一种基于机器学习的反应器操作参数优化方法与流程

本发明涉及反应器控制的，尤其涉及一种基于机器学习的反应器操作参数优化方法。

背景技术：

1、随着机器学习技术的快速发展和应用范围的扩大，其在化工领域的应用也日益受到关注。反应器是化工生产过程中至关重要的装置，其操作参数的选择对于反应效率、产物选择性和产品质量等方面都具有重要影响。传统的反应器操作参数优化方法通常基于经验和试错，难以充分利用数据和模型来指导决策，而基于机器学习的方法则可以通过分析大量的数据和构建预测模型来实现反应器操作参数的优化。鉴于此，本专利提出一种基于机器学习的反应器操作参数优化方法，通过自动化的方式进行参数优化，减少人工干预和试错过程，提高操作效率和反应器的稳定性。

技术实现思路

1、有鉴于此，本发明提供一种基于机器学习的反应器操作参数优化方法，目的在于：1）结合了异常运行数据识别与剔除、奇异谱分析、并行异步化处理的深度强化学习以及贝叶斯加权平均等多种技术方法，形成了一个完整的反应器操作参数优化系统，能够提高系统的鲁棒性和性能；2）采用有序点密度聚类作为异常运行数据识别的主要实施方法，能够有效地识别出反应器运行过程中的异常数据，并将其剔除，从而提高了后续特征提取和模型优化的准确性和可靠性；3）使用奇异谱分析作为特征提取的主要实施方法，可以从预处理后的运行数据中提取出反应器运行的有效特征向量，为后续的模型优化提供了有力支持，并且采用并行异步化处理的深度强化学习作为模型优化的主要实施方法，可以更好地处理反应器操作参数的优化问题，提高了模型的效率和性能；4）通过贝叶斯加权平均方法对多个最优模型实例进行融合处理，得到综合模型实例，可以充分利用各个最优模型实例的优势，提高了反应器最优操作参数的预测精度和鲁棒性。

2、实现上述目的，本发明提供的一种基于机器学习的反应器操作参数优化方法，包括以下步骤：

3、s1：采集反应器运行过程中的运行数据，所述运行数据包括温度、压力、流量和流速数据，对采集的运行数据进行预处理得到预处理后的运行数据，所述预处理为异常运行数据识别与剔除，其中有序点密度聚类为所述异常运行数据识别的实施方法；

4、s2：对预处理后的运行数据进行特征提取得到反应器运行特征向量，其中奇异谱分析为所述特征提取的实施方法；

5、s3：构建反应器操作参数优化模型并进行优化求解得到最优模型实例，所述模型以反应器运行特征向量为输入，以反应器操作参数为输出，其中并行异步化处理的深度强化学习为所述反应器操作参数优化模型的实施方法；

6、s4：对多个最优模型实例进行融合处理得到综合模型实例，将反应器运行特征向量输入到综合模型实例得到反应器最优操作参数进行控制，其中贝叶斯加权平均为所述融合处理的实施方法。

