基于特征提取ELM的PTA装置醋酸消耗的软测量方法制造方法及图纸

本发明专利技术公开了一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法，首先获得训练样本数据，对所述训练样本数据进行预处理，根据ELM算法随机设置输入权值、阈值以及初始隐含层节点数，计算获得隐含层输出，对所述隐含层输出进行PCA特征提取处理，从而可以避免选择隐含层节点数目的困难，获得特征输出与输出节点之间的权重，最后根据训练形成的ELM网络模型获得醋酸消耗的测量值，通过醋酸消耗的测量值指导PTA过程的生产状况，减少醋酸消耗，提高生产效益。

【技术实现步骤摘要】
基于特征提取ELM的PTA装置醋酸消耗的软测量方法
本专利技术涉及精对苯二甲酸的
，尤其涉及一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法。
技术介绍
精对苯二甲酸(PureTerephthalicAcid，PTA)作为聚醋化工生产中的重要原材料之一，在化学纤维、轻工和电子等领域具有广泛的应用，前景十分广阔。图1为现有技术的PTA反应流程图。如图1所示，PTA在醋酸溶剂中以醋酸钴和醋酸锰为催化剂，以空气中的氧气为氧化剂，在氧化反应器的液相中发生氧化反应，最终形成的一种重要有机化工原料。PTA溶剂系统作为PTA生产的重要系统，分为PTA溶剂脱水塔、再蒸馏器和回流槽三个部分，其中醋酸的消耗量被认为是检验反应体系是否有效的重要指标之一，降低醋酸的消耗能够减少生产成本，改善经济效益。由于工业生产中的醋酸消耗很难直接利用传感器进行测量，因此需要通过软测量技术间接的获得醋酸消耗，其中测量模型的优越稳定的泛化性能是提高PTA生产效益的重要保障。在化工领域，建立监控对象的精准数学模型是研究生产过程的重要手段和前提，建立对象的数学模型，可以描述对象的因果关系。目前，通常使用机理建模、数据驱动建模或者两者结合的混合模型对工业过程进行软测量，从而实现对整个过程工况的实时监测，提高工业效率、稳定性和安全性。机理建模需要根据过程的基本反应原理对对象进行建模，模型精度较高，然而基于反应机理的建模方法要求对生产过程有十分清晰的认识，但是现在的化工工艺的工况多变，机理建模变得愈发困难。因此，在不需要知道整个化工流程的反应机理的情况下，基于数据的建模方法由于相对简单高效的特性得到广泛应用。基于数据的建模方法对生产过程之中有效数据进行处理，从中选择使得拟合误差最小的模型参数和结构。数据驱动的过程建模方法不需要知道整个化工流程的反应机理，但是在已有的机理模型稳定可靠的前提下，根据已知的机理知识可以修正数据驱动建模的参数和结构。在现在的很多领域，机理复杂而且数据海量，在计算迅捷、数据获取简便的前提下，建立数据驱动模型探索输入输出相关关系的方法逐渐成为研究热点。随着信息科学技术和计算机技术的发展，神经网络在多个学科以及工程领域获得成功应用。神经网络作为一种黑箱模型，可以从正常的样本数据中拟合出输入输出数据的映射关系。在现在工况多变的情况下，建立传统的机理模型变得日益复杂，而神经网络技术作为一种新兴的数据驱动建模方法能够从数据的角度解决上述问题，神经网络技术的研究重点与难点在于网络的结构和参数的确定，因此，神经网络的合理构造与参数的合理选取是提高函数学习速度、逼近能力和泛化性能的关键。前馈神经网络结构简单、结果精确度较高，其中BP网络与RBF网络是两种提出较早的单隐含层前馈神经网络，上述两种网络在分类聚类、智能识别、预测建模等多个回归领域获得成功应用。然而，BP等网络使用基于误差梯度下降的算法进行权值调整和学习，模型建立过程之中的许多参数，例如，隐含层节点数目、学习速率、训练次数以及停止条件很大程度上依赖工程经验确定，参数选取方法的推广性不足。不合理的参数将会影响网络的性能，而且网络学习过程缓慢而且容易陷入局部最优解。RBF等网络的预测结果对初始聚类中心的选取比较敏感，初始聚类选取不佳会引起的泛化性能下降的问题。
技术实现思路
为解决现有技术存在的局限和缺陷，本专利技术提供一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法，包括：获得训练样本(X，Y)，其中根据归一化公式对所述训练样本进行归一化处理，所述归一化公式为：其中，为X第j列的最大值，为X第j列的最小值，Ymax为Y的最大值，Ymin为Y的最小值；根据预设的隐含层节点数S计算ELM隐含层的输出为：其中，xi＝[xi1…xip]，wj＝[w1j…wpj]T，bj为第j个隐含层节点的阈值，g(·)为隐含层激活函数而且对ELM隐含层的输出H进行PCA特征提取处理，将ELM隐含层的输出H降维处理之后获得其中，Pi＝[pi1…pis]T，Ti＝[ti1…tin]T；根据ELM算法利用Moore-Penrose广义逆获得隐含层与输出层之间的权重为将PTA过程变量X′输入至训练形成的ELM网络模型，获得预测值y′；将预测值y′进行反归一化处理，获得醋酸消耗的测量值为Y′＝y′×(ymax-yminn)+ymin(11)。