[發明專利]一種亞磷酸二甲酯關鍵工藝參數的預警定位方法及系統

在審

• 申請號: 202110591042.7
• 申請日: 2021-05-28
• 公開（公告）號: CN113539382A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 馬曉華;吳玉成;張揚;樓云霄
• 申請（專利權）人: 浙江中控技術股份有限公司;浙江中控軟件技術有限公司
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70;G16C20/90;G06F16/215;G06N3/04
• 代理公司: 杭州華鼎知識產權代理事務所(普通合伙) 33217
• 代理人: 項軍

本發明提出了一種亞磷酸二甲酯關鍵工藝參數的預警定位方法及系統，包括：選取影響酯化反應溫度、酯化真空度兩個關鍵工藝參數的設備，基于選取的設備在亞磷酸二甲酯生產線上的關聯位號采集歷史數據；對采集到的歷史數據進行數據清洗；根據清洗后的歷史數據劃分工況，將不同工況下的歷史數據保存到樣本庫中；建立時序性機器學習模型，根據樣本庫對時序性機器學習模型進行訓練；通過訓練好的時序性機器學習模型對酯化反應溫度、酯化真空度進行預測，根據預測結果對酯化反應溫度、酯化真空度進行分析，生成預警提示。本發明能夠快速利用歷史數據構建具有學習能力的時序性機器學習模型，克服機理建模過程耗時較久、建模過程復雜等問題。

技術領域

本發明屬于化工生產控制領域，尤其涉及一種亞磷酸二甲酯關鍵工藝參數的預警定位方法及系統。

背景技術

亞磷酸二甲酯是一種重要的有機化工合成原料及中間體，廣泛應用在有機膦酸型緩蝕劑、合成塑料助劑、染料添加劑、助燃劑以及農藥的制備工業中。亞磷酸二甲酯生產過程中，酯化反應溫度與酯化真空度兩個影響生產效率的關鍵工藝參數很容易因工況影響而發生波動，當波動發生時，現階段通常通過機理建模或人工判斷的方式分析定位異常原因，均存在耗時耗力、建模復雜的問題，影響了關鍵工藝參數的監控效果，進而降低了亞磷酸二甲酯的生產效率。

發明內容

為了解決現有技術中存在的缺點和不足，本發明提出了一種亞磷酸二甲酯關鍵工藝參數的預警定位方法，包括：

選取影響酯化反應溫度、酯化真空度兩個關鍵工藝參數的設備，基于選取的設備在亞磷酸二甲酯生產線上的關聯位號采集歷史數據；

對采集到的歷史數據進行數據清洗；

根據清洗后的歷史數據劃分工況，將不同工況下的歷史數據保存到樣本庫中；

建立時序性機器學習模型，根據樣本庫對時序性機器學習模型進行訓練；

通過訓練好的時序性機器學習模型對酯化反應溫度、酯化真空度進行預測，根據預測結果對酯化反應溫度、酯化真空度進行分析，生成預警提示。

可選的，所述對采集到的歷史數據進行數據清洗，包括：

判斷歷史數據中是否存在缺失點，若存在則對缺失點進行填充，所述填充方法包括均值插補法、中位數插補法、眾數插補法、k近鄰法、回歸法以及插值函數法；

確定歷史數據中的異常數據，對異常數據進行平滑處理，所述平滑處理的方法包括滑動平均濾波法、一階滯后濾波法、中位值平均濾波法以及加權遞推平均濾波法。

可選的，所述根據清洗后的歷史數據劃分工況，將不同工況下的歷史數據保存到樣本庫中，包括：

根據歷史數據中的進料量、進料量配比、產量以及關鍵工藝參數劃分不同的工況；

在每種工況下將歷史數據按照預設比例保存到樣本庫中。

可選的，所述建立時序性機器學習模型，根據樣本庫對時序性機器學習模型進行訓練，包括：

步驟一：基于LSTM的架構建立時序性機器學習模型；

步驟二：將樣本庫中的數據作為訓練數據輸入時序性機器學習模型，得到時序性機器學習模型的輸出結果，記錄從輸入訓練數據至得到輸出結果的預測時長y_TP；

步驟三：將輸出結果中的酯化反應溫度預測值與同時序的實際酯化反應溫度進行第一均方根誤差的計算，將輸出結果中的酯化真空度預測值與同時序的實際酯化真空度進行第二均方根誤差的計算，將第一均方根誤差和第二均方根誤差相加得到預測精確度y_ACC；

步驟四：基于評價公式EC對時序性機器學習模型的訓練效果進行評價，所述評價公式為：