基于ESN的化工過程軟測量建模研究.pdf

1、軟測量建模是目前化工過程領域的熱點研究方向。軟測量建模方法能夠有效地解決生產過程中在線分析儀表測量滯后大、價格昂貴、維護保養(yǎng)復雜等問題。對于具有強非線性動態(tài)系統的生產過程，動態(tài)軟測量建模方法能夠有效地改善以往靜態(tài)軟測量建模方法建模精度差、難以滿足實際生產過程實時性需求的問題。目前，動態(tài)軟測量建模中，神經網絡、SVM等計算智能方法是主要的建模工具?；芈暊顟B(tài)網絡(ec ho s tate ne two rks,ESN)作為一種新的動態(tài)遞歸神

2、經網絡（RNN）已引起廣泛關注。ESN的隱層結構由具有回聲狀態(tài)特性(Echo State Property,ESP)的狀態(tài)儲備池(State Reservoir,SR)構成，在網絡學習訓練時只需計算網絡輸出權值，具有很強的動態(tài)逼近能力。因此，ESN的學習算法具有計算簡單有效、收斂速度快的優(yōu)點。針對動態(tài)軟測量建模方法，在ESN的基礎上，本文研究了一類泄漏積分型回聲狀態(tài)網絡(Leaky integrator Echo State Netwo

3、rks,LiESN)方法，給出了相應的離線、在線學習算法及其改進的學習算法。將本文方法應用到精煉廠化工生產過程實例中，實現了對過程變量的實時監(jiān)控，實驗結果表明所提出的方法具有良好的建模效果和應用潛力。主要研究內容概括如下：
　　(1)研究動態(tài)軟測量的建模方法，重點分析基于神經網絡與時間序列模型相結合的動態(tài)軟測量方法，運用統計學的四圖分析對建模效果進行評價。
　　(2)在ESN網絡基本理論基礎上，研究一類 LiESN方法，包括

4、基于全局參數約束的LiESN方法及其梯度下降學習算法；一種擴展的LiESN方法及其相應的嶺回歸離線學習算法和遞推最小二乘(Recursive Least Squares,RLS)在線學習算法。
　　(3)將所研