一种基于人在回路深度主动学习模型的甲烷化炉气体含量预测方法

本发明公开了一种基于人在回路深度主动学习模型的甲烷化炉气体含量预测方法。甲烷化炉是合成氨生产过程的关键装置之一，生产原料之一的氢气由该工艺的甲烷脱碳装置产生。在装置运行过程中，气体中的碳元素以一氧化碳和二氧化碳的形式存在，甲烷化炉的主要功能是将一氧化碳和二氧化碳转化为甲烷。因此，有效测量该装置出口处残留的一氧化碳和二氧化碳含量，对于甲烷化炉的质量控制至关重要，然而，常规的测量方法昂贵且费时费力。虽然数据驱动的预测方法能提供实时的测量结果，但在实际过程中我们可用的建模样本非常有限，严重限制了预测模型的性能。本发明通过设计一种人在回路的深度主动学习模型，有选择地对信息含量较大的样本进行人为标记，大幅降低数据驱动建模的成本，同时提升模型预测的性能，对改善甲烷化炉气体含量预测的效果具有重要的价值。