基于输入变量选择与LSTM神经网络的动态软测量建模方法技术

本发明专利技术涉及基于输入变量选择与LSTM神经网络的动态软测量建模方法，包括如下步骤:S1：采集输入、输出数据组成历史训练样本数据库；S2：对采集的样本数据进行预处理，将采集的数据进行缺失值、异常值处理及数据标准化；S3：构建和训练LSTM神经网络软测量模型；S4：MNNG算法设计：基于MIC算法设计自适应约束算子，并将自适应约束算子嵌入NNG算法约束中；S5：将MNNG算法嵌入LSTM神经网络结构，优化LSTM网络输入权重，删除冗余变量，建立更简化的软测量模型。本方案基于非负绞杀算法与最大互信息系数设计自适应加权惩罚函数，并将其与长短期记忆神经网络相结合，提供了一种基于输入变量选择与LSTM神经网络的动态软测量建模方法。LSTM神经网络的动态软测量建模方法。LSTM神经网络的动态软测量建模方法。

【技术实现步骤摘要】
基于输入变量选择与LSTM神经网络的动态软测量建模方法


[0001]本专利技术涉及工程建模与软测量领域，具体涉及一种基于输入变量选择与LSTM神经网络的动态软测量建模方法。

技术介绍

[0002]现代工业过程中，为保证产品质量与生产过程安全性，需要对某些难以直接测量却又与之密切相关的关键变量进行实时监测，以满足工业生产需求。软测量技术由于其在线检测经济可靠，响应迅速，易于达到对产品质量的实时监测与控制，已成为化工过程控制领域的研究热点问题。
[0003]软测量建模方法主要有偏最小二乘回归、支持向量机、人工神经网络(artificial neural network，ANN)等，其中，ANN因其出色的非线性映射能力、不依赖系统先验知识的学习能力，常用于各种现代流程工业和过程控制领域的关键参数软测量。然而，实际工业过程本质上具有复杂的时滞特性与动态特性，某些关键参数的状态不仅与其它过程参数的当前时刻状态有关，也依赖于其过去某时刻或某时段的状态。而传统ANN多采用前馈网络结构，难以捕获两者之间复杂的动态时序关系，因此所建立的软测量模型往往难以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于输入变量选择与LSTM神经网络的动态软测量建模方法，其特征在于包括如下步骤:S1：采集输入、输出数据组成历史训练样本数据库；S2：对采集的样本数据进行预处理，将采集的数据进行缺失值、异常值处理及数据标准化；S3：构建和训练LSTM神经网络软测量模型；S4：MNNG算法设计：基于MIC算法设计自适应约束算子，并将自适应约束算子嵌入NNG算法约束中；S5：将MNNG算法嵌入LSTM神经网络结构，优化LSTM网络输入权重，删除冗余变量，建立简化的软测量模型。2.根据权利要求1所述基于输入变量选择与LSTM神经网络的动态软测量建模方法，其特征在于，步骤S1中，通过机理分析与专家经验，从工业分散控制系统中选取可能对待测变量预测产生影响的重要过程变量作为输入变量，按时间间隔T对其进行连续均匀采样，获得输入输出变量数据集。3.根据权利要求1或2所述基于输入变量选择与LSTM神经网络的动态软测量建模方法，其特征在于，步骤S2具体包括:S201：首先对于只含有部分时间点的变量，如果其残缺数据较多，无法补充，将此类变量删除，删除样本中数据全部为恒定值的变量；对于部分数据为空值的变量，空值处用其前后两个数据的平均值代替；S202：其次根据工艺要求与操作经验，总结出原始数据变量的操作范围，然后采用最大、最小的限幅方法剔除一部分不在此范围的样本，并根据拉依达准则去除异常值；拉依达准则是指先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除,首先对被测变量进行等精度测量，独立获得x1,x2,
…
,x
n
，求其算术平均值及剩余误差并计算出标准差σ，若某个测量值x
i
的剩余误差v
i
，1≤i≤n，若满足下式：则认为该误差属于粗大误差，含有该误差的数据x
i
应予以剔除；S203：最后将输入、输出变量按z
‑
score法进行数据标准化。4.根据权利要求1所述基于输入变量选择与LSTM神经网络的动态软测量建模方法，其特征在于，步骤S3具体包括：S301：数据集划分，将预处理后的数据前80％作为训练数据集，剩余20％作为测试数据集，用以构建、训练三层LSTM神经网络；S302：LSTM神经网络模型训练，LSTM神经网络的训练算法为基于时间的反向传播算法，S303：采用网格搜索法对LSTM神经网络超参数进行调优；首先依据先验知识确定不同
超参数的候选置信取值，生成待搜索网格；然后采用网格搜索法对LSTM神经网络超参数进行调优，选择最优超参数组合；训练生成初始LSTM神经网络，获得网络初始输入权重y
(t)
；式中式中，f
(t)
、i
(t)
、o
(t)
、c
′
(t)
分别代表遗忘门、输入门、输出门与候选细胞状态的输出，W、b分别为各门控单元对应权重矩阵与偏置向量，即网络所需要学习的参数，q表示隐含层节点数，tanh(
·
)表示双曲正切激活函数，
⊙
为向量点乘运算。5.根据权利要求4所述基于输入变量选择与LSTM神经网络的动态软测量建模方法，其特征在于，步骤S3...

【专利技术属性】
技术研发人员：孙凯，隋璘，刘咏诗，俞晓冬，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：