CN118079592A - 变压吸附自动化控制系统及其方法 - Google Patents
变压吸附自动化控制系统及其方法 Download PDFInfo
- Publication number
- CN118079592A CN118079592A CN202410490361.2A CN202410490361A CN118079592A CN 118079592 A CN118079592 A CN 118079592A CN 202410490361 A CN202410490361 A CN 202410490361A CN 118079592 A CN118079592 A CN 118079592A
- Authority
- CN
- China
- Prior art keywords
- gas flow
- time sequence
- sequence
- feed gas
- correlation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001179 sorption measurement Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000003795 desorption Methods 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 20
- 239000013598 vector Substances 0.000 claims description 182
- 230000004927 fusion Effects 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 37
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000003463 adsorbent Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000002787 reinforcement Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/02—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography
- B01D53/04—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols by adsorption, e.g. preparative gas chromatography with stationary adsorbents
- B01D53/047—Pressure swing adsorption
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B01—PHYSICAL OR CHEMICAL PROCESSES OR APPARATUS IN GENERAL
- B01D—SEPARATION
- B01D53/00—Separation of gases or vapours; Recovering vapours of volatile solvents from gases; Chemical or biological purification of waste gases, e.g. engine exhaust gases, smoke, fumes, flue gases, aerosols
- B01D53/30—Controlling by gas-analysis apparatus
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Oil, Petroleum & Natural Gas (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Separation Of Gases By Adsorption (AREA)
Abstract
本申请涉及智能控制技术领域，其具体地公开了一种变压吸附自动化控制系统及其方法，其采用基于深度学习的人工智能技术对进料气体的流量进行监控分析，捕捉到进料气体流量在局部时域下的时序关联特征，以及进料气体流量在相邻局部时域间的时序交互关联模式，并基于注意力机制对进料气体流量的局部时序关联特征进行整体分布强化融合，以挖掘出进料气体流量的全时域时序关联特征，从而智能指导解吸压力的调整方向。这样，可以实现变压吸附过程中解吸压力的精确控制，提高解吸过程的稳定性以及整体生产效率，并降低操作人员的劳动强度。
Description
技术领域
本申请涉及智能控制技术领域，且更为具体地，涉及一种变压吸附自动化控制系统及其方法。
背景技术
随着科技的不断进步和工业自动化的飞速发展，变压吸附（PSA）技术，以其高效的气体分离能力，在化工、能源等多个领域展现出了广阔的应用前景。PSA技术的核心在于通过吸附剂对气体组分的吸附和解吸作用，实现气体的分离和纯化。在变压吸附(PSA)过程中，解吸压力是一个关键参数，直接影响吸附效率、产品质量以及整个生产过程的稳定性。因此，在变压吸附工艺中，对解吸压力的精确控制是确保吸附和解吸过程高效、稳定运行的关键。