可选的，所述对ELM隐含层的输出H进行PCA特征提取处理的步骤包括：将ELM隐含层的输出H分解为xi＝[xi1…xip]为负荷向量，wj＝[w1j…wpj]T为得分向量，P＝[P1…Ps]为负荷矩阵，T＝[T1…Ts]为得分矩阵，其中TiTj＝0，PiPj＝0，i≠j(5)PiPj＝1，i＝j(6)将公式(4)两边同时右乘Pi，再将公式(5)和公式(6)带入获得：Ti＝HPi或T＝HP(7)将ELM隐含层的输出H降维处理之后获得可选的，所述将PTA过程变量X′输入至训练形成的ELM网络模型，获得预测值y′的步骤包括：根据公式(1)对PTA过程变量X′进行归一化处理获得x′；将x′代入ELM网络模型，获得预测值y′。本专利技术具有下述有益效果：本专利技术提供的基于特征提取ELM的PTA装置醋酸消耗的软测量方法，首先获得训练样本数据，对所述训练样本数据进行预处理，根据ELM算法随机设置输入权值、阈值以及初始隐含层节点数，计算获得隐含层输出，对所述隐含层输出进行PCA特征提取处理，从而可以避免选择隐含层节点数目的困难，获得特征输出与输出节点之间的权重，最后根据训练形成的ELM网络模型获得醋酸消耗的测量值，通过醋酸消耗的测量值指导PTA过程的生产状况，减少醋酸消耗，提高生产效益。附图说明图1为现有技术的PTA反应流程图。图2为本专利技术实施例一提供的ELM网络结构示意图。图3为本专利技术实施例一提供的工作流程图。图4为本专利技术实施例一提供的软测量模型训练过程拟合图。图5为本专利技术实施例一提供的软测量模型泛化过程拟合图。具体实施方式为使本领域的技术人员更好地理解本专利技术的技术方案，下面结合附图对本专利技术提供的基于特征提取ELM的PTA装置醋酸消耗的软测量方法进行详细描述。实施例一图2为本专利技术实施例一提供的ELM网络结构示意图。如图2所示，极限学习机(ExtremeLearningMachine，ELM)网络是一种简单的三层前馈网络，采用基于广义逆的快速学习算法。因此，ELM算法的单层网络由于结构简单、开放性参数少、训练速度快捷而备受青睐。相对于其他算法，ELM算法不需要选择众多参数，只需要确定隐含层节点数即可。传统的ELM算法依然存在着不足，隐含层节点需要人为设定，这使得传统的ELM算法很难应用在复杂多变的实时工业生产之中。一般认为，增加隐含层数可以降低网络误差，提高精度，但是增加隐含层数使得网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲，设计神经网络时应优先考虑3层网络(即有1个隐含层)，并且通过增加隐含层节点数以获得较低的误差，其训练效果要比增加隐含层数更容易实现。通常，在满足精度要求的前提下选择尽可能紧凑的结构，即尽可能少的隐含层节点数。研究表明，隐含层节点数不仅与输入层/输出层的节点数有关，更与需要解决问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。若隐含本文档来自技高网...

【技术保护点】
1.一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法，其特征在于，包括：获得训练样本(X，Y)，其中

【技术特征摘要】
1.一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法，其特征在于，包括：获得训练样本(X，Y)，其中根据归一化公式对所述训练样本进行归一化处理，所述归一化公式为：其中，为X第j列的最大值，为X第j列的最小值，Ymax为Y的最大值，Ymin为Y的最小值；根据预设的隐含层节点数S计算ELM隐含层的输出为：其中，xi＝[xi1…xip]，wj＝[w1j…wpj]T，bj为第j个隐含层节点的阈值，g(·)为隐含层激活函数而且对ELM隐含层的输出H进行PCA特征提取处理，将ELM隐含层的输出H降维处理之后获得其中，Pi＝[Pi1…Pis]T，Ti＝[ti1…tin]T；根据ELM算法利用Moore-Penrose广义逆获得隐含层与输出层之间的权重为将PTA过程变量X′输入至训练形成的ELM网络模型，获得预测值y′；将预测值y′进行反归一化处理，获得醋酸消耗的测量值为Y′＝y′×(ymax-ymin...

【专利技术属性】
技术研发人员：贺彦林，汪平江，朱群雄，徐圆，张明卿，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京,11