二氧化碳提纯工艺参数控制方法、系统以及电子设备技术方案

本申请涉及一种二氧化碳提纯工艺参数控制方法，包括提供原始数据样本，所述原始数据样本包括原料气组分、提纯工艺参数以及二氧化碳产品纯度；筛选所述提纯工艺参数，以选择多个相对独立且可调节的工艺参数数据；基于所述原料气组分数据、多个所述工艺参数数据以及二氧化碳产品浓度数据，构建神经网络模型；基于所述神经网络模型以及原料气组分，调节二氧化碳提纯工艺中的工艺参数，以制备指定纯度的二氧化碳产品。通过建立模拟的神经网络模型，以大数据预测取代微观的物理化学反应，使得能够人为地预测在特定气相组分条件下，为达到产品纯度要求所应当采取的工艺参数，从而制造获得高纯度的二氧化碳产品。高纯度的二氧化碳产品。高纯度的二氧化碳产品。

【技术实现步骤摘要】
二氧化碳提纯工艺参数控制方法、系统以及电子设备


[0001]本申请涉及二氧化碳提纯
，特别是涉及一种二氧化碳提纯工艺参数控制方法、二氧化碳提纯系统以及电子设备。

技术介绍

[0002]目前二氧化碳根据其含量不同，有不同的应用领域，食品级二氧化碳主要应用在食品相关领域、医疗卫生领域，工业级二氧化碳主要应用于化械加工业、石油开采业、消防、制冷等行业或领域传统技术中。其中，食品级二氧化碳主要供给饮料和啤酒行业，其对于二氧化碳产品的品质有较高的要求，通常要求二氧化碳纯度在99.9％以上。
[0003]现有的二氧化碳提纯工艺所采用的原料气主要是基于石油工业、合成氨制造以及氢气制造产生的副产品，不同来源的原料气，其成分也理所当然地不同，处理所需要的工艺步骤及参数也随之不同。
[0004]然而，目前的食品级二氧化碳工厂要么只能设计一种工艺处理单一来源的原料气，要么因为兼容处理不同原料气时，工艺参数调控不精确而导致产生的二氧化碳产品纯度达不到食品级要求。

