(19)國家知識產(chǎn)權(quán)局山東?？苹び邢薰镜刂?57000山東省東營市東營區(qū)郝純路西側(cè)申請人山東億佑生物能源有限公司山東億馳能源有限公司(72)發(fā)明人韓明棟聶廣彬蓋海濤張龍許維濤溫曉明(74)專利代理機構(gòu)東營辛丁知聯(lián)專利代理事務所(普通合伙)37334專利代理師康寧寧(54)發(fā)明名稱一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法及系統(tǒng)本發(fā)明公開一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法及系統(tǒng)，具體涉及生物航煤生組成的傳感器模塊實時采集生物航煤的溫度、壓采集數(shù)據(jù)進行中值濾波、小波去噪等預處理操作，基于預處理后的數(shù)據(jù)構(gòu)建LSTM-Transformer混合模型預測未來10分鐘內(nèi)各參數(shù)逐秒值，同時依據(jù)催化劑活性指數(shù)公式修正預測值，并利用影子模型進一步優(yōu)化預測模型，之后將預測值與預設區(qū)間及閾值對比，判斷預測值狀態(tài)，最后根據(jù)判斷結(jié)果生成固定微調(diào)、強化或緊急控制策略。S3:基于生物航煤預處理文本構(gòu)建多維向量，并基于分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值S4:通過催化劑活性指數(shù)公式計算催化劑活性指數(shù)，將中，得到新的預測值S7:基于步驟S6的對比結(jié)果生成控制策略21.一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在于，包括：S1:生物航煤數(shù)據(jù)采集：通過傳感器模塊實時獲取生物航煤參數(shù)；所述傳感器模塊包括溫度傳感器、壓力傳感器、流量傳感器、組分分析儀以及催化劑活性檢測儀；S2:數(shù)據(jù)預處理：將步驟S1中獲取的生物航煤參數(shù)進行預處理操作，得到生物航煤預處理文本；S3:LSTM-Transformer混合模型構(gòu)建：基于生物航煤預處理文本構(gòu)建多維向量，并基于多維向量生成時間序列數(shù)據(jù)輸入至LSTM模型和Transformer模型中，得到未來10分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值；S4:催化劑活性衰減修正：通過催化劑活性指數(shù)公式計算催化劑活性指數(shù)，將催化劑活性指數(shù)與預設的催化劑活性指數(shù)閾值比較，若催化劑活性指數(shù)值低于閾值的預設比例，則將催化劑活性變化信息作為向量添加至步驟S3中，得到新的預測值；S5:影子模型修正：基于新采集的1小時內(nèi)的生物航煤參數(shù)，對影子模型進行訓練，訓練完成后，將主模型輸出的預測值與實際值進行對比，當偏差超過更新閾值時，將影子模型的參數(shù)更新至主模型；S6:預測值分析判斷：將步驟S4中獲取的預測值與預設的最優(yōu)參數(shù)區(qū)間進行偏差計算并和安全閾值進行對比，根據(jù)對比結(jié)果，判斷預測值狀態(tài)；S7:控制策略生成：基于步驟S6的對比結(jié)果生成控制策略。2.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在于：所述預處理操作具體如下：采用中值濾波算法去除數(shù)據(jù)中的脈沖噪聲，再利用滑動平均濾波算法平滑流量數(shù)據(jù)的波動，最后通過小波去噪算法進一步消除高頻噪聲，同時，使用Min-Max歸一化方法，將不同量綱的參數(shù)統(tǒng)一映射到[0,1]區(qū)間。3.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在于：所述多維向量的構(gòu)建方法如下：將經(jīng)過預處理后的各特征數(shù)據(jù)按順序進行組合，形成多維特征向量，假設選取了n個特征，每個特征經(jīng)過預處理后得到一個數(shù)值，將這n個數(shù)值依次排列，構(gòu)成一個n維向量，同時以10Hz采樣頻率生成5分鐘滑動窗口時間序列數(shù)據(jù)，對于每個時間步，將當前時刻及過去5分鐘內(nèi)的時間步的多維特征向量依次排列，形成一個三維張量。