[发明专利]一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统

权利要求书

1.一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述预警定位方法包括：

选取影响酯化反应温度、酯化真空度两个关键工艺参数的设备，基于选取的设备在亚磷酸二甲酯生产线上的关联位号采集历史数据；

对采集到的历史数据进行数据清洗；

根据清洗后的历史数据划分工况，将不同工况下的历史数据保存到样本库中；

建立时序性机器学习模型，根据样本库对时序性机器学习模型进行训练；

通过训练好的时序性机器学习模型对酯化反应温度、酯化真空度进行预测，根据预测结果对酯化反应温度、酯化真空度进行分析，生成预警提示。

2.根据权利要求1所述的一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述对采集到的历史数据进行数据清洗，包括：

判断历史数据中是否存在缺失点，若存在则对缺失点进行填充，所述填充方法包括均值插补法、中位数插补法、众数插补法、k近邻法、回归法以及插值函数法；

确定历史数据中的异常数据，对异常数据进行平滑处理，所述平滑处理的方法包括滑动平均滤波法、一阶滞后滤波法、中位值平均滤波法以及加权递推平均滤波法。

3.根据权利要求1所述的一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述根据清洗后的历史数据划分工况，将不同工况下的历史数据保存到样本库中，包括：

根据历史数据中的进料量、进料量配比、产量以及关键工艺参数划分不同的工况；

在每种工况下将历史数据按照预设比例保存到样本库中。

4.根据权利要求1所述的一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述建立时序性机器学习模型，根据样本库对时序性机器学习模型进行训练，包括：

步骤一：基于LSTM的架构建立时序性机器学习模型；

步骤二：将样本库中的数据作为训练数据输入时序性机器学习模型，得到时序性机器学习模型的输出结果，记录从输入训练数据至得到输出结果的预测时长y_TP；

步骤三：将输出结果中的酯化反应温度预测值与同时序的实际酯化反应温度进行第一均方根误差的计算，将输出结果中的酯化真空度预测值与同时序的实际酯化真空度进行第二均方根误差的计算，将第一均方根误差和第二均方根误差相加得到预测精确度y_ACC；

步骤四：基于评价公式EC对时序性机器学习模型的训练效果进行评价，所述评价公式为：

EC＝w₁y_ACC+w₂y_TP；

其中，w₁、w₂分别为预设的精确度权重和预测时长权重，w₁、w₂的取值范围均为小于1的正数，y_ACC、y_TP的取值范围均为正数；

步骤五：若EC的值大于预设训练阈值，则调整时序性机器学习模型中激活函数、神经网络层数、数据长度以及正则化的参数，重复步骤二至步骤四，直至EC的值不大于预设训练阈值时停止训练。

5.根据权利要求1所述的一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述预警定位方法还包括在通过训练好的时序性机器学习模型对酯化反应温度、酯化真空度进行预测的同时，对样本库进行更新，更新过程包括：

当酯化反应温度、酯化真空度的预测结果与实际结果的误差超过预设值时，采集设备在此时的运行数据，将所述运行数据保存到样本库中。

6.根据权利要求1所述的一种亚磷酸二甲酯关键工艺参数的预警定位方法，其特征在于，所述通过训练好的时序性机器学习模型对酯化反应温度、酯化真空度进行预测，根据预测结果对酯化反应温度、酯化真空度进行分析，生成预警提示，包括：

获取酯化反应温度、酯化真空度的预测结果，当预测结果超过预设预警值时获取当前关联位号对应的实时数据；

对实时数据进行相关性分析，根据实时数据与酯化反应温度、酯化真空度的相关程度进行排序，将排序结果对应的关联位号作为预警提示输出。