System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及智能控制,具体涉及一种污泥热解工艺智能控制方法及其应用。
技术介绍
1、污泥是一种异质性废弃物,污泥泥质会随季节、地区和污水处理工艺的不同差异较大;污泥基生物炭不同的应用情景对污泥热解工艺条件的工艺优化要求也差异巨大;污泥热解工艺条件涉及到污泥chons元素分析、工艺分析、含水率、粒径、氧化物含量、电导率、真密度和堆密度等泥质参数,以及热解温度、高温停留时间等热解工艺参数等,属于高维非线性优化问题,难以通过简单数学方法进行调控。
2、污泥热解技术可以制备污泥基生物炭,实现污泥中新污染物的安全转化,同时实现污泥蕴含生物质能的资源化利用,是污泥处理处置领域最具前景的技术之一。
3、机器学习算法可实现高维非线性数据的拟合,是实现污泥热解工艺智能控制的有效途径,但存在如下技术难题:
4、(1)缺乏标准化的污泥热解工艺数据集。目前,污泥热解领域有大量论文、技术报告与试验数据,但是这些数据由于试验设计、数据处理与表现形式的差异,很难直接用作机器学习数据集,采用人工方法搜集整理,工作量巨大。
5、(2)机器学习数据预处理与模型选择不科学。目前,在污泥热解机器学习相关研究成果中,通常会采用插值方法补充缺失值,但这会引入大量的人为数据,造成模型拟合效果较好的假象;基于插值的完备数据集,机器学习方法选择范围宽泛,然而这些方法大多不适合不插值的大型稀疏矩阵型数据集。
6、(3)缺乏将机器学习模型与工艺控制结合的方法。目前,污泥热解机器学习相关研究成果中,多数仅仅解决了部分污泥热
7、(4)缺乏污泥热解工艺动态优化控制模型。目前,污泥热解工控制模型多为静态控制模型,无法基于工艺运行数据实现污泥热解工艺智能控制模型的升级。
技术实现思路
1、本专利技术的目的在于基于大语言模型与机器学习实现污泥热解工艺智能控制。
2、本专利技术的技术方案是这样实现的:
3、本专利技术提供一种污泥热解工艺智能控制方法,其特征在于:包括以下步骤:
4、步骤一:通过大语言模型批量处理污泥热解相关期刊论文、科技报告以及非标准化实验数据,形成标准化的文献数据集、实验数据集以及工艺运行数据集;
5、步骤二:对上述数据集进行数据预处理与优化,剔除相关性较大数据以及异常值,保留缺失值,数据进行归一化处理,形成机器学习模型训练数据集;
6、步骤三:采用处理大型稀疏矩阵的xgboost、lightgbm、catboost或随机森林方法建立热解工艺机器学习模型;
7、步骤四:将热解工艺网格化调控参数与热解工艺技术经济参数输入热解工艺机器学习模型,得到污泥热解工艺技术拟合数据集;
8、步骤五:根据污泥原料性质与产品需求参数,在拟合数据集中进行插值搜索,对符合需求的工艺条件输出进行多目标加权赋分排序,得到最优工艺调控参数;
9、步骤六、最优化工艺参数通过plc接口传输给污泥热解工艺监测控制系统实现污泥热解工艺智能控制;
10、步骤七:污泥热解监测控制系统数据以及产品监测数据运行数据积累,逐步替换掉模型训练数据集中的文献数据以及小试实验数据,定期进行机器学习模型升级;
11、步骤八:同类型工艺装备与污泥类型通过分布式数据采集-集中数据处理与机器学习模型优化。
12、作为本专利技术的进一步改进,所采用的大语言模型支持上下文词元的长度大于32k,单次处理的期刊论文、科技报告以及非标准化实验数据文件长度小于大语言模型支持上下文词元的长度的1/2。
13、作为本专利技术的进一步改进,通过预设词设置标准化数据的数据格式,统一为国际单位制单位。
14、作为本专利技术的进一步改进,数据预处理过程中,保留缺失值,不对缺失值进行预处理。
15、作为本专利技术的进一步改进,步骤四具体为:将污泥性质参数、热解工艺调控参数网格化,输入热解工艺机器学习模型,结合热解工艺技术经济参数,形成污泥热解工艺技术拟合数据集。
16、作为本专利技术的进一步改进,步骤五具体为:根据污泥原料性质与产品需求参数,在拟合数据集中进行插值搜索,找出符合要求的工艺参数及对应工艺条件下的将技术经济参数,进行多目标加权赋分排序,得到最优工艺调控参数。
17、作为本专利技术的进一步改进,步骤七具体为:逐步采用工艺运行数据替换掉模型训练数据集中的文献数据以及小试实验数据,定期进行机器学习模型升级。
