基于门控递归单元自编码神经网络的煤气化装置汽包异常工况预测

发布时间：2021-07-03 04:52

　　汽包液位是煤气化装置汽包过程的关键安全参数,汽包工况反映了汽包过程的运行状态,通过对汽包异常工况的预测,可以及时监控相关的过程变量、降低事故发生的风险,从而保障煤气化装置的安全运行。针对难以获得大量的汽包运行数据异常样本问题,本文提出了基于门控递归单元（Gated Recurrent Unit,GRU）自编码神经网络的煤气化装置汽包异常工况预测方法,利用数据间的时序依赖性重构异常样本从而更好地分析样本特征,论文的主要研究内容及取得的成果如下:1.传统自编码神经网络由于缺少对异常数据时序依赖性的考虑,重构的准确性随着序列长度的增加而减少,不适用于重构长序列的异常数据。通过结合GRU神经元优秀的长时间记忆能力和非线性拟合能力,构造GRU自编码神经网络,在异常数据重构过程中将前一时刻状态信息对当前输入数据的影响考虑其中,实现长序列异常数据的有效重构,采用TE（Tennessee Eastman）过程数据对GRU自编码神经网络的故障数据重构性能进行了验证。2.通过对汽包数据特征分析,提出基于GRU自编码神经网络的煤气化装置汽包异常液位预测方法,提早发现汽包液位超出正常阈值范围变化的情况。GRU... 

【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

图１－１汽包工艺流程图??Ｆｉｇ．１－１?Ｓｔｅａｍ?ｄｒｕｍ?ｐｒｏｃｅｓｓ?ｆｌｏｗ?ｃｈａｒｔ??

?北京化工大学硕士学位论文???输入层（ｘ）?？？…—稳含层（ｈ｝?？．?输出层以）??Ｉ??ｐｔｅ??ｉ……一．ｊ?ｉ????ｊ?ｉ???ｊ??图２－１循环神经网络结构??Ｆｉｇ．２－１?Ｓｔｒｕｃｔｕｒｅｓ?ｏｆ?ｒｅｃｕｒｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??输入层接收时序数据的输入变量，然后将其传递到隐含层，隐含层节点的作用是??特征的非线性变换和特征空间的映射，从而输出层输出下一步预测的数据。循环神经??网络在时间维度上的展开结构，如图２－２所示。??（ｙｔ）?｜?（＾）?（ｙ）?￥ｐ）??＊?ｈ?ｈｔ－ｉ??？?ｈｔ??？?ｈｔ＋ｉ?—？??图２＿２循环神经网络节点展开??Ｆｉｇ．２－２?Ｕｎｆｏｌｄｅｄ?ＲＮＮｓ??循环神经网络具体运算过程如下：??ｈ，?＝?ｔａｎｈ（＾ｘ，?＋?Ｗｈｈｈ，＿ｘ?＋?ｂｈ）?式（２－１）??ｙｔ＝ｇ＾，＋ｂｙ）?式（２－２）??其中ｔａｎｈ，ｇ是激活函数，是输入层到隐含层的权值矩阵，％Ａ是隐含层之间的权??值矩阵，＆是隐含层到输出层的权值矩阵，＆和＼是添加到隐含层和输出层的偏差??向量，以这样的方式实现数据随时间传递的过程。传统循环神经网络利用基于时间的??反向传播算法（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｈｒｏｕｇｈ?Ｔｉｍｅ，ＢＰＴＴ）对模型内部的权值等重要参数进??行迭代更新。ＢＰＴＴ前向传播的公式如下：??ａ＇ｙ＝ＨｗｈｙＫ?式（２－３）??ｈ＝＼??１０??

?北京化工大学硕士学位论文???输入层（ｘ）?？？…—稳含层（ｈ｝?？．?输出层以）??Ｉ??ｐｔｅ??ｉ……一．ｊ?ｉ????ｊ?ｉ???ｊ??图２－１循环神经网络结构??Ｆｉｇ．２－１?Ｓｔｒｕｃｔｕｒｅｓ?ｏｆ?ｒｅｃｕｒｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??输入层接收时序数据的输入变量，然后将其传递到隐含层，隐含层节点的作用是??特征的非线性变换和特征空间的映射，从而输出层输出下一步预测的数据。循环神经??网络在时间维度上的展开结构，如图２－２所示。??（ｙｔ）?｜?（＾）?（ｙ）?￥ｐ）??＊?ｈ?ｈｔ－ｉ??？?ｈｔ??？?ｈｔ＋ｉ?—？??图２＿２循环神经网络节点展开??Ｆｉｇ．２－２?Ｕｎｆｏｌｄｅｄ?ＲＮＮｓ??循环神经网络具体运算过程如下：??ｈ，?＝?ｔａｎｈ（＾ｘ，?＋?Ｗｈｈｈ，＿ｘ?＋?ｂｈ）?式（２－１）??ｙｔ＝ｇ＾，＋ｂｙ）?式（２－２）??其中ｔａｎｈ，ｇ是激活函数，是输入层到隐含层的权值矩阵，％Ａ是隐含层之间的权??值矩阵，＆是隐含层到输出层的权值矩阵，＆和＼是添加到隐含层和输出层的偏差??向量，以这样的方式实现数据随时间传递的过程。传统循环神经网络利用基于时间的??反向传播算法（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｈｒｏｕｇｈ?Ｔｉｍｅ，ＢＰＴＴ）对模型内部的权值等重要参数进??行迭代更新。ＢＰＴＴ前向传播的公式如下：??ａ＇ｙ＝ＨｗｈｙＫ?式（２－３）??ｈ＝＼??１０??


本文编号：3261906