4.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在中的遺忘門、輸入門和輸出門均由全連接層構(gòu)成，其權(quán)重矩陣通過隨機初始化設定，并在訓練過程中通過反向傳播算法進行更新，在數(shù)據(jù)處理時，每個時間步的多維特征向量依次輸入LSTM單元，遺忘門根據(jù)當前輸入和上一時刻的隱藏狀態(tài)，決定上一時刻記憶單元中哪些信息需要保留；輸入門對當前輸入進行篩選，并將有用信息與上一時刻記憶單元的狀態(tài)相結(jié)合，更新記憶單元；輸出門則根據(jù)更新后的記憶單5.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在于：所述Transformer模型采用多頭注意力機制，設定為8個頭，每個頭獨立計算輸入特征向量之間的注意力權(quán)重，然后將結(jié)果拼接并通過全連接層進行整合，在計算注意力權(quán)重時，首3先將輸入特征向量分別映射到查詢、鍵和值三個向量空間，通過計算查詢向量與鍵向量的點積并進行縮放，得到注意力分數(shù)，再經(jīng)過Soft到每個頭的輸出。6.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在7.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在影子模型每隔1小時進行訓練更新，訓練過程采用隨機梯度下降算法，以均方誤差作為損失函數(shù)，計算公式為,其中N為訓練樣本數(shù)量，y;為實際反應參數(shù)值，y為模型預測值，在訓練過程中，根據(jù)損失函數(shù)計算結(jié)果，通過反向傳播算法計算各參數(shù)的梯度，更新模型的權(quán)重和偏置參數(shù)，采用小批量梯度下降方法，每次選取64個樣本組成一個小批量進行參數(shù)更新，訓練完成后，將影子模型的參數(shù)與主模型的參數(shù)進行對比，當實際數(shù)據(jù)與主模型預測值的偏差超過±2%閾值時，將影子模型的參數(shù)更新至主模型。8.根據(jù)權(quán)利要求1所述的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在a.預測值在最優(yōu)區(qū)間內(nèi)：當各反應參數(shù)預測值均處于最優(yōu)參數(shù)區(qū)間內(nèi)時，采用固定微調(diào)規(guī)則維持反應條件穩(wěn)定，具體規(guī)則如下：溫度預測值每升高0.5℃,冷卻功率增加3%;每降低0.5℃,加熱功率增加3%,壓力預測值每降低0.1MPa,進料流量增加2%,每升高0.1MPa,出料流量增加2%,原料進料流量預測值每降低5L/min,增加進料泵轉(zhuǎn)速3%,每升高5L/min,降低進料泵轉(zhuǎn)速3%;b.預測值超出最優(yōu)區(qū)間但未達安全閾值：當存在反應參數(shù)預測值超出最優(yōu)參數(shù)區(qū)間但未達到安全閾值時，啟動預設強化控制策略，所述預設強化控制策略如下：若溫度預測值高于最優(yōu)區(qū)間，直接加大冷卻設備功率20%,同時降低進料流量15%,當溫度預測值低于最優(yōu)區(qū)間，增加加熱設備功率20%,并提高進料流量10%,壓力預測值低于最優(yōu)區(qū)間時，增加進料流量10%,同時啟動輔助加壓設備，將壓力提升至最優(yōu)區(qū)間范圍，當壓力預測值高于最優(yōu)區(qū)間，增大出料流量15%;c.預測值超出安全閾值：當反應參數(shù)預測值超出安全閾值時，立即觸發(fā)緊急控制策略，所述緊急控制策略如下：通過聲光報警裝置向操作人員發(fā)出警報，同時在監(jiān)控界面突出顯示異常參數(shù)及其預測趨勢，自動切斷加熱源，關(guān)閉50%進料閥門，停急冷卻系統(tǒng)，將冷卻功率調(diào)至最大，迅速降低反應溫度，開啟壓力釋放裝置，將壓力降至安全閾值以下，待安全風險得到有效控制后，結(jié)合LSTM-Transformer模型的預測結(jié)果，定速率逐步調(diào)整反應參數(shù)，每10分鐘提升5%進料流量、降低10%冷卻功率，直至反應參數(shù)恢復到正常生產(chǎn)狀態(tài)，并重新評估生產(chǎn)條件。