甲基氯硅烷粗单体的产量预测方法及装置制造方法及图纸

本申请公开了一种甲基氯硅烷粗单体的产量预测方法及装置。其中，该方法包括：获取当前时段内甲基氯硅烷MCS合成装置运行的过程中，与甲基氯硅烷粗单体的产量具有关联关系的各个自变量，其中，自变量至少包括：温度；将各个自变量输入至预先训练好的支持向量机回归模型，其中，支持向量机回归模型为基于多组训练数据训练得到的，其中，多组训练数据中每组数据包括：第一历史时段内影响甲基氯硅烷粗单体的产量的自变量，以及甲基氯硅烷粗单体的实际产量；根据支持向量机回归模型的计算结果确定甲基氯硅烷粗单体的产量预测值。本申请解决了现有技术中对甲基氯硅烷(MCS)合成装置运行过程中的甲基氯硅烷粗单体产量预测结果不准确，容错性小以及预测结果稳健性较差的技术问题。容错性小以及预测结果稳健性较差的技术问题。容错性小以及预测结果稳健性较差的技术问题。

【技术实现步骤摘要】
甲基氯硅烷粗单体的产量预测方法及装置


[0001]本申请涉及工业生产数据挖掘领域，具体而言，涉及一种甲基氯硅烷粗单体的产量预测方法及装置。

技术介绍

[0002]现有的甲基氯硅烷(MCS)合成装置运行过程中的甲基氯硅烷粗单体产量数据是一类时序型数据，对于时序型数据的预测方法主要有以下几种类型：第一种是采用灰预测模型进行时序数据预测，具有数据需求量少、计算简便、原始数据无需规律分布等特点，但也具有容错性小、稳健性受到参数估计的影响较大且不适合进行长期分析等缺点；第二种是利用时间序列法进行时序数据的预测，对历史数据的依赖度较高，适合预测稳定延续的数据，但忽略了其他相关变量因素的影响；第三种是基于多元回归分析模型的数据预测，能够反映了目标变量与解释变量间的线性关系，但预测精度受到相关解释变量数据质量的影响较大，并且难以反映非线性关系；第四种是基于神经网络模型的数据预测，具有较好的非线性拟合能力、自适应、容错性较好等优点，但也存在网络结构选择、数据样本依赖、学习复杂性、收敛速度慢等不足。
[0003]针对上述的问题，目前尚未提出有效的解决方案。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种甲基氯硅烷粗单体的产量预测方法，其特征在于，包括：获取当前时段内甲基氯硅烷MCS合成装置运行的过程中，与所述甲基氯硅烷粗单体的产量具有关联关系的各个自变量，其中，所述自变量至少包括：温度；将所述各个自变量输入至预先训练好的支持向量机回归模型，其中，所述支持向量机回归模型为基于多组训练数据训练得到的，其中，所述多组训练数据中每组数据包括：第一历史时段内影响所述甲基氯硅烷粗单体的产量的自变量，以及甲基氯硅烷粗单体的实际产量；根据所述支持向量机回归模型的计算结果确定所述甲基氯硅烷粗单体的产量预测值。2.根据权利要求1所述的方法，其特征在于，将所述各个自变量输入至预先训练好的支持向量机回归模型，包括：基于主成分分析PCA算法对所述各个自变量进行降维处理；将降维处理得到主成分数据输入至所述支持向量机回归模型。3.根据权利要求2所述的方法，其特征在于，在基于主成分分析PCA算法对所述各个自变量进行降维处理之前，包括：确定多组自变量中每组自变量的自变量个数；确定多组自变量对应的组数；以所述组数为行向量，以所述自变量个数为列向量构建初始矩阵。4.根据权利要求3所述的方法，其特征在于，基于主成分分析PCA算法对所述各个自变量进行降维处理，包括：对所处初始矩阵进行标准化处理得到中间矩阵；确定所述中间矩阵对应的协方差矩阵，对所述协方差矩阵进行特征分解，得到特征值；确定所述特征值对应的特征向量，根据所述特征向量得到所述各个成分的贡献度，其中，所述各个成分中所述各个自变量的占比不同；根据所述贡献度得到所述降维处理后的所述主成分数据。5.根据权利要求4所述的方法，其特征在于，根据所述贡献度得到所述降维处理后的各个主成分数据，包括：获取预设贡献度；确定所述预设贡献度为目标值，对所...

【专利技术属性】
技术研发人员：楼云霄，马晓华，吴玉成，张扬，王宽心，张健，
申请(专利权)人：浙江中控技术股份有限公司，
类型：发明
国别省市：