一种反应釜的温度控制方法、装置、设备和存储介质

本发明涉及自动控制，尤其涉及一种反应釜的温度控制方法、装置、设备和存储介质。

背景技术：

1、化学工业在我国国民经济中占有重要地位，化工生产过程中往往包含着复杂的化学反应过程，不利于系统地分析和设计。化工生产中的被控对象往往具有高维、非线性、耦合及模型结构不确定等特点，控制起来非常困难。在实际的化工生产中，反应釜温度控制性能的好坏影响着所生产产品的品质，关乎着生产效率，更影响着化工生产过程的安全。反应釜温度控制具有强烈的非线性、时变性、迟滞性、热惯性等控制难点，且反应釜生产工况参数不断发生改变，难以建立精确的数学控制模型。常规的控制方法受限于对精确受控模型的依赖，用于反应釜温度控制时往往难以取得理想的控制效果，由于当前化工生产对产品生产品质的要求越来越高，而反应釜温度控制却未能较好地满足生产要求，因此为了改善反应釜的温度控制效果，提高生产产品品质，需要对反应釜温度控制方法进行深度研究。

2、针对现有换热器的缺点，本发明公开了一种反应釜的温度控制方法、装置、设备和存储介质，通过指标预测模型、深度学习预测模型与非线性模型预测控制进行权重预测而建立精确的数学控制模型。

技术实现思路

1、有鉴于此，本申请实施例提供了一种反应釜的温度控制方法、装置、设备和存储介质，以解决反应釜温度控制的非线性、时变性以及难以建立精确数学控制模型的问题。本申请实施例提供以下技术方案：

2、一方面，本申请实施例提供一种反应釜的温度控制方法，包括如下步骤：

3、s1.数据采集与预处理：从设备层采集并预处理输出信号的数据，按照设定的采样周期对所述输出信号进行采样，形成时间序列数据；

4、s2.建立数学模型与权重优化：建立所述反应釜的动力学模型，利用所述时间序列数据，构建指数预测模型并坐标变换输出表征当前设备状态的权重向量w1；

5、s3.深度学习模型训练：基于所述反应釜的运行数据训练深度学习模型，将所述时间序列数据和所述权重向量w1输入所述深度学习模型中，生成表征未来设备状态的权重向量w2；

6、s4.权重融合与更新：使用门控融合方法将所述权重向量w1和所述权重向量w2融合为理想权重w*；

7、s5.最优控制信号生成与应用：将所述理想权重w*作为约束，滚动优化代价函数，求解出最优控制信号，并将其输入到操作层对所述设备层进行操作。

8、进一步地，s1中通过温度变送器采集所述设备层的内部温度作为所述输出信号。

9、进一步地，s2中所述动力学模型为基于物质平衡方程和能量平衡方程建立的微分方程组，所述指数预测模型为非线性的自回归模型。

10、更进一步地，s1中所述输出信号带有发出的时间戳，将其与s2中所述指数预测模型的内部时钟进行比较并补偿所述设备层和所述指数预测模型所在的操作层间的信号延迟。

11、进一步地，s3中使用散度对比方法训练所述深度学习模型，所述深度学习模型为深度置信网络模型。

12、进一步地，s4中所述门控融合单元的权重参数为手动调节或由偏最小二乘回归法生成的参数。

13、进一步地，s5中所述代价函数基于所述指数预测模型的温度短期预测和所述深度学习模型的系统非线性和时变特性计算出最优的控制序列，所述代价函数的构建与误差加权、输入加权以及终端误差项有关。

14、另一方面，本申请实施例提供一种反应釜的温度控制装置，包括：

15、数据获取模块，用于从设备层采集并预处理输出信号的数据；

16、权重获取模块，包括生成权重向量w1的指数预测单元、生成权重向量w2的深度学习单元和将所述权重向量w1和所述权重向量w2融合得理想权重w*的门控融合单元；

17、模型控制模块，用于调节理想权重w*使代价函数最小，求解得最优控制信号作为所述反应釜的温度控制输入操作层。

18、另一方面，本申请实施例提供一种基于深度学习进行温度控制的反应釜，其特征在于，包括：搅拌动作装置、检测装置、温度控制装置、处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如上述的任一反应釜的温度控制方法。