然而，现有的解吸压力控制方法主要依赖于人工经验预设参数和固定的控制逻辑，难以适应实际生产过程中复杂多变的环境条件和操作要求。尤其是在大规模工业生产中，由于进料气体的流量、成分等参数的实时变化，传统控制方法的调节能力和适应性往往受到限制，难以保证变压吸附的性能。因此，期待一种优化的变压吸附自动化控制系统及其方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种变压吸附自动化控制系统及其方法，其采用基于深度学习的人工智能技术对进料气体的流量进行监控分析，捕捉到进料气体流量在局部时域下的时序关联特征，以及进料气体流量在相邻局部时域间的时序交互关联模式，并基于注意力机制对进料气体流量的局部时序关联特征进行整体分布强化融合，以挖掘出进料气体流量的全时域时序关联特征，从而智能指导解吸压力的调整方向。这样，可以实现变压吸附过程中解吸压力的精确控制，提高解吸过程的稳定性以及整体生产效率，并降低操作人员的劳动强度。
相应地，根据本申请的一个方面，提供了一种变压吸附自动化控制系统，其包括：进料气体流量监控模块，用于获取由流量计采集的进料气体流量的时间序列；进料气体流量时序分析模块，用于对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；时序交互关联模块，用于计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；全时域自相关融合模块，用于对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；控制指令生成模块，用于基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
在上述变压吸附自动化控制系统中，所述进料气体流量时序分析模块，包括：数据预处理单元，用于对所述进料气体流量的时间序列进行数据预处理以得到进料气体流量局部时序输入向量的序列；局部时序特征提取单元，用于将所述进料气体流量局部时序输入向量的序列通过基于一维扩展卷积神经网络模型的进料气体流量时序特征提取器以得到所述进料气体流量局部时序关联特征向量的序列。
在上述变压吸附自动化控制系统中，所述数据预处理单元，包括：序列切分子单元，用于以预定时间尺度对所述进料气体流量的时间序列进行序列切分以得到进料气体流量的局部时间序列的序列；时序规整子单元，用于将所述进料气体流量的局部时间序列的序列中的各个进料气体流量的局部时间序列分别按照时间维度进行数据规整以得到所述进料气体流量局部时序输入向量的序列。
在上述变压吸附自动化控制系统中，所述局部时序特征提取单元，用于：以如下一维扩展卷积公式对所述进料气体流量局部时序输入向量进行处理以得到所述进料气体流量局部时序关联特征向量；其中，所述一维扩展卷积公式为：；其中，一维扩展卷积核/>的尺寸为/>，/>为原始卷积核的长度，/>为扩展率，/>表示以所述进料气体流量局部时序输入向量中第/>个位置的特征值为首的长度为/>的时间窗口，/>是偏置项，且/>，/>是非线性激活函数，/>是第/>个进料气体流量局部卷积编码特征向量，/>为所述进料气体流量局部时序输入向量的维度，/>是所述进料气体流量局部时序关联特征向量，/>表示级联。
在上述变压吸附自动化控制系统中，所述时序交互关联模块，用于：以如下时序交互关联公式计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到所述进料气体流量局部时序交互关联特征向量的序列，其中，所述时序交互关联公式为：；其中，为前一个所述进料气体流量局部时序关联特征向量，/>为后一个所述进料气体流量局部时序关联特征向量，/>表示特征向量的L2范数的平方，/>表示元素对位相减求差处理，/>表示所述进料气体流量局部时序交互关联特征向量。
在上述变压吸附自动化控制系统中，所述全时域自相关融合模块，用于：将所述进料气体流量局部时序交互关联特征向量的序列通过基于自相关注意力网络的时序融合分析器以得到所述全时域进料气体流量时序关联特征向量。
在上述变压吸附自动化控制系统中，所述全时域自相关融合模块，用于：以如下自相关注意力融合公式对所述进料气体流量局部时序交互关联特征向量的序列进行处理以得到所述全时域进料气体流量时序关联特征向量；其中，所述自相关注意力融合公式为：；其中，/>为所述进料气体流量局部时序交互关联特征向量的序列中第/>个进料气体流量局部时序交互关联特征向量，/>为权重系数矩阵，/>为权重系数向量，/>为偏置向量，/>为第/>个注意力打分系数，/>为激活函数，/>和是超参数，/>表示以e为底的指数函数处理，/>为第/>个注意力打分系数，/>为所述进料气体流量局部时序交互关联特征向量的个数，/>为第/>个注意力权重，/>为所述全时域进料气体流量时序关联特征向量。
在上述变压吸附自动化控制系统中，所述控制指令生成模块，包括：特征分布优化单元，用于对所述全时域进料气体流量时序关联特征向量进行特征分布优化以得到优化后全时域进料气体流量时序关联特征向量；分类控制单元，用于将所述优化后全时域进料气体流量时序关联特征向量通过基于分类器的自适应控制器以得到所述控制指令，所述控制指令用于表示当前时间点的解吸压力应增大、应减小或应保持不变。