9.一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制系統(tǒng)，用于實現(xiàn)上述權(quán)利要求1-7任一項所述一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，其特征在于，包括：4實時采集生物航煤生產(chǎn)過程中的生物航煤參數(shù)；對傳感器采集的數(shù)據(jù)進行去噪和歸一化處理，得到生物航煤預處理文本；模型構(gòu)建模塊：包括多維向量構(gòu)建單元、LSTM模型單元以及Transformer模型單元，多維向量構(gòu)建單元將預處理后的數(shù)據(jù)組合成多維向量并生成時間序列數(shù)據(jù)，LSTM模型單元和Transformer模型單元協(xié)同工作，得到未來10分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值；催化劑活性修正模塊：用于計算催化劑活性指數(shù)，并將催化劑活性指數(shù)與預設閾值比較，若低于閾值預設比例，則將催化劑活性變化影子模型更新模塊：包括影子模型訓練單元和對比更新單元，影子模型訓練單元基于新采集的1小時數(shù)據(jù)，采用隨機梯度下降算法訓練影子模型，對比更新單元將主模型預測值預測值分析模塊：包括偏差計算單元和對比判斷單元，偏差計算單元用于計算預測值與最優(yōu)參數(shù)區(qū)間邊界值的偏差，對比判斷單元結(jié)合安全閾值判斷預測值狀態(tài)；控制策略執(zhí)行模塊：包括微調(diào)控制單元、強化控制單元以及緊急控制單元，用于根據(jù)預測值分析模塊的結(jié)果生成控制策略。5一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法及系統(tǒng)技術(shù)領域[0001]本發(fā)明涉及生物航煤生產(chǎn)技術(shù)領域，更具體地說，本發(fā)明涉及一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法及系統(tǒng)。背景技術(shù)[0002]隨著全球?qū)η鍧嵞茉葱枨蟮某掷m(xù)增長，生物航煤作為一種可持續(xù)的航空燃料，其生產(chǎn)技術(shù)備受關(guān)注。在生物航煤的生產(chǎn)過程中，反應條件的精準控制對產(chǎn)品質(zhì)量、生產(chǎn)效率和生產(chǎn)成本起著決定性作用。傳統(tǒng)的生物航煤生產(chǎn)過程中，對反應條件的控制主要依賴于操作人員的經(jīng)驗以及簡單的監(jiān)測設備。操作人員憑借以往的生產(chǎn)經(jīng)驗設定反應參數(shù)，如溫[0003]但是其在實際使用時，仍舊存在一些缺點，如現(xiàn)有技術(shù)采用的模型結(jié)構(gòu)簡單，無法有效捕捉生物航煤生產(chǎn)過程中各參數(shù)間復雜的耦合關(guān)系，也難以處理時間序列數(shù)據(jù)中的長期依賴關(guān)系，使得對未來反應參數(shù)的預測精度較低，無法滿足實際生產(chǎn)中對反應條件精準控制的需求，催化劑活性的衰減會直接影響反應速率和產(chǎn)物收率現(xiàn)有技術(shù)不能實時準確地監(jiān)測催化劑活性，也沒有建立有效的機制根據(jù)催化劑活性變化及時調(diào)整反應條件，現(xiàn)有技術(shù)的模型更新機制不完善，無法根據(jù)新采集的數(shù)據(jù)及時對模型進行優(yōu)化和更新。隨著時間推移，模型的預測誤差逐漸增大，無法適應生產(chǎn)實際，影響了反應條件控制的準確性和有效性，現(xiàn)有技術(shù)的控制策略較為單一，缺乏根據(jù)不同反應參數(shù)狀態(tài)進行分類控制的能力，在反應參數(shù)處于不同區(qū)間時，不能采取精準有效的控制措施，無法保證反應條件始終處于最優(yōu)發(fā)明內(nèi)容[0004]為了克服現(xiàn)有技術(shù)的上述缺陷，本發(fā)明的實施例提供一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法及系統(tǒng)，通過以下方案，以解決上述背景技術(shù)中提出的問題。