19、另一方面，本申请实施例提供一种计算机可读存储介质，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如上述的任一所述的反应釜的温度控制方法。

20、与现有技术相比，本申请实施例采用的上述至少一个技术方案能够达到的有益效果至少包括：

21、1、本发明温度控制方法基于模型预测控制理论，通过引入深度学习模型参与建模，可以有效捕捉反应釜这类复杂非线性系统的动态特性，在线根据实时状态和约束条件求解最优控制序列，具有良好的适应性和鲁棒性，提高模型的精确度和预测能力。并且通过最佳性能指标的分解得到的理想权重确定深度置信网络的结构大小，解决了深度置信网络作为预测模型难以预测变化权重参数的问题。

22、2、本发明温度控制方法中由于反应釜因热质传递存在一定时滞，使得输入和输出之间存在时滞关系，所以收集反应釜的输出信号带有发出的时间戳，将其与后续指数预测模型的内部时钟进行比较并补偿所述设备层和所述指数预测模型所在的操作层间的信号延迟，通过建模将时滞性质考虑进去，有效地解决了传输过程的延时问题，提高了控制精度。

23、3、本发明温度控制方法由于采用滚动优化，并且能够对未建模的动态特性进行补偿，具有较强的抗干扰能力，能够应对外部扰动和模型不确定性。

24、4、本发明温度控制方法采用门控融合方法获得需要的最终理想权重w*，这种融合方式比简单的加权求和或拼接更加灵活和高效，能够更好地捕捉输入之间的相关性和差异性

技术特征：

1.一种反应釜的温度控制方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的反应釜的温度控制方法，其特征在于，s1中通过温度变送器采集所述设备层的内部温度作为所述输出信号。

3.根据权利要求1所述的反应釜的温度控制方法，其特征在于，s2中所述动力学模型为基于物质平衡方程和能量平衡方程建立的微分方程组，所述指数预测模型为非线性的自回归模型。

4.根据权利要求3所述的反应釜的温度控制方法，其特征在于，s1中所述输出信号带有发出的时间戳，将其与s2中所述指数预测模型的内部时钟进行比较并补偿所述设备层和所述指数预测模型所在的操作层间的信号延迟。

5.根据权利要求1所述的反应釜的温度控制方法，其特征在于，s3中使用散度对比方法训练所述深度学习模型，所述深度学习模型为深度置信网络模型。

6.根据权利要求1所述的反应釜的温度控制方法，其特征在于，s4中所述门控融合单元的权重参数为手动调节或由偏最小二乘回归法生成的参数。

7.根据权利要求1所述的反应釜的温度控制方法，其特征在于，s5中所述代价函数基于所述指数预测模型的温度短期预测和所述深度学习模型的系统非线性和时变特性计算出最优的控制序列，所述代价函数的构建与误差加权、输入加权以及终端误差项有关。

8.一种反应釜的温度控制装置，其特征在于，包括：

9.一种基于深度学习进行温度控制的反应釜，其特征在于，包括：搅拌动作装置、检测装置、温度控制装置、处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1-7任一所述的反应釜的温度控制方法。

10.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现如权利要求1-7任一所述的反应釜的温度控制方法。

技术总结本发明提供了一种反应釜的温度控制方法、装置、设备和存储介质，涉及自动控制技术领域，其将指标预测模型、深度学习预测模型与非线性模型预测控制进行结合，通过调整预测模型生成的权重使代价函数最小预测得最优控制信号，克服了反应釜温度控制中的非线性、时变性、迟滞性、热惯性问题，改善了反应釜的温度控制效果，提高生产的产品品质。技术研发人员：徐兵,刘一航受保护的技术使用者：上海应用技术大学技术研发日：技术公布日：2024/7/25