技术实现思路

[0005]基于此，有必要针对现有的工艺参数调控不够灵活和精确的问题，提供一种二氧化碳提纯工艺参数控制方法及模型。
[0006]一种二氧化碳提纯工艺参数控制方法，包括提供原始数据样本，所述原始数据样本包括原料气组分、提纯工艺参数以及二氧化碳产品纯度；筛选所述提纯工艺参数，以选择多个相对独立且可调节的工艺参数数据；基于所述原料气组分数据、多个所述工艺参数数据以及二氧化碳产品浓度数据，构建神经网络模型；基于所述神经网络模型以及原料气组分，调节二氧化碳提纯工艺中的工艺参数，以制备指定纯度的二氧化碳产品。
[0007]通过采用上述技术方案，基于二氧化碳生产的原料气来源不同，其组分也因此有所不同。而二氧化碳的提纯工艺中(主要指蒸馏工艺)，其加热温度、各气相组分分压、冷凝温度、冷凝温度
‑
时间曲线等都会影响二氧化碳提纯分离的动力学因素，导致最终产品达不到要求的二氧化碳纯度。
[0008]然而，传统的食品级二氧化碳提纯仅需要达到3N级纯度，由于蒸馏过程中主要是利用二氧化碳的物理性质进行分离，其他气相组分分压的影响相对较小，因此通常忽略不计。但是如果二氧化碳的纯度需要进一步提高，例如达到5N级，则其他气相组分分压则会对结果产生显著性地影响。而在多个气相组分以及达到更高数量级纯度的情况下，传统的基于蒸馏原理的工艺参数与产品纯度结果的线性关系不再明显，不再适用简单地提高某一参数即可提高纯度。由此，通过建立模拟的神经网络模型进行拟合，以大数据预测特定气相组分条件下所应当采取的工艺参数，从而使得二氧化碳产品能够达到更高纯度的要求。
[0009]在其中一个实施例中，所述筛选提纯工艺参数的步骤，具体包括：排列所有工艺参
数数据；基于主元回归分析筛选贡献率较高的所述工艺参数数据；基于相关性矩阵筛选复共线性较低的所述工艺参数数据。
[0010]通过采用上述技术方案，筛选与二氧化碳产品纯度相关的工艺参数数据，以避免噪音干扰模型；同时采用相关性矩阵筛选出复共线性较低的工艺参数数据，使得输入数据具有更好的代表性，提高建立模型的拟合准确性。
[0011]在其中一个实施例中，在所述排列所有工艺参数数据的步骤之后，所述基于主元回归分析筛选贡献率较高的所述工艺参数数据的步骤之前，还包括：对所述工艺参数数据进行归一化处理。
[0012]通过采用上述技术方案，对工艺参数数据进行归一化处理能够将所有数据的单位进行统一，并且用统一量纲对数据进行评价，避免数据由于本身数值差距较大，导致训练神经网络模型速度降低。
[0013]在其中一个实施例中，所述构建神经网络模型的步骤具体包括：基于输入数据以及输出数据，确定输入层的输入节点数、中间层的层数及节点数以及输出层的输出节点数；确定中间层传递函数以及输出层传递函数；基于输入数据和输出数据训练神经网络模型，以提高所述神经网络模型的拟合准确性。
[0014]通过采用上述技术方案，中间层的节点数即为神经网络模型中的神经元，每个中间层节点从输入节点中接收数据并按照传递函数处理后，传递至输出层，由此完成构建神经网络模型的前向网络。
[0015]在其中一个实施例中，所述训练神经网络模型的步骤具体包括：正向输入输入数据至神经网络模型中，计算得到网络输出数据；比较网络输出数据与样本输出数据，计算得到误差数据；基于所述误差数据调整各项中间层节点的权值；重复以上步骤，直至所述误差数据小于目标设定数值。
[0016]通过采用上述技术方案，通过误差数据反向调整各中间层节点的权值，而不直接修正传递函数，随着权值的调整，网络输出数据也不断向样本输出数据逼近，使得误差数据缩小。当误差数据小于目标设定数值时，可以认为神经网络模型已经具备符合要求的拟合准确性，从而完成神经网络模型的训练。
[0017]在其中一个实施例中，所述基于所述误差数据调整各项中间层节点的权值具体为：w
ij
(t+1)＝w
ij
(t)
‑
a∑
p
δ
ip
I
jp
，其中，w
ij
(t+1)为该节点调整后的权值，w
ij
(t)为该节点调整前的权值，a为学习算子，δ
ip
为该节点的梯度，I
jp
为该节点的输入数据，i为节点序号，j为输入数据序号,p为样本数据序号。
[0018]通过采用上述技术方案，权值的调整具体按照梯度下降法实现，每次权值调整的幅度按照曲率执行，当误差函数曲面的曲率较大时，具有较大调整幅度；而在误差函数曲面曲率较小时，其调整幅度也相应较小，从而使得权值调整具有一定的适应性，以合适的速度逼近误差函数的最小值。
[0019]在其中一个实施例中，所述基于所述误差数据调整各项中间层节点的权值具体为：w
ij
(t+1)＝w
ij
(t)
‑
a∑
p
δ
ip
I
jp
+b[w
ij
(t)
‑
w
ij
(t
‑
1)]，其中，b为平滑因子，0<b<1。
[0020]通过采用上述技术方案，在权值调整公式中，加入平滑项，使得学习算子能够取较大时，提高调整速度，同时平滑项防止在提高调整速度后，在一定区域内产生振荡。
[0021]在其中一个实施例中，在所述原料气组分变化的情况下，基于所述神经网络模型
寻找最优控制点，并且将所述工艺参数调节至最优控制点附近。
[0022]通过采用上述技术方案，将神经网络模型应用于二氧化碳提纯模拟中，基于给定的原料气组分，在输出数据大于给定值的情况下，寻找可控工艺参数的相应最优控制点，使得最终二氧化碳产品的纯度满足要求。
[0023]本申请还提供一种电子设备，包括一个或本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种二氧化碳提纯工艺参数控制方法，其特征在于，包括：提供原始数据样本，所述原始数据样本包括原料气组分、提纯工艺参数以及二氧化碳产品纯度；筛选所述提纯工艺参数，以选择多个相对独立且可调节的工艺参数数据；基于所述原料气组分数据、多个所述工艺参数数据以及二氧化碳产品浓度数据，构建神经网络模型；基于所述神经网络模型以及原料气组分，调节二氧化碳提纯工艺中的工艺参数，以制备指定纯度的二氧化碳产品。2.根据权利要求1所述的二氧化碳提纯工艺参数控制方法，其特征在于，所述筛选提纯工艺参数的步骤，具体包括：排列所有工艺参数数据；基于主元回归分析筛选贡献率较高的所述工艺参数数据；基于相关性矩阵筛选复共线性较低的所述工艺参数数据。3.根据权利要求2所述的二氧化碳提纯工艺参数控制方法，其特征在于，在所述排列所有工艺参数数据的步骤之后，所述基于主元回归分析筛选贡献率较高的所述工艺参数数据的步骤之前，还包括：对所述工艺参数数据进行归一化处理。4.根据权利要求1所述的二氧化碳提纯工艺参数控制方法，其特征在于，所述构建神经网络模型的步骤具体包括：基于输入数据以及输出数据，确定输入层的输入节点数、中间层的层数及节点数以及输出层的输出节点数；确定中间层传递函数以及输出层传递函数；基于输入数据和输出数据训练神经网络模型，以提高所述神经网络模型的拟合准确性。5.根据权利要求4所述的二氧化碳提纯工艺参数控制方法，其特征在于，所述训练神经网络模型的步骤具体包括：正向输入输入数据至神经网络模型中，计算得到网络输出数据；比较网络输出数据与样本输出数据，计算得...

【专利技术属性】
技术研发人员：徐汝峰，
申请(专利权)人：深圳高发气体股份有限公司，
类型：发明
国别省市：