【技术实现步骤摘要】
本专利技术涉及精馏塔温度预测，具体为一种基于resnet-lstm神经网络模型的精馏塔温度预测方法、系统及存储介质。
技术介绍
1、精馏技术作为一项重要的工艺，通过将混合物分离成不同组分，实现了原料的精细加工和高值化利用，在石油炼制、化工加工等领域，发挥了重要作用。精馏流过程的温度分布直接影响生产过程的稳定性、能源效率以及最终产品的质量。目前，我国传统精馏技术存在能耗高、产品质量限制、生产效率低、缺乏灵活性、产品多样性不足、操作复杂性和环境影响等问题。此外，如申请号为“202311100406.2”一种用于三氟甲烷制备的精馏控制系统及其控制方法，传统的温度预测方法常常依赖于复杂的物理模型，这些模型必须综合考虑化学反应、传热、传质等众多复杂的物理和化学因素，在实际操作中存在着不可避免的不确定性，同时精馏塔内的流体动态性质也呈现出复杂的非线性行为，这些因素使得传统物理模型在实际应用中难以取得令人满意的预测效果。为克服这些问题，需要将数据驱动的方法与精馏技术结合，以提高产品质量、生产效率、灵活性，并减少能耗消耗与环境影响。
技术实现思路
1、本专利技术的目的是提供一种基于resnet-lstm神经网络模型的精馏塔温度预测方法、系统及存储介质，提高精馏过程中温度预测的准确度、实时性、灵活性。
2、为实现上述目的，本专利技术提供一种基于resnet-lstm神经网络模型的精馏塔温度预测方法及系统，包括以下步骤：
3、s1：构建resnet神经网络，用于提取数据的高级特
4、s2：定时采集精馏塔温度数据，同时将温度数据依次储存至数据库中；
5、s3：从数据库中获取精馏塔历史温度数据，对数据进行清洗、缺失值填补以及时间序列化排列的操作处理，得到按时间轴排列的原始数据，从原始数据中以相同步长依次向后平移截取若干组数据构成数据集；
6、s4：将数据集划分为训练集与测试集，将训练集输入对所述resnet-lstm神经网络模型进行迭代训练，将测试集输入模型进行测试，达到评估标准后停止训练模型；
7、s5：将训练好的resnet-lstm神经网络模型部署在温度预测系统中，实时采集精馏塔的温度数据进行温度预测。
8、进一步，在步骤s1中，所述resnet神经网络包含18个resnet层，每层resnet堆叠结构包括两个resnet块结构、四个卷积层和一个max pooling层，具体为：特征输入第一resnet块，依次经过第一卷积层、relu激活函数层、第二卷积层后与第一resnet块的输入端通过残差连接，再经过relu激活函数层后输出至第二resnet块，特征继续经过第三卷积层、relu激活函数层、第四卷积层、最大池化层后与第二resnet块输入端通过残差连接，最后经过relu激活函数层后输出至下一resnet层。
9、进一步，在步骤s1中，lstm神经网络包括两个lstm层，每一层lstm包括128个lstm单元。
10、进一步，在步骤s3中，所述数据清洗是指将从数据库提取的数据进行数据除噪、数据平滑处理和异常值检测处理，所述缺失值填补是指将含有缺失值的数据采用随机森林回归算法进行填补。
11、进一步，在步骤s3中，截取数据的方法为：在原始数据中截取n+1个数据作为一组数据，其中，窗口前n个数据为特征数据，窗口第n+1个数据为标签数据，数据平移i个单位，继续截取n+1个数据作为一组数据，重复上述操作截取若干组数据构成数据集。
12、进一步，在步骤s4中，将所述训练集与测试集按8:2的比例进行划分，80％数据用于模型训练，20％数据用于模型评估。
13、进一步，在步骤s4中，评估模型的方法具体为：将决定系数r2与均方误差mse定义为评估指标，若模型满足r2的值达到0.9或以上、mse的值趋于0.01则输出模型，若未满足评估指标，则需要更改参数继续对模型进行训练，直至模型的效果达到预期标准。
14、进一步，步骤s5具体为：将训练好的resnet-lstm神经网络模型部署至服务器中，输入端接入精馏塔实时温度数据采集数据库接口进行实时预测，并将预测结果输出至前端展示。
15、本专利技术还在于提供一种基于resnet-lstm神经网络模型的精馏塔温度预测系统，用于实施上述一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，包括：
16、温度数据采集模块，用于定时采集精馏塔内温度数据；
17、温度数据存储模块，用于存储采集到的精馏塔历史温度数据及其时间序列；
18、温度数据预处理模块，用于从温度数据存储模块中提取温度数据，并对数据进行清洗、缺失值填补以及时间序列化排列的操作，避免因缺失数据和异常数据对预测精确度的影响；
19、温度数据预测模块，用于截取包含时间序列的温度数据集，运用神经网络对截取的数据计算分析，预测精馏塔的下一时间点温度值；
20、预测温度数据展示模块，用于将温度预测结果输出至在前端界面展示。
21、本专利技术的目的还在于提供一种计算机可读存储介质，包括存储的计算机程序，在计算机程序运行时控制所述计算机可读存储介质所在设备，执行如上述的基于resnet-lstm神经网络精馏塔温度预测方法。
