一种基于改进递归神经网络的化工过程数据预测方法技术

本发明专利技术公开了一种基于改进递归神经网络的化工过程数据预测方法。本发明专利技术首先选取化工过程的一个重要环节，确定预测输出和输入因子，采集原始数据，并利用灰色关联分析法提取主要影响因子。其次运用互相关函数对主要影响因子进行时滞分析，选取正时滞的因子且进行时滞处理，得到关键因子。然后确定改进序贯学习递归神经网络模型的网络结构，将时滞处理后的关键因子和输入主因子当作网络输入参数，改进序贯学习递归神经网络模型的预测数据作为输出数据。最后对预测数据结果和预测效果评价。本发明专利技术在化工过程中能快速准确的预测化工过程数据，为异常预警和提前诊断并消除故障提供重要依据，为减少化工事故做出一定的贡献。为减少化工事故做出一定的贡献。为减少化工事故做出一定的贡献。

【技术实现步骤摘要】
一种基于改进递归神经网络的化工过程数据预测方法


[0001]本专利技术属于化工安全领域，特别是涉及一种基于改进序贯学习递归神经网络(Improved Sequential Learning Recursive Neural Network,ISLRNN)的化工过程数据预测方法。

技术介绍

[0002]近年来，随着人们对化工产品需求的提高，化工生产过程正朝着大型化、综合化和复杂化的方向发展。化工企业面临着日趋严重的化工过程风险，化工事故时有发生，造成了巨大的经济损失和生态环境污染以及人员伤亡。人们希望能够在化工事故之前有预警，可以给与足够时间去消除事故，避免化工事故发生。在当前这个大数据时代，数据的价值越来越被重视，化工生产过程的实时时间序列数据作为数据集中必不可少的部分。
[0003]关于化工过程的实时时间序列数据的研究主要是应用于安全评估、故障诊断和分析预测等，而安全评价、故障检测和诊断技术是基于历史数据和实时数据的处理过程，只有在检测和诊断到故障时(即故障已发生)，才能采取措施去消除故。如果能在故障发生前，提前将异常或故障检测出来，则可以提前进行安全评估和消除故障，减少可能发生的化工事故，这是非常有意义的。在实时时间序列数据的基础上，预测未来一段时间的化工数据，再使用这些预测的数据进行安全预警或故障检测及诊断，能实现更全面的化工生产安全保障，为减少化工事故和降低异常处理成本打下良好的基础。
[0004]目前，数据预测方法的研究中已经在较多领域有成熟的应用，但是这些传统的预测方法在面对具有多变量、多流程和高复杂的化工过程数据背景下，呈现出较差的数据适应性。因而，需要开发一种在化工工业过程中能快速和准确的数据预测方法，以帮助化工企业预测实时动态数据，为异常预警和提前诊断并消除故障提供重要依据。

