习预测叠合烯烃产物产率的方法、装置及电子设备、存储介质
本发明涉及化工过程智能化,具体涉及一种基于机器学习预测叠合烯烃产物产率的方法、装置及电子设备、存储介质。
背景技术:
1、酚醛树脂作为橡胶加工过程中关键的助剂原料,广泛应用于轮胎、胶带及胶管等橡胶制品的生产中,对优化橡胶弹性、改善加工工艺及调整产品结构具有重要作用。在酚醛树脂的合成工艺链中,通常需经由烯烃叠合反应将低分子烯烃(c4)转化为高碳烯烃(c8),进而制得关键中间体辛基酚。其中,叠合反应的转化率与c8产物选择性是决定产物最终产率、原料利用效率及生产经济效益的核心指标。因此,实现叠合烯烃产物产率的快速、精准预测,对于化工过程的实时调控与生产成本控制具有重要的工程应用价值。
2、目前,叠合烯烃产物产率的预测主要依赖于基于化学反应机理构建的动力学理论模型。该方法通过建立反应速率方程与热力学平衡关系,结合原料进料条件及操作参数(如温度、流量)来求解预设的反应网络,从而推算目标产物的分布情况。此类机理模型通常基于阿伦尼乌斯方程及理想反应器假设,在稳态工况下具有一定程度的可解释性,是化工设计阶段常用的分析工具。
3、然而,上述传统的机理预测方法在实际应用中存在明显局限。化工过程的非理想特性使得机理模型难以完全反映真实工况,导致预测精度受限。更为关键的是,现有方法难以有效利用生产过程中产生的大量实时数据。在叠合烯烃生产现场,由dcs采集的过程变量(如进料流量、入口温度)可达分钟级甚至秒级的高频采样,而反映反应效果的关键质量指标(如c8选择性)则依赖于人工离线化验,采样频率仅为小时量级。这两类数据不仅时间颗粒度严重失配,且各自存在不同程度的数据缺失。现有机理模型无法融合这种高-低频异构数据,缺乏对缺失数据的有效处理机制,难以充分发挥历史积累数据对预测模型的支撑作用。
技术实现思路
1、有鉴于此,本发明的目的在于提供一种基于机器学习预测叠合烯烃产物产率的方法、装置及电子设备、存储介质。
2、第一方面,本发明实施例提供了一种基于机器学习预测叠合烯烃产物产率的方法,包括:
3、获取叠合烯烃生产过程中的多源异构时序数据,多源异构时序数据包含由分布式控制系统采集的高频工艺参数和通过离线抽样检测获得的低频质量指标;
4、对多源异构时序数据进行时间颗粒度对齐,经具有保形保单调特性的插值方法进行插补后,得到时间颗粒度统一的时序特征数据集;
5、根据时序特征数据集,构建用于区分原始观测数据与插补数据的掩码矩阵;
6、将时序特征数据集、掩码矩阵以及基于数据缺失时长构建的时间间隔矩阵输入预先训练完成的深度学习时序预测模型,输出目标产物选择性预测值及转化率预测值;其中,深度学习时序预测模型采用门控循环单元神经网络构建,门控循环单元神经网络基于掩码矩阵与预设的时间衰减机制、通过对实际观测数据与插补数据赋予差异化特征融合权重的过程训练得到;
7、根据目标产物选择性预测值及转化率预测值,计算叠合烯烃的产物产率。
8、结合第一方面,对多源异构时序数据进行时间颗粒度对齐,经具有保形保单调特性的插值方法进行插补后,得到时间颗粒度统一的时序特征数据集的步骤,包括:
9、从多源异构时序数据中提取工艺参数序列和质量指标序列,工艺参数序列的采样频率高于质量指标序列的采样频率;
10、以工艺参数序列的时间戳为时间基准,在相邻两个质量指标所限定的插值区间内,采用具有保形保单调特性的插值方法构造插值曲线,并根据工艺参数序列的时间戳在插值曲线上提取对应时刻的插补值;
11、将插补值填充至质量指标序列中对应的时间位置,使填充后的质量指标序列的时间颗粒度与工艺参数序列一致,得到时间颗粒度统一的时序特征数据集。
12、结合第一方面,根据时序特征数据集,构建用于区分原始观测数据与插补数据的掩码矩阵的步骤,包括:
13、获取时序特征数据集中各数据点对应的时间戳和特征维度标识;
14、针对每个数据点,根据数据点的数据来源类型,为数据点赋予相应的掩码标识;
15、根据时序特征数据集的时间戳和特征维度标识,将各数据点的掩码标识排列为与时序特征数据集同维度的二值矩阵,并将二值矩阵作为掩码矩阵。
16、结合第一方面,根据数据点的数据来源类型,为数据点赋予相应的掩码标识的步骤,包括:
17、若数据来源为分布式控制系统直接采集或离线抽样检测直接获得的原始观测数据点,赋予第一掩码值;
18、若数据来源为插值方法插补生成的插补数据点,赋予第二掩码值。
19、结合第一方面,将时序特征数据集、掩码矩阵以及基于数据缺失时长构建的时间间隔矩阵输入预先训练完成的深度学习时序预测模型,输出目标产物选择性预测值及转化率预测值的步骤,包括:
20、将时序特征数据集按时序排列为输入序列,将掩码矩阵和时间间隔矩阵按时序同步对齐后,一并输入深度学习时序预测模型;
21、针对每一时序步,基于掩码矩阵识别当前时刻各特征维度的数据来源类型,数据来源类型包括原始观测数据和插补数据;
22、基于时间间隔矩阵,确定当前时刻各特征维度的数据缺失时长;