18、作为本专利技术的进一步改进,步骤八具体为:同类型工艺装备与污泥类型通过分布式数据采集-集中数据处理与机器学习模型优化。
19、本专利技术进一步保护一种上述的方法用于污泥热解工艺智能控制的应用。
20、本专利技术的原理,采用支持上下文词元(token)长度大于32k的大语言模型,通过设置预设词设置提取污泥热解领域相关学术论文、科技报告与实验数据中的数据信息,并输出为符合国家标准(gb3100-93)的标准化数据,建立标准化数据集,解决缺乏标准化的污泥热解工艺数据集难题。数据预处理过程中,保留缺失值,不对缺失值进行预处理,避免引入人为数据,进一步采用可以处理大型稀疏矩阵的xgboost、lightgbm、catboost或随机森林方法建立热解工艺机器学习模型。
21、本专利技术具有如下有益效果:
22、1、通过大语言模型批量处理污泥热解相关期刊论文、科技报告以及非标准化实验数据,解决由于试验设计、数据处理与表现形式的差异,很难直接用作机器学习数据集,采用人工方法搜集整理,工作量巨大的技术难题。
23、2、数据集进行数据预处理与优化,剔除相关性较大数据以及异常值,保留缺失值,避免引入人为数据影响模型精度。采用可以处理大型稀疏矩阵的xgboost、lightgbm、catboost或随机森林方法建立热解工艺机器学习模型,适应于保留缺失值的大型稀疏矩阵数据集。
24、3、通过建立污泥热解工艺技术拟合数据集,根据污泥原料性质与产品需求参数,在拟合数据集中进行插值搜索,对符合需求的工艺条件输出进行多目标加权赋分排序,得到最优工艺调控参数,建立机器学习模型应用途径。
25、4、污泥热解监测控制系统数据以及产品监测数据运行数据积累,逐步替换掉模型训练数据集中的文献数据以及小试实验数据,定期进行机器学习模型升级,实现污泥热解工艺控制模型动态优化。
本文档来自技高网...【技术保护点】
1.一种污泥热解工艺智能控制方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所采用的大语言模型支持上下文词元的长度大于32k,单次处理的期刊论文、科技报告以及非标准化实验数据文件长度小于大语言模型支持上下文词元的长度的1/2。
3.根据权利要求1所述的方法,其特征在于,通过预设词设置标准化数据的数据格式,统一为国际单位制单位。
4.根据权利要求1所述的方法,其特征在于,数据预处理过程中,保留缺失值,不对缺失值进行预处理。
5.根据权利要求1所述的方法,其特征在于,步骤四具体为:将污泥性质参数、热解工艺调控参数网格化,输入热解工艺机器学习模型,结合热解工艺技术经济参数,形成污泥热解工艺技术拟合数据集。
6.根据权利要求1所述的方法,其特征在于,步骤五具体为:根据污泥原料性质与产品需求参数,在拟合数据集中进行插值搜索,找出符合要求的工艺参数及对应工艺条件下的将技术经济参数,进行多目标加权赋分排序,得到最优工艺调控参数。
7.根据权利要求1所述的方法,其特征在于,步骤七具体为:逐步采用工
8.根据权利要求1所述的方法,其特征在于,步骤八具体为:同类型工艺装备与污泥类型通过分布式数据采集-集中数据处理与机器学习模型优化。
9.一种如权利要求1-8任一项所述的方法用于污泥热解工艺智能控制的应用。
...【技术特征摘要】
1.一种污泥热解工艺智能控制方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所采用的大语言模型支持上下文词元的长度大于32k,单次处理的期刊论文、科技报告以及非标准化实验数据文件长度小于大语言模型支持上下文词元的长度的1/2。
3.根据权利要求1所述的方法,其特征在于,通过预设词设置标准化数据的数据格式,统一为国际单位制单位。
4.根据权利要求1所述的方法,其特征在于,数据预处理过程中,保留缺失值,不对缺失值进行预处理。
5.根据权利要求1所述的方法,其特征在于,步骤四具体为:将污泥性质参数、热解工艺调控参数网格化,输入热解工艺机器学习模型,结合热解工艺技术经济参数,形成污...
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。