基于深度学习的复杂化工过程软测量模型研究与应用

论文摘要

针对复杂化工生产过程中的一些原材料消耗量难以直接测量的问题,提出了一种基于深度学习的软测量方法。该方法基于一段时间的历史数据,利用平稳小波变换提取历史数据中的多尺度信息,然后与每一个时间点的可观测数据进行合并得到完整的数据集,再划分出训练集和测试集,用带有注意力机制的深度学习算法进行训练和泛化,进而建立软测量模型。最后将提出的方法应用到对苯二甲酸（PTA）生产装置乙酸消耗的软测量中。通过与极限学习机（extreme learning machine,ELM）、多层感知器（multi-layer perceptron,MLP）以及普通长短期记忆网络（long short-term memory,LSTM）方法比较,结果表明,该模型的预测准确度较高,具有一定的有效性和适用性,同时对PTA生产装置的乙酸消耗量进行预测分析,从而提高产能和降低能耗。

论文目录

• 引言
• 1 基于时间序列的深度神经网络模型
•   1.1 归一化与反归一化处理
•   1.2 平稳小波分解
•   1.3 LSTM深度神经网络模型
•   1.4 注意力机制
•   1.5 评价标准
• 2 PTA生产装置乙酸消耗的软测量
• 3 结论

文章来源

类型: 期刊论文

作者: 耿志强,徐猛,朱群雄,韩永明,顾祥柏

关键词: 长短期记忆网络,神经网络,平稳小波变换,算法,多尺度,对苯二甲酸

来源: 化工学报 2019年02期

年度: 2019

分类: 工程科技Ⅰ辑,信息科技

专业: 无机化工,有机化工,自动化技术

单位: 北京化工大学信息科学与技术学院,智能过程系统工程教育部工程研究中心,中石化炼化工程(集团)股份有限公司

基金: 国家自然科学基金项目(61533003,61603025,71572008),中央高校基本科研业务费专项资金(XK1802-4)

分类号: TQ018;TP18

页码: 564-571

总页数: 8

文件大小: 1231K

下载量: 451