基于神经网络的费托合成反应器控制方法及装置与流程

1.本技术涉及费托合成反应器技术领域，具体而言，涉及一种基于神经网络的费托合成反应器控制方法、装置、计算机可读存储介质及费托合成反应器控制系统。


背景技术：

2.煤间接液化中费托合成为关键技术，而费托合成反应器是费托合成技术的核心设备，在其内部发生的费托合成反应是复杂的多相催化反应，反应条件、催化剂组成和反应器类型等对反应性能影响很大，而且诸多影响因素相互作用，呈现高度的非线性关系，而且整个反应器的工艺控制具有数据量大、高度互联的特点，而传统的费托合成反应器的控制系统采用的是常规的比例-积分-微分控制器(proportion integration differentiation，简称pid)，pid控制器采用单回路或串级控制为主要调节手段，进行单参数调节，原理简单，使用方便，适应性强，对于线性好、输入不超过斜坡的系统是非常简单实用的，但是对于复杂非线性系统和负载信号追踪，非常有局限性，对于多输入多输出、耦合性强的系統、无法串级的高阶系统、时延系统，用pid控制器经常是很难实现全局优化控制的。常规的费托合成数学模型的建立通常是基于反应动力学的集总模型，当应用于实际装置时需要针对具体装置进行校正，并不能根据当前的反应条件较及时、准确地预测目标参数，以较好地实现装置的实时优化控制。
3.针对上述相关技术中费托合成反应系统控制的可靠性低、常规数学优化模型具有滞后性的问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本技术的主要目的在于提供一种基于神经网络的费托合成反应器控制方法、装置、计算机可读存储介质及费托合成反应器控制系统，以解决现有技术中费托合成反应系统控制的可靠性较低的问题。
5.根据本发明实施例的一个方面，提供了一种基于神经网络的费托合成反应器控制方法，该方法包括：获取多个变量数据，并采用第一预定数量个所述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；采用第二预定数量个所述变量数据，对所述训练后的神经网络模型进行优化，得到优化后的神经网络模型，所述第二预定数量小于所述第一预定数量；采用遗传算法和所述优化后的神经网络模型，确定最终目标变量数据，所述最终目标变量数据为从所有的所述变量数据中选取的结果最优的数据；采用所述最终目标变量数据控制费托合成反应器。
6.可选地，所述训练后的神经网络模型表示为第一公式第二公式和第三公式其中，i为输入层节点数，j为隐含层
节点数，k为输出层节点数，xi为输入层节点数为i时所对应的所述变量数据，ω
ij
为输入层到隐含层的初始权值，zi为输入层节点数为i时所对应的隐含层传递函数，θi为输入层到隐含层的初始阈值，ω
jk
为隐含层到输出层的初始权值，θk为隐含层到输出层的初始阈值，yk为输出层节点数为k时所对应的目标函数，tk为输出层节点数为k时所对应的期望输出值，e为输出层节点的相对平均偏差，n为所述第一预定数量。
7.可选地，采用第二预定数量个所述变量数据，对所述训练后的神经网络模型进行优化，得到优化后的神经网络模型包括：根据所述训练后的神经网络模型和第二预定数量个所述变量数据，确定偏移值，所述偏移值用于表征预测值与真实值的偏移程度；根据所述偏移值，确定输入层到隐含层的目标权值、隐含层到输出层的目标权值、输入层到隐含层的目标阈值和隐含层到输出层的目标阈值；采用所述输入层到隐含层的目标权值、所述隐含层到输出层的目标权值、所述输入层到隐含层的目标阈值和所述隐含层到输出层的目标阈值，优化所述训练后的神经网络模型，得到优化后的神经网络模型。
8.可选地，根据所述训练后的神经网络模型和第二预定数量个所述变量数据，确定偏移值包括：根据第四公式确定偏移值，其中，rmse为所述偏移值，n为所述第二预定数量，yi为第二预定数量个所述变量数据中的第i个所对应的预测值，为第二预定数量个所述变量数据中的第i个所对应的真实值。
9.可选地，采用遗传算法和所述优化后的神经网络模型，确定最终目标变量数据，包括：采用所述遗传算法，确定目标变量数据，所述目标变量数据为从所有的所述变量数据中选取的使得所述费托合成反应器的负荷达到最大时所对应的变量数据；采用所述优化后的神经网络模型，根据所述目标变量数据，确定所述目标变量数据所对应的结果；在所述目标变量数据所对应的结果大于或者等于预定结果的情况下，将所述目标变量数据作为所述最终目标变量数据。
10.可选地，所述方法还包括：至少执行一次以下步骤：在所述目标变量数据所对应的结果小于所述预定结果的情况下，采用所述遗传算法，确定所述目标变量数据，其中，将所有的所述变量数据中的上一次确定的目标变量数据删除。
11.可选地，所述变量数据包括净化气的温度、净化气的压力，进料氢气的温度、进料氢气的压力、进料氢气的流量和循环气的流量。
