基于深度学习的工业过程软测量

(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量 建模方法。基于深度森林回归的框架,将循环神经网络作为基学 习器,构建了一种多粒度循环神经网络和级联循环神经网络结构, 可适用于过程数据的非线性、动态性、多模态等复杂特性问题。
通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行 数据仿真,验证了该方法的有效性。
由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学 术界和工业界得到了迅速的发展和有效的实践。根据过程的不 同数据特性,多种软测量方法相继被提出和应用。
本文以深度学习算法为主要研究方法,开展复杂工业过程的软测 量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循 环神经网络的非线性动态过程软测量建模方法。对循环神经网 络、长短时记忆单元和门控循环单元进行stacking集成,构建了 堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升 预测效果。
基于深度学习的工业过程软测量
为了降低生产成本、监测过程状态、调整控制策略、提高生产 效率、优化产品质量,过程关键质量变量的实时测量和准确预报 十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质 量变量值的wk.baidu.com题,软测量方法通过构造以辅助变量为输入、主导 变量为输出的估计模型,间接估计预测关键质量变量。
通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业 过程软测量建模的可行性和有效性。(2)提出了一种基于深度森 林回归的非线性多模态过程软测量建模方法。
根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立 了一种非神经网络结构的深度预测模型,在训练过程可自适应调 节模型结构,增强了数据模型的表示学习能力和适用范围。通过 一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过 程软测量建模的可行性,进一步与传统回归方法比较预测性能差 异。