技术实现思路

[0005]本专利技术针对现有技术的不足，提出一种基于改进递归神经网络的化工过程数据预测方法。
[0006]本专利技术的目标是针对化工生产过程数据预测中参数较多且难准确预测的问题，提出了一种基于改进序贯学习递归神经网络模型的数据预测方法。首先，该方法使用灰色关联分析法确定影响预测目标的关键因子；然后，运用互相关函数对关键因子进行时滞分析，选取正时滞的因子，并且将时滞处理后的因子作为模型的输入数据；最后，使用改进序贯学习递归神经网络模型对化工过程的目标动态数据进行预测。
[0007]本专利技术方法具体是：采用改进序贯学习递归神经网络模型对化工生产过程某个工段的一系列关键参数进行预测。首先使用灰色关联分析法针对不确定数据评估相关性的优势，筛选出目标数据的强相关的主要影响因子，然后运用互相关函数的时滞分析确定参数之间的实际时滞关系，选取正时滞的部分因子，同时对这部分参数进行时滞处理，最后将目标数据和进行时滞处理的关键因子作为改进序贯学习递归神经网络模型的输入参数，并应
用改进序贯学习递归神经网络模型生成目标数据的预测数据。由于改进序贯学习递归神经网络模型能够自行调整网络权值和学习历史数据完成近似逼近任意函数曲线，在动态数据的预测问题上应用较广泛，特别是针对时序性比较强的动态数据。综上所述，本专利技术的预测步骤如下：
[0008]步骤1：选取化工过程的一个重要环节。
[0009]经过针对化工企业上级部门或化工企业生产部门的调查，获取化工生产企业内部各化工生产环节的信息，包括化工生产的流程、关键参数的历史数据信息、关键参数的当前实时动态数据等。化工生产过程的数据预测选择了化工生产过程中的某一个环节作为动态监测对象。一般情况，某一个环节的化工系统有很多个传感器变量数据，主要包含液位、压力、温度和其他等。
[0010]步骤2：确定预测输出和输入因子，并采集原始数据。
[0011]选取的用于化工过程的预测数据，来自化工企业某工段的传感器记录的实时数据，每组参数均是一个时间序列数据。在n个参数中，每个参数的变化，可能跟其他n
‑
1个参数变量有较大的关系。选取其中一个参数作为预测因子，即输出因子，都将会有一个预测结果。如设置X'0的预测数据作为输出数据(输出因子)，X0的已知数据作为输入主数据(主因子)，即目标预测数据，X1,X2,X3,...,X
n
‑1共n
‑
1个相关因素作为输入辅助数据(辅因子)，即38个输入因子。如表1所示：
[0012]表1输出和输入辅助数据
[0013][0014]步骤3：38个输入因子的原始数据归一化处理，并利用灰色关联分析法，提取主要影响因子。
[0015]步骤3.1：数据归一化处理。
[0016]这个化工过程数据集包含较多的各种变量，如液位、压力和温度等。数据范围较大，各个变量的数据量纲不一样。不利于关联度分析，为了方便计算，需要进行归一化处理。使用min
‑
max归一化公式进行数据预处理。如下式所示：
[0017][0018]其中，x'是归一化数据处理后的数据。x是原始数据，min(x)和max(x)是一组原始数据的最小值和最大值。
[0019]步骤3.2：利用灰色关联分析法，提取主要影响因子。
[0020]灰色关联分析，是对一组数据发展变化趋势的定量表示和比较的分析方法，它是通过确定目标数据序列(又称参考数据序列)和其他比较数据序列的相关程度来判别其联系的紧密性，其反映了数据序列之间的关联程度。一般可利用此方法来分析各个数据组对于目标数据组的影响程度，同时还可用于随时间变化的综合评价类问题处理。它是依照一定规则明确随时间变化的参考数据序列，把各个其他数据组随时间的变化作为比较数据序列，计算各个比较数据序列与特征数据序列的相关程度，依照相关性得出结果。该方法计算
步骤如下：
[0021]步骤3.2.1：确定参考数据序列和比较数据序列。
[0022]依据步骤2中输入主数据(X0)和输入辅助数据(X1,X2,X3,...,X
n
‑1)，明确对应预测数据的参考数据序列和比较数据序列。X0＝{x0(1),x0(2),x0(3),...,x0(m)；m∈Z}为参考数据序列，X
i
＝{x
i
(1),x
i
(2),x
i
(3),...,x
i
(m)；i＝1,2,3,...,n
‑
1,m∈Z}为比较数据序列。
[0023]步骤3.2.2：计算关联系数。
[0024]X0(k)和X
i
(k)在时刻k的关联系数ξ
0i
(k)，如下式所示：
[0025][0026]其中，Δ
0i
(k)＝|x0(k)
‑
x
i
(k)|；i＝1,2,3,...,n，n＝37，Δ
max
和Δ
