【技术实现步骤摘要】
一种基于机器学习模型的MCS合成装置反应温度预测方法
本专利技术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。
技术介绍
甲基氯硅烷单体中的二甲基二氯硅烷是合成有机硅材料最重要的原料，有机硅材料因其特殊性能在尖端领域具有重要作用。在甲基氯硅烷(MCS)合成装置运行过程中，甲基氯硅烷(MCS)的合成反应是一种强放热反应而反应物硅粉的导热性不佳，并且反应目标产物-甲级氯硅烷单体在过高的温度下易分解产生高沸物，反之反应温度过低时会导致目标产量过低及飞灰量增加从而导致原料浪费生产成本增加，因此反应温度的控制是甲基氯硅烷(MCS)合成装置运行过程中的关键技术。因此对甲基氯硅烷(MCS)合成装置运行过程中的反应温度进行预测对于稳定运行过程中的反应温度波动、目标物质甲基氯硅烷单体的波动以及整体反应运行周期时间的延长都具有十分重要的意义。MCS合成装置运行过程中的反应温度数据是一类时序型数据，目前针对MCS合成装置反应温度预测方法的文献较少，对于时序型数据的预测方法主要有以下几种类型：
【技术保护点】
1.一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，包括：/n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；/n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；/n基于预处理后的历史数据作为训练数据采用ε-SVR机器学习算法建立SVR反应温度变化率预测模型；/n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。/n
【技术特征摘要】
1.一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，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；
基于预处理后的历史数据作为训练数据采用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。
2.根据权利要求1所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述与反应温度有关的变量因素包括：
导热油流量、流化床密度、硅粉进料速率、催化剂进料速率、流化床反应器顶压、氯甲烷进料速率、导热油进流化床温度变化率、导热油出流化床温度变化率、导热油进流化床温度、导热油出流化床温度、氯甲烷侧面喷枪压力。
3.根据权利要求2所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述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包括：
对于反应温度变化率、硅粉进料速率对应历史数据进行一阶差分处理，对于导热油流量、流化床反应器顶压对应历史数据采用移动平均法对数据进行平滑处理以清洗数据噪音。
4.根据权利要求2所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述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包括：
对存在时间迟滞的历史数据进行数据对齐处理。
5.根据权利要求4所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述对存在时间迟滞的历史数据进行数据对齐处理包括：
采用皮尔逊相关系数分析判断各变量因素与反应温度数据的停留时间；
计算反应温度与因素变量在设置迟滞时间的相关性系数序列寻找相关性最强的时间点作为迟滞时间；
基于迟滞时间对齐存在时间迟滞的历史数据。
6.根据权利要求1所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述基于预处理后的历史数据作为训练数据采用ε-SVR机器学习算法建立SVR反应温度变化率预测模型包括：
设立不敏感损失函数：
c(x,y,f(x))＝|y-f(x)|ε
|y-f(x)|ε＝max{0,|y-f(x)|-ε}，
其中，ε为设定的一个正数，当x点的观察值y与预测...
【专利技术属性】
技术研发人员：楼云霄，马晓华，吴玉成，张扬，廖晓全，
申请(专利权)人：浙江中控技术股份有限公司，浙江中控软件技术有限公司，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。