[發(fā)明專利]一種乙烯生產(chǎn)過程小樣本的軟測量方法

有效

• 申請?zhí)枺?/td>: 201910868999.4
• 申請日: 2019-09-16
• 公開（公告）號: CN110739030B
• 公開（公告）日: 2023-09-01
• 發(fā)明（設計）人: 賀彥林;鄒童;朱群雄;徐圓
• 申請（專利權(quán)）人: 北京化工大學
• 主分類號: G16C20/10
• 分類號: G16C20/10;G16C20/70;G06N3/0455;G06N3/048;G06N3/08
• 代理公司: 北京太兆天元知識產(chǎn)權(quán)代理有限責任公司 11108
• 代理人: 王宇

本發(fā)明公開了一種乙烯生產(chǎn)過程小樣本的軟測量方法，采用加入高斯白噪聲的AANN進行數(shù)據(jù)校正，生成虛擬樣本，擴充樣本數(shù)據(jù)，解決樣本數(shù)量不足，數(shù)據(jù)分布不平衡問題；采用ELM進行數(shù)據(jù)建模，建立智能軟測量儀表與乙烯產(chǎn)品單耗模型。本發(fā)明發(fā)明具有響應時間快、建模精度高、推理能力強、管理方便的特點，為保證乙烯生產(chǎn)的安全進行、提高產(chǎn)品質(zhì)量、節(jié)約生產(chǎn)成本提供了幫助。

技術(shù)領域

本發(fā)明屬于軟測量技術(shù)領域，特別涉及一種乙烯生產(chǎn)過程小樣本的軟測量方法，其中，通過引用加入高斯白噪聲的自聯(lián)想神經(jīng)網(wǎng)絡(Auto-Associative?Neural?Network,AANN)的對稱拓撲結(jié)構(gòu)實現(xiàn)虛擬樣本的生成，運用極限學習機(Extreme?LearningMachine，ELM)算法實現(xiàn)乙烯在工業(yè)生產(chǎn)過程的軟測量，解決極限學習機建模過程中樣本數(shù)據(jù)少建模精度低的問題。

背景技術(shù)

化工過程具有非線性、高維數(shù)、強耦合等復雜特征，難以利用機理進行精確過程建模。人工神經(jīng)網(wǎng)絡因其具有自學習自適應性、高度非線性逼近能力、并行分布處理等特點，無須考慮內(nèi)部機理，正適合于過程建模領域。目前通常使用機理建模、數(shù)據(jù)驅(qū)動建模或者是兩者結(jié)合的混合模型對工業(yè)過程進行軟測量，從而實現(xiàn)對整個過程工況的實時監(jiān)測，提高工業(yè)效率、穩(wěn)定性和安全性。其中機理建模需要根據(jù)過程的基本反應原理來對對象進行建模，模型精度較高，然而基于反應機理的建模方法要求對生產(chǎn)過程有十分清晰的認識，在如今化工工藝中，工況多變，機理建模變得愈發(fā)困難。由于小樣本的數(shù)量有限，通常會出現(xiàn)數(shù)據(jù)不完整和不平衡的情況，從而不能完全刻畫總體樣本的空間特征。因此，利用小樣本構(gòu)建的模型訓練精度很高而泛化精度不甚理想，即出現(xiàn)“過擬合”問題。隨著時代智能化的不斷推進，人工智能技術(shù)不斷推陳出新，人工智能技術(shù)也常常用于解決小樣本問題。神經(jīng)網(wǎng)絡是人工智能技術(shù)的重要組成部分，模擬人類大腦的工作機制，具有自學習、快速尋優(yōu)等優(yōu)點。因此，將流程工業(yè)與神經(jīng)網(wǎng)絡相結(jié)合是提高流程智能化的重要方式之一。

近年來，黃廣斌提出了一種快速學習算法—極限學習機(Extreme?LearningMachine，ELM)，該算法專門針對單隱含層前饋神經(jīng)網(wǎng)絡，只需隨機設定輸入層權(quán)值和隱含層神經(jīng)元閾值，直接利用Moore-Penrose廣義逆快速求解輸出權(quán)重，無須煩瑣訓練，可以得到最優(yōu)解，避免了基于梯度下降學習法產(chǎn)生的許多問題，如各種網(wǎng)絡參數(shù)設置，調(diào)整、學習速度慢及局部極小等，具有收斂速度快且泛化性能好的優(yōu)點。然而，由于化工過程變量繁多，易受外界干擾，其測量參數(shù)含有大量噪聲和誤差，數(shù)據(jù)維數(shù)較高，導致ELM的學習性能受到較大影響。

自聯(lián)想神經(jīng)網(wǎng)絡(Auto-Associative?Neural?Network,AANN)是在1987年由Ballard針對編碼/解碼問題首先提出的，其網(wǎng)絡原型是一種具有對稱拓撲結(jié)構(gòu)的五層前饋傳遞網(wǎng)絡，AANN應用到數(shù)據(jù)檢驗問題時具有比較明顯的物理意義，首先通過輸入層、映射層以及瓶頸層實現(xiàn)了輸入數(shù)據(jù)信息的壓縮。從網(wǎng)絡輸入的高維參數(shù)空間中提取了反映系統(tǒng)結(jié)構(gòu)的最具代表性的低維子空間，同時有效地濾去了測量數(shù)據(jù)中的噪聲和測量誤差，再通過瓶頸層、解映射層和輸出層實現(xiàn)數(shù)據(jù)的解壓縮，將前面壓縮的信息還原到各個參數(shù)值，從而實現(xiàn)各測量數(shù)據(jù)的重構(gòu)。

自聯(lián)想神經(jīng)網(wǎng)絡作為一種特殊的前饋式神經(jīng)網(wǎng)絡，通過設定合適的輸入層與隱含層之間的壓縮比率，不僅可以實現(xiàn)數(shù)據(jù)降維，還可以達到剔除噪聲、過濾冗余信息的目的，同時可以生成有效的虛擬樣本解決小樣本問題中樣本數(shù)量不足的問題。因此，可以將ELM網(wǎng)絡同AANN網(wǎng)絡相串聯(lián)，構(gòu)造一種遞階ELM神經(jīng)網(wǎng)絡，用于處理小樣本問題。

發(fā)明內(nèi)容

本發(fā)明的目的在于：提供一種乙烯生產(chǎn)過程小樣本的軟測量方法，通過在AANN網(wǎng)絡中加入零均值、固定方差的高斯噪聲來產(chǎn)生新樣本，改善由于樣本數(shù)量少導致的樣本數(shù)據(jù)不平衡的特征，相當于給原始樣本增添了擾動；在輸入樣本中添加些許噪聲，相當于在神經(jīng)網(wǎng)絡的參數(shù)調(diào)整過程中使用了正則化方法，從而降低了建模過程的過擬合現(xiàn)象，提高建模精度。

技術(shù)方案如下：