min
表示参考序列与比较序列在每个时间点的绝对差的极值。ρ是分辨系数，取值区间为(0,1)，通本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进递归神经网络的化工过程数据预测方法，其特征在于包括如下步骤：步骤1：选取化工过程的一个重要环节；步骤2：确定预测输出和输入因子，采集原始数据；设输入因子为：X0,X1,X2,X3,...,X
n
‑1，其中X0为输入主数据，X1,X2,X3,...,X
n
‑1为输入辅助数据；步骤3：将输入因子的原始数据归一化处理，并利用灰色关联分析法，提取主要影响因子；步骤4：运用互相关函数对主要影响因子进行时滞分析，进行正时滞选取且进行时滞处理，得到关键因子；步骤4.1：消除显著误差；定义样本数据序列X
i
＝{x(1),x(2),x(3),...,x(n)}的偏差Y
i
大于3σ，则其表示显著误差点，消除显著误差点；显著误差计算，如下式所示：其中，是样本数据序列X
i
的平均值，是偏差，i＝1,2,3,...,n；步骤4.2：消除随机误差：采用一阶数据平滑过滤法消除随机误差；步骤4.3：缺失值的补偿：采用平均值补偿样本数据的缺失值；步骤4.4：时滞计算；假设有n个相关参数x0,x1,x2,...,x
n
‑1，它的采样周期是T0，对x0(t)和x
i
(t+ψ)执行时滞分析操作，其中t是采样时间点，即t＝0,1,2,...,N，N是数据序列时间点总数，ψ是目标参数时滞后相关性变量的步数，ψ＝
‑
N+1,...N
‑
1，l
i
是x
i
相对于x0的时滞步数，τ
i
是x
i
相对于x0的时滞时间，其计算如下式所示：τ
i
＝λ
i
×
T0其中，是目标参数相对第i个相关性变量的时滞系数，|
·
|是表示绝对值，argmax(f(x),x∈X)是f(x)在X上最大时的x值，的计算如下式所示：其中，和分别是x0和x
i
(t+ψ)的均值，和分别是x0和x
i
(t+ψ)的标准差；步骤4.5：时滞数据的选取；
如果λ
i
＜0，则表示x
i
相对于x0的时滞步数为负值，不选择此参数作为对x0的关键因子，如果λ
i
≥0，则表示x
i
相对于x0的时滞步数为正值或0，将经过τ
i
的时间滞后的x
i
参数选取作为关键因子；步骤5：确定改进序贯学习递归神经网络模型的网络结构，将时滞处理后的关键因子和输入主数据当作网络输入参数，改进序贯学习递归神经网络模型的预测数据作为输出数据；所述改进序贯学习递归神经网络模型，连接层神经元里面附带自反馈链接，其固定增益为α，这个固定增益记忆模型的输出值存在于隐层节点前一刻，是一个延时因子；步骤6：输入需要预测的数据和影响因子，输出预测结果。2.根据权利要求1所述的一种基于改进递归神经网络的化工过程数据预测方法，其特征在于：步骤3具体过程如下：步骤3.1：数据归一化处理；步骤3.2：利用灰色关联分析法，提取主要影响因子，计算步骤如下：步骤3.2.1：确定参考数据序列和比较数据序列；依据步骤2中输入主数据X0和输入辅助数据X1,X2,X3,...,X
n
‑1，X0＝{x0(1),x0(2),x0(3),...,x0(m)；m∈Z}为参考数据序列，X
i
＝{x
i
(1),x
i
(2),x
i
(3),...,x
i
(m)；i＝1,2,3,...,n,m∈Z}为比较数据序列；步骤3.2.2：计算关联系数；X0(k)和X
i
(k)在时刻k的关联系数ξ
0i
(k)，如下式所示：其中，Δ
0i
(k)＝|x0(k)
‑
x
i
(k)|；i＝1,2,3,...,n，Δ
max
和Δ
min
表示参考数据序列与比较数据序列在每个时间点的绝对差的极值，ρ是分辨系数，取值区间为(0,1)；步骤3.2.3：计算关联度；参考数据序列X0与比较数据序列X
i
在整个时间段内的灰色联度γ
0,i
，如下式所示：步骤3.2.4：确认影响关键因子；针对目标数据，使用关联度分析，计算各参数因子的关联度，按照关联度数值的大小排序，选取前p位的因子作为影响关键因子，即主要影响因子。3.根据权利要求2所述的一种基于改进递归神经网络的化工过程数据预测方法，其特征在于：步骤3.2.2中分辨系数ρ取0.5。4.根据权利要求1所述的一种基于改进递归神经网络的化工过程数据预测方法，其特征在于：在步骤4.2中，采用一阶数据平滑过滤法消除随机误差，如下式所示：ω
i
＝βω
i
‑1+γx(i+1)+(1
...

【专利技术属性】
技术研发人员：宋秋生，宋丽，靖聪，杨海洋，
申请(专利权)人：嘉兴南湖学院，
类型：发明
国别省市：