论文部分内容阅读
软测量技术是先进过程控制技术的重要组成部分,同时也是化工领域过程检测和过程控制的重要手段,其能够有效的克服在线分析仪表成本高、滞后大、维修繁复的缺点,提升化工企业对过程变量的实时监控,进而提高产品质量,以满足工业生产对控制系统的需求,有效的提升了企业的竞争力。目前,神经网络已成为重要的软测量建模工具。递归神经网络(Recurrent Neural Network,RNN)作为一种动态神经网络,在基于数据驱动的软测量建模中已得到成功的应用。Kalman滤波作为一种状态空间模型方法,通过将神经网络各层间神经元之间的连接权值作为滤波器的状态进行更新,替代了RNN网络的传统训练算法,有效提高了网络的预测精度,已成功应用于时间序列预测。本文在线性Kalman滤波的基础上,给出了扩展卡尔曼滤波(Extend Kalman Filter,EKF)、容积卡尔曼滤波(Cubature Kalman Filter,CKF)和平方根容积卡尔曼滤波(Square-root Cubature Kalman Filter,SCKF)算法,用于RNN的训练。将上述方法运用于化工过程软测量建模的实例中,均取得了令人满意的效果。本文的主要研究内容如下:(1)研究了简单递归神经网络(Simple Recurrent Network,SRN)和全连接递归神经网络(Fully Connected Recurrent Neural Network,FCRNN)的拓扑结构,并以SRN为重点研究对象给出了网络的基本训练算法。(2)针对传统训练算法存在的不足,根据状态估计技术,在Kalman滤波的基础上,研究了EKF算法,给出了基于EKF算法的FCRNN方法;为了进一步提高网络精度和算法的稳定性,研究了CKF算法和SCKF算法,提出了基于SCKF算法的SRN方法。(3)将基于SCKF算法的SRN与非线性滑动平均(Nonlinear Moving Average,NMA)、非线性自回归(Nonlinear Autoregressive,NARX)时间序列模型相结合构建动态软测量模型,用于建立脱丁烷塔底部C4组分浓度的估计和硫处理装置(Sulfur Recovery Unit,SRU)尾气中SO2及H2S浓度的预估。为了验证本文所用方法的有效性,在同等条件下,将该方法分别与基于传统训练算法的SRN、基于传统训练算法的FCRNN、基于EKF算法的多层感知器(Multilayer Perceptron,MLP)、基于EKF算法的SRN、基于SCKF算法的MLP以及基于SCKF算法的FCRNN的建模方法进行对比,结果表明本文方法能够获得很高的建模精度,是一种有效的软测量建模方法。