在上述变压吸附自动化控制系统中，所述分类控制单元，用于：使用所述基于分类器的自适应控制器的全连接层对所述优化后全时域进料气体流量时序关联特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述基于分类器的自适应控制器的Softmax分类函数以得到所述优化后全时域进料气体流量时序关联特征向量归属于各个分类标签的概率值，所述分类标签包括增大、减小和保持不变；将所述概率值中最大者对应的分类标签确定为所述控制指令。
根据本申请的另一个方面，提供了一种变压吸附自动化控制方法，其包括：获取由流量计采集的进料气体流量的时间序列；对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
与现有技术相比，本申请提供的变压吸附自动化控制系统及其方法，其采用基于深度学习的人工智能技术对进料气体的流量进行监控分析，捕捉到进料气体流量在局部时域下的时序关联特征，以及进料气体流量在相邻局部时域间的时序交互关联模式，并基于注意力机制对进料气体流量的局部时序关联特征进行整体分布强化融合，以挖掘出进料气体流量的全时域时序关联特征，从而智能指导解吸压力的调整方向。这样，可以实现变压吸附过程中解吸压力的精确控制，提高解吸过程的稳定性以及整体生产效率，并降低操作人员的劳动强度。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的变压吸附自动化控制系统的框图。
图2为根据本申请实施例的变压吸附自动化控制系统的架构示意图。
图3为根据本申请实施例的变压吸附自动化控制系统中进料气体流量时序分析模块的框图。
图4为根据本申请实施例的变压吸附自动化控制系统中数据预处理单元的框图。
图5为根据本申请实施例的变压吸附自动化控制系统中控制指令生成模块的框图。
图6为根据本申请实施例的变压吸附自动化控制方法的流程图。
具体实施方式
下面，将结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。同时，附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的变压吸附自动化控制系统的框图。图2为根据本申请实施例的变压吸附自动化控制系统的架构示意图。如图1和图2所示，根据本申请实施例的变压吸附自动化控制系统100，包括：进料气体流量监控模块110，用于获取由流量计采集的进料气体流量的时间序列；进料气体流量时序分析模块120，用于对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；时序交互关联模块130，用于计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；全时域自相关融合模块140，用于对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；控制指令生成模块150，用于基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
如上述背景技术所言，现有的解吸压力控制方法主要依赖于人工经验预设参数和固定的控制逻辑，难以适应实际生产过程中复杂多变的环境条件和操作要求。尤其是在大规模工业生产中，由于进料气体的流量、成分等参数的实时变化，传统控制方法的调节能力和适应性往往受到限制，难以保证变压吸附的性能。针对上述技术问题，本申请的技术构思为采用基于深度学习的人工智能技术对进料气体的流量进行监控分析，捕捉到进料气体流量在局部时域下的时序关联特征，以及进料气体流量在相邻局部时域间的时序交互关联模式，并基于注意力机制对进料气体流量的局部时序关联特征进行整体分布强化融合，以挖掘出进料气体流量的全时域时序关联特征，从而智能指导解吸压力的调整方向。这样，可以实现变压吸附过程中解吸压力的精确控制，提高解吸过程的稳定性以及整体生产效率，并降低操作人员的劳动强度。
在上述变压吸附自动化控制系统100中，所述进料气体流量监控模块110，用于获取由流量计采集的进料气体流量的时间序列。应可以理解，进料气体流量是变压吸附过程中的重要参数，对于解吸压力的控制具有重要的指导意义。具体而言，进料气体流量的大小直接影响了吸附剂的饱和程度；流量越大，吸附剂饱和的速度越快，可能会导致吸附效率的降低。而解吸压力的大小决定了吸附剂解吸的程度；压力越低，解吸的程度越高，有助于提高产品的纯度。也就是说，当进料气体流量发生变化时，需要对解吸压力进行相应的调整以保持吸附和解吸过程的平衡。基于此，在本申请的技术方案中，通过采集进料气体流量的时间序列，挖掘出进料气体的流量时序动态变化特性，以此来作为解吸压力的控制依据，对解吸压力进行相应的调整，从而优化变压吸附过程，实现更高的操作效率和更好的吸附效果。
在上述变压吸附自动化控制系统100中，所述进料气体流量时序分析模块120，用于对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列。其中，图3为根据本申请实施例的变压吸附自动化控制系统中进料气体流量时序分析模块的框图。如图3所示，所述进料气体流量时序分析模块120，包括：数据预处理单元121，用于对所述进料气体流量的时间序列进行数据预处理以得到进料气体流量局部时序输入向量的序列；局部时序特征提取单元122，用于将所述进料气体流量局部时序输入向量的序列通过基于一维扩展卷积神经网络模型的进料气体流量时序特征提取器以得到所述进料气体流量局部时序关联特征向量的序列。