[0005]為實現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，包括，S1:生物航煤數(shù)據(jù)所述傳感器模塊包括溫度傳感器、壓力傳感器、流量傳感器、組分分析儀以及催化劑活性檢測儀；S2:數(shù)據(jù)預處理：將步驟S1中獲取的生物航煤參數(shù)進行預處理操作，得到生物航煤預處理文本；S3:LSTM-Transformer混合模型構(gòu)建：基于生物航煤預處理文本構(gòu)建多維向量，并基于多維向量生成時間序列數(shù)據(jù)輸入至LSTM模型和Transformer模型中，得到未來10分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值；S4:催化劑活性衰減修正：通過催化劑活性指數(shù)公式計算催化劑活性指數(shù)，將催化劑活性指數(shù)與預設的催化劑活性指數(shù)閾值比較，若催化劑活性指數(shù)值低于閾值的預設比6例，則將催化劑活性變化信息作為向量添加至步驟S3中，得到新的預測值；S5:影子模型修正：基于新采集的1小時內(nèi)的生物航煤參數(shù)，對影子模型進行訓練，訓練完成后，將主模型輸出的預測值與實際值進行對比，當偏差超過更新閾值時，將影子模型的參數(shù)更新至主模型；S6:預測值分析判斷：將步驟S4中獲取的預測值與預設的最優(yōu)參數(shù)區(qū)間進行偏差計算并和安全閾值進行對比，根據(jù)對比結(jié)果，判斷預測值狀態(tài)；S7:控制策略生成：基于步驟S6的對比結(jié)果生成控制策略。[0006]優(yōu)選的，一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制系統(tǒng)，包括：負責實時采集生物航煤生產(chǎn)過程中的生物航煤參數(shù)；數(shù)據(jù)預處理模塊：包括中值濾波、滑動平均濾波、小波去噪和Min-M用于對傳感器采集的數(shù)據(jù)進行去噪和歸一化處理，得到生物航煤預處理文本；模型構(gòu)建模塊：包括多維向量構(gòu)建單元、LSTM模型單元以及Transformer模型單元，多維向量構(gòu)建單元將預處理后的數(shù)據(jù)組合成多維向量并生成時間序列數(shù)據(jù)，LSTM模型單元和Transformer模型單元協(xié)同工作，得到未來10分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值；催化劑活性修正模塊：用于計算催化劑活性指數(shù)，并將催化劑活性指數(shù)與預設閾值比較，若低于閾值預設比例，則將催化劑活性變化信息反饋給模型，得到新的預測值；影子模型更新模塊：包括影子模型訓練單元和對比更新單元，影子模型訓練單元基于新采集的1小時數(shù)據(jù)，采用隨機梯度下降算法訓練影子模型，對比更新單元將主模型預測值與實際值對比，當偏差超過閾值時，更新主模型參數(shù)；預測值分析模塊：包括偏差計算單元和對比判斷單元，偏差計算單元用于計算預測值與最優(yōu)參數(shù)區(qū)間邊界值的偏差，對比判斷單元結(jié)合安全閾值判斷預測值狀態(tài)；控制策略執(zhí)行模塊：包括微調(diào)控制單元、強化控制單元以及緊急控制單元，用于根據(jù)預測值分析模塊的結(jié)果生成控制策略。[0007]本發(fā)明的技術(shù)效果和優(yōu)點：1.本發(fā)明基于生物航煤預處理文本構(gòu)建多維向量，并利用LSTM-Transformer混合模型進行預測，LSTM模型能夠有效捕捉反應參數(shù)在時間序列上的長期依賴關(guān)系，Transformer模型的多頭注意力機制可以從不同角度捕捉生物航煤參數(shù)之間的耦合關(guān)系，兩者協(xié)同工作，提高了對未來10分鐘內(nèi)各生物航煤參數(shù)逐秒預測的精度；2.本發(fā)明通過催化劑活性指數(shù)公式計算催化劑活性指數(shù)，并與預設閾值進行比較，當催化劑活性指數(shù)低于閾值預設比例時，將催化劑活性變化信息反饋給模型，從而得到更準確的預測值，并據(jù)此及時調(diào)整反應條件，保證催化劑始終處于最佳工作狀態(tài)，提高反應速率和產(chǎn)物收率；3.