[发明专利]燃料乙醇发酵过程工业知识图谱构建方法

说明书

本发明公开了一种燃料乙醇发酵过程工业知识图谱构建方法，属于工业生物发酵过程智能制造领域。该方法分为三个阶段：首先需要采集燃料乙醇生产过程中的液化过程、酒母过程和发酵过程的数据，根据采集到的数据，构建并优化一个出罐乙醇体积比的预测模型，根据此模型初步筛选影响燃料乙醇生产过程的重要特征；然后以这些特征为根源，寻找上级生产阶段中与它们有明显因果关系的变量，直到每个生产阶段所有符合条件的变量被找到；最后以知识图谱的形式呈现找到的关键变量及其之间的因果关系程度。

技术领域

本发明属于工业生物发酵过程智能制造领域，涉及在工业生物发酵过程中，一种燃料乙醇发酵过程工业知识图谱构建方法，以便对关键变量的控制并提高燃料乙醇生产的质量和效率。

背景技术

随着全球工业化的快速发展和社会经济的迅猛增长，传统能源煤矿、石油等化石燃料逐渐短缺，相伴而生的环境污染问题也不可忽视。燃料乙醇作为绿色、可再生的生物燃料，正在取代一次燃料的地位。燃料乙醇是体积分数在99.5％以上的无水乙醇，主要通过以生物质为原料经生物发酵作用等途径获得，它不添加变性剂，可作为燃料使用，是一种可再生资源，也是一种清洁的高辛烷值燃料，其燃烧性能和传统燃料相似。

燃料乙醇的美好前景决定了其在工业燃料生产领域的重要地位，其生产质量和效率也因此成为各方关注的焦点。燃料乙醇发酵制法的生产过程复杂，它涉及到拌料液化、酒母和发酵过程中大量需监测的变量以及多种物理和化学反应，其机理复杂，各变量的反应及数据采集工作不同程度地有所滞后，是一种具有多变量、纯滞后、非线性和强耦合的复杂被控对象。要保证燃料乙醇的高质高效生产，出罐乙醇体积比是一个关键指标，如果能够找到影响该关键指标的重要变量，通过连锁反应，即可在一定程度上从根源对整个燃料乙醇生产过程进行监测和控制。此策略的思路是根据燃料乙醇生产过程中的过程变量建立出罐乙醇体积比的软测量模型，先由模型筛选重要变量，再按照不同生产阶段的时间顺序，在可能对这些重要变量产生决定性影响的变量中继续筛选，直到在处于生产过程较早阶段且相对容易控制的液化环节中找到最可能影响后续过程的重要变量，最终将重要变量及其之间的影响关系以工业知识图谱的形式展现。燃料乙醇生产工厂的操作人员可以由知识图谱查看关键变量，对变量监控和机理分析有一定帮助。

XGBoost(eXtreme Gradient Boosting)树形模型是数据驱动的开源框架，在SHAP(SHapley Additive exPlanations)方法的特征选择指导下可以有效构建软测量模型并得到对出罐乙醇体积比影响最大的变量。以这些变量为根基，用基于评分的因果关系发现算法FGES(Fast Greedy Equivalence Search)追根溯源，在燃料乙醇生产的各个阶段中找到其他决定性变量。根据上述信息，可以构建燃料乙醇发酵过程关键指标的工业知识图谱。

发明内容

本发明的目的是针对燃料乙醇发酵过程构建一个包含各阶段重要变量的工业知识图谱，为工厂操作人员提供关键变量及其相互影响关系的参考，提高燃料乙醇生产的质量和效率，同时也对生产机理有一定启发和验证作用。

基于上述目的，本发明提供一种燃料乙醇发酵过程工业知识图谱构建方法，包含以下三个阶段：获取燃料乙醇生产过程历史数据，构建并优化预测模型；提取出罐乙醇体积比和各生产阶段中重要变量的因果关系及其对应权重值；绘制能准确表示此关系的工业知识图谱，用于对关键变量的控制并提高燃料乙醇生产的质量和效率。

针对构建并优化预测模型阶段，本发明建立一个燃料乙醇生产过程中出罐乙醇体积比的软测量模型，具体步骤如下：

(1)获取燃料乙醇生产过程中液化过程、酒母过程和发酵过程的生产历史数据；

(2)构建基于XGBoost框架的预测模型并训练；XGBoost模型的目标函数如下：