一种乙烯生产过程小样本的软测量方法技术

本发明专利技术公开了一种乙烯生产过程小样本的软测量方法，采用加入高斯白噪声的AANN进行数据校正，生成虚拟样本，扩充样本数据，解决样本数量不足，数据分布不平衡问题；采用ELM进行数据建模，建立智能软测量仪表与乙烯产品单耗模型。本发明专利技术发明专利技术具有响应时间快、建模精度高、推理能力强、管理方便的特点，为保证乙烯生产的安全进行、提高产品质量、节约生产成本提供了帮助。

A soft sensing method for small samples in ethylene production

【技术实现步骤摘要】
一种乙烯生产过程小样本的软测量方法
本专利技术属于软测量
，特别涉及一种乙烯生产过程小样本的软测量方法，其中，通过引用加入高斯白噪声的自联想神经网络(Auto-AssociativeNeuralNetwork,AANN)的对称拓扑结构实现虚拟样本的生成，运用极限学习机(ExtremeLearningMachine，ELM)算法实现乙烯在工业生产过程的软测量，解决极限学习机建模过程中样本数据少建模精度低的问题。
技术介绍
化工过程具有非线性、高维数、强耦合等复杂特征，难以利用机理进行精确过程建模。人工神经网络因其具有自学习自适应性、高度非线性逼近能力、并行分布处理等特点，无须考虑内部机理，正适合于过程建模领域。目前通常使用机理建模、数据驱动建模或者是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。其中机理建模需要根据过程的基本反应原理来对对象进行建模，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，在如今化工工艺中，工况多变，机理建模变得愈发困难。由于小样本的数本文档来自技高网...

【技术保护点】
1.一种乙烯生产过程小样本的软测量方法，其特征在于：建立对称结构的AANN自联想神经网络且在瓶颈层中添加高斯白噪声以得到高拟合度的虚拟样本，将虚拟样本通过Bootstrap方法进行重复采样以得到带有差异度的样本，再采用ELM实现快速对个体神经网络的训练以实现对乙烯生产过程小样本的软测量。/n

【技术特征摘要】
1.一种乙烯生产过程小样本的软测量方法，其特征在于：建立对称结构的AANN自联想神经网络且在瓶颈层中添加高斯白噪声以得到高拟合度的虚拟样本，将虚拟样本通过Bootstrap方法进行重复采样以得到带有差异度的样本，再采用ELM实现快速对个体神经网络的训练以实现对乙烯生产过程小样本的软测量。


2.根据权利要求1所述乙烯生产过程小样本的软测量方法，其特征在于：将进料流量、燃料用量、蒸汽用量、水流量、电力用量和乙烯的产量作为输入，在AANN自联想神经网络中进行样本数据训练：
将获得的P个高维输入样本需要用自联想神经网络进行压缩降维,其集合表示为S＝{Sp|p＝1,2,...,P；Sp∈RI}，其中,I表示输入层所含有的线性神经元个数；
对于每一个高维输入样本Sp，经过输入层和映射层后，映射层的神经元的输出表示为Mp＝f(WSp+b)，其中映射层神经元个数为M，Mp为输入样本Sp的映射层输出向量，W＝[wmi]M×I为输入层与映射层神经元连接权值矩阵，wmi表示连接第i个输入神经元与第m个映射层神经元的权值，b＝[bm]m×1为映射层的阈值向量，bm表示第m个映射层神经元的阈值，f(·)为映射层的激活函数，且
瓶颈层的神经元的输出表示为Bp＝f(WMp+c)+G_noise，其中瓶颈层神经元个数为B，Bp为映射层样本Mp的瓶颈层输出向量，W＝[wbm]B×M为映射层与瓶颈层神经元连接权值矩阵，wbm表示连接第m个映射神经元与第b个瓶颈层神经元的权值，c＝[cb]b×1为瓶颈层的阈值向量，cb表示第b个瓶颈层神经元的阈值，G_noise表示加入适当的高斯白噪声；
解映层的神经元的输出表示为Dp＝f(WBp+d)，其中解映层神经元个数为D，Dp为瓶颈层Bp的解映曾输出向量，W＝[wdb]D×B为瓶颈层与解映层神经元连接权值矩阵，wdb表示连接第b个瓶颈神经元与...

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