本技术涉及一种积碳量控制方法及系统，属于催化剂合成领域，尤其涉及一种用于数据漂移的积碳指标的预测方法及系统。
背景技术：
1、催化剂在化学工业中起着重要的作用，80％以上的化学过程至少使用一种催化剂来提高反应速率和生产特定的产品。催化反应过程中催化剂积碳的形成是不可避免的，而困在催化剂中的积碳往往起到“双刃剑”的作用：一方面，积碳物种在某些催化反应过程中可以作为活性中间体，促进化学反应的进行，起到自催化作用；另一方面，催化剂上形成的积碳会覆盖活性位点、堵塞孔道，导致催化剂的失活。因此，在某种程度上，若能及时将催化剂的积碳量调整在最佳范围内，对显著提高工业装置的经济效益有着重要的意义。
2、甲醇制烯烃(mto)是受催化剂积碳影响的典型催化过程。与其他酸催化的烃类化合物反应相类似，mto反应生成产物的同时也伴随着催化剂积碳的发生。研究表明，mto反应过程中催化剂上保持一定量的积碳有利于低碳烯烃(乙烯+丙烯)的生成。当积碳含量达到约8％时，低碳烯烃的选择性会达到最高，对应着最佳的操作窗口。
3、综上所述，积碳量指标在mto工艺中起着重要的作用，用于评估和优化催化剂的稳定性和活性，从而提高工艺效率和经济性。然而，对于大型工业装置而言，催化剂积碳量在线测量尚无成熟的技术可用，当前普遍采用取样后送至化验室分析的离线测量模式，测量结果的实时性很差，导致操作员对于积碳量指标缺少实时精准的掌握。因此，需要使用软测量技术构建易测的输入变量和难测关键指标之间的关系模型。但是传统的软测量方法包括使用偏最小二乘法或者前馈神经网络构建输入输出关系回归模型，相关模型较为简单，无法满足积碳质量指标建模的时变性、非线性的需求。因此，在工业生产中，通过高精度软测量预测模型快速获取反应器和再生器内催化剂的积碳含量，指导催化剂积碳量及时精准调控，对进一步提升mto工业装置的效益有着重大意义。
4、常见的软测量方法包括根据输入输出关系构建回归模型，比如通过偏最小二乘法或者前馈神经网络方法构建回归模型。然而，由于变量漂移等因素，在软测量过程中，过程的输入输出关系会随时间发生变化，导致出现时变性。在这种情况下，使用历史数据集训练的模型经过一段时间后就可能失去准确性。
技术实现思路
1、根据本技术的一个方面，提供了一种针对时变性特点构建的用于数据漂移的积碳指标的预测方法，可以显著提升模型的预测效果。
2、所述用于数据漂移的积碳指标的预测方法，包括：
3、获取一段时间内实际工厂的生产数据，并对其进行预处理；
4、根据预处理后的数据形成历史样本，并保留到历史数据库中；
5、对测试数据进行预处理，得到测试样本；
6、根据所述历史数据库的信息计算所述历史样本的相似度因子，找到所述测试样本的相似样本，构建局部模型，利用所述局部模型给出所述测试样本的预测结果；
7、当实际标签可获得时，将所述测试数据和实际标签数据更新至历史数据库中。
8、可选地，所述历史数据库记作h＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中，n代表当前历史数据库中历史样本的个数，xi＝[xi,1…xi,m]t代表第i个样本输入数据，xi,j代表第i个样本第j维输入数据，m代表输入数据的维度；yi＝[yi,1…yi,p]t代表第i个样本输出数据，yi,j代表第i个样本第j维输出数据，p代表输出数据的维度。
9、可选地，所述相似度因子的计算步骤如下：
10、对于一组输入数据{x1,x2,…xn}和当前测试数据xt，计算每个输入数据的时间维度衰减系数：
11、
12、其中，i是输入数据的序号，a1代表相似度因子超参数一，a2代表相似度因子超参数二，k代表相似度因子超参数三；τ代表相似度修正系数；
13、根据如下公式计算每个样本的加权因子：
