一种基于bp网络的生物质焦油微波裂解预测方法
技术领域
1.本发明属于焦油微波裂解技术领域，涉及一种基于bp网络的生物质焦油微波裂解预测方法。
背景技术：
2.在工业生产中,利用生物质气化发电或者将生物质转化为气体燃料是生物质利用的一个重要方向。但生物质在高温下转化(例如热解气化)时，会产生焦油,在温度降低之后会积累并且堵塞反应装置,例如管道和阀门。焦油易被冷凝积垢难处理，严重影响操作设备的正常进行和系统的安全运行。同时，由于焦油一般由苯、甲苯、苯酚等芳香族化合物组成，其在系统中的存在也加剧了污染物的排放。因此，焦油的脱除是生物质利用的一个关键环节。
3.目前去除焦油的方法大致有两大类：一是以湿法和干法为主的物理净化法；二是以热裂化和催化裂解为主的热化学方法。在工业生产中，热化学方法应用较为广泛，但存在能耗大、成本高和反应慢等问题。利用微波来脱除生物质焦油是一种新兴的焦油脱除方式，可以提高焦油脱除效率、降低焦油脱除能耗。在利用微波裂解炉对焦油进行微波裂解脱除的过程中，利用实验监测数据对焦油裂解率的预判有助于获取最佳的工艺条件并有针对性地提高微波裂解效率。因此，有效的焦油微波裂解预测方式是保证生物质气化的正常进行、提高工厂相关系统运行效率的重要需求。
技术实现要素：
4.本发明的目的在于提供一种基于bp网络的生物质焦油微波裂解预测方法，以解决上述背景技术中提出的问题。
5.本发明的目的可通过下列技术方案来实现：一种基于bp网络的生物质焦油微波裂解预测方法，包括以下步骤：
6.s1：在焦油微波裂解的裂解炉作为一个监测点位，安装对应的数据采集系统采集相对应的裂解数据，作为裂解样本数据；
7.s2：利用z-score方法对裂解样本数据进行归一化处理，得到归一化后的样本数据；
8.s3：以bp网络为原理为框架，确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用s型传递函数作为节点激励函数，并定义误差函数e，以建立以bp神经网络为主的裂解预测网络模型；
9.s4：裂解预测网络模型的网络权值与阈值初始化，使网络权值与阈值均在定义区间内，利用归一化后的裂解样本数据对裂解预测网络模型进行训练，并基于梯度下降法不断修正网络权值与阈值，基于误差函数e，当训练误差小于目标误差，并符合预设精度要求时，停止对裂解预测网络模型进行训练，以得到训练好的裂解预测网络模型；
10.s5：利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件
进行预测。
11.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s1中的裂解数据包括温度数据、压力数据、焦油输入功率数据、焦油流速数据、焦油浓度数据、催化剂的含量数据和保护气体体积分数数据。
12.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s2中，归一化之后的数据都集中在0-1附近。
13.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s4中，裂解预测网络模型的训练步骤如下：
14.s401：神经网络初始化，给定训练数据样本数据，给定输入层节点数m、隐含层节点数p、输出层节点数n，初始化权重值vij和ωjk，初始化隐含层阈值αj、输出层阈值βk，给定学习率t，给定神经元激活函数，给定迭代次数s；
15.s402：裂解预测网络模型采用单隐层结构，选取迭代次数s为200，隐层节点数p为15，给定效率t为0.01，初始化权重值和阈值均为0-1之间的随机数；
16.s403：由初始化权重值和节点激励函数计算隐含层输出h和输出层输出o,计算输出层输出o与训练数据样本实际输出y之间的误差，定义误差函数e：ek＝yk-okk＝1,2,...,n；
17.s404：根据误差e更新权重值vij和ωjk：ωjk＝ωjk thjekj＝1,2,...,p；k＝1,2,...,n；根据误差e和权重值更新阈值αj和βk：βk＝βk ekk＝1,2,...,n；
18.s405：判断是否达到迭代次数，达到则完成训练过程；若未达到则继续训练，直至迭代次数达到s。
19.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测，包括：利用训练好的裂解预测网络模型对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测。
20.与现有技术相比，本发明一种基于bp网络的生物质焦油微波裂解预测方法的优点为：以bp网络为基准建立裂解预测网络模型，并对裂解预测网络模型进行训练，可对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测，能够把握住焦油的裂解动态，保证生物质气化的正常进行，微波裂解过程中更好的辅助工作，更加准确性的作出预估和判断，提高企业效率。
具体实施方式
21.以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
22.本发明一种基于bp网络的生物质焦油微波裂解预测方法，包括以下步骤：
23.s1：在焦油微波裂解的裂解炉作为一个监测点位，安装对应的数据采集系统采集相对应的裂解数据，作为裂解样本数据；