12.根据本发明实施例的另一方面，还提供了一种基于神经网络的费托合成反应器控制装置，该装置包括获取单元、优化单元、确定单元和控制单元；获取单元用于获取多个变量数据，并采用第一预定数量个所述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；优化单元用于采用第二预定数量个所述变量数据，对所述训练后的神经网络模型进行优化，得到优化后的神经网络模型，所述第二预定数量小于所述第一预定数量；确定单元用于采用遗传算法和所述优化后的神经网络模型，确定最终目标变量数据，所述最终目标变量数据为从所有的所述变量数据中选取的结果最优的数据；控制单元用于采用所述最终目标变量数据控制费托合成反应器。
13.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的基于神经网络的费托
合成反应器控制方法。
14.根据本发明实施例的另一方面，还提供了一种费托合成反应器控制系统，该系统包括一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的基于神经网络的费托合成反应器控制方法。
15.在本发明实施例中，通过采用遗传算法和所述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
附图说明
16.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
17.图1示出了根据本技术实施例的基于神经网络的费托合成反应器控制方法的流程图；
18.图2示出了根据本技术实施例的训练后的神经网络模型的预测结果的示意图；
19.图3示出了根据本技术实施例的优化后的神经网络模型的预测结果的示意图
20.图4示出了根据本技术实施例的净化气量和尾气量的关系示意图；
21.图5示出了根据本技术实施例的净化气量和总转化率的关系示意图；
22.图6示出了根据本技术实施例的基于神经网络的费托合成反应器控制装置的示意图。
具体实施方式
23.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
24.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
25.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元
件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。
27.正如背景技术中所说的，现有技术中费托合成反应系统控制的可靠性低、常规数学优化模型具有滞后性的问题，目前尚未提出有效的解决方案，为了解决现有技术中费托合成反应系统控制的可靠性较低的问题，本技术的一种典型的实施方式中，提供了一种基于神经网络的费托合成反应器控制方法、装置、计算机可读存储介质及费托合成反应器控制系统。
28.根据本技术的实施例，提供了一种基于神经网络的费托合成反应器控制方法。
29.图1是根据本技术实施例的基于神经网络的费托合成反应器控制方法的流程图。如图1所示，该方法包括以下步骤：
30.步骤s101，获取多个变量数据，并采用第一预定数量个上述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；
31.其中，第一预定数量为所有的变量数据中90％的变量数据，后续的第二预定数量为所有的变量数据中10％的变量数据，训练后的神经网络模型的预测效果如图2所示；
32.在本技术的一种实施例中，上述训练后的神经网络模型表示为第一公式第二公式和第三公式其中，i为输入层节点数，j为隐含层节点数，k为输出层节点数，xi为输入层节点数为i时所对应的上述变量数据，ω
ij
为输入层到隐含层的初始权值，zi为输入层节点数为i时所对应的隐含层传递函数，θi为输入层到隐含层的初始阈值，ω
jk
为隐含层到输出层的初始权值，θk为隐含层到输出层的初始阈值，yk为输出层节点数为k时所对应的目标函数，tk为输出层节点数为k时所对应的期望输出值，e为输出层节点的相对平均偏差，n为上述第一预定数量。
33.第一公式与第二公式将输入数据的特征，抽象到另一个维度空间，展现其更抽象化的特征，相较于无隐含层，这些特征能更好的进行线性划分。第三公式通过计算神经网络输出与期望输出的相对平均偏差，可以较好的评价神经网络预测的偏差大小。
34.步骤s102，采用第二预定数量个上述变量数据，对上述训练后的神经网络模型进行优化，得到优化后的神经网络模型，上述第二预定数量小于上述第一预定数量；
35.其中，优化后的神经网络模型的预测效果如图3所示，比较图3和图2后，可以发现优化后的神经网络模型的预测效果比训练后的神经网络模型的预测效果更好。预测值与实际值拟合良好，均方根误差仅有3.7，平均相对误差仅有1.01％，优化后的神经网络模型可以反映出输入变量变化时对运行负荷造成的影响，预测效果良好。说明采用第二预定数量个上述变量数据对训练后的神经网络模型进行优化，对于降低训练后的神经网络模型预测误差，提高预测精度效果显著，为之后的负荷优化奠定了可信的基础，其中图2和图3中的横坐标均用于表征样本的数量。
