【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 ...
【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
...
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。