具体地，所述数据预处理单元121，用于对所述进料气体流量的时间序列进行数据预处理以得到进料气体流量局部时序输入向量的序列。其中，图4为根据本申请实施例的变压吸附自动化控制系统中数据预处理单元的框图。如图4所示，所述数据预处理单元121，包括：序列切分子单元1211，用于以预定时间尺度对所述进料气体流量的时间序列进行序列切分以得到进料气体流量的局部时间序列的序列；时序规整子单元1212，用于将所述进料气体流量的局部时间序列的序列中的各个进料气体流量的局部时间序列分别按照时间维度进行数据规整以得到所述进料气体流量局部时序输入向量的序列。
具体地，所述序列切分子单元1211，用于以预定时间尺度对所述进料气体流量的时间序列进行序列切分以得到进料气体流量的局部时间序列的序列。应可以理解，由于所述进料气体流量的时间序列的时间维度较长，直接对其进行全局时序特征分析可能会引入过多的冗余信息和计算负担。并且，考虑到在变压吸附过程中，进料气体流量的变化特性在不同的时间尺度下具有不同的时序模式。因此，为了更精细地捕捉到进料气体流量的时序模式特征，并降低计算复杂度，在本申请的技术方案中，进一步以预定时间尺度对所述进料气体流量的时间序列进行序列切分，以其切分成一系列较短的局部时间序列，从而可以对每个局部时间序列进行独立的数据分析，便于捕捉到进料气体流量在局部时域下的时序关联特性。
具体地，所述时序规整子单元1212，用于将所述进料气体流量的局部时间序列的序列中的各个进料气体流量的局部时间序列分别按照时间维度进行数据规整以得到所述进料气体流量局部时序输入向量的序列。应可以理解，考虑到所述进料气体流量随着时间的推移而不断变化，且各个时间点的气体流量数据之间存在时序上的关联性。因此，为了保留数据的时间顺序关系，以便于后续的时序特征分析，在本申请的技术方案中，将所述进料气体流量的局部时间序列的序列中的各个进料气体流量的局部时间序列分别按照时间维度排列为时序输入向量，使得模型能够更好地理解数据点之间的时间关系，为后续的时序特征分析提供数据基础。
具体地，所述局部时序特征提取单元122，用于将所述进料气体流量局部时序输入向量的序列通过基于一维扩展卷积神经网络模型的进料气体流量时序特征提取器以得到所述进料气体流量局部时序关联特征向量的序列。应可以理解，一维扩展卷积神经网络模型一种特殊的卷积神经网络，其通过引入了扩展率超参数，在卷积核上应用稀疏连接，从而能够在不增加网络模型参数的情况下，增大网络的感受野，捕捉到更多的时序关联特征信息。在本申请的技术方案中，采用一维扩展卷积神经网络模型作为进料气体流量时序特征提取器对所述进料气体流量局部时序输入向量的序列进行卷积处理，能够有效地学习到各个进料气体流量局部时序输入向量中的时序依赖关系，提取出进料气体流量在局部时域下的时序关联特征，以此来表征进料气体流量在局部时域内的时序动态变化特性，从而为后续的解吸压力控制提供重要依据。
在本申请的一个具体示例中，所述局部时序特征提取单元122，用于：以如下一维扩展卷积公式对所述进料气体流量局部时序输入向量进行处理以得到所述进料气体流量局部时序关联特征向量；其中，所述一维扩展卷积公式为：；其中，一维扩展卷积核/>的尺寸为/>，/>为原始卷积核的长度，/>为扩展率，/>表示以所述进料气体流量局部时序输入向量中第/>个位置的特征值为首的长度为/>的时间窗口，/>是偏置项，且/>，/>是非线性激活函数，/>是第/>个进料气体流量局部卷积编码特征向量，/>为所述进料气体流量局部时序输入向量的维度，/>是所述进料气体流量局部时序关联特征向量，/>表示级联。
在上述变压吸附自动化控制系统100中，所述时序交互关联模块130，用于计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列。应可以理解，考虑到在实际生产过程中，所述进料气体流量的时间序列数据不仅在局部时间尺度内呈现出时序相关性，在相邻的局部时域之间也存在着交互关联关系。因此，为了更深入地理解进料气体流量在全局时域上的整体时序模式，需要进一步考虑相邻局部时域间的时序交互关联模式。基于此，在本申请的技术方案中，通过计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量，来捕捉到进料气体流量在不同局部时域间的交互影响，挖掘出进料气体流量在时序上的动态交互特性，从而能够更充分地理解进料气体流量在全局时域上的时序动态变化规律，为后续的解吸压力控制提供更加全面和准确的信息。
在本申请的一个具体示例中，所述时序交互关联模块130，用于：以如下时序交互关联公式计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到所述进料气体流量局部时序交互关联特征向量的序列，其中，所述时序交互关联公式为：；其中，/>为前一个所述进料气体流量局部时序关联特征向量，/>为后一个所述进料气体流量局部时序关联特征向量，/>表示特征向量的L2范数的平方，/>表示元素对位相减求差处理，/>表示所述进料气体流量局部时序交互关联特征向量。