23、根据数据缺失时长对输入序列和隐藏状态进行衰减调节,得到衰减补偿后的输入数据和衰减调节后的隐藏状态;
24、将经衰减补偿后的输入数据和经衰减调节后的隐藏状态作为门控循环单元神经网络的输入,依次经更新门和重置门的门控计算与隐藏状态的加权融合处理后,更新当前时刻的隐藏状态;
25、遍历全部时序步,将最终时刻的隐藏状态经全连接层映射,输出目标产物选择性预测值及转化率预测值。
26、结合第一方面,深度学习时序预测模型的训练过程如下:
27、获取经时间颗粒度统一后的时序特征数据集、时序特征数据集对应的掩码矩阵以及基于数据缺失时长构建的时间间隔矩阵;
28、按照预设比例将时序特征数据集划分为训练集、验证集和测试集,并将掩码矩阵和时间间隔矩阵按相同比例同步划分,得到与各数据集对应的掩码子集和时间间隔子集;
29、以训练集中的时序特征数据作为输入,以对应的掩码子集和时间间隔子集作为辅助输入,以训练集中对应时刻的目标产物选择性真实值作为监督信号,采用均方误差作为损失函数,基于当前模型参数对训练集的数据进行前向传播计算,根据损失函数计算训练损失,通过优化算法更新模型参数,并采用正则化策略抑制过拟合;
30、将验证集的数据及对应的掩码子集和时间间隔子集输入当前模型,计算验证集损失函数值;
31、当验证集损失函数值在连续预设轮次内未呈现下降趋势时或达到预设迭代训练次数,保存验证集损失函数值最小时对应的模型参数,以模型参数作为训练完成的深度学习时序预测模型的参数,得到训练完成的深度学习时序预测模型。
32、结合第一方面,根据目标产物选择性预测值及转化率预测值,计算叠合烯烃的产物产率的步骤,包括:
33、计算目标产物选择性预测值与转化率预测值的乘积,得到叠合烯烃的产物产率。
34、第二方面,本技术还提供一种基于机器学习预测叠合烯烃产物产率的装置,该装置包括:
35、获取模块,用于获取叠合烯烃生产过程中的多源异构时序数据,多源异构时序数据包含由分布式控制系统采集的高频工艺参数和通过离线抽样检测获得的低频质量指标;
36、预处理模块,用于对多源异构时序数据进行时间颗粒度对齐,经具有保形保单调特性的插值方法进行插补后,得到时间颗粒度统一的时序特征数据集;
37、构建模块,用于根据时序特征数据集,构建用于区分原始观测数据与插补数据的掩码矩阵;
38、预测模块,用于将时序特征数据集、掩码矩阵以及基于数据缺失时长构建的时间间隔矩阵输入预先训练完成的深度学习时序预测模型,输出目标产物选择性预测值及转化率预测值;其中,深度学习时序预测模型采用门控循环单元神经网络构建,门控循环单元神经网络基于掩码矩阵与预设的时间衰减机制、通过对实际观测数据与插补数据赋予差异化特征融合权重的过程训练得到;
39、计算模块,用于根据目标产物选择性预测值及转化率预测值,计算叠合烯烃的产物产率。
40、第三方面,本技术提供一种电子设备,电子设备包括存储器以及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行上述的方法。
41、第四方面,本技术提供一种可读存储介质,可读存储介质中存储有计算机程序指令,计算机程序指令被一处理器读取并运行时,执行上述的方法。
42、本发明实施例带来了以下有益效果:本技术提供的一种基于机器学习预测叠合烯烃产物产率的方法、装置及电子设备、存储介质,包括:获取叠合烯烃生产过程中的多源异构时序数据,多源异构时序数据包含由分布式控制系统采集的高频工艺参数和通过离线抽样检测获得的低频质量指标;对多源异构时序数据进行时间颗粒度对齐,经具有保形保单调特性的插值方法进行插补后,得到时间颗粒度统一的时序特征数据集;根据时序特征数据集,构建用于区分原始观测数据与插补数据的掩码矩阵;将时序特征数据集、掩码矩阵以及基于数据缺失时长构建的时间间隔矩阵输入预先训练完成的深度学习时序预测模型,输出目标产物选择性预测值及转化率预测值;其中,深度学习时序预测模型采用门控循环单元神经网络构建,门控循环单元神经网络基于掩码矩阵与预设的时间衰减机制、通过对实际观测数据与插补数据赋予差异化特征融合权重的过程训练得到;根据目标产物选择性预测值及转化率预测值,计算叠合烯烃的产物产率。
43、本技术通过具有保形保单调特性的插值方法实现不同采样频率数据的时间颗粒度统一,结合掩码矩阵与门控循环单元网络的衰减机制,在模型训练中区分真实观测与插补数据并对缺失值进行动态衰减处理,有效抑制了插补引入的伪特征干扰。在数据缺失条件下,本技术仍能保持较高的预测精度,预测性能优于循环神经网络、长短期记忆网络及极端梯度提升等现有模型,为产物产率预测及工艺参数优化提供了可靠支撑。
44、本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
45、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
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