14、ωi＝α(xi,xt)de(xi,xt)
15、其中，de(xi,xt)代表xi与xt的欧氏距离；
16、得到相似度因子{ω1,ω2,…ωn}。
17、可选地，所述相似样本的寻找步骤如下：
18、根据历史数据库的信息计算历史样本的相似度因子{ω1,ω2,…ωn}，并进行相似度大小排序，将使得相似度因子最小的n0个样本数据作为测试样本的相似样本其中，xi为样本输入数据，yi为样本输出数据，为排序的序号。
19、可选地，所述构建局部模型包括如下步骤：
20、(1)找到所述相似样本的相似因子定义局部模型加权系数其中，μ是需要调整的加权超参数，n0为局部样本数量，σd是的标准差；
21、(2)对于输入样本和输出样本计算加权矩阵
22、(3)初始化时r＝1，确定潜变量个数为r；
23、(4)计算
24、(5)计算其中，1n表示1行n列的全1向量；xr表示根据至多r-1维特征提取得到的输入样本的残差向量，yr表示根据至多r-1维特征提取得到的输出样本的残差向量；
25、(6)计算其中，xq表示查询变量，xq,r表示根据至多r-1维特征提取得到的查询样本的残差向量；
26、(7)计算的最大特征向量wr；
27、(8)计算第r个潜变量
28、(9)计算第r轮迭代对应输入样本的加权残差向量和输出样本的加权残差向量的特征向量pr、qr：
29、
30、
31、(10)计算
32、(11)如果r<r，则xq,r+1＝xq,r-tq,rpr，r←r+1，并跳至步骤(7)，否则跳至步骤(12)；
33、(12)计算标准化预测值
34、(13)利用步骤(2)的预处理模型对标准化预测进行反归一化，得到预测结果ynew,t，其中t表示测试阶段。
35、根据本技术的又一个方面，提供了一种用于数据漂移的积碳指标的预测系统，包括：
36、数据处理模块，用于对获取的生产数据进行预处理，所述生产数据包括一段时间内实际工厂的生产数据、待测试数据；
37、数据存储模块，用于将预处理后的一段时间内实际工厂的生产数据作为历史样本，存储在历史数据库中；
38、预测模块，用于根据所述历史数据库的信息计算所述历史样本的相似度因子，找到所述测试样本的相似样本，构建局部模型，利用所述局部模型给出所述测试样本的预测结果。
39、可选地，所述历史数据库记作h＝{(x1,y1),(x2,y2),…,(xn,yn)}，其中，n代表当前历史数据库中历史样本的个数，xi＝[xi,1 … xi,m]t代表第i个样本输入数据，xi,j代表第i个样本第j维输入数据，m代表输入数据的维度；yi＝[yi,1 … yi,p]t代表第i个样本输出数据，yi,j代表第i个样本第j维输出数据，p代表输出数据的维度。
40、可选地，所述预测模块用于按照如下步骤进行相似度因子的计算：
41、对于一组输入数据{x1,x2,…xn}和当前测试数据xt，计算每个输入数据的时间维度衰减系数：
42、
43、其中，i是输入数据的序号，a1代表相似度因子超参数一，a2代表相似度因子超参数二，k代表相似度因子超参数三；τ代表相似度修正系数；
44、根据如下公式计算每个样本的加权因子：
45、ωi＝α(xi,xt)de(xi,xt)
46、其中，de(xi,xt)代表xi与xt的欧氏距离；
47、得到相似度因子{ω1,ω2,…ωn}。
48、可选地，所述预测模块用于按照如下步骤找到所述测试样本的相似样本：根据历史数据库的信息计算历史样本的相似度因子{ω1,ω2,…ωn}，并进行相似度大小排序，将使得相似度因子最小的n0个样本数据作为测试样本的相似样本其中，xi为样本输入数据，yi为样本输出数据，为排序的序号。
49、可选地，所述预测模块用于按照如下步骤构建局部模型：
