基于机理和数据驱动的甘蔗压榨过程工艺指标预测方法
基于机理和数据驱动的甘蔗压榨过程工艺指标预测方法
甘蔗压榨是制糖工业中的关键环节，其工艺优化对于提高生产效率和经济效益具有重要意义。本文介绍了一种基于机理和数据驱动的甘蔗压榨过程工艺指标预测方法，该方法结合了有限元仿真和人工智能技术，能够有效预测蔗汁析出量等关键工艺指标，为甘蔗压榨工艺的优化提供了新的思路和方法。
背景技术
甘蔗提汁是制糖工业的第一个环节，其顺利与否直接影响整个制糖流程的运行和企业的经济效益。目前，我国甘蔗糖厂普遍采用4-6组压榨机的复式渗浸方法来提取蔗汁。然而，甘蔗提汁过程是一个多因素、多约束、多目标、强耦合、大变形、大非线性和不确定性的复杂过程，国内在甘蔗压榨提汁理论及相关技术集成优化方面尚未取得重大突破。
近年来，随着大数据和人工智能技术的发展，通过运行数据对生产过程进行诊断和预报的研究越来越多。将人工智能引入到甘蔗制糖的生产过程是一个值得关注的趋势。然而，目前的研究方法主要集中在两个方面：一是对压榨机理的研究和探索；二是利用数据驱动对压榨生产过程进行建模和预测。这两种方法都有各自的缺点。压榨机理分析难以建立车间生产运行优化控制的数学模型，而数据驱动建模则存在数据质量要求高、黑盒输出问题和计算成本高等问题。
技术实现思路
本发明提供了一种基于机理和数据驱动的甘蔗压榨过程工艺指标预测方法，主要包括以下步骤：
数据采集与预处理：从现场设备及传感器上采集系统的大数据信息，结合车间大数据资源，制作为原始样本数据，建立原始数据集。
模型建立：
- 建立蔗料弹塑性本构模型
- 建立甘蔗压榨过程多孔介质控制方程
- 基于上述模型建立甘蔗压榨过程流固耦合模型，并进行仿真
- 物理引导神经网络模型的建立：将仿真结果与原始数据结合，建立新的数据集，并用于训练物理引导神经网络模型。
关键技术细节
蔗料弹塑性本构模型：蔗料的弹性特征通过实验测得的杨氏模量、体积模量、泊松比等参数描述；塑性特征用修正剑桥模型或修正DPC模型描述。
多孔介质控制方程：基于达西定律和质量守恒定律，建立甘蔗压榨过程的多孔介质控制方程。
物理引导神经网络：将控制方程、边界条件和初始条件加入到损失函数中，通过最小均方差（MSE）进行优化，采用Adam优化器和L-BFGS算法进行训练。
优势与创新
本发明将有限元仿真和数据驱动相结合，既利用有限元仿真明确甘蔗压榨过程相关机理，又通过数据驱动实现工艺指标的精准预测。该方法大大减少了生产过程中数据采集的成本，同时通过物理规律的引入，提高了网络的一致性和泛化能力，实现了小数据集表征高维系统的目标。