[發明專利]一種基于ALIESN在線學習算法的脫丁烷塔軟測量建模方法

有效

• 申請號: 202011402628.6
• 申請日: 2020-12-02
• 公開（公告）號: CN112364527B
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 岳文琦
• 申請（專利權）人: 岳文琦
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/08
• 代理公司: 蘭州振華專利代理有限責任公司 62102
• 代理人: 何誠慧

1.一種基于ALIESN在線學習算法的脫丁烷塔軟測量建模方法，其特征在于：包括以下步驟：

(1)收集在生產丁烷過程中的關鍵變量在正常工況下的數據，所述關鍵變量包括主要包括X₁＝頂部溫度值、X₂＝頂部壓力值、X₃＝頂部丁烷回流量值、X₄＝流向下一過程的丁烷流量值、X₅＝塔板溫度值、X₆＝底部1區域的溫度值、X₇＝底部2區域的溫度值，以及位于脫丁烷塔底部的丁烷濃度y，分別將這些數據存入數據庫，所有變量的采樣周期為12min；所述關鍵變量為X＝{xi∈Rm}i＝1,2,…,n，y∈Rn，R為實數集，其中，n為樣本個數，m為輔助變量個數，主導變量個數為1；

(2)對以上關鍵變量進行基于Z-Score歸一化方法的預處理，再將遠大于1的異常值變量剔除，得到均值為零，方差為1的新數據集，所述新數據集為輔助變量和主導變量組成的時間序列；

(3)采用NARX模型，對輔助變量和主導變量進行動態建模，得到具有 動態特性的ALIESN輸入變量，所述具有動態特性的ALIESN輸入變量包括含有過去信息的時間序列數據集；

(4)將前n個時間序列的ALIESN輸入變量數據集進行離線學習，通過ALIESN嶺回歸離線學習算法得到基于最小二乘法的神經網絡離線訓練輸出權值；

所述步驟(4)具體為：

①設定ALIESN網絡輸入層、隱層及輸出層變量的維數分別為K＝13、N＝50及L＝1，網絡在n時刻的輸入層、隱層及輸出層神經元為：

網絡的輸入連接權值矩陣、SR內部連接權值矩陣、輸出連接權值矩陣及由輸出反饋至SR的反饋連接權值矩陣分別表示為：

各權值的維數依次為：N×K維，N×N維，L×2(K+N+L)維，N×L維；

②給定一個長度為T＝n的輸入/輸出序列：

(u(1),d(1)),(u(2),d(2)),…,(u(T),d(T))，并將其輸入至網絡，訓練ALIESN網絡使其輸出y(n)逼近輸出d(n)；

③初始化網絡，SR初始狀態x(0)隨機取值，輸入連接權值矩陣Wⁱⁿ及反饋連接權值矩陣W^back取服從正態均勻分布的值，SR內部連接權值矩陣W的稀疏連接系數及稀疏度為min(10/N,1)的稀疏矩陣；

④ALIESN第n+1時刻狀態更新方程為：

x(n+1)＝(1-a)x(n)+f(Wⁱⁿu(n+1)+Wx(n)+W^backd(n))，其中，當n＝0時，取d(0)＝0，x(0)＝0，f通常取對稱型Sigmoid函數；

⑤從時刻T₀＝1以后，收集雙倍大小的“增廣”狀態(u(n)，u²(n))＝(u₁(n)，...，u_K+N+L(n)，u₁²(n)，...，u_K+N+L²(n))進入狀態收集矩陣；這將產生大小為1×2(K+N+L)的輸出權重矩陣Wout，矩陣M的階數為(T-T₀+1)×2(K+N+L)；計算M的偽逆矩陣(廣義逆矩陣)M^-1，同樣，將輸出狀態d(n)的反雙曲正切函數tanh^-1d(n)收集至矩陣T，矩陣T的階數為(T-T₀+1)×L；T中收集的是tanh^-1d(n)而非tanh^-1d(n-1)，舍棄前T₀狀態目的是消除網絡初始瞬態的影響，可以確定T₀時刻后網絡不再受起始瞬態的影響；

⑥神經網絡離線訓練輸出權值W^out為(W^out)^T＝M^-1T，將式中的(W^out)^T轉置便得W^out；

⑦計算輸出方程為：

y(n+1)＝f^out(W^out(x(n+1),u(n+1),y(n)，x²(n+1),u²(n+1),y²(n)))，其中，

u(n+1),x(n+1),y(n)，u²(n+1),x²(n+1),y²(n)表示u(n+1)、x(n+1)、y(n)、u²(n+1)、x²(n+1)、y²(n)、這六個向量的合并；f^out通常取對稱型Sigmoid函數或線性函數；

(5)以均方誤差MSE作為網絡學習精度的評價指標，通過計算離線學習算法得到的輸出變量與實際采樣得到的輸出變量的MSE，當得到的MSE滿足精度要求，則進行下一步，否則，向離線訓練數據集增加新采集的數據進行再次訓練，直到滿足精度要求為止；

(6)在得到滿足精度要求的神經網絡離線訓練輸出權值后，將該輸出權值作為RLS在線學習的初始輸出權值，從ALIESN輸入變量的第n+1個數據開始進行輸出權值在線訓練，得到最終的網絡輸出權值和預測的輸出變量。