一种基于机器学习模型的MCS合成装置反应温度预测方法

    公开(公告)号:CN112102890A

    公开(公告)日:2020-12-18

    申请号:CN202010737959.9

    申请日:2020-07-28

    IPC分类号: G16C20/10 G16C20/70 G06N20/10

    摘要: 本发明涉及工业装置数据挖掘领域,尤其涉及一种基于机器学习模型的MCS合成装置反应温度预测方法,包括从MCS合成装置运行相关变量中筛选出与反应温度有关的变量因素;获取与反应温度有关的变量因素所对应的历史数据并进行预处理;采用ε‑SVR机器学习算法建立SVR反应温度变化率预测模型;获取与反应温度有关的变量因素所对应的当前数据并输入训练好的SVR反应温度变化率预测模型,计算获得未来一段时间的反应温度变化率预测值,通过对当前反应温度值与反应温度变化率预测值进行累加,获得未来一段时间MCS合成装置的反应温度预测值。通过对甲基氯硅烷(MCS)合成装置运行反应温度进行预测,能够分析当前该甲基氯硅烷(MCS)合成装置的反应温度的稳定性及变化趋势。

    一种复杂管网模拟仿真计算方法及装置

    公开(公告)号:CN104133958A

    公开(公告)日:2014-11-05

    申请号:CN201410363269.6

    申请日:2014-07-28

    IPC分类号: G06F17/50

    摘要: 本发明公开了一种复杂管网模拟仿真计算方法及装置,用于利用热力学动力学耦合模拟仿真复杂管网,该方法包括:根据管网拓扑模型生成关联矩阵;初始化各流股的初始压力、初始流量、初始温度及初始组成向量;由关联矩阵联立物料守恒方程以及能量守恒方程,计算各流股的流量与压力;按照管道序贯矩阵的顺序计算各流股的组成向量,并根据热量守恒方程依次计算各流股的温度;判断各流股的温度与初始温度的温度差绝对值之和是否满足设定范围,如果是,则保存各流股的流量、压力、温度及组成向量,如果否,则将各流股的流量、压力、温度及组成向量作为各流股的初始压力、初始流量、初始温度及初始组成向量,返回计算步骤。

    基于人工智能技术的水泥生料立磨饱磨异常识别方法

    公开(公告)号:CN112699926A

    公开(公告)日:2021-04-23

    申请号:CN202011556244.X

    申请日:2020-12-25

    摘要: 本申请实施例提出了基于人工智能技术的水泥生料立磨饱磨异常识别方法,包括确定正确识别工况状态的关键工艺指标;结合卡尔曼滤波算法对获取到的生产数据进行预处理,对预处理后的生产数据结合半监督学习算法对立磨历史工况进行自动标注;基于立磨关键工艺指标历史数据及伪标签结合递归提升决策树构建异常工况识别模型,向模型实时导入对应关键工艺指标的预处理后数据进行立磨异常状态实时识别。基于主电机总有功功率、主电机电流、磨机本体压差、磨辊位移、回料斗提电流、振动等关键过程工艺变量和伪标签数据,利用梯度提升决策树算法建立饱磨工艺异常识别模型,在线识别生料磨当前运行状态,具有预测准确度高、模型稳定、泛化能力强的特点。

    一种复杂管网模拟仿真计算方法及装置

    公开(公告)号:CN104133958B

    公开(公告)日:2017-02-22

    申请号:CN201410363269.6

    申请日:2014-07-28

    IPC分类号: G06F17/50

    摘要: 本发明公开了一种复杂管网模拟仿真计算方法及装置,用于利用热力学动力学耦合模拟仿真复杂管网,该方法包括:根据管网拓扑模型生成关联矩阵;初始化各流股的初始压力、初始流量、初始温度及初始组成向量;由关联矩阵联立物料守恒方程以及能量守恒方程,计算各流股的流量与压力;按照管道序贯矩阵的顺序计算各流股的组成向量,并根据热量守恒方程依次计算各流股的温度;判断各流股的温度与初始温度的温度差绝对值之和是否满足设定范围,如果是,则保存各流股的流量、压力、温度及组成向量,如果否,则将各流股的流量、压力、温度及组成向量作为各流股的初始压力、初始流量、初始温度及初始组成向量,返回计算步骤。

    一种基于机器学习模型的MCS合成装置反应温度预测方法

    公开(公告)号:CN112102890B

    公开(公告)日:2023-12-15

    申请号:CN202010737959.9

    申请日:2020-07-28

    IPC分类号: G16C20/10 G16C20/70 G06N20/10

    摘要: 本发明涉及工业装置数据挖掘领域,尤其涉及一种基于机器学习模型的MCS合成装置反应温度预测方法,包括从MCS合成装置运行相关变量中筛选出与反应温度有关的变量因素;获取与反应温度有关的变量因素所对应的历史数据并进行预处理;采用ε‑SVR机器学习算法建立SVR反应温度变化率预测模型;获取与反应温度有关的变量因素所对应的当前数据并输入训练好的SVR反应温度变化率预测模型,计算获得未来一段时间的反应温度变化率预测值,通过对当前反应温度值与反应温度变化率预测值进行累加,获得未来一段时间MCS合成装置的反应温度预测值。通过对甲基氯硅烷(MCS)合成装置运行反应温度进行预测,能够分析当前该甲基氯硅烷(MCS)合成装置的反应温度的稳定性及变化趋势。