一种集成多工况分析的化工生产过程质量预测方法技术

本发明专利技术属于工业生产过程过程变量检测领域，提供了一种集成多工况分析的化工生产过程质量预测方法。本发明专利技术方法的优点：1)所提方法创新性地提出用粒子群优化的ELM作为子模型来解决模型集成精度差的问题，不仅提高了由子模型集成的软测量模型的预测精度和速度，而且改善了子模型之间的差异性，能够实现模型之间更好地集成。2)为了提高集合模型的效率，本发明专利技术提出利用具有快速收敛性的遗传算法来选择子模型，并有选择地将PSOELM建立的模型进行整合，这样既保证了模型的适用性，又大大降低了存储空间和计算的复杂性。存储空间和计算的复杂性。存储空间和计算的复杂性。

【技术实现步骤摘要】
一种集成多工况分析的化工生产过程质量预测方法


[0001]本专利技术属于工业生产过程过程变量检测领域，具体涉及一种集成多工况分析的化工生产过程质量预测方法。

技术介绍

[0002]在化工生产过程中，需要对某些重要的过程变量和产品质量变量进行检测时，受限于技术或工艺条件而无法直接测量(如需要用到成分分析仪，时间成本大等)，便利用到软测量技术。软测量建模就是选择一组与主导变量相关性较大的且容易测得的辅助变量，通过建立主导变量以及辅助变量的数学模型来对主导变量的值进行回归预测。
[0003]在软测量建模方法当中，极限学习机(Extreme Learning Machine,ELM)由于其结构简单、训练速度快、泛化性能好等优点，被广泛用于工业软测量建模当中。相比于传统的神经网络，极限学习机能够克服梯度下降的反复迭代过程，在保证学习精度的前提下比传统的学习算法速度更快。然而，由于ELM网络生成过程随机产生输入层权值和隐含层阈值，造成参数选取不当，从而导致网络学习性能不足，对样本的预测能力下降，不能满足实际的工业要求。
[0004]实际工业本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种集成多工况分析的化工生产过程质量预测方法，其特征在于，步骤如下：(1)将数据集划分为训练集、验证集和测试集；构建化工生产过程数据和生产装置数据的数据集；面向化工生产过程和化工生产装置分别选取33个过程变量和7个测量变量对生产产品的产品质量进行预测分析，并将数据集随机划分为训练集、验证集和测试集；(2)基于粒子群优化的极限学习机构建候选子模型；训练集通过Bootstrap采样生成若干子训练集，针对生成的子训练集建立ELM模型，并通过粒子群优化得到各子训练集的最优权值和阈值，获得最优的ELM模型网络结构，得到候选子模型；ELM模型的输出表示为：其中，x
i
指的是第i个输入变量，w
i
是输入层和隐含层的连接权值，b
i
为隐含层神经元阈值，g为激活函数；输入层和隐含层的连接权值、隐含层的阈值随机设定，且设定后不用再调整；隐含层和输出层之间的连接权值β不需要迭代调整，而是通过解方程组方式一次性确定；神经元网络的输出表示为：Hβ＝T
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)反解得：β＝H
+
T(3)其中，H为隐含层的输出矩阵，H
+
为H的广义逆矩阵，T为已知的输出矩阵；针对ELM模型设置参数的随机性，将连接权值和阈值随机设定，再不断迭代更新，寻找最优值；在每一次迭代中，粒子通过跟踪两个“极值”来进行更新；第一个就是粒子本身所找到的最优解，即个体极值P；另一个极值是整个种群目前找到的最优解，这个极值是全局极值G；在...

【专利技术属性】
技术研发人员：朱理，尹永强，徐喜荣，杨鑫，魏小鹏，丁山，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：