【技术实现步骤摘要】
基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法
[0001]本专利技术属于工业过程控制领域,特别涉及一种基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法
。
技术介绍
[0002]在现代流程工业中,公司需要在原材料消耗
、
遵守安全规则和环境污染问题等不同限制条件下保持具有竞争力的产品价格和质量
。
因此,有必要监控生产过程的关键质量指标,以控制和提高产品质量
、
维护过程安全并减少工厂的污染物排放
。
然而,由于恶劣的环境和昂贵的测量网络安装和维护成本,很难实时测量每个关键产品指标
。
软测量技术致力于通过使用数学模型和从其他一些可用物理传感器获取的数据来估算那些难以测量的关键质量指标
。
在当今的生产中,由于生产过程的复杂性,大多数第一性原理方法在实施上都有一定的难度
。
与此同时,随着分布式控制系统和物联网的广泛应用,行业收集了大量的历史数据记录
。
数据驱动的建模方法直接在数据上开发,不需要完整的过程机制知识,已成为过程工业中不可或缺的工具
。
在软测量建模的应用中,部分标记的数据很常见,因为一些过程变量以快速频率采样,例如流速和压力,而关键
/
质量变量
(
或关键质量指标
)
以低频率采样,比如,由实验室进行分析
。
因此,由快速采样过程变量组成的未标记样本的数量远大于标记样
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.
一种基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法,其特征在于,该方法包括以下步骤:步骤一:以固定的采样周期
T
,连续
l+u
次对乙烯分馏塔排出口的温度
、
气压和液体流速的传感器进行采样,得到
l+u
个只含过程变量的样本;在同一时段内,以固定的采样周期测量得到
l
个排出气体的乙烯含量值,构建建模用的训练数据集,包括有标签样本集和无标签样本集其中,
x
代表样本的过程变量,
y
代表需要测量的乙烯含量值,
l
表示有标签样本个数,
u
表示无标签样本个数;步骤二:构建训练数据集所有样本的
K
近邻图;步骤三:构建堆叠自编码器模型,并利用训练数据集和构建好的
K
近邻图对堆叠自编码器模型进行预训练;步骤四:取预训练好之后的堆叠自编码器当中的编码器部分,在其上加入一层回归层构建回归网络,利用训练数据集中的有标签样本对回归网络的参数进行微调;步骤五:采集现场工作数据,当回归网络训练完成后,模型转成在线预测时,新样本输入到回归网络当中,输出乙烯含量的预测值
。2.
根据权利要求1所述的基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法,其特征在于,所述步骤二包括如下子步骤:
(2.1)
计算样本之间的距离,存入到邻接矩阵
G
之中,使用高斯核作为距离度量手段,计算公式为:
w
ij
=
exp(
‑
||x
i
‑
x
j
||2/2
σ2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
其中
x
i
,x
i
表示两个样本,
σ
表示带宽系数;
(2.2)
对于每个样本
x
i
,找出与其距离最小的
N
neighbor
个样本,保留这些样本和
x
i
的距离值,将其他样本和
x
i
的距离值设为0,更新邻接矩阵
G
当中的距离值
。3.
根据权利要求1所述的基于目标相关拉普拉斯自编码器的乙烯分馏塔乙烯含量预测方法,其特征在于,所述步骤三包括如下子步骤:
(3.1)
构建第一层自编码器,包含编码器和解码器,编码器用于将样本质量变量
x
编码成隐向量,解码器利用隐向量生成重构质量变量和重构的质量变量计算公式为:
h1=
f
h
(W1x+b1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)(2)
其中
h1代表隐向量,
{W1,b1}
技术研发人员:张新民,何柏村,宋执环,钱金传,朱哲人,
申请(专利权)人:浙江大学,
类型:发明
国别省市:
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。