50、(1)找到所述相似样本的相似因子定义局部模型加权系数其中，μ是需要调整的加权超参数，n0为局部样本数量，σd是的标准差；
51、(2)对于输入样本和输出样本计算加权矩阵
52、(3)初始化时r＝1，确定潜变量个数为r；
53、(4)计算
54、(5)计算其中，1n表示1行n列的全1向量；xr表示根据至多r-1维特征提取得到的输入样本的残差向量，yr表示根据至多r-1维特征提取得到的输出样本的残差向量；
55、(6)计算其中，xq表示查询变量，xq,r表示根据至多r-1维特征提取得到的查询样本的残差向量；
56、(7)计算的最大特征向量wr；
57、(8)计算第r个潜变量
58、(9)计算第r轮迭代对应输入样本的加权残差向量和输出样本的加权残差向量的特征向量pr、qr：
59、
60、
61、(10)计算
62、(11)如果r<r，则xq,r+1＝xq,r-tq,rpr，r←r+1，并跳至步骤(7)，否则跳至步骤(12)；
63、(12)计算标准化预测值
64、(13)利用步骤(2)的预处理模型对标准化预测进行反归一化，得到预测结果ynew,t，其中t表示测试阶段。
65、本技术能产生的有益效果包括：
66、1)本技术所提供的用于数据漂移的积碳指标的预测方法及系统，可以实现积碳质量指标的实时预测，且在数据漂移时具有更好的预测效果。
67、2)本技术所提供的用于数据漂移的积碳指标的预测方法及系统，通过改进相似度方式提升了预测性能。更进一步的，将改进的相似度用于加权偏最小二乘的加权因子提升了模型预测性能。
1.一种用于数据漂移的积碳指标的预测方法，其特征在于，该方法包括：
2.根据权利要求1所述的用于数据漂移的积碳指标的预测方法，其特征在于，所述历史数据库记作h＝{(x1，y1)，(x2，y2)，...，(xn，yn)}，其中，n代表当前历史数据库中历史样本的个数，xi＝[xi，1…xi，m]t代表第i个样本输入数据，xi，j代表第i个样本第j维输入数据，m代表输入数据的维度；yi＝[yi，1…yi，p]t代表第i个样本输出数据，yi，j代表第i个样本第j维输出数据，p代表输出数据的维度。
3.根据权利要求1所述的用于数据漂移的积碳指标的预测方法，其特征在于，所述相似度因子的计算步骤如下：
4.根据权利要求1所述的用于数据漂移的积碳指标的预测方法，其特征在于，所述相似样本的寻找步骤如下：
5.根据权利要求4所述的用于数据漂移的积碳指标的预测方法，其特征在于，所述构建局部模型包括如下步骤：
6.一种用于数据漂移的积碳指标的预测系统，其特征在于，该系统包括：
7.根据权利要求6所述的用于数据漂移的积碳指标的预测系统，其特征在于，所述历史数据库记作h＝{(x1，y1)，(x2，y2)，...，(xn，yn)}，其中，n代表当前历史数据库中历史样本的个数，xi＝[xi，1…xi，m]t代表第i个样本输入数据，xi，j代表第i个样本第j维输入数据，m代表输入数据的维度；yi＝[yi，1…yi，p]t代表第i个样本输出数据，yi，j代表第i个样本第j维输出数据，p代表输出数据的维度。
8.根据权利要求6所述的用于数据漂移的积碳指标的预测系统，其特征在于，所述预测模块用于按照如下步骤进行相似度因子的计算：
9.根据权利要求6所述的用于数据漂移的积碳指标的预测系统，其特征在于，所述预测模块用于按照如下步骤找到所述测试样本的相似样本：根据历史数据库的信息计算历史样本的相似度因子{ω1，ω2，...ωn}，并进行相似度大小排序，将使得相似度因子最小的n0个样本数据作为测试样本的相似样本其中，xi为样本输入数据，yi为样本输出数据，为排序的序号。
10.根据权利要求6所述的用于数据漂移的积碳指标的预测系统，其特征在于，所述预测模块用于按照如下步骤构建局部模型：
