[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

说明书

本发明提出了一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统，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。本发明能够快速利用历史数据构建具有学习能力的时序性机器学习模型，克服机理建模过程耗时较久、建模过程复杂等问题。

技术领域

本发明属于化工生产控制领域，尤其涉及一种亚磷酸二甲酯关键工艺参数的预警定位方法及系统。

背景技术

亚磷酸二甲酯是一种重要的有机化工合成原料及中间体，广泛应用在有机膦酸型缓蚀剂、合成塑料助剂、染料添加剂、助燃剂以及农药的制备工业中。亚磷酸二甲酯生产过程中，酯化反应温度与酯化真空度两个影响生产效率的关键工艺参数很容易因工况影响而发生波动，当波动发生时，现阶段通常通过机理建模或人工判断的方式分析定位异常原因，均存在耗时耗力、建模复杂的问题，影响了关键工艺参数的监控效果，进而降低了亚磷酸二甲酯的生产效率。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了一种亚磷酸二甲酯关键工艺参数的预警定位方法，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。

可选的，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。

可选的，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。

可选的，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：