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

本发明专利技术公开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，该方法设计了附加目标相关拉普拉斯约束的预训练损失函数，使得模型在训练阶段可以使用无标签样本带来的约束信息，解决了乙烯分馏过程不带乙烯含量测量值的无标签数据多而带乙烯含量测量值的有标签数据少情况下的建模问题

【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本的数量，仅使用标记数据建模的软测量模型泛化性能较差
。
[0003]乙烯是合成聚合物和其他有用化学品的基础原料
。
为了生产高纯度的乙烯，需要进行乙烯的净化处理
。
乙烯净化是一种将乙烯与其他杂质分离的过程
。
通常使用乙烯分馏塔进行这种净化
。
乙烯分馏过程的一个关键操作是尽可能保持乙烷浓度较高，以减少运营成本，同时保持乙烷浓度不能超过其上限，实时监控产物的乙烯浓度十分重要
。
工业中使用气相色谱仪检测乙烯含量，这种检测方法检测时间较长，无法做到实时产物乙烯浓度检测
。
同时，由于气相色谱仪相对于温度气压传感器采样频率低，所以实际当中有对应乙烯含量测量值的过程变量样本数量远少于无对应乙烯含量测量值的过程变量样本
。
亟需提供一种鲁棒的软测量建模策略，使得模型能够在部分有标签数据情况下提供准确的实时乙烯含量预测
。

技术实现思路

[0004]本专利技术的目的在于针对乙烯分馏过程无标签样本多
、
有标签样本少的有标签数据稀少问题，提供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，该方法包括如下步骤：
[0005]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，该方法包括以下步骤：
[0006]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；
[0007]步骤二：构建训练数据集所有样本的
K
近邻图；
[0008]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；
[0009]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；
[0010]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
。
[0011]进一步地，所述步骤二包括如下子步骤：
[0012](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：
[0013]w
ij
＝
exp(
‑
||x
i
‑
x
j
||2/2
σ2)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0014]其中
x
i
，
x
i
表示两个样本，
σ
表示带宽系数；
[0015](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
。
[0016]进一步地，所述步骤三包括如下子步骤：
[0017](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：
[0018]h1＝
f
h
(W1x+b1)
ꢀꢀꢀꢀꢀꢀꢀ
(2)
[0019][0020][0021]其中
h1代表隐向量，
{W1，
b1}
代表编码器权重和偏移，代表解码器权重和偏移，
f
h
代表编码器层非线性激活函数，代表解码器层非线性激活函数；
[0022](3.2)
采用步骤一构建的数据集，采用随机梯度下降算法对第一层自编码器模型进行预训练，训练损失函数定义为对输入过程变量和乙烯含量值的重构误差和质量变量的邻近拉普拉斯正则化项，由下式表示：
[0023][0024]其中
w
ij
代表样本
x
i
和
x
j
的在
K
近邻图中的距离，
y
i
代表乙烯含量测量值，
λ1和
λ2代表损失函数各部分权重系数，代表在部分有标签样本下利用规则得到的乙烯含量的估计值，其计算规则如下：
[0025][0026]训练完成之后，收集训练数据集样本所产生的隐向量集合
[0027](3.3)
基于第一层编码器产生的隐向量，构建第二层自编码器，其计算公式为：
...

【技术保护点】

【技术特征摘要】
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}

【专利技术属性】
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：