24.s2：利用z-score方法对裂解样本数据进行归一化处理，得到归一化后的样本数据；
25.s3：以bp网络为原理为框架，确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用s型传递函数作为节点激励函数，并定义误差函数e，以建立以
bp神经网络为主的裂解预测网络模型；
26.s4：裂解预测网络模型的网络权值与阈值初始化，使网络权值与阈值均在定义区间内，利用归一化后的裂解样本数据对裂解预测网络模型进行训练，并基于梯度下降法不断修正网络权值与阈值，基于误差函数e，当训练误差小于目标误差，并符合预设精度要求时，停止对裂解预测网络模型进行训练，以得到训练好的裂解预测网络模型；
27.s5：利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测。
28.步骤s1中的裂解数据包括温度数据、压力数据、焦油输入功率数据、焦油流速数据、焦油浓度数据、催化剂的含量数据和保护气体体积分数数据，步骤s2中，归一化之后的数据都集中在0-1附近。
29.步骤s4中，裂解预测网络模型的训练步骤如下：
30.s401：神经网络初始化，给定训练数据样本数据，给定输入层节点数m、隐含层节点数p、输出层节点数n，初始化权重值vij和ωjk，初始化隐含层阈值αj、输出层阈值βk，给定学习率t，给定神经元激活函数，给定迭代次数s；
31.s402：裂解预测网络模型采用单隐层结构，选取迭代次数s为200，隐层节点数p为15，给定效率t为0.01，初始化权重值和阈值均为0-1之间的随机数；
32.s403：由初始化权重值和节点激励函数计算隐含层输出h和输出层输出o,计算输出层输出o与训练数据样本实际输出y之间的误差，定义误差函数e：ek＝yk-okk＝1,2,...,n；
33.s404：根据误差e更新权重值vij和ωjk：ωjk＝ωjk thjekj＝1,2,...,p；k＝1,2,...,n；根据误差e和权重值更新阈值αj和βk：βk＝βk ekk＝1,2,...,n；
34.s405：判断是否达到迭代次数，达到则完成训练过程；若未达到则继续训练，直至迭代次数达到s。
35.利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测，包括：利用训练好的裂解预测网络模型对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测。
36.本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
技术领域
1.本发明属于焦油微波裂解技术领域，涉及一种基于bp网络的生物质焦油微波裂解预测方法。
背景技术：
2.在工业生产中,利用生物质气化发电或者将生物质转化为气体燃料是生物质利用的一个重要方向。但生物质在高温下转化(例如热解气化)时，会产生焦油,在温度降低之后会积累并且堵塞反应装置,例如管道和阀门。焦油易被冷凝积垢难处理，严重影响操作设备的正常进行和系统的安全运行。同时，由于焦油一般由苯、甲苯、苯酚等芳香族化合物组成，其在系统中的存在也加剧了污染物的排放。因此，焦油的脱除是生物质利用的一个关键环节。
3.目前去除焦油的方法大致有两大类：一是以湿法和干法为主的物理净化法；二是以热裂化和催化裂解为主的热化学方法。在工业生产中，热化学方法应用较为广泛，但存在能耗大、成本高和反应慢等问题。利用微波来脱除生物质焦油是一种新兴的焦油脱除方式，可以提高焦油脱除效率、降低焦油脱除能耗。在利用微波裂解炉对焦油进行微波裂解脱除的过程中，利用实验监测数据对焦油裂解率的预判有助于获取最佳的工艺条件并有针对性地提高微波裂解效率。因此，有效的焦油微波裂解预测方式是保证生物质气化的正常进行、提高工厂相关系统运行效率的重要需求。
技术实现要素：
4.本发明的目的在于提供一种基于bp网络的生物质焦油微波裂解预测方法，以解决上述背景技术中提出的问题。
5.本发明的目的可通过下列技术方案来实现：一种基于bp网络的生物质焦油微波裂解预测方法，包括以下步骤：
6.s1：在焦油微波裂解的裂解炉作为一个监测点位，安装对应的数据采集系统采集相对应的裂解数据，作为裂解样本数据；
7.s2：利用z-score方法对裂解样本数据进行归一化处理，得到归一化后的样本数据；
8.s3：以bp网络为原理为框架，确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用s型传递函数作为节点激励函数，并定义误差函数e，以建立以bp神经网络为主的裂解预测网络模型；
9.s4：裂解预测网络模型的网络权值与阈值初始化，使网络权值与阈值均在定义区间内，利用归一化后的裂解样本数据对裂解预测网络模型进行训练，并基于梯度下降法不断修正网络权值与阈值，基于误差函数e，当训练误差小于目标误差，并符合预设精度要求时，停止对裂解预测网络模型进行训练，以得到训练好的裂解预测网络模型；
10.s5：利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件
进行预测。
11.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s1中的裂解数据包括温度数据、压力数据、焦油输入功率数据、焦油流速数据、焦油浓度数据、催化剂的含量数据和保护气体体积分数数据。
