[发明专利]一种基于机器学习模型的MCS合成装置反应温度预测方法

权利要求书

1.一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，包括：

从MCS合成装置运行相关变量中筛选出与反应温度有关的变量因素；

获取与反应温度有关的变量因素所对应的历史数据并进行预处理；

基于预处理后的历史数据作为训练数据采用ε-SVR机器学习算法建立SVR反应温度变化率预测模型；

获取与反应温度有关的变量因素所对应的当前数据并输入训练好的SVR反应温度变化率预测模型，计算获得未来一段时间的反应温度变化率预测值，通过对当前反应温度值与反应温度变化率预测值进行累加，获得未来一段时间MCS合成装置的反应温度预测值。

2.根据权利要求1所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述与反应温度有关的变量因素包括：

导热油流量、流化床密度、硅粉进料速率、催化剂进料速率、流化床反应器顶压、氯甲烷进料速率、导热油进流化床温度变化率、导热油出流化床温度变化率、导热油进流化床温度、导热油出流化床温度、氯甲烷侧面喷枪压力。

3.根据权利要求2所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述获取与反应温度有关的变量因素所对应的历史数据并进行预处理包括：

对于反应温度变化率、硅粉进料速率对应历史数据进行一阶差分处理，对于导热油流量、流化床反应器顶压对应历史数据采用移动平均法对数据进行平滑处理以清洗数据噪音。

4.根据权利要求2所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述获取与反应温度有关的变量因素所对应的历史数据并进行预处理包括：

对存在时间迟滞的历史数据进行数据对齐处理。

5.根据权利要求4所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述对存在时间迟滞的历史数据进行数据对齐处理包括：

采用皮尔逊相关系数分析判断各变量因素与反应温度数据的停留时间；

计算反应温度与因素变量在设置迟滞时间的相关性系数序列寻找相关性最强的时间点作为迟滞时间；

基于迟滞时间对齐存在时间迟滞的历史数据。

6.根据权利要求1所述的一种基于机器学习模型的MCS合成装置反应温度预测方法，其特征在于，所述基于预处理后的历史数据作为训练数据采用ε-SVR机器学习算法建立SVR反应温度变化率预测模型包括：

设立不敏感损失函数：

c(x,y,f(x))＝|y-f(x)|_ε

|y-f(x)|_ε＝max{0,|y-f(x)|-ε}，

其中，ε为设定的一个正数，当x点的观察值y与预测值f(x)之差不超过事先给定的ε时，则认为该点的预测值f(x)是无损失的；

建立样本训练集D作为输入向量：

D＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)},x_i∈X,y_i∈R,(i＝1,2,...,n)，

其中历史数据定义为数据集X，反应温度变化率对应数据定义为数据集R，n为数据的总数；

基于样本训练集D得到回归函数：

其中，x_i为样本训练集D中的支持向量，K(x,x_i)为核函数，α^(*)≥0为Lagrange函数乘子，b为模型参数。