36.在本技术的一种实施例中，采用第二预定数量个上述变量数据，对上述训练后的神经网络模型进行优化，得到优化后的神经网络模型包括：根据上述训练后的神经网络模型和第二预定数量个上述变量数据，确定偏移值，上述偏移值用于表征预测值与真实值的偏移程度；根据上述偏移值，确定输入层到隐含层的目标权值、隐含层到输出层的目标权
值、输入层到隐含层的目标阈值和隐含层到输出层的目标阈值；采用上述输入层到隐含层的目标权值、上述隐含层到输出层的目标权值、上述输入层到隐含层的目标阈值和上述隐含层到输出层的目标阈值，优化上述训练后的神经网络模型，得到优化后的神经网络模型。由于神经网络的随机性，其每次运行所选取的权值与阈值初值都是随机的，而其初值对于最后得到的神经网络却有很大的影响。因此将遗传算法用于神经网络权值阈值初值优化，可以提高神经网络的稳定性，降低预测误差。
37.在本技术的一种实施例中，根据上述训练后的神经网络模型和第二预定数量个上述变量数据，确定偏移值，上述偏移值用于表征预测值与真实值的偏移程度包括：根据第四公式确定偏移值，其中，rmse为上述偏移值，n为上述第二预定数量，yi为第二预定数量个上述变量数据中的第i个所对应的预测值，为第二预定数量个上述变量数据中的第i个所对应的真实值。
38.第四公式以均方根误差为神经网络预测准确度的评价指标，它是神经网预测值与真实值偏差的平方与观测次数n比值的平方根，计算出来的结果在单位上与神经网络输出相同，更易于衡量观测值同真值之间的偏差。
39.步骤s103，采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，上述最终目标变量数据为从所有的上述变量数据中选取的结果最优的数据；
40.在本技术的一种实施例中，采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，包括：采用上述遗传算法，确定目标变量数据，上述目标变量数据为从所有的上述变量数据中选取的使得上述费托合成反应器的负荷达到最大时所对应的变量数据；采用上述优化后的神经网络模型，根据上述目标变量数据，确定上述目标变量数据所对应的结果；在上述目标变量数据所对应的结果大于或者等于预定结果的情况下，将上述目标变量数据作为上述最终目标变量数据。
41.具体地，采用上述遗传算法，确定目标变量数据，从而采用上述优化后的神经网络模型，根据上述目标变量数据，确定上述目标变量数据所对应的结果，直到筛选出最终目标变量数据为止，从而能够得到净化气量的最优值，在净化气量为最优值的情况下，总转化率为最大，且尾气量不为最大值，这是本技术想要达到最佳控制效果，想要达到提高负荷的目的，可以考虑将进料氢气的压力、进料氢气的流量与净化气的温度、压力控制在最佳操作参数，着眼于降低进料氢气的温度与循环气的流量，最终实现提高负荷的目标，尾气量和净化气量(即净化气的流量)的关系如图4所示，根据图4，能够得到图5，如图5所示，可以看出净化气量和总转化率之间的关系。
42.步骤s104，采用上述最终目标变量数据控制费托合成反应器。
43.在本技术的一种实施例中，上述方法还包括：至少执行一次以下步骤：在上述目标变量数据所对应的结果小于上述预定结果的情况下，采用上述遗传算法，确定上述目标变量数据，其中，将所有的上述变量数据中的上一次确定的目标变量数据删除。保证能够筛选出最终目标变量数据。
44.在本技术的一种实施例中，上述变量数据包括净化气的温度、净化气的压力，进料氢气的温度、进料氢气的压力、进料氢气的流量和循环气的流量。
45.上述步骤中，通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
46.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
47.本技术实施例还提供了一种基于神经网络的费托合成反应器控制装置，需要说明的是，本技术实施例的基于神经网络的费托合成反应器控制装置可以用于执行本技术实施例所提供的用于基于神经网络的费托合成反应器控制方法。以下对本技术实施例提供的基于神经网络的费托合成反应器控制装置进行介绍。
48.图6是根据本技术实施例的基于神经网络的费托合成反应器控制装置的示意图。如图6所示，该装置包括获取单元10、优化单元20、确定单元30和控制单元40；获取单元10用于获取多个变量数据，并采用第一预定数量个上述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；优化单元20用于采用第二预定数量个上述变量数据，对上述训练后的神经网络模型进行优化，得到优化后的神经网络模型，上述第二预定数量小于上述第一预定数量；确定单元30用于采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，上述最终目标变量数据为从所有的上述变量数据中选取的结果最优的数据；控制单元40用于采用上述最终目标变量数据控制费托合成反应器。
