基于ESN的化工過程軟測量建模研究.pdf

1、軟測量建模是目前化工過程領(lǐng)域的熱點研究方向。軟測量建模方法能夠有效地解決生產(chǎn)過程中在線分析儀表測量滯后大、價格昂貴、維護保養(yǎng)復(fù)雜等問題。對于具有強非線性動態(tài)系統(tǒng)的生產(chǎn)過程，動態(tài)軟測量建模方法能夠有效地改善以往靜態(tài)軟測量建模方法建模精度差、難以滿足實際生產(chǎn)過程實時性需求的問題。目前，動態(tài)軟測量建模中，神經(jīng)網(wǎng)絡(luò)、SVM等計算智能方法是主要的建模工具?；芈暊顟B(tài)網(wǎng)絡(luò)(ec ho s tate ne two rks,ESN)作為一種新的動態(tài)遞歸神

2、經(jīng)網(wǎng)絡(luò)（RNN）已引起廣泛關(guān)注。ESN的隱層結(jié)構(gòu)由具有回聲狀態(tài)特性(Echo State Property,ESP)的狀態(tài)儲備池(State Reservoir,SR)構(gòu)成，在網(wǎng)絡(luò)學習訓練時只需計算網(wǎng)絡(luò)輸出權(quán)值，具有很強的動態(tài)逼近能力。因此，ESN的學習算法具有計算簡單有效、收斂速度快的優(yōu)點。針對動態(tài)軟測量建模方法，在ESN的基礎(chǔ)上，本文研究了一類泄漏積分型回聲狀態(tài)網(wǎng)絡(luò)(Leaky integrator Echo State Netwo

3、rks,LiESN)方法，給出了相應(yīng)的離線、在線學習算法及其改進的學習算法。將本文方法應(yīng)用到精煉廠化工生產(chǎn)過程實例中，實現(xiàn)了對過程變量的實時監(jiān)控，實驗結(jié)果表明所提出的方法具有良好的建模效果和應(yīng)用潛力。主要研究內(nèi)容概括如下：
　　(1)研究動態(tài)軟測量的建模方法，重點分析基于神經(jīng)網(wǎng)絡(luò)與時間序列模型相結(jié)合的動態(tài)軟測量方法，運用統(tǒng)計學的四圖分析對建模效果進行評價。
　　(2)在ESN網(wǎng)絡(luò)基本理論基礎(chǔ)上，研究一類 LiESN方法，包括

4、基于全局參數(shù)約束的LiESN方法及其梯度下降學習算法；一種擴展的LiESN方法及其相應(yīng)的嶺回歸離線學習算法和遞推最小二乘(Recursive Least Squares,RLS)在線學習算法。
　　(3)將所研究的LiESN動態(tài)軟測量建模方法與非線性滑動平均(Nonlinear Moving Average,NMA)、非線性自回歸(Nonlinear Autoregressive,NARX)時間序列動態(tài)模型結(jié)構(gòu)相結(jié)合，應(yīng)用于一類強