在上述变压吸附自动化控制系统100中，所述全时域自相关融合模块140，用于对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量。在本申请的一个具体示例中，对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合的处理方式是将所述进料气体流量局部时序交互关联特征向量的序列通过基于自相关注意力网络的时序融合分析器以得到所述全时域进料气体流量时序关联特征向量。应可以理解，所述进料气体流量局部时序交互关联特征向量的序列中包含了进料气体流量在不同局部时域下的时序关联特征，以及相邻时域间的时序交互关联特征。然而，由于这些特征信息来自于不同的局部时域，可能存在信息冗余和冲突。因此，为了对其进行有效的信息整合，以获取进料气体流量的整体时序关联特征，在本申请的技术方案中，引入基于自相关注意力网络的时序融合分析器来对所述进料气体流量局部时序交互关联特征向量的序列进行融合分析。具体而言，自相关注意力网络是一种能够自动学习数据间相关性和注意力权重的神经网络结构，可以有效地强化重要特征并抑制次要特征，从而提升特征的表征能力。这里，自相关注意力网络通过学习各个进料气体流量局部时序交互关联特征向量之间的相关性，为其赋予不同的权重，通过加权融合的方式实现对重要信息的强化和冗余信息的抑制，从而实现了特征的有效融合，以获得全面、准确的进料气体流量全局时序关联变化特征。
具体地，所述全时域自相关融合模块140，用于：以如下自相关注意力融合公式对所述进料气体流量局部时序交互关联特征向量的序列进行处理以得到所述全时域进料气体流量时序关联特征向量；其中，所述自相关注意力融合公式为：；其中，/>为所述进料气体流量局部时序交互关联特征向量的序列中第/>个进料气体流量局部时序交互关联特征向量，/>为权重系数矩阵，/>为权重系数向量，/>为偏置向量，/>为第/>个注意力打分系数，/>为激活函数，/>和是超参数，/>表示以e为底的指数函数处理，/>为第/>个注意力打分系数，/>为所述进料气体流量局部时序交互关联特征向量的个数，/>为第/>个注意力权重，/>为所述全时域进料气体流量时序关联特征向量。
在上述变压吸附自动化控制系统100中，所述控制指令生成模块150，用于基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。其中，图5为根据本申请实施例的变压吸附自动化控制系统中控制指令生成模块的框图。如图5所示，所述控制指令生成模块150，包括：特征分布优化单元151，用于对所述全时域进料气体流量时序关联特征向量进行特征分布优化以得到优化后全时域进料气体流量时序关联特征向量；分类控制单元152，用于将所述优化后全时域进料气体流量时序关联特征向量通过基于分类器的自适应控制器以得到所述控制指令，所述控制指令用于表示当前时间点的解吸压力应增大、应减小或应保持不变。
具体地，所述特征分布优化单元151，用于对所述全时域进料气体流量时序关联特征向量进行特征分布优化以得到优化后全时域进料气体流量时序关联特征向量。在上述技术方案中，所述进料气体流量局部时序关联特征向量的序列表达所述进料气体流量在局部时域下的局部时序关联特征，由此，计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量后，进料气体流量局部时序交互关联特征向量的序列可以表达相邻局部时域间的时序交互关联特征，这样，在进一步将所述进料气体流量局部时序交互关联特征向量的序列通过基于自相关注意力网络的时序融合分析器，可以通过对于所述进料气体流量局部时序交互关联特征向量基于局部时域进行整体分布注意力强化来将与某些局部时域对应的时序交互关联特征进行显著化，但是这也会其特征表示偏离全局时域下的各个局部时域对应的时序交互关联特征，从而影响所述全时域进料气体流量时序关联特征向量的表达效果。
因此，在本申请的技术方案中，期望通过进一步融合所述全时域进料气体流量时序关联特征向量和所述进料气体流量局部时序交互关联特征向量的序列来优化所述全时域进料气体流量时序关联特征向量。并且，进一步考虑到在经过自相关注意力网络的时序融合分析后，所述全时域进料气体流量时序关联特征向量相对于所述进料气体流量局部时序交互关联特征向量的序列的特征分布结构变化。
基于此，在本申请的技术方案中，以如下优化融合公式对所述全时域进料气体流量时序关联特征向量和所述进料气体流量局部时序交互关联特征向量的序列进行优化融合，以得到优化后全时域进料气体流量时序关联特征向量，其中，所述优化融合公式为：；其中，/>是所述全时域进料气体流量时序关联特征向量，/>是所述进料气体流量局部时序交互关联特征向量的序列级联后的级联特征向量，/>，/>，特征向量/>和/>具有相同长度/>，/>和/>是尺度超参数，/>表示向量乘法运算，/>表示特征向量的转置，且/>是距离差值超参数，是所述优化后全时域进料气体流量时序关联特征向量的各个位置的特征值。
这里，针对特征融合场景下，所述全时域进料气体流量时序关联特征向量和所述进料气体流量局部时序交互关联特征向量的序列之间的流形分布距离导致的流形网络结构交互重建困难的问题，通过低阶中尺度希尔伯特空间基元结构对于复杂流形网络结构中的网络子结构的有效近似，来进行基于距离表示的低阶中尺度子流形交互行为构建，从而在网络相互作用层面上理解网络中的异常子流形交互，提升所述全时域进料气体流量时序关联特征向量和所述进料气体流量局部时序交互关联特征向量的序列的特征融合表示效果。这样，再将由组成的优化后的全时域进料气体流量时序关联特征向量通过分类器进行分类，就可以藉由提升所述全时域进料气体流量时序关联特征向量的表达效果来改进分类结果的准确性。
