基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法技术

本发明专利技术公开一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法，该方法充分利用历史可测量炉内温度等过程变量数据和历史碳氧化物含量间的相互作用，引入历史过程变量指导，通过堆叠结构提取序列的深层关联特征，通过前向预测和反向重构层，以最小化累计预测误差的方式实现对碳氧化物序列更准确的预测；本发明专利技术能够充分利用甲烷化炉过程数据及质量数据的连续性和时序性，提高了过程数据在序列建模上的利用率，丰富了序列特征，并提升了模型预测的准确性，实现了对甲烷化炉碳氧化物含量的多步预测。碳氧化物含量的多步预测。碳氧化物含量的多步预测。

【技术实现步骤摘要】
基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法


[0001]本专利技术属于工业过程控制及软测量领域，具体涉及一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法。

技术介绍

[0002]随着人民日益增长的物质需求和全球现代化进程，化工过程越来越复杂，工业界对产品质量、生产效率和生产过程安全监控的要求也越来越高。针对工业生产中硬传感器高成本和不灵活性，软测量技术被提出并逐渐应用到工业领域中，软测量的目的是利用所有可获得信息，求取所需变量的最佳估计。
[0003]合成氨过程是工业产品生产中十分重要的过程，其中，甲烷化炉是合成氨工艺中的一环，它通过甲烷化来吸收上游任务中多余的碳氧化物，从而降低该副产物对后续合成氨环节的影响，最终希望出口碳氧化物控制在一个较低的阈值。由于甲烷化是一个可逆的过程，工业中，往往通过控制反应炉内温度和入口气体流速来维持出口碳氧化物的含量。由于碳氧化物的浓度难以通过硬件设备进行检测，因此传统的检测方法主要为实验室分析，即，间隔一定的时间，采集碳氧化物气体，通过化学方法分析浓度，然而，该方法存在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法，其特征在于，该方法包括如下步骤：步骤一：收集甲烷化炉过程中的历史数据，构建数据集F＝[X
′
,Y]
T
，X
′
∈R
n
×
m
，Y∈R
n
；其中，X
′
是可测量的过程变量，Y表示出口碳氧化物含量；n表示采集样本的个数，R表示实数集；步骤二：对X
′
中的每个过程变量归一化至[0,1]区间，得到X；步骤三：就甲烷化炉过程选取合理的输入时间窗T1，同时选择需要预测的碳氧化物含量指标的时间窗T2；对归一化后的过程变量X和出口碳氧化物含量Y进行切分和序列化操作，得到一一对应的输入序列和预测序列；步骤四：构建并训练多变量深度重构神经网络；所述多变量深度重构神经网络包括s个结构块，每个结构块包括拼接层、共享网络、反向重构层和前向预测层；所述共享网络包括三层非线性层；所述拼接层将过程变量序列和碳氧化物含量序列沿着特征维度连接，得到输入序列所述共享网络的前两层非线性层对输入Z
t
进行时间维度的特征提取，得到再将该特征表示沿着变量的维度进行特征提取，得到该共享网络最终提取的序列特征H
k
×1：随后，将H
k
×1分别输入到一个节点数为T1的反向重构层和一个节点数为T2的前向预测层；所述反向重构层重构质量变量的输入历史序列，得到反向重构输出所述前向预测层预测碳氧化物含量未来若干时刻的指标，得到前向预测输出随后，将反向重构层输出的历史质量序列与该结构块的输入质量序列Y
t
做差，得到质量序列残差该残差与过程序列X
...

【专利技术属性】
技术研发人员：宋执环，陈雨薇，
申请(专利权)人：浙江大学，
类型：发明
国别省市：