一种基于PLS的ESN加热炉操作变量的软测量方法技术

本发明专利技术公开了一种基于PLS的ESN加热炉操作变量的软测量方法，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理；对回声状态网络的各个参数值进行初始化；使用偏最小二乘算法对回声状态网络模型进行优化；根据优化之后的回声状态网络模型对加热炉操作变量进行预测。本发明专利技术提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。因此，本发明专利技术提供的技术方案能够实现对加热炉在生产过程之中操作变量的有效预测，从而提高加热炉的热效率。

【技术实现步骤摘要】
一种基于PLS的ESN加热炉操作变量的软测量方法
本专利技术涉及加热炉
，尤其涉及一种基于PLS的ESN加热炉操作变量的软测量方法。
技术介绍
现代工业过程越来越复杂，导致现代工业过程的建模也越来越困难。由于操作经验的积累减少了许多不必要的损失，提高了生产效率，使得对工业生产中操作变量的建模变得越来越重要。经验丰富的操作人员可以快速准确地调整参数值，使得整个工业过程始终保持良好的状态。常用的三种建模方法如下：机理建模、数据驱动建模、机理与数据驱动相结合的混合建模。机理建模适用于具有精确数学模型的对象，数据驱动建模适用于对象模型难以获得而且具有大量过程数据的情况，机理与数据驱动相结合的方法适用于对象精确模型难以获得而且具有历史经验数据的情况。然而，随着工艺的日益复杂，对有经验的操作人员的需求也越来越大，巨大的人力成本降低了企业的利润。为了降低人工成本，需要更精确的操作模型来自动调整参数，使得调整后的模型总能带来最优的操作，从而可以代替经验丰富的操作人员，实现降低人工成本的目的。
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PLS的ESN加热炉操作变量的软测量方法，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理，所述归一化公式为：其中，Ymin和Ymax分别是输出模式向量Y的最小值和最大值；对回声状态网络的各个参数值进行初始化；获取回声状态网络的状态和输出，计算公式如下：x(t+1)＝f(Win×u(t+1)+Wbackx(t))(3)y(t+1)＝fout×(Wout×(u(t+1)，x(t+1)))(4)其中，Win和Wback为初始化的参数值，u(t+1)为当前的输入，x(t+1)为当前时刻储备池的状态，x(t)为前一时刻储备池的状态，当t＝0时，x(t)的初始化值为0；f(g)为储备池内部神经元的激活功能，fout表示输出层神经元的激活函数；使用偏最小二乘对输入和输出进行双向主成分分解，计算公式如下：其中，N为样本数量，qi∈Rk和oi∈Rk为得分向量，Q和O为得分矩阵，pi∈Rk和Si∈Rk为负载向量，P和S为负载矩阵，EU和ET为分解误差矩阵；根据所述双向主成分分解的结果对回声状态网络模型进行优化；根据优化之后的回声状态网络模型对加热炉操作变量进行预测。可选的，所述根据所述双向主成分分解的结果对回声状态网络模型进行优化的步骤包括：根据单位方差和零均值对如下参数进行初始化：根据回归计算在ri上的回归权重获得输入矩阵Win，将输入权重转化为单位矩阵获得得分向量qi：根据回归计算在ri上的回归权重获得负载向量Si，根据所述负载向量Si获得输出得分向量ri：当ri收敛时，根据EU在qi上的回归权重获得负载向量pi：获得内部链接模型的回归系数：根据所述回归系数对回声状态网络模型进行优化。可选的，还包括：对ET进行回归计算获得ET的回归值根据所述回归值将θ1q1、θ2q2、L、θiqi表示为L、的线性组合；根据所述线性组合获得输出的预估值为：通过反归一化获得y关于x的回归等式。本专利技术具有下述有益效果：本专利技术提供的基于PLS的ESN加热炉操作变量的软测量方法，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理；对回声状态网络的各个参数值进行初始化；使用偏最小二乘算法对回声状态网络模型进行优化；根据优化之后的回声状态网络模型对加热炉操作变量进行预测。本专利技术提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。因此，本专利技术提供的技术方案能够实现对加热炉在生产过程之中操作变量的有效预测，从而提高加热炉的热效率。附图说明图1为本专利技术实施例一提供的炼油厂减压加热炉的结构示意图。图2为本专利技术实施例一提供的回声状态网络模型的流程示意图。图3为本专利技术实施例一提供的泛化过程预测结果分布图。图4为本专利技术实施例一提供的回声状态网络模型的误差示意图。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PLS的ESN加热炉操作变量的软测量方法进行详细描述。实施例一图1为本专利技术实施例一提供的炼油厂减压加热炉的结构示意图。如图1所示，工业管式加热炉是一个复杂难以获得精确模型的流程工业对象，但是工业过程之中操作人员使用的最佳操作数据是可以获得。因此，本实施例使用机理与数据驱动结合的方法对生产过程中的操作变量进行建模。基于历史样本数据来拟合输入与输出数据之间的映射关系从而建立加热炉操作变量的软测量模型，这大大简化了建模的过程。目前，有很多种基于数据进行建模的方法，例如人工神经网络、模糊推理、数据挖掘、关联规则分析等。这些基于数据的建模方法中，基于人工神经网络的建模方法因其强大的非线性映射能力而得到广泛应用。任何连续的非线性函数都可以用人工神经网络的方法来进行拟合，加热炉操作变量的建模是一个复杂的流程工业问题，其数据是具有连续非线性的时间序列数据，可以使用人工神经网络的方法来进行建模。人工神经网络在基于数据进行建模的工业流程中，收到了良好的效果，但是随着流程工业越来越复杂，对应的数据变量和数据量也越来越庞大，传统的人工神经网络在进行建模时，因其算法中每一层网络的全连接特性使得计算量极其庞大，导致建模的速度越来越难以满足人们的需求。回声状态网络算法是一种深层次的学习算法，回声状态网络算法可以用于处理工业过程时序数据。回声状态网络算法的核心结构是一个随机生成的储备池，可以有效地解决动态时序数据的建模问题。随机稀疏连接的神经元被当作隐藏层形成储备池，回声状态网络使用该储备池来实现输入的高维和非线性表示。回声状态网络利用最小二乘算法计算储备池和输出层之间的权重，从而避免陷入局部最优解。本实施例针对的是一个管式加热炉，其生产过程数据带有时间序列的特征，因此可以采用回声状态网络来对生产过程的操作变量进行软测量建模。虽然回声状态网络模型或者改进的回声状态网络模型被成功地应用在流程工业数据的处理上，但是仍然存在局限性。回声状态网络模型的局限性在于最小二乘算法不能处理隐含层节点输出之间的多重共线性。为了克服这一缺点，本实施例提出了一种将回声状态网络与偏最小二乘(偏最小二乘-回声状态网络)结合的方法来对操作变量进行软测量建模。偏最小二乘-回声状态网络模型使用偏最小二乘算法代替传统的回声状态网络算法中的最小二乘算法来对回声状态网络进行训练，解决了回声状态网络在建模时可能存在的多重共线性问题。本实施例获得数据并进行数据预处理。具体来说，本实施例对现场采集的加热炉数据中存在的缺失数据、异常数据和噪声数据进行处理，最终得到I个样本{(Xi，Yi)|i＝1，2，...，I}，其中Xi=[xi1，xi2，...，xin]∈Rn代表第i个输入样本，xin代表第i个输入样本Xi的第n个元素。参见表1，n个元素分别对应加热炉生产中的压力、进料量、温度等，Yi∈R代表输出向量-空气阀门开度。本实施例提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能本文档来自技高网...

【技术保护点】
1.一种基于PLS的ESN加热炉操作变量的软测量方法，其特征在于，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理，所述归一化公式为：

【技术特征摘要】
1.一种基于PLS的ESN加热炉操作变量的软测量方法，其特征在于，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理，所述归一化公式为：其中，Ymin和Ymax分别是输出模式向量Y的最小值和最大值；对回声状态网络的各个参数值进行初始化；获取回声状态网络的状态和输出，计算公式如下：x(t+1)＝f(Win×u(t+1)+Wbockx(t))(3)y(t+1)＝fout×(Wout×(u(t+1)，x(t+1)))(4)其中，Win和Wback为初始化的参数值，u(t+1)为当前的输入，x(t+1)为当前时刻储备池的状态，x(t)为前一时刻储备池的状态，当t＝0时，x(t)的初始化值为0；f(g)为储备池内部神经元的激活功能，fout表示输出层神经元的激活函数；使用偏最小二乘对输入和输出进行双向主成分分解，计算公式如下：其中，N为样本数量，qi∈Rk和oi∈Rk为得分向量，Q和O为得分矩阵，pi∈Rk和si∈Rk为负载向量，P和S为负载矩阵，EU和ET...

【专利技术属性】
技术研发人员：王永健，李宏光，宿翀，黄静雯，杨博，
申请(专利权)人：北京化工大学，
类型：发明
国别省市：北京,11