具体地，所述分类控制单元152，用于将所述优化后全时域进料气体流量时序关联特征向量通过基于分类器的自适应控制器以得到所述控制指令，所述控制指令用于表示当前时间点的解吸压力应增大、应减小或应保持不变。也就是，采用基于分类器的自适应控制器来实现对解吸压力进行自适应控制。具体地，所述自适应控制器基于预先训练好的分类器模型，将所述优化后全时域进料气体流量时序关联特征向量作为输入，通过分类器对所述优化后全时域进料气体流量时序关联特征向量进行特征学习和分类决策，输出相应的控制指令，用于指导解吸压力的调整，使得解吸压力能够适应当前时间进料气体流量的变化，从而优化整个生产过程的效率和稳定性。
在本申请的一个具体示例中，所述分类控制单元152，用于：使用所述基于分类器的自适应控制器的全连接层对所述优化后全时域进料气体流量时序关联特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述基于分类器的自适应控制器的Softmax分类函数以得到所述优化后全时域进料气体流量时序关联特征向量归属于各个分类标签的概率值，所述分类标签包括增大、减小和保持不变；将所述概率值中最大者对应的分类标签确定为所述控制指令。
综上，根据本申请实施例的变压吸附自动化控制系统被阐明，其采用基于深度学习的人工智能技术对进料气体的流量进行监控分析，捕捉到进料气体流量在局部时域下的时序关联特征，以及进料气体流量在相邻局部时域间的时序交互关联模式，并基于注意力机制对进料气体流量的局部时序关联特征进行整体分布强化融合，以挖掘出进料气体流量的全时域时序关联特征，从而智能指导解吸压力的调整方向。这样，可以实现变压吸附过程中解吸压力的精确控制，提高解吸过程的稳定性以及整体生产效率，并降低操作人员的劳动强度。
图6为根据本申请实施例的变压吸附自动化控制方法的流程图。如图6所示，根据本申请实施例的变压吸附自动化控制方法，包括步骤：S1，获取由流量计采集的进料气体流量的时间序列；S2，对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；S3，计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；S4，对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；S5，基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
这里，本领域技术人员可以理解，上述变压吸附自动化控制方法中的各个步骤的具体操作已经在上面参考图1到图5的变压吸附自动化控制系统的描述中得到了详细介绍，并因此，将省略其重复描述。
以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述实施例的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元也可以由一个单元通过软件或者硬件来实现。
最后应说明的是，为了例示和描述的目的已经给出了以上描述。此外，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种变压吸附自动化控制系统，其特征在于，包括：进料气体流量监控模块，用于获取由流量计采集的进料气体流量的时间序列；进料气体流量时序分析模块，用于对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；时序交互关联模块，用于计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；全时域自相关融合模块，用于对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；控制指令生成模块，用于基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
2.根据权利要求1所述的变压吸附自动化控制系统，其特征在于，所述进料气体流量时序分析模块，包括：数据预处理单元，用于对所述进料气体流量的时间序列进行数据预处理以得到进料气体流量局部时序输入向量的序列；局部时序特征提取单元，用于将所述进料气体流量局部时序输入向量的序列通过基于一维扩展卷积神经网络模型的进料气体流量时序特征提取器以得到所述进料气体流量局部时序关联特征向量的序列。
3.根据权利要求2所述的变压吸附自动化控制系统，其特征在于，所述数据预处理单元，包括：序列切分子单元，用于以预定时间尺度对所述进料气体流量的时间序列进行序列切分以得到进料气体流量的局部时间序列的序列；时序规整子单元，用于将所述进料气体流量的局部时间序列的序列中的各个进料气体流量的局部时间序列分别按照时间维度进行数据规整以得到所述进料气体流量局部时序输入向量的序列。