49.上述装置中，通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
50.在本技术的一种实施例中，上述训练后的神经网络模型表示为第一公式第二公式和第三公式
51.其中，i为输入层节点数，j为隐含层节点数，k为输出层节点数，xi为输入层节点数为i时所对应的上述变量数据，ω
ij
为输入层到隐含层的初始权值，zi为输入层节点数为i时所对应的隐含层传递函数，θi为输入层到隐含层的初始阈值，ω
jk
为隐含层到输出层的初始权值，θk为隐含层到输出层的初始阈值，yk为输出层节点数为k时所对应的目标函数，tk为输出层节点数为k时所对应的期望输出值，e为输出层节点的相对平均偏差，n为上述第一预定数量。
52.在本技术的一种实施例中，优化单元包括第一确定模块、第二确定模块和优化模块，第一确定模块用于根据上述训练后的神经网络模型和第二预定数量个上述变量数据，确定偏移值，上述偏移值用于表征预测值与真实值的偏移程度；第二确定模块用于根据上
述偏移值，确定输入层到隐含层的目标权值、隐含层到输出层的目标权值、输入层到隐含层的目标阈值和隐含层到输出层的目标阈值；优化模块用于采用上述输入层到隐含层的目标权值、上述隐含层到输出层的目标权值、上述输入层到隐含层的目标阈值和上述隐含层到输出层的目标阈值，优化上述训练后的神经网络模型，得到优化后的神经网络模型。
53.在本技术的一种实施例中，第一确定模块包括确定子模块，确定子模块用于根据第四公式确定偏移值，其中，rmse为上述偏移值，n为上述第二预定数量，yi为第二预定数量个上述变量数据中的第i个所对应的预测值，为第二预定数量个上述变量数据中的第i个所对应的真实值。
54.在本技术的一种实施例中，确定单元包括第二确定模块、第三确定模块和第四确定模块，第二确定模块用于采用上述遗传算法，确定目标变量数据，上述目标变量数据为从所有的上述变量数据中选取的使得上述费托合成反应器的负荷达到最大时所对应的变量数据；第三确定模块用于采用上述优化后的神经网络模型，根据上述目标变量数据，确定上述目标变量数据所对应的结果；第四确定模块用于在上述目标变量数据所对应的结果大于或者等于预定结果的情况下，将上述目标变量数据作为上述最终目标变量数据。
55.在本技术的一种实施例中，该装置还包括处理单元，处理单元用于至少执行一次以下步骤：在上述目标变量数据所对应的结果小于上述预定结果的情况下，采用上述遗传算法，确定上述目标变量数据，其中，将所有的上述变量数据中的上一次确定的目标变量数据删除。
56.在本技术的一种实施例中，上述变量数据包括净化气的温度、净化气的压力，进料氢气的温度、进料氢气的压力、进料氢气的流量和循环气的流量。
57.上述基于神经网络的费托合成反应器控制装置包括处理器和存储器，上述获取单元、优化单元、确定单元和控制单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
58.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有技术中费托合成反应系统控制的可靠性较低的问题。
59.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
60.本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述基于神经网络的费托合成反应器控制方法。
61.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述基于神经网络的费托合成反应器控制方法。
62.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：获取多个变量数据，并采用第一预定数量个上述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；采用第二预定数量个上述变量数据，对上述训练后的神经网络模型进行优化，得到优化后的
神经网络模型，上述第二预定数量小于上述第一预定数量；采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，上述最终目标变量数据为从所有的上述变量数据中选取的结果最优的数据；采用上述最终目标变量数据控制费托合成反应器。本文中的设备可以是服务器、pc、pad、手机等。
63.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：获取多个变量数据，并采用第一预定数量个上述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；采用第二预定数量个上述变量数据，对上述训练后的神经网络模型进行优化，得到优化后的神经网络模型，上述第二预定数量小于上述第一预定数量；采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，上述最终目标变量数据为从所有的上述变量数据中选取的结果最优的数据；采用上述最终目标变量数据控制费托合成反应器。