22、本专利技术通过定时采集、存储及处理精馏塔历史温度信息，并运用resnet-lstm神经网络模型进行精馏塔实时温度预测，能够更加准确地捕捉温度数据中的复杂关系和时序性变化，从而实现更高的温度预测精度。与传统的基于物理模型的方法相比，本专利技术能更好地应对复杂工程系统的非线性特性，提高预测的准确性，进一步有助于提高工业生产的稳定性和安全性，提高生产效率。
本文档来自技高网...【技术保护点】
1.一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤S1中，所述ResNet神经网络包含18个ResNet层，每层ResNet堆叠结构包括两个ResNet块结构、四个卷积层和一个Max pooling层，具体为：特征输入第一ResNet块，依次经过第一卷积层、ReLU激活函数层、第二卷积层后与第一ResNet块的输入端通过残差连接，再经过ReLU激活函数层后输出至第二ResNet块，特征继续经过第三卷积层、ReLU激活函数层、第四卷积层、最大池化层后与第二ResNet块输入端通过残差连接，最后经过ReLU激活函数层后输出至下一ResNet层。
3.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤S1中，LSTM神经网络包括两个LSTM层，每一层LSTM包括128个LSTM单元。
4.根据权利要求1所述的一种基于ResNet-LSTM神经
5.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤S3中，截取数据的方法为：在原始数据中截取n+1个数据作为一组数据，其中，窗口前n个数据为特征数据，窗口第n+1个数据为标签数据，数据平移i个单位，继续截取n+1个数据作为一组数据，重复上述操作截取若干组数据构成数据集。
6.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤S4中，将所述训练集与测试集按8:2的比例进行划分，80%数据用于模型训练，20%数据用于模型评估。
7.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤S4中，评估模型的方法具体为：将决定系数R²与均方误差MSE定义为评估指标，若模型满足R²的值达到0.9或以上、MSE的值趋于0.01则输出模型，若未满足评估指标，则需要更改参数继续对模型进行训练，直至模型的效果达到预期标准。
8.根据权利要求1所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，其特征在于，所述步骤S5具体为：将训练好的ResNet-LSTM神经网络模型部署至服务器中，输入端接入精馏塔实时温度数据采集数据库接口进行实时预测，并将预测结果输出至前端展示。
9.一种基于ResNet-LSTM神经网络模型的精馏塔温度预测系统，其特征在于，用于实施权利要求1-8任意一项所述的一种基于ResNet-LSTM神经网络模型的精馏塔温度预测方法，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-8中任一项所述的基于ResNet-LSTM神经网络模型的精馏塔温度预测方法。
...【技术特征摘要】
1.一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤s1中，所述resnet神经网络包含18个resnet层，每层resnet堆叠结构包括两个resnet块结构、四个卷积层和一个max pooling层，具体为：特征输入第一resnet块，依次经过第一卷积层、relu激活函数层、第二卷积层后与第一resnet块的输入端通过残差连接，再经过relu激活函数层后输出至第二resnet块，特征继续经过第三卷积层、relu激活函数层、第四卷积层、最大池化层后与第二resnet块输入端通过残差连接，最后经过relu激活函数层后输出至下一resnet层。
3.根据权利要求1所述的一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤s1中，lstm神经网络包括两个lstm层，每一层lstm包括128个lstm单元。
4.根据权利要求1所述的一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤s3中，所述数据清洗是指将从数据库提取的数据进行数据除噪、数据平滑处理和异常值检测处理，所述缺失值填补是指将含有缺失值的数据采用随机森林回归算法进行填补。
5.根据权利要求1所述的一种基于resnet-lstm神经网络模型的精馏塔温度预测方法，其特征在于，所述在步骤s3中，截取数据的方法为：在原始数据中截取n+1个数据作为一组数据，其中，窗口前n个数据为特征数据，...
【专利技术属性】
技术研发人员：李凌云，薛旭金，刘海庆，郝彬，段荣祥，张龙列，常志强，刘小双，尹权权，李海涛，
申请(专利权)人：多氟多新材料股份有限公司，
类型：发明
国别省市：
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。