本發(fā)明利用影子模型每隔1小時進行訓練更新，采用隨機梯度下降算法和小批量梯度下降方法，以均方誤差作為損失函數(shù)，根據(jù)新采集的1小時內(nèi)的生物航煤參數(shù)對模型進行優(yōu)化，當主模型預測值與實際值偏差超過更新閾值時，將影子模型的參數(shù)更新至主模型，確保模型能夠及時適應生產(chǎn)過程中的變化，保持較高的預測精度；4.本發(fā)明根據(jù)預測值與預設的最優(yōu)參數(shù)區(qū)間和安全閾值的對比結(jié)果，將控制策略分為預測值在最優(yōu)區(qū)間內(nèi)、超出最優(yōu)區(qū)間但未達安全閾值、超出安全閾值三種情況進行分7類控制，針對不同情況，分別采用固定微調(diào)規(guī)則、預設強化控制策略和緊急控制策略，實現(xiàn)對反應條件的精準控制，保證生產(chǎn)過程的穩(wěn)定性和安全性。附圖說明[0008]圖1為本發(fā)明的整體結(jié)構(gòu)示意圖；圖2為本發(fā)明的系統(tǒng)結(jié)構(gòu)示意圖；圖3為本發(fā)明的溫度預測精度圖；圖4為本發(fā)明的影子模型Loss圖。具體實施方式[0009]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他[0010]如附圖1所示的一種用于生物航煤生產(chǎn)的反應條件優(yōu)化控制方法，包括：S1:生物航煤數(shù)據(jù)采集：通過傳感器模塊實時獲取生物航煤參數(shù)；所述傳感器模塊包括溫度傳感器、壓力傳感器、流量傳感器、組分分析儀以及催化劑活性檢測儀；需要進一步說明的是，所述溫度傳感器的安裝方法如下：在反應器頂部、中部、底部及靠近催化劑裝填區(qū)域共布置5個0megaOS316K型熱電偶傳感器，頂部傳感器用于監(jiān)測反應氣相空間溫度，中部和底部傳感器分別監(jiān)測反應液不同高度的溫度，靠近催化劑區(qū)域的傳感器可準確反映催化劑活性中心附近溫度，每個傳感器以0.1秒間隔采集數(shù)據(jù)，精度±0.5℃,能快速捕捉反應溫度的細微變化，如反應初期溫度的急劇上升或反應過程中的局部溫度波動。這些溫度數(shù)據(jù)對于了解反應進程、判斷反應是否正常進行至關(guān)重要，因為溫度的變化直接影響著反應速率和產(chǎn)物的質(zhì)量；所述壓力傳感器的安裝方法如下：在反應器進口管道、出口管道以及反應釜側(cè)壁距底部1/3、2/3高度處各安裝1個HoneywellSTG系列壓力傳感器，進口管道傳感器監(jiān)測原料進入反應器時的壓力，出口管道傳感器檢測產(chǎn)物排出壓力，反應釜側(cè)壁的兩個傳感器可獲取反應釜內(nèi)不同高度的壓力分布情況，從而更全面地了解反應壓力狀態(tài)。壓力作為反應過程中的關(guān)鍵參數(shù)之一，其穩(wěn)定與否直接關(guān)系到反應的安全性和產(chǎn)物的收率，通過這些傳感器的布置，能夠?qū)崟r監(jiān)測壓力變化，為反應條件的調(diào)整提供重要依據(jù)；所述流量傳感器的安裝方法如下：在原料進料管道和產(chǎn)物出料管道分別安裝橫河AXF系列電磁流量計，進料管道的流量計實時監(jiān)測生物航煤生產(chǎn)原料的輸入流量，確保原料按預定配比進入反應器，出料管道的流量計則用于監(jiān)測產(chǎn)物輸出流量，可據(jù)此評估反應進度和生產(chǎn)效率，流量的精確控制對于保證反應的穩(wěn)定性和一致性至關(guān)重要，通過準確計量流量，能夠及時發(fā)現(xiàn)原料供應或產(chǎn)物排出過程中可能出現(xiàn)的問題，以便采取相應措施進行所述組分分析儀的安裝方法如下：將安捷倫7890B氣相色譜儀連接至原料儲罐出口管道，每5分鐘自動抽取原料樣本進行檢測，該儀器可精確分析原料中脂肪酸甲酯、甘油、8水分、雜質(zhì)等成分含量，幫助掌握原料特性，原料的組分直接影響反應的進行和產(chǎn)物的質(zhì)量，例如，通過監(jiān)測脂肪酸甲酯含量可判斷原料質(zhì)量，甘油含量過高可能影響反應效果，水分和雜質(zhì)含量則關(guān)系到反應安全性和產(chǎn)品質(zhì)量。