7、作为本发明的进一步改进方法：

8、可选地，所述s1步骤中对采集的运行数据进行预处理得到预处理后的运行数据，包括：

9、s11：对采集的每个运行数据点随机初始化核心距离、可达距离和最近邻参数k；

10、s12：对于每个运行数据点，计算其到第k个最近邻运行数据点的距离，作为其核心距离；

11、s13：对于每个运行数据点p和q，计算p到q的核心距离和p到q实际距离的最大值作为p到q的可达距离，核心距离计算公式为：

12、；

13、其中：

14、表示运行数据点p的核心距离；

15、表示距离运行数据点p第k个最近邻运行数据点；

16、可达距离计算公式为：

17、；

18、其中：

19、表示运行数据点p到运行数据点q的可达距离；

20、s14：根据计算得到的可达距离将所有运行数据点投影到二维坐标系构建聚类顺序图，所述聚类顺序图横轴是数据点的顺序，纵轴是可达距离；

21、s15：通过扫描聚类顺序图中的运行数据点识别聚类结构，并将可达具体超过预置距离的运行数据点作为异常数据点进行剔除。

22、可选地，所述s2步骤中对预处理后的运行数据进行特征提取得到反应器运行特征向量，包括：

23、s21：将预处理后的运行数据按照预置窗口大小l进行切分并构建轨迹矩阵x；

24、s22：对构建的轨迹矩阵进行奇异值分解，得到左奇异向量矩阵u、奇异值矩阵d和右奇异向量矩阵v；

25、s23：对奇异值矩阵进行修订，保留奇异值矩阵中超过预置阈值的元素值，其余元素值置零；

26、s24：根据修订后的奇异值矩阵进行运行数据重构得到重构后的反应器运行数据，计算公式为：

27、；

28、其中：

29、表示修订后的奇异值矩阵；

30、表示重构后的运行数据轨迹矩阵；

31、s35：对重构后的运行数据进行小波特征提取，将提取得到的小波系数作为反应器运行特征向量返回。

32、可选地，所述s3步骤中构建反应器操作参数优化模型，所述模型以反应器运行特征向量为输入，以反应器操作参数为输出，包括：

33、s31：所述反应器操作参数优化模型为深度神经网络，通过在每一层之间添加残差连接模块解决梯度消失，所述模型根据反应器运行特征向量输出反应器操作参数，同时，构建操作参数价值评估网络，所述评估网络对反应器运行特征向量下的反应器操作参数价值进行量化评估；

34、s32：对构建的反应器操作参数优化模型和操作参数价值评估网络进行并行异步参数更新，所述并行是指参数优化过程由多个计算节点同时进行并行优化；所述异步是指不同节点参数根据预置时间间隔进行异步更新参数共享；

35、s33：使用训练好的反应器操作参数优化模型根据反应器运行特征向量输出反应器最优操作参数。

36、所述s32步骤中对构建的反应器操作参数优化模型和操作参数价值评估网络进行并行异步参数更新，包括：

37、通过多个计算节点分别对反应器操作参数优化模型和操作参数价值评估网络的参数进行局部梯度计算，并根据预置阈值时间间隔将计算得到的局部梯度进行全局共享分别得到反应器操作参数优化模型和操作参数价值评估网络参数的全局梯度，其中每一个计算节点的局部梯度流程包括：

38、s321：反应器操作参数梯度计算公式为：

39、；

40、s322：操作参数价值评估网络参数梯度计算公式为：

41、；

42、其中：

43、n表示运行数据总量；

44、表示运行数据索引；

45、t表示运行数据时间步索引；

46、t表示运行数据长度;

47、表示在模型参数为的条件下，反应器操作参数优化模型在反应器运行特征向量时输出操作参数的概率；

48、表示反应器运行特征向量时采取操作参数的优势；

49、表示反应器操作参数优化模型的目标函数；

50、表示反应器运行特征向量的价值期望；

51、表示操作参数价值评估网络的目标函数；

52、表示反应器操作参数优化模型的参数；

53、表示偏导操作；

54、表示操作参数价值评估网络的参数。

55、可选地，所述s4步骤中对多个最优模型实例进行融合处理得到综合模型实例，包括：

56、s41：使用每个最优模型实例对反应器运行特征向量进行操作参数预测，得到每个实例的操作参数预测结果；

57、s42：使用贝叶斯方法计算每个实例的权重；

58、s43：利用计算得到的每个实例的权重对对应实例反应其操作参数预测结果进行加权平均，得到最终的融合操作参数预测结果，计算公式为：

59、；

60、其中：

61、n表示模型实例的数量；

62、表示第i个模型实例的权重；

63、表示最终的融合操作参数预测结果。

64、可选地，所述s42步骤中使用贝叶斯方法计算每个实例的权重，包括：

65、根据采集运行数据计算每一模型实例的权重，计算公式为：

66、；

67、其中：

68、表示在给定运行数据的条件下模型实例的后验概；

69、d表示采集的反应器运行数据。

70、为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：

71、存储器，存储至少一个指令；

72、通信接口，实现电子设备通信；及

73、处理器，执行所述存储器中存储的指令以实现上述所述的基于机器学习的反应器操作参数优化方法。

74、为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的基于机器学习的反应器操作参数优化方法。

75、相对于现有技术，本发明提出一种基于机器学习的反应器操作参数优化方法，该技术具有以下优势：

76、首先，本方案结合了异常运行数据识别与剔除、奇异谱分析、并行异步化处理的深度强化学习以及贝叶斯加权平均等多种技术方法，形成了一个完整的反应器操作参数优化系统，能够提高系统的鲁棒性和性能，并采用有序点密度聚类作为异常运行数据识别的主要实施方法，能够有效地识别出反应器运行过程中的异常数据，并将其剔除，从而提高了后续特征提取和模型优化的准确性和可靠性。

77、同时，本方案提出一种基于奇异谱分析的特征提取方法，该方法使用奇异谱分析作为特征提取的实施方法，可以从预处理后的运行数据中提取出反应器运行的有效特征向量，为后续的模型优化提供了有力支持，并且采用并行异步化处理的深度强化学习作为模型优化的主要实施方法，可以更好地处理反应器操作参数的优化问题，提高了模型的效率和性能，并通过贝叶斯加权平均方法对多个最优模型实例进行融合处理，得到综合模型实例，可以充分利用各个最优模型实例的优势，提高了反应器最优操作参数的预测精度和鲁棒性。