基于ESN的化工過(guò)程軟測(cè)量建模研究.pdf

1、軟測(cè)量建模是目前化工過(guò)程領(lǐng)域的熱點(diǎn)研究方向。軟測(cè)量建模方法能夠有效地解決生產(chǎn)過(guò)程中在線分析儀表測(cè)量滯后大、價(jià)格昂貴、維護(hù)保養(yǎng)復(fù)雜等問(wèn)題。對(duì)于具有強(qiáng)非線性動(dòng)態(tài)系統(tǒng)的生產(chǎn)過(guò)程，動(dòng)態(tài)軟測(cè)量建模方法能夠有效地改善以往靜態(tài)軟測(cè)量建模方法建模精度差、難以滿足實(shí)際生產(chǎn)過(guò)程實(shí)時(shí)性需求的問(wèn)題。目前，動(dòng)態(tài)軟測(cè)量建模中，神經(jīng)網(wǎng)絡(luò)、SVM等計(jì)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(dòng)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(chǔ)備池(State Reservoir,SR)構(gòu)成，在網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練時(shí)只需計(jì)算網(wǎng)絡(luò)輸出權(quán)值，具有很強(qiáng)的動(dòng)態(tài)逼近能力。因此，ESN的學(xué)習(xí)算法具有計(jì)算簡(jiǎn)單有效、收斂速度快的優(yōu)點(diǎn)。針對(duì)動(dòng)態(tài)軟測(cè)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(xué)習(xí)算法及其改進(jìn)的學(xué)習(xí)算法。將本文方法應(yīng)用到精煉廠化工生產(chǎn)過(guò)程實(shí)例中，實(shí)現(xiàn)了對(duì)過(guò)程變量的實(shí)時(shí)監(jiān)控，實(shí)驗(yàn)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?jī)?nèi)容概括如下：
　　(1)研究動(dòng)態(tài)軟測(cè)量的建模方法，重點(diǎn)分析基于神經(jīng)網(wǎng)絡(luò)與時(shí)間序列模型相結(jié)合的動(dòng)態(tài)軟測(cè)量方法，運(yùn)用統(tǒng)計(jì)學(xué)的四圖分析對(duì)建模效果進(jìn)行評(píng)價(jià)。
　　(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(xué)習(xí)算法；一種擴(kuò)展的LiESN方法及其相應(yīng)的嶺回歸離線學(xué)習(xí)算法和遞推最小二乘(Recursive Least Squares,RLS)在線學(xué)習(xí)算法。
　　(3)將所研究的LiESN動(dòng)態(tài)軟測(cè)量建模方法與非線性滑動(dòng)平均(Nonlinear Moving Average,NMA)、非線性自回歸(Nonlinear Autoregressive,NARX)時(shí)間序列動(dòng)態(tài)模型結(jié)構(gòu)相結(jié)合，應(yīng)用于一類強(qiáng)