[发明专利]一种基于深度学习的甲苯氯化参数自动优化系统

权利要求书

1.一种基于深度学习的甲苯氯化参数自动优化系统，其特征在于，包括：

甲苯氯化数据获取模块，获取甲苯氯化数据；

甲苯氯化数据预处理模块，用于将甲苯氯化数据进行预处理，预处理包括缺失值补充和归一化处理；

甲苯氯化数据划分模块，用于将预处理后得到的甲苯氯化数据划分成训练集样本和验证集样本；

甲苯氯化深度置信网络构建模块，用于构建甲苯氯化深度置信网络；

甲苯质量分数预测模块，用于采用甲苯氯化深度置信网络预测甲苯质量分数；

甲苯质量分数验证模块，用于将预测的甲苯质量分数和预设的甲苯质量分数达标区间进行对比，若甲苯质量分数属于预设的甲苯质量分数达标区间，则让甲苯氯化反应正常进行，否则进入甲苯氯化参数优化模块；

甲苯氯化参数优化模块，内置专家解决方案数据库，用于根据专家解决方案数据库控制执行器对氯化反应进行调节；

构建甲苯氯化深度置信网络，构建甲苯氯化深度置信网络方法如下：

组成，基于BP神经网络建立甲苯氯化深度置信网络，甲苯氯化深度置信网络包括一个输入层、三个隐含层和一个输出层；隐含层包括第一隐含层、第二隐含层和第三隐含层，且输入层与第一隐含层组成RBM1，第一隐含层与第二隐含层组成RBM2，第二隐含层与第三隐含层组成RBM3；

训练，利用训练集样本分别对甲苯氯化深度置信网络中的RBM1、RBM2和RBM3单独进行无监督训练，首先充分训练RBM1，然后固定输入层和第一隐含层之间的权值和偏移量，然后使用第一隐含层的输出值，又作为RBM2中第一隐含层的输入值，充分训练RBM2后，固定第一隐含层和第二隐含层之间的权值和偏移量，然后使用第二隐含层的输出值，作为RBM3中第二隐含层的输入值，充分训练RBM3后，固定第二隐含层和第三隐含层之间的权值和偏移量，再将第三隐含层的输出层作为输出层的输入，最后由输出层输出；

验证，将RBM1、RBM2和RBM3充分训练得到的权值和偏移量作为甲苯氯化深度置信网络的初始权值和初始偏移量，再将验证集样本输入至输入层，通过甲苯氯化深度置信网络输出预测甲苯质量分数，当预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差不在预设可接受误差范围内时，进入误差的反向传播阶段，误差通过输出层，按误差梯度下降的方式修正各层权值和偏移量，向隐含层和输入层逐层反传；若预测的甲苯质量分数与验证集样本中的甲苯质量分数之间的误差在预设可接受误差范围内，则无需调整；

还包括对甲苯氯化深度置信网络进行节点控制，具体方法如下：设置甲苯氯化深度置信网络中的每个节点为X_mn，即第m层的第n个节点，且n＝1,2,3......N，m＝1,2,3......M，当使用验证集样本对甲苯氯化深度置信网络进行验证时，获取每一个节点的输出值为即第m层的第n个节点的输出值，再利用公式：得到每一个节点的贡献占比W_mn，再将这些节点的贡献占比W_mn和预设的贡献占比阈值α进行对比，若该节点的贡献占比W_mn低于预设的贡献占比阈值α，将该节点关闭；否则无操作；

对于甲苯质量分数验证模块，预设一个甲苯质量分数达标区间(0,a)，将甲苯氯化反应中得到的甲苯质量分数ω和预设的甲苯质量分数达标区间进行验证，若ω∈(0，a)且a1，则让甲苯氯化反应正常进行，若ω∈(a，1)且a1，则需要通过人工操作或者根据专家解决方案数据库控制执行器对其进行优化；

对于甲苯氯化参数优化模块，当预测甲苯质量分数不属于预设的甲苯质量分数达标区间时，通过输出的不达标的甲苯氯化数据与专家解决方案数据库进行对比，获取相应的甲苯氯化故障解决方案，最后根据甲苯氯化故障解决方案控制操作执行器对反应进行相应的调整。

2.权利要求1所述的一种基于深度学习的甲苯氯化参数自动优化系统，其特征在于，对于甲苯氯化数据预处理模块，对于甲苯氯化数据预处理方法如下：获取甲苯氯化数据，判断这一时刻的甲苯氯化数据是否存在缺失，若这一时刻的甲苯氯化数据没有缺失，则直接输出此甲苯氯化数据，若这一时刻的甲苯氯化数据缺失，则采用前一时刻的甲苯氯化数据来填补当时时刻对应甲苯氯化数据的缺失值；利用公式将甲苯氯化数据进行归一化，其公式如下：式中，x为甲苯氯化数据样本值，x_min为甲苯氯化数据样本中的最小值，x_max为甲苯氯化数据样本中的最大值，f(x)为归一化后的值。