指标预测方法、系统以及其在磷酸生产中的应用技术方案

本发明专利技术适用于计算机技术领域，提供了一种指标预测方法、系统以及其在磷酸生产中的应用，所述方法包括：基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果，可以提前预知系统一段时间后的产出情况，大大提高了现场人员对系统的控制能力，减少成本，创造更大价值。创造更大价值。创造更大价值。

【技术实现步骤摘要】
指标预测方法、系统以及其在磷酸生产中的应用


[0001]本专利技术属于计算机
，尤其涉及一种指标预测方法、系统以及其在磷酸生产中的应用。

技术介绍

[0002]随着国家政策推动锂电的发展，市场对磷酸的需求逐年增加，磷收率每提升1个百分点，磷酸产能和磷矿石消耗都会随之等比例的增加和减少，生产需要用到的原料是磷矿石，在工厂成本支出中占比最大。磷酸的生产需要将磷矿石磨成磷矿浆，与浓硫酸发生酸解反应萃取P2O5，目前磷酸生产车间的磷收率（从磷矿石中获取到的P2O5）在94%左右，工厂希望提高磷收率来增加磷酸的产量，减少磷矿石的消耗量。
[0003]当前，磷酸生产过程控制普遍依赖于理论计算的配方与人工经验，但由于原料品质的变化，产物质量波动性很大，无法进行有效的过程控制，难以提高磷收率。

技术实现思路

[0004]本专利技术实施例的目的在于提供一种指标预测方法、系统以及其在磷酸生产中的应用，旨在解决由于原料品质的变化，产物质量波动性很大，无法进行有效的过程控制，难以提高磷收率。
[0005]本专利技术实施例是这样实现的，一种指标预测方法，所述方法包括以下步骤：基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
[0006]作为本专利技术一个优选的实施例，所述基于生产相关历史数据和反应机理建立数字孪生模型的步骤，具体包括：分析反应机理；根据反应机理对每一个反应中间指标的变化列出初步的微分方程组；根据生产相关历史数据对初步的微分方程组的系数进行拟合求解得到微分方程组。
[0007]作为本专利技术另一个优选的实施例，所述训练深度学习模型的步骤，具体包括：根据反应机理定义节点和边；生成关于残差的标签；定义损失函数，以对图深度神经网络模型进行训练，训练过程中自动对权重进行调整更新。
[0008]作为本专利技术另一个优选的实施例，还包括以下步骤：以真实数据对所述数字孪生
模型和深度学习模型进行修正。
[0009]作为本专利技术另一个优选的实施例，所述以真实数据对所述数字孪生模型和深度学习模型进行修正的步骤，具体包括：获取生产相关真实数据；将生产相关真实数据和数据孪生模型的预测结果进行比较，根据比较结果调整微分方程组的系数；基于调整后微分方程组输出的反应中间指标的预测值，计算获取反应中间指标与实际值的残差；将所述反应中间指标与实际值的残差输入至深度学习模型中进行预测；预测时按照深层至浅层逐层解冻的方式进行，直至误差收敛至设定阈值时停止，以实现对深度学习模型的修正。
[0010]作为本专利技术另一个优选的实施例，所述对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果的步骤，具体包括：获取数字孪生模型和深度学习模型的输出结果；将所述输出结果输入至感知机模型中，由所述感知机模型输出指标预测结果。
[0011]作为本专利技术另一个优选的实施例，还包括将指标预测结果实时通过有线或无线方式向用户展示的步骤。
[0012]本专利技术实施例的另一目的在于提供一种指标预测系统，包括：数据采集模块，用于采集生产相关历史数据；第一模型预测模块，用于基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；第二模型预测模块，用于以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；结果处理模块，用于将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。
[0013]本专利技术实施例的另一目的在于提供一种所述的指标预测方法在磷酸生产中的应用。
[0014]本专利技术实施例提供的一种指标预测方法，其基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果，可以提前预知系统一段时间后的产出情况，大大提高了现场人员对系统的控制能力，减少控制时间成本，为使用者创造更大价值；而且其不改变生产过程中的原料与流程的对应关系，不需要改变生产设备及工艺，可以与传统生产系统无缝结合，功能扩展性强，因此能够最大程度上减少平台与设备成本。
附图说明
[0015]图1为本专利技术实施例提供的一种指标预测方法的应用环境图；
图2为本专利技术实施例提供的一种指标预测方法的流程图；图3为本专利技术实施例提供的建立数字孪生模型的流程图；图4为本专利技术实施例提供的以生产相关历史数据作为测试样本训练深度学习模型的流程图；图5为本专利技术实施例提供的以真实数据对所述数字孪生模型和深度学习模型进行修正的流程图；图6为本专利技术实施例提供的对数字孪生模型和深度学习模型的输出结果进行耦合处理的流程图；图7为本专利技术实施例提供的一种指标预测系统的结构框图；图8为一个实施例中计算机设备的内部结构框图。
具体实施方式
[0016]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0017]可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
[0018]图1为本专利技术实施例提供一种指标预测方法的应用环境图，如图1所示，在该应用环境中，包括终端110以及计算机设备120。计算机设备120可以是独立的物理服务器或终端，也可以是多个物理服务器构成的服务器集群，可以是提供云服务器、云数据库、云存储和CDN等基础云计算服务的云服务器。
[0019]终端110可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端110以及计算机设备120可以通过网络进行连接，本专利技术在此不做限制。
[0020]如图2所示，在一个实施例中，提出了一种指标预测方法，本实施例主要以该方法应用于上述图1中的终端110（或服务器120）来举例说明。一种指标预测方法，具体可以包括以下步骤：S100，基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标。
[0021]本专利技术实施例中所指生产相关历史数据包括反应过程中的温度、压力、密度、电流、电压、液位本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种指标预测方法，其特征在于，所述方法包括以下步骤：基于生产相关历史数据和反应机理建立数字孪生模型，所述数字孪生模型用于预测反应中间指标；以生产相关历史数据作为测试样本训练深度学习模型，所述深度学习模型用于对数字孪生模型输出值和实际值的残差进行预测；将生产相关实时数据输入至数字孪生模型和深度学习模型中，对数字孪生模型和深度学习模型的输出结果进行耦合处理，以获取指标预测结果。2.根据权利要求1所述的方法，其特征在于，所述基于生产相关历史数据和反应机理建立数字孪生模型的步骤，具体包括：分析反应机理；根据反应机理对每一个反应中间指标的变化列出初步的微分方程组；根据生产相关历史数据对初步的微分方程组的系数进行拟合求解得到微分方程组。3.根据权利要求1所述的方法，其特征在于，所述训练深度学习模型的步骤，具体包括：根据反应机理定义节点和边；生成关于残差的标签；定义损失函数，以对图深度神经网络模型进行训练，训练过程中自动对权重进行调整更新。4.根据权利要求2所述的方法，其特征在于，还包括以下步骤：以真实数据对所述数字孪生模型和深度学习模型进行修正。5.根据权利要求4所述的方法，其特征在于，所述以真实数据对所述数字孪生模型和深度学习模型进行修正的步骤，具体包括：获取生产相关真实数据；将生产相关真实数据和数据孪生模型的预测结果进行比较，根据比较结果调整微分方程组的系...

【专利技术属性】
技术研发人员：李颉，左肇煜，杨阳，孙小娟，张恒，代光然，黄毅，廖恺，
申请(专利权)人：安徽瑞邦数科科技服务有限公司，
类型：发明
国别省市：