64.本技术还提供了一种费托合成反应器控制系统，该系统包括一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的基于神经网络的费托合成反应器控制方法。通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
65.为了本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例来说明本技术的技术方案和技术效果。
66.实施例
67.本技术还提供了一种基于神经网络的费托合成反应器控制方案，该方案包括以下步骤：
68.步骤1：获取多个变量数据，并采用第一预定数量个上述变量数据，对神经网络模型进行训练，得到训练后的神经网络模型；
69.其中，上述训练后的神经网络模型表示为第一公式第二公式和第三公式
70.其中，i为输入层节点数，j为隐含层节点数，k为输出层节点数，xi为输入层节点数为i时所对应的上述变量数据，ω
ij
为输入层到隐含层的初始权值，zi为输入层节点数为i时所对应的隐含层传递函数，θi为输入层到隐含层的初始阈值，ω
jk
为隐含层到输出层的初始权值，θk为隐含层到输出层的初始阈值，yk为输出层节点数为k时所对应的目标函数，tk为输出层节点数为k时所对应的期望输出值，e为输出层节点的相对平均偏差，n为第一预定数量；
71.步骤2：根据上述训练后的神经网络模型和第二预定数量个上述变量数据，确定偏
移值，上述偏移值用于表征预测值与真实值的偏移程度；
72.其中，根据第四公式确定偏移值，其中，rmse为上述偏移值，n为上述第二预定数量，yi为第二预定数量个上述变量数据中的第i个所对应的预测值，为第二预定数量个上述变量数据中的第i个所对应的真实值。
73.步骤3：根据上述偏移值，确定输入层到隐含层的目标权值、隐含层到输出层的目标权值、输入层到隐含层的目标阈值和隐含层到输出层的目标阈值；
74.步骤4：采用上述输入层到隐含层的目标权值、上述隐含层到输出层的目标权值、上述输入层到隐含层的目标阈值和上述隐含层到输出层的目标阈值，优化上述训练后的神经网络模型，得到优化后的神经网络模型
75.步骤5：采用上述遗传算法，确定目标变量数据，上述目标变量数据为从所有的上述变量数据中选取的使得上述费托合成反应器的负荷达到最大时所对应的变量数据；
76.步骤6：采用上述优化后的神经网络模型，根据上述目标变量数据，确定上述目标变量数据所对应的结果；
77.步骤7：在上述目标变量数据所对应的结果大于或者等于预定结果的情况下，将上述目标变量数据作为上述最终目标变量数据，之后执行步骤8；在上述目标变量数据所对应的结果小于预定结果的情况下，再次执行步骤5；
78.步骤8：采用上述最终目标变量数据控制费托合成反应器。
79.通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题
80.在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
81.在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
82.上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
83.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
84.上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用
时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
85.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
86.1)、本技术的基于神经网络的费托合成反应器控制方法，通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
87.2)、本技术的基于神经网络的费托合成反应器控制装置，通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
88.3)、本技术的费托合成反应器控制系统，通过采用遗传算法和上述优化后的神经网络模型，确定最终目标变量数据，从而优化了费托合成反应器的控制效果，进而解决了现有技术中费托合成反应系统控制的可靠性较低的问题，还解决了传统的费托合成反应器的pid控制系统对数据量大、非线性、高度互联的费托合成反应器工艺优化控制可靠性低的问题；还解决了常规的费托合成数学模型(机理模型)不能及时、准确地预测目标参数，无法较好地实现装置的实时优化控制的问题。
89.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。