[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

说明书

本发明涉及工业装置数据挖掘领域，尤其涉及一种基于机器学习模型的MCS合成装置反应温度预测方法，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；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。通过对甲基氯硅烷(MCS)合成装置运行反应温度进行预测，能够分析当前该甲基氯硅烷(MCS)合成装置的反应温度的稳定性及变化趋势。

技术领域

本发明涉及工业装置数据挖掘领域，尤其涉及一种基于机器学习模型的MCS合成装置反应温度预测方法。

背景技术

甲基氯硅烷单体中的二甲基二氯硅烷是合成有机硅材料最重要的原料，有机硅材料因其特殊性能在尖端领域具有重要作用。在甲基氯硅烷(MCS)合成装置运行过程中，甲基氯硅烷(MCS)的合成反应是一种强放热反应而反应物硅粉的导热性不佳，并且反应目标产物-甲级氯硅烷单体在过高的温度下易分解产生高沸物，反之反应温度过低时会导致目标产量过低及飞灰量增加从而导致原料浪费生产成本增加，因此反应温度的控制是甲基氯硅烷(MCS)合成装置运行过程中的关键技术。因此对甲基氯硅烷(MCS)合成装置运行过程中的反应温度进行预测对于稳定运行过程中的反应温度波动、目标物质甲基氯硅烷单体的波动以及整体反应运行周期时间的延长都具有十分重要的意义。

MCS合成装置运行过程中的反应温度数据是一类时序型数据，目前针对MCS合成装置反应温度预测方法的文献较少，对于时序型数据的预测方法主要有以下几种类型：

第一种是采用灰预测模型进行时序数据预测，通常采用GM(1,1)模型。该方法是将时序历史数据作为原始序列，将原始序列进行累加预处理后生成更有规律的新数据序列，然后利用新数据序列建立一阶单变量微分方程寻找新数据序列的规律，通过解微分方程获得数据响应序列，对计算结果进行差分获得原始序列拟合值，最后再进行检验以确保模型的预测精度。该方法具有数据需求量少、计算简便、原始数据无需规律分布等特点，但也具有容错性小、稳健性受到参数估计的影响较大且不适合进行长期分析等缺点。

第二种是利用时间序列法进行时序数据的预测。时间序列法通常是将历史数据根据时间顺序进行排列得到一串原始序列，再对该序列进行外推预测该序列的未来发展趋势，时间序列法能够快速分析时序数据的连续变化特征，反映了数据对象的单向线性联系，但该方法对历史数据的依赖度较高，适合预测稳定延续的数据，忽略了其他相关变量因素的影响。

第三种是基于多元回归分析模型的数据预测。该方法假设一组变量因素与目标变量之间存在关联并建立样本数据集，数据集将目标值作为因变量其他因素作为解释变量，然后根据数据集样本的观测值对回归模型的参数进行估计获得回归方程并对回归方程进行显著性检验，然后根据该回归方程进行数据预测。该方法能够反映了目标变量与解释变量间的线性关系，但预测精度受到相关解释变量数据质量的影响较大，并且难以反映非线性关系。

发明内容

为解决上述问题，本发明提出一种基于机器学习模型的MCS合成装置反应温度预测方法。

一种基于机器学习模型的MCS合成装置反应温度预测方法，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；