买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江大学

摘要：本发明公开一种多组分有机废物高温气化过程产气组分的预测方法，包括对原始数据进行预处理；构建BP神经网络模型，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层，先训练第一输入层和第一隐含层得到第一阈值和第一权值；再采用遗传算法训练第二输入层、第二隐含层、输出层得到第二阈值和第二权值得到初始BP神经网络模型；通过产气组分预测数据与产气组分目标数据集构建第二损失函数，通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型。该方法能够高效，准确预测产气组分。

主权项：1.一种多组分有机废物高温气化过程产气组分的预测方法，其特征在于，包括：1获得变量数据和目标数据，对变量数据依次通过箱线图法，归一处理和主成分分析法分别得到第一训练样本集、第二训练样本集、对目标数据依次通过箱线图法，归一处理得到气化炉温度目标数据集和产气组分目标数据集；2构建BP神经网络模型，BP神经网络模型包括第一输入层、第一隐含层、第二输入层、第二隐含层、输出层，将第一训练样本依次输入第一输入层和第一隐含层得到预测气化炉温度，将预测气化炉温度和气化炉温度目标数据的误差作为第一损失函数，基于第一训练样本集通过第一损失函数训练得到第一输入层和第一隐含层的第一阈值，以及第一输入层和第一隐含层间的第一权值；设定第二输入层、第二隐含层和输出层三者间的权值，以及第二输入层、第二隐含层和输出层的阈值，采用遗传算法对设定的权值和阈值进行更新得到第二阈值和第二权值；通过第一阈值、第一权值、第二阈值和第二权值构建初始BP神经网络模型；3将第一训练样本集输入初始BP神经网络模型的第一输入层和将第二训练样本集输入初始BP神经网络模型的第二输入层得到产气组分预测数据，通过产气组分预测数据与产气组分目标数据集构建第二损失函数，基于第一训练样本集和第二训练样本集通过第二损失函数训练初始BP神经网络模型得到产气组分网络模型；变量数据包括第一特征变量、第二特征变量，目标数据包括产气组分目标变量和气化炉温度目标变量；其中，第一特征变量为冷却水进口流量、冷却水进口温度、冷却水出口流量、冷却水出口温度、冷却水压力、激冷室温度和出激冷室合成气温度；第二特征变量为料浆体积流量、料浆质量流量、料浆压力、料浆浓度、料浆灰分、料浆热值、废液体积流量、废液质量流量、废液进气化炉压力、废液水分、废液热值、总管氧流量、中心管氧流量、氧气入炉压力、废液进料浆管流量和气化炉压力；产气组分目标变量为产气CO2比例、产气CO比例和产气H2比例；气化炉温度目标变量为气化炉上部由热电偶测量的温度；对获得的变量数据依次进行箱线图法，归一处理，包括：对获得的原始数据从小到大排列，将排列后的原始数据分成n个等分，并获取n-1个分割点的数值，将大于上边缘和小于下边缘的数据进行删除得到优化数据，将优化数据进行归一化处理转化为【-1,1】区间的预处理变量；其中，下边缘Ld为：Ld＝Q1-1.5IQRIQR＝Qn-1-Q1上边缘Lu为：Lu＝Qn-1+1.5IQR其中，Q1为第一个分割点的数值，Qn-1为第n-1个分割点；预处理变量包括对第一特征向量依次进行箱线图法和归一处理得到第一预处理变量，以及对第二特征向量依次进行箱线图法和归一处理得到第二预处理变量，将第一预处理变量进行主成分分析得到第一训练样本集、将第二预处理变量进行主成分分析得到第二训练样本集；将第一预处理变量进行主成分分析得到第一训练样本集，包括：计算预处理变量的协方差矩阵A： 其中，n为第一预处理变量的样本数，x为第一预处理变量数据集；采用特征值分解法求得协方差矩阵的特征值和对应的特征向量，并将特征值按照从大到小排列；获得前p个主成分的累计贡献率Kp为： 其中，M为特征值的数量，j为特征值的索引；选择累计贡献率Kp达到阈值以上的前a个主成分，即前a个特征值，并将其对应的特征向量分别作为行向量组成特征向量矩阵P；将第一预处理变量和对应的特征向量矩阵进行乘积得到第一训练样本集；第一损失函数O1为： 其中，g为第一训练样本的索引，G为第一训练样本的总数，为第g个训练样本的气化炉温度预测值，tg为第g个训练样本的气化炉温度目标数据；第二损失函数O2为： 其中，r为输出层的神经元节点的索引，R为输出层的神经元的个数，s为第二训练样本的索引，S为第二训练样本的数量，为产气组分的预测值，Zrs为产气组分目标数据。

全文数据：

权利要求：

百度查询： 浙江大学 一种多组分有机废物高温气化过程产气组分的预测方法