基于动态神经网络的化工过程软测量建模研究

发布时间：2017-09-11 17:17

  本文关键词：基于动态神经网络的化工过程软测量建模研究

  更多相关文章： 软测量技术 建模 RNN Kalman滤波 化工过程

【摘要】：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。
【关键词】：软测量技术 建模 RNN Kalman滤波 化工过程
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TQ018;TP183
【目录】：

• 摘要4-5
• Abstract5-9
• 1 绪论9-13
• 1.1 选题背景与研究意义9-10
• 1.2 国内外研究现状10-11
• 1.3 研究内容和安排11-13
• 2 软测量技术理论与建模方法13-20
• 2.1 软测量技术的基本原理14-16
• 2.2 动态软测量技术建模方法概述16-19
• 2.3 小结19-20
• 3 动态递归神经网络理论20-42
• 3.1 动态神经网络的基本结构20-22
• 3.1.1 全连接递归神经网络20-21
• 3.1.2 简单递归神经网络21-22
• 3.2 传统递归神经网络的学习算法22-24
• 3.2.1 沿着时间反向传播学习算法22-23
• 3.2.2 实时递归学习算法23-24
• 3.3 基于扩展卡尔曼滤波的递归神经网络24-31
• 3.3.1 卡尔曼滤波理论24-27
• 3.3.2 扩展卡尔曼滤波算法27-29
• 3.3.3 基于扩展卡尔曼滤波算法的全连接递归神经网络29-31
• 3.4 基于平方根容积卡尔曼滤波的递归神经网络31-40
• 3.4.1 容积卡尔曼滤波算法31-36
• 3.4.2 平方根容积卡尔曼滤波算法36-37
• 3.4.3 基于平方根容积卡尔曼滤波的简单递归神经网络37-40
• 3.5 小结40-42
• 4 动态神经网络在化工过程软测量建模实例中的应用42-52
• 4.1 脱丁烷塔底C4浓度的软测量42-45
• 4.2 硫处理装置中H2S和SO2浓度的软测量45-50
• 4.3 小结50-52
• 结论52-53
• 致谢53-54
• 参考文献54-57
• 攻读学位期间的研究成果57

【参考文献】

中国期刊全文数据库 前10条

1 李胜永;季本山;张智华;张江南;;用容积卡尔曼滤波算法进行集装箱吊具姿态估计[J];上海海事大学学报;2015年01期

2 孙枫;唐李军;;Cubature卡尔曼滤波-卡尔曼滤波算法[J];控制与决策;2012年10期

3 曹鹏飞;罗雄麟;;化工过程软测量建模方法研究进展[J];化工学报;2013年03期

4 杨庆芳;张彪;高鹏;;基于改进动态递归神经网络的交通量短时预测方法[J];吉林大学学报(工学版);2012年04期

5 蒋霖;;基于EKF的神经网络在GPS高程转换中的应用[J];工程勘察;2012年04期

6 顾力平;;基于EKF-RNN算法的抗震棒材性能预报模型研究[J];机械设计与制造;2011年11期

7 张应博;;神经网络训练中的迭代扩展卡尔曼粒子滤波算法[J];微电子学与计算机;2010年08期

8 王松;刘明光;石双双;杨罡;;基于卡尔曼滤波和神经网络的PMSM参数辨识[J];北京交通大学学报;2010年02期

9 杜文莉;官振强;钱锋;;一种基于时序误差补偿的动态软测量建模方法[J];化工学报;2010年02期

10 贾润达;毛志忠;常玉清;周俊武;;钴湿法冶炼萃取过程中的组分含量软测量[J];控制与决策;2009年04期

，

本文编号：832035