基于改进HHO优化DELM的脱丁烷塔软测量建模方法技术

本发明专利技术提供一种基于改进HHO优化DELM的脱丁烷塔软测量建模方法，获取脱丁烷塔生产过程数据集并根据工艺原理和操作经验进行变量选择；对获取的数据集进行归一化处理，使其变成无量纲数据集；然后确定深度极限学习机DELM的拓扑结构，通过哈里斯鹰优化算法HHO对DELM隐含层的节点数进行优化，将DELM训练得到的根均方差作为适应度值，选取使模型误差最小的节点数；针对HHO的局限性，引入Piecewise混沌映射、惯性权重以及自适应t分布。基于脱丁烷塔生产过程数据集，构建经过改进HHO优化的DELM软测量模型，能够使模型避免局部最小值的出现，相较于其他方法建立的软测量模型的估计精度有所提升。所提升。所提升。

【技术实现步骤摘要】
基于改进HHO优化DELM的脱丁烷塔软测量建模方法


[0001]本专利技术实施例涉及工业过程软测量建模
，尤其涉及一种基于改进HHO优化DELM的脱丁烷塔软测量建模方法。

技术介绍

[0002]在工业过程中，关键工艺参数的实时检测和监控非常重要，但由于环境恶劣、测量成本昂贵等诸多不利因素，使得一些关键工艺参数的实时检测难以实现。软测量技术通过利用与难测变量密切相关的易测过程变量对难测变量进行估计，在一定程度上解决了这一矛盾，它是数据处理、数据驱动建模和软件构建技术的结合，有着快速的发展，尤其是基于深度学习的软测量建模方法，已经获得了很多的成功应用。其中深度极限学习机(Deep Extreme Learning Machine，DELM)结合了极限学习机的学习效率和自编码器的深度结构，可以从原始数据中获取到更深层的特征，从而能够有效地表示工业过程数据间复杂的非线性关系，因此采用DELM方法建立软测量模型。
[0003]DELM隐含层的节点个数对模型的泛化性能有着重要的影响，若隐含层节点数太少，会导致训练的性能很差；若隐含层节点数太多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进HHO优化DELM的脱丁烷塔软测量建模方法，其特征在于，包括：步骤S1、采集脱丁烷塔生产过程中的过程变量和目标变量，进行归一化处理后划分为训练集和测试集；步骤S2、确定深度极限学习机DELM的拓扑结构，确定哈里斯鹰优化算法HHO的初始化参数，并基于Piecewise混沌映射策略对种群进行初始化，以构建DELM模型；步骤S3、将DELM训练得到的根均方差作为适应度值，计算每个个体的适应度值并将适应度值最优的个体设置为当前猎物的最优位置；步骤S4、确定猎物的逃逸能量，基于所述逃逸能量确定搜索策略，并利用惯性权重更新猎物的位置；步骤S5、基于自适应t分布对最优位置进行扰动，若判断迭代完成，则将最优解作为DELM节点数，完成DELM模型的训练，输出测试集上的估计值，若迭代未完成，则跳转至步骤S3。2.根据权利要求1所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法，其特征在于，所述步骤S1中，所述过程变量包括塔顶温度、塔顶压力、回流流量、流向下一过程的流量、第6隔板温度、第一塔底温度、第二塔底温度；所述目标变量为丁烷浓度；其中，所述过程变量为输入变量，所述目标变量为输出变量。3.根据权利要求1所述的基于改进HHO优化DELM的脱丁烷塔软测量建模方法，其特征在于，所述步骤S2具体包括：步骤S21、确定DELM的隐含层层数、正则化参数C和激活函数；初始化改进的HHO的参数，包括搜索维度dim、最大迭代次数T、种群规模m、DELM隐含层节点数上界lb、DELM隐含层节点数下界ub；步骤S22、基于Piecewise混沌映射策略初始化种群，以克服种群初始化的盲目性，具体为：上式中，P为控制参数，P∈[0,1]；r
i
是第i个混沌数，r
i
∈[0，1]；步骤S23、建立DELM模型，先进行多层ELM
‑
AE无监督特征提取，将输入样本X作为第一个ELM
‑
AE的目标输出X1＝X，求输出权值β1，令将DELM第一个隐含层的输出矩阵H1作为下一个ELM
‑
AE的输入与目标输出，依次类推逐层训练，求得各层的隐含层权重；其中，第i个隐含层的输出H
i
计算为：H
i
＝g(H
i
‑1·
w
i
)w
i
(i＝1,2,
…
,h)表示第i
‑
1隐含层和第i隐含层之间的权重，g(.)表示为Sigmoid激活函数；
DELM模型的最后一层利用原始的EL...

【专利技术属性】
技术研发人员：雷琪，王慧茹，
申请(专利权)人：中南大学，
类型：发明
国别省市：