及時了解原料組分的變化，能夠提前對反應條件進行優(yōu)化，確保反應在最佳狀態(tài)下進行；所述催化劑活性檢測儀的安裝方法如下：在反應器內(nèi)部設置專門的催化劑取樣口，每小時通過取樣裝置獲取少量催化劑樣本，送入在線檢測儀，檢測儀通過檢測催化劑比表面積、孔徑分布及催化轉(zhuǎn)化率等參數(shù)來評估催化劑活性。催化劑在生物航煤生產(chǎn)過程中起著關(guān)鍵作用，其活性的高低直接影響反應速率和產(chǎn)物收率。比表面積和孔徑分布反映催化劑的物理結(jié)構(gòu)，直接影響其與反應物的接觸面積和反應速率，催化轉(zhuǎn)化率則直觀體現(xiàn)催化劑對生物航煤生產(chǎn)反應的促進作用，這些參數(shù)的變化能及時反映催化劑的活性狀態(tài)，為反應條件調(diào)整和催化劑更換提供參考，確保催化劑始終處于最佳工作狀態(tài)；S2:數(shù)據(jù)預處理：將步驟S1中獲取的生物航煤參數(shù)進行預處理操作，得到生物航煤預處理文本；所述預處理操作具體如下：采用中值濾波算法去除數(shù)據(jù)中的脈沖噪聲，再利用滑動平均濾波算法平滑流量數(shù)據(jù)的波動，最后通過小波去噪算法進一步消除高頻噪聲，同時，使用Min-Max歸一化方法，將不同量綱的參數(shù)統(tǒng)一映射到[0,1]區(qū)間，使其適配后續(xù)模型輸入要求。[0011]S3:LSTM-Transformer混合模型構(gòu)建：基于生物航煤預處理文本構(gòu)建多維向量，并基于多維向量生成時間序列數(shù)據(jù)輸入至LSTM模型和Transformer模型中，得到未來10分鐘內(nèi)各生物航煤參數(shù)的逐秒預測值；所述多維向量的構(gòu)建方法如下：將經(jīng)過預處理后的各特征數(shù)據(jù)按順序進行組合，形成多維特征向量，假設選取了n個特征，每個特征經(jīng)過預處理后得到一個數(shù)值，將這n個數(shù)多維向量為[x?,x?,X?,X?,x?],同時以10Hz采樣頻率生成5分鐘滑動窗口時間序列數(shù)據(jù)。對于每個時間步，將當前時刻及過去5分鐘內(nèi)的時間步的多維特征向量依次排列，形成一個三維張量，例如，假設每個時間步的多維向量為n維，5分鐘內(nèi)共有5×60×10=3000個時間步，則生成的時間序列數(shù)據(jù)維度為3000×n,在滑動窗口移動過程中，每次更新窗口內(nèi)的數(shù)據(jù)，保證模型始終基于最新的時間序列信息進行訓練和預測，從而有效處理生物航煤生產(chǎn)過程中的動態(tài)變化數(shù)據(jù)。憶單元中的遺忘門、輸入門和輸出門均由全連接層構(gòu)成，其權(quán)重矩陣通過隨機初始化設定，并在訓練過程中通過反向傳播算法進行更新，在數(shù)據(jù)處理時，每個時間步的多維特征向量依次輸入LSTM單元，遺忘門根據(jù)當前輸入和上一時刻的隱藏狀態(tài)，決定上一時刻記憶單元中哪些信息需要保留；輸入門對當前輸入進行篩選，并將有用信息與上一時刻記憶單元的狀態(tài)相結(jié)合，更新記憶單元；輸出門則根據(jù)更新后的記憶單元狀態(tài)，輸出當前時刻的隱藏狀物航煤反應過程中溫度隨時間的累積變化趨勢；9需要進一步說明的是，LSTM層的輸出作為Transformer層的輸入，經(jīng)過Transformer層處理后，通過一個全連接層將特征向量映射到與待預測反應參數(shù)數(shù)量相同劑活性指數(shù)與預設的催化劑活性指數(shù)閾值比較，若催化劑活性指數(shù)值低于閾值的預設比[0014]S6:預測值分析判斷：將步驟S4中獲取的預測值與預設的最優(yōu)參數(shù)區(qū)間進行偏差所述偏差計算指實時計算每個時間步預測值與最優(yōu)參數(shù)度為例，計算溫度預測值Torea與溫度最優(yōu)區(qū)間下限Tm所述預判斷預測值狀態(tài)指根據(jù)偏差和安全閾值情況，判溫度預測值超出最優(yōu)區(qū)間但未達安全閾值；若Tpred<Tmin-safe或Tpred>a.預測值在最優(yōu)區(qū)間內(nèi)：當各反應參數(shù)預定微調(diào)規(guī)則維持反應條件穩(wěn)定具體規(guī)則如下：若溫度預測值每升高0.5℃,冷卻功率增加3%;每降低0.5℃,加熱功