基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的化工過(guò)程軟測(cè)量建模研究.pdf

1、軟測(cè)量技術(shù)是先進(jìn)過(guò)程控制技術(shù)的重要組成部分，同時(shí)也是化工領(lǐng)域過(guò)程檢測(cè)和過(guò)程控制的重要手段，其能夠有效的克服在線分析儀表成本高、滯后大、維修繁復(fù)的缺點(diǎn)，提升化工企業(yè)對(duì)過(guò)程變量的實(shí)時(shí)監(jiān)控，進(jìn)而提高產(chǎn)品質(zhì)量，以滿足工業(yè)生產(chǎn)對(duì)控制系統(tǒng)的需求，有效的提升了企業(yè)的競(jìng)爭(zhēng)力。目前，神經(jīng)網(wǎng)絡(luò)已成為重要的軟測(cè)量建模工具。遞歸神經(jīng)網(wǎng)絡(luò)(RNN)作為一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)，在基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模中已得到成功的應(yīng)用。
　　Kalman濾波作為一種狀態(tài)空間模型

2、方法，通過(guò)將神經(jīng)網(wǎng)絡(luò)各層間神經(jīng)元之間的連接權(quán)值作為濾波器的狀態(tài)進(jìn)行更新，替代了RNN網(wǎng)絡(luò)的傳統(tǒng)訓(xùn)練算法，有效提高了網(wǎng)絡(luò)的預(yù)測(cè)精度，已成功應(yīng)用于時(shí)間序列預(yù)測(cè)。本文在線性Kalman濾波的基礎(chǔ)上，給出了擴(kuò)展卡爾曼濾波(EKF)、容積卡爾曼濾波(CKF)和平方根容積卡爾曼濾波(SCKF)算法，用于RNN的訓(xùn)練。將上述方法運(yùn)用于化工過(guò)程軟測(cè)量建模的實(shí)例中，均取得了令人滿意的效果。本文的主要研究?jī)?nèi)容如下：
　　(1)研究了簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)(

3、SRN)和全連接遞歸神經(jīng)網(wǎng)絡(luò)(FCRNN)的拓?fù)浣Y(jié)構(gòu)，并以SRN為重點(diǎn)研究對(duì)象給出了網(wǎng)絡(luò)的基本訓(xùn)練算法。
　　(2)針對(duì)傳統(tǒng)訓(xùn)練算法存在的不足，根據(jù)狀態(tài)估計(jì)技術(shù)，在Kalman濾波的基礎(chǔ)上，研究了EKF算法，給出了基于EKF算法的FCRNN方法；為了進(jìn)一步提高網(wǎng)絡(luò)精度和算法的穩(wěn)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)將基于SCKF算法的SRN與非線性滑動(dòng)平均(NMA)、非線性自回

4、歸(NARX)時(shí)間序列模型相結(jié)合構(gòu)建動(dòng)態(tài)軟測(cè)量模型，用于建立脫丁烷塔底部C4組分濃度的估計(jì)和硫處理裝置(SRU)尾氣中SO2及H2S濃度的預(yù)估。為了驗(yàn)證本文所用方法的有效性，在同等條件下，將該方法分別與基于傳統(tǒng)訓(xùn)練算法的SRN、基于傳統(tǒng)訓(xùn)練算法的FCRNN、基于EKF算法的多層感知器(MLP)、基于EKF算法的SRN、基于SCKF算法的MLP以及基于SCKF算法的FCRNN的建模方法進(jìn)行對(duì)比，結(jié)果表明本文方法能夠獲得很高的建模精度，是一