12.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s2中，归一化之后的数据都集中在0-1附近。
13.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，所述步骤s4中，裂解预测网络模型的训练步骤如下：
14.s401：神经网络初始化，给定训练数据样本数据，给定输入层节点数m、隐含层节点数p、输出层节点数n，初始化权重值vij和ωjk，初始化隐含层阈值αj、输出层阈值βk，给定学习率t，给定神经元激活函数，给定迭代次数s；
15.s402：裂解预测网络模型采用单隐层结构，选取迭代次数s为200，隐层节点数p为15，给定效率t为0.01，初始化权重值和阈值均为0-1之间的随机数；
16.s403：由初始化权重值和节点激励函数计算隐含层输出h和输出层输出o,计算输出层输出o与训练数据样本实际输出y之间的误差，定义误差函数e：ek＝yk-okk＝1,2,...,n；
17.s404：根据误差e更新权重值vij和ωjk：ωjk＝ωjk thjekj＝1,2,...,p；k＝1,2,...,n；根据误差e和权重值更新阈值αj和βk：βk＝βk ekk＝1,2,...,n；
18.s405：判断是否达到迭代次数，达到则完成训练过程；若未达到则继续训练，直至迭代次数达到s。
19.在上述的一种基于bp网络的生物质焦油微波裂解预测方法中，利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测，包括：利用训练好的裂解预测网络模型对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测。
20.与现有技术相比，本发明一种基于bp网络的生物质焦油微波裂解预测方法的优点为：以bp网络为基准建立裂解预测网络模型，并对裂解预测网络模型进行训练，可对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测，能够把握住焦油的裂解动态，保证生物质气化的正常进行，微波裂解过程中更好的辅助工作，更加准确性的作出预估和判断，提高企业效率。
具体实施方式
21.以下是本发明的具体实施例，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。
22.本发明一种基于bp网络的生物质焦油微波裂解预测方法，包括以下步骤：
23.s1：在焦油微波裂解的裂解炉作为一个监测点位，安装对应的数据采集系统采集相对应的裂解数据，作为裂解样本数据；
24.s2：利用z-score方法对裂解样本数据进行归一化处理，得到归一化后的样本数据；
25.s3：以bp网络为原理为框架，确定神经网络层数、各层节点数、隐含层神经元个数、学习效率以及目标误差，选用s型传递函数作为节点激励函数，并定义误差函数e，以建立以
bp神经网络为主的裂解预测网络模型；
26.s4：裂解预测网络模型的网络权值与阈值初始化，使网络权值与阈值均在定义区间内，利用归一化后的裂解样本数据对裂解预测网络模型进行训练，并基于梯度下降法不断修正网络权值与阈值，基于误差函数e，当训练误差小于目标误差，并符合预设精度要求时，停止对裂解预测网络模型进行训练，以得到训练好的裂解预测网络模型；
27.s5：利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测。
28.步骤s1中的裂解数据包括温度数据、压力数据、焦油输入功率数据、焦油流速数据、焦油浓度数据、催化剂的含量数据和保护气体体积分数数据，步骤s2中，归一化之后的数据都集中在0-1附近。
29.步骤s4中，裂解预测网络模型的训练步骤如下：
30.s401：神经网络初始化，给定训练数据样本数据，给定输入层节点数m、隐含层节点数p、输出层节点数n，初始化权重值vij和ωjk，初始化隐含层阈值αj、输出层阈值βk，给定学习率t，给定神经元激活函数，给定迭代次数s；
31.s402：裂解预测网络模型采用单隐层结构，选取迭代次数s为200，隐层节点数p为15，给定效率t为0.01，初始化权重值和阈值均为0-1之间的随机数；
32.s403：由初始化权重值和节点激励函数计算隐含层输出h和输出层输出o,计算输出层输出o与训练数据样本实际输出y之间的误差，定义误差函数e：ek＝yk-okk＝1,2,...,n；
33.s404：根据误差e更新权重值vij和ωjk：ωjk＝ωjk thjekj＝1,2,...,p；k＝1,2,...,n；根据误差e和权重值更新阈值αj和βk：βk＝βk ekk＝1,2,...,n；
34.s405：判断是否达到迭代次数，达到则完成训练过程；若未达到则继续训练，直至迭代次数达到s。
35.利用训练好的裂解预测网络模型对裂解炉监测点位上的焦油裂解情况及条件进行预测，包括：利用训练好的裂解预测网络模型对生产车间所有的裂解炉监测点位上的焦油裂解情况及条件进行预测。
36.本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
再多了解一些
本文用于创业者技术爱好者查询，仅供学习研究，如用于商业用途，请联系技术所有人。
