本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境...本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。展开更多
针对紧急插单事件的动态作业车间调度问题,以最小化所有工件的提前与延迟完工时间为目标,创建了动态作业车间环境模型。将调度问题转换为马尔可夫过程,并采用结合图神经网络的DDQN(double deep Q-network,DDQN)深度强化学习算法进行求...针对紧急插单事件的动态作业车间调度问题,以最小化所有工件的提前与延迟完工时间为目标,创建了动态作业车间环境模型。将调度问题转换为马尔可夫过程,并采用结合图神经网络的DDQN(double deep Q-network,DDQN)深度强化学习算法进行求解。通过图神经网络对车间状态析取图做特征提取从而避免状态定义依赖人工经验设计的问题,引入了注意力机制能够增强强化学习智能体对状态信息的获取能力,并将六组规则调度作为智能体的决策空间,定义了全新的奖励方法,加强其对智能体学习的指导能力。通过多组对照实验说明了所构建的求解模型的有效性和可行性。展开更多
间歇蒸馏过程是一种重要的分离提纯工艺过程,其工况预测对保障间歇蒸馏过程平稳运行、优化间歇蒸馏生产质量和产量具有重要作用。本文对精细化学品D1间歇蒸馏过程的模型建立、工况预测算法以及仿真软件设计进行了深入研究。首先,利用历...间歇蒸馏过程是一种重要的分离提纯工艺过程,其工况预测对保障间歇蒸馏过程平稳运行、优化间歇蒸馏生产质量和产量具有重要作用。本文对精细化学品D1间歇蒸馏过程的模型建立、工况预测算法以及仿真软件设计进行了深入研究。首先,利用历史生产运行数据,结合长短期记忆神经网络(long short term memory,LSTM)和反向传播(back propagation,BP)神经网络特点建立D1间歇蒸馏过程的数据驱动模型,实现了上升气温度、转馏分温度、蒸馏终点时间以及最终产品纯度的预测;然后,通过Matlab图形用户界面(graphical user interface,GUI)将上述工作结合起来,开发了D1间歇蒸馏过程仿真GUI,实现了从数据处理到最终工况参数预测以及控制仿真。仿真测试结果表明,间歇蒸馏工况预测快速、准确,对指导实际工艺操作具有重要参考价值。展开更多
文摘本研究旨在提升湖南省盛夏(7、8月)高温过程的延伸期预报技巧。本文利用1999—2022年湖南省97个站点逐日最高气温资料以及次季节-季节(sub-seasonal to seasonal prediction,S2S)模式数据中欧洲中期天气预报中心(ECMWF)和美国国家环境预报中心(NCEP)两种模式预报产品,并基于模式温度与环流预报产品提取物理因子,结合卷积神经网络(convolutional neural network,CNN)构建了湖南省盛夏高温过程的预报模型(high temperature prediction model,HTPM);对订正后的S2S模式和构建的预报模型结果进行集成,以实现对区域高温过程较为稳定的相对高技巧预报。结果表明:S2S模式的原始预报技巧较低,偏差订正能显著提高预报效果,但存在较高的空报率;基于ECMWF的S2S数据训练的高温预报模型(HTPM-ECS2S)和基于NCEP的S2S数据训练的高温预报模型(HTPM-NCEPS2S)能有效捕捉高温事件,在高温预报中具有较高的预报技巧;集成方案有效整合了多模型优点,可提升预报的准确性和可靠性。
文摘针对紧急插单事件的动态作业车间调度问题,以最小化所有工件的提前与延迟完工时间为目标,创建了动态作业车间环境模型。将调度问题转换为马尔可夫过程,并采用结合图神经网络的DDQN(double deep Q-network,DDQN)深度强化学习算法进行求解。通过图神经网络对车间状态析取图做特征提取从而避免状态定义依赖人工经验设计的问题,引入了注意力机制能够增强强化学习智能体对状态信息的获取能力,并将六组规则调度作为智能体的决策空间,定义了全新的奖励方法,加强其对智能体学习的指导能力。通过多组对照实验说明了所构建的求解模型的有效性和可行性。
文摘间歇蒸馏过程是一种重要的分离提纯工艺过程,其工况预测对保障间歇蒸馏过程平稳运行、优化间歇蒸馏生产质量和产量具有重要作用。本文对精细化学品D1间歇蒸馏过程的模型建立、工况预测算法以及仿真软件设计进行了深入研究。首先,利用历史生产运行数据,结合长短期记忆神经网络(long short term memory,LSTM)和反向传播(back propagation,BP)神经网络特点建立D1间歇蒸馏过程的数据驱动模型,实现了上升气温度、转馏分温度、蒸馏终点时间以及最终产品纯度的预测;然后,通过Matlab图形用户界面(graphical user interface,GUI)将上述工作结合起来,开发了D1间歇蒸馏过程仿真GUI,实现了从数据处理到最终工况参数预测以及控制仿真。仿真测试结果表明,间歇蒸馏工况预测快速、准确,对指导实际工艺操作具有重要参考价值。