4.根据权利要求3所述的变压吸附自动化控制系统，其特征在于，所述局部时序特征提取单元，用于：以如下一维扩展卷积公式对所述进料气体流量局部时序输入向量进行处理以得到所述进料气体流量局部时序关联特征向量；其中，所述一维扩展卷积公式为：；其中，一维扩展卷积核/>的尺寸为/>，/>为原始卷积核的长度，/>为扩展率，/>表示以所述进料气体流量局部时序输入向量中第/>个位置的特征值为首的长度为/>的时间窗口，/>是偏置项，且/>，/>是非线性激活函数，/>是第/>个进料气体流量局部卷积编码特征向量，/>为所述进料气体流量局部时序输入向量的维度，/>是所述进料气体流量局部时序关联特征向量，/>表示级联。
5.根据权利要求4所述的变压吸附自动化控制系统，其特征在于，所述时序交互关联模块，用于：以如下时序交互关联公式计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到所述进料气体流量局部时序交互关联特征向量的序列，其中，所述时序交互关联公式为：；其中，/>为前一个所述进料气体流量局部时序关联特征向量，/>为后一个所述进料气体流量局部时序关联特征向量，/>表示特征向量的L2范数的平方，/>表示元素对位相减求差处理，/>表示所述进料气体流量局部时序交互关联特征向量。
6.根据权利要求5所述的变压吸附自动化控制系统，其特征在于，所述全时域自相关融合模块，用于：将所述进料气体流量局部时序交互关联特征向量的序列通过基于自相关注意力网络的时序融合分析器以得到所述全时域进料气体流量时序关联特征向量。
7.根据权利要求6所述的变压吸附自动化控制系统，其特征在于，所述全时域自相关融合模块，用于：以如下自相关注意力融合公式对所述进料气体流量局部时序交互关联特征向量的序列进行处理以得到所述全时域进料气体流量时序关联特征向量；其中，所述自相关注意力融合公式为：；其中，/>为所述进料气体流量局部时序交互关联特征向量的序列中第/>个进料气体流量局部时序交互关联特征向量，/>为权重系数矩阵，/>为权重系数向量，/>为偏置向量，/>为第/>个注意力打分系数，为激活函数，/>和/>是超参数，/>表示以e为底的指数函数处理，/>为第/>个注意力打分系数，/>为所述进料气体流量局部时序交互关联特征向量的个数，/>为第个注意力权重，/>为所述全时域进料气体流量时序关联特征向量。
8.根据权利要求7所述的变压吸附自动化控制系统，其特征在于，所述控制指令生成模块，包括：特征分布优化单元，用于对所述全时域进料气体流量时序关联特征向量进行特征分布优化以得到优化后全时域进料气体流量时序关联特征向量；分类控制单元，用于将所述优化后全时域进料气体流量时序关联特征向量通过基于分类器的自适应控制器以得到所述控制指令，所述控制指令用于表示当前时间点的解吸压力应增大、应减小或应保持不变。
9.根据权利要求8所述的变压吸附自动化控制系统，其特征在于，所述分类控制单元，用于：使用所述基于分类器的自适应控制器的全连接层对所述优化后全时域进料气体流量时序关联特征向量进行全连接编码以得到全连接编码特征向量；将所述全连接编码特征向量输入所述基于分类器的自适应控制器的Softmax分类函数以得到所述优化后全时域进料气体流量时序关联特征向量归属于各个分类标签的概率值，所述分类标签包括增大、减小和保持不变；将所述概率值中最大者对应的分类标签确定为所述控制指令。
10.一种变压吸附自动化控制方法，其特征在于，包括：获取由流量计采集的进料气体流量的时间序列；对所述进料气体流量的时间序列进行局部时序特征分析以得到进料气体流量局部时序关联特征向量的序列；计算所述进料气体流量局部时序关联特征向量的序列中每相邻两个进料气体流量局部时序关联特征向量之间的时序交互关联向量以得到进料气体流量局部时序交互关联特征向量的序列；对所述进料气体流量局部时序交互关联特征向量的序列进行自相关注意力融合以得到全时域进料气体流量时序关联特征向量；基于所述全时域进料气体流量时序关联特征向量，确定解吸压力的控制指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410490361.2A CN118079592B (zh) | 2024-04-23 | 2024-04-23 | 变压吸附自动化控制系统及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410490361.2A CN118079592B (zh) | 2024-04-23 | 2024-04-23 | 变压吸附自动化控制系统及其方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118079592A true CN118079592A (zh) | 2024-05-28 |
| CN118079592B CN118079592B (zh) | 2024-06-21 |
Family
ID=91163343
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410490361.2A Active CN118079592B (zh) | 2024-04-23 | 2024-04-23 | 变压吸附自动化控制系统及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118079592B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115423080A (zh) * | 2022-09-16 | 2022-12-02 | 中国电信股份有限公司 | 时间序列预测方法、装置、电子设备及介质 |
| WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
| CN117965214A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱二氧化碳制合成气的方法和系统 |
| CN117970987A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 湿法脱硫智能化控制系统及方法 |
-
2024
- 2024-04-23 CN CN202410490361.2A patent/CN118079592B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024011732A1 (zh) * | 2022-07-14 | 2024-01-18 | 福建省杭氟电子材料有限公司 | 六氟丁二烯储放场所的气体监测系统及其监测方法 |
| CN115423080A (zh) * | 2022-09-16 | 2022-12-02 | 中国电信股份有限公司 | 时间序列预测方法、装置、电子设备及介质 |
| CN117965214A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 一种天然气脱二氧化碳制合成气的方法和系统 |
| CN117970987A (zh) * | 2024-04-01 | 2024-05-03 | 新疆凯龙清洁能源股份有限公司 | 湿法脱硫智能化控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118079592B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109581339B (zh) | 一种基于头脑风暴自动调整自编码网络的声呐识别方法 | |
| CN117041017B (zh) | 数据中心的智能运维管理方法及系统 | |
| CN116680557B (zh) | 用于煤层气钻井工程的实时监测系统及其方法 | |
| CN117308077A (zh) | 一种反应堆核电机组蒸发器给水控制系统 | |
| CN116661322A (zh) | 一种无缝内衣机控制系统及控制方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN115688563A (zh) | 一种基于多智能体进化强化学习的加工参数优化方法 | |
| CN117072740A (zh) | 气动调节阀的自动控制系统及其方法 | |
| CN115643115B (zh) | 基于大数据的工控网络安全态势预测方法及系统 | |
| CN118079592B (zh) | 变压吸附自动化控制系统及其方法 | |
| CN109190471B (zh) | 基于自然语言描述的视频监控行人搜索的注意力模型方法 | |
| CN116551466B (zh) | Cnc加工过程中的智能监控系统及其方法 | |
| CN116821745B (zh) | 智能线切割慢走丝设备的控制方法及其系统 | |
| CN118296966A (zh) | 铣刀磨损混合模型、基于加工工艺信息的铣刀磨损混合建模方法及系统 | |
| CN117992496A (zh) | 一种基于时空特征融合的日志异常检测方法 | |
| CN117154256A (zh) | 锂电池的电化学修复方法 | |
| CN117131452A (zh) | 基于归一化流和贝叶斯网络的异常检测方法及系统 | |
| US11783194B1 (en) | Evolutionary deep learning with extended Kalman filter for modeling and data assimilation | |
| CN116072355A (zh) | 光伏线及其智能化制造方法 | |
| Lv et al. | A spatial–temporal variational graph attention autoencoder using interactive information for fault detection in complex industrial processes | |
| CN112348275A (zh) | 一种基于在线增量学习的区域生态环境变化预测方法 | |
| CN113065281A (zh) | 一种基于传递熵与长短期记忆网络的te过程时序预测方法 | |
| Yang et al. | Multi-task Meta Label Correction for Time Series Prediction | |
| CN116825217B (zh) | 制备高纯五氟化磷的方法 | |
| Liu et al. | Enhanced unsupervised data augmentation for emergency events detection and classification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |