【技术实现步骤摘要】
一种基于传递熵与长短期记忆网络的TE过程时序预测方法
本专利技术涉及基于信息熵的关键变量选取和基于深度学习的时序预测
，特别是针对TE(TennesseeEastman))过程变量间关联性强的特性提出了一种基于传递熵与长短期记忆网络的TE过程时序预测方法，是流程工业
的重要分支。
技术介绍
工业过程时序预测的目的是现场操作人员通过监控关键过程变量实现对整个生产流程的控制，从而保证生产过程的安全和平稳运行，因此，对关键过程参数反应器温度准确的时序预测对于提高过程控制性能和优化产品的质量指标以及工业过程安全运行具有重要的作用。由RNN变化而来的LSTM(LongShort-TermMemory)引入各种门结构，很大程度上提高了预测性能。因此，本专利技术选用LSTM方法进行TE过程时序预测。但是，在TE生产过程中，由于其复杂的物理连接特点，过程变量间具有复杂的关联性。如果将全部变量纳入到已建立好的模型之中，就会对分析自变量与因变量之间的客观关系形成干扰，还可能增加预测误差。因此，许多学者对变量选择进行了研究。徐...
【技术保护点】
1.一种基于传递熵与长短期记忆网络的TE过程时序预测方法，其特征在于包括以下步骤：/n(1)采集TE工业过程反应器单元正常操作情况下的历史数据，构成样本集(X
【技术特征摘要】
1.一种基于传递熵与长短期记忆网络的TE过程时序预测方法，其特征在于包括以下步骤：
(1)采集TE工业过程反应器单元正常操作情况下的历史数据，构成样本集(X1,X2,…,Xm,…,X8,Y)，即其中Xm表示第m个变量，即物料A进入反应器的流量、物料D进入反应器的流量、物料E进入反应器的流量、回收反应物的流量、反应器的进料总流量、反应器压力、反应器液位、反应器冷却水出口温度；Y表示要预测的目标变量，即反应器温度，每个变量包含i＝(1,2,…,I)个采样时刻，即Xm＝(Xm,1,Xm,2,…X8,i)，Y＝(y1,y2,…,yI)，其中Xm,i表示第i个采样时刻的第m个变量的测量值，Yi表示第i个采样时刻目标变量反应器温度的测量值；
(2)对物料A进入反应器的流量、物料D进入反应器的流量、物料E进入反应器的流量、回收反应物的流量、反应器的进料总流量、反应器压力、反应器液位、反应器冷却水出口温度和反应器温度历史数据进行归一化处理，处理方式如下：
对变量Xm进行归一化，表示如下：
其中，表示第i个采样时刻第m个过程变量归一化后的数据，i＝1,2,…I，m＝1,2,…M；max()为求最大值函数，min()求最小值函数；
对反应器温度Y进行归一化，表示如下：
其中，为第i个采样时刻反应器温度Y归一化后的数据，i＝1,2,…I；max()为求最大值函数，min()求最小值函数；
(3)利用传递熵进行变量选择：
①利用(2)归一化后的数据，分别计算物料A进入反应器的流量、物料D进入反应器的流量、物料E进入反应器的流量、回收反应物的流量、反应器的进料总流量、反应器压力、反应器液位、反应器冷却水出口温度与反应器温度之间的传递熵值，其计算公式如下：
变量对目标变量的传递熵值：
其中，表示变量对目标变量的传递熵值，xm,i和yi分别代表了变量和变量在i时刻的测量值，yi+1代表了在未来下一时刻的测量值；为概率，和为条件概率，利用核密度估计方法求得；i＝1,2,…I，m＝1,2,…M；k和l分别为和的植入维度，通常，为了避免在计算过程中引入复杂的高维概率密度，取k＝l＝l，这不影响变量之间的传递关系；
目标变量对过程变量的传递熵值：
其中，表示目标变量对变量的传递熵值，xm,i和yi分别代表了变量和变量在i时刻的测量值，xm,i+1代表了在未来下一时刻的测量值；为概率，和为条件概率，利用核密度估计方法求得；i＝1,2,…I，m＝1,2,…M；k和l分别为和的植入维度，通常，为了避免在计算过程中引入复杂的高维概率密度，取k＝l＝l，这不影响变量之间的传递关系；
②分别计算物料A进入反应器的流量、物料D进入反应器的流量、物料E进入反应器的流量、回收反应物的流量、反应器的进料总流量、反应器压力、反应器液位、反应器冷却水出口温度和反应器温度之间的传递熵的差值：
其中，表示变量到目标变量的传递熵与目标变量到变量的传递熵的差值，...
【专利技术属性】
技术研发人员：高学金，贾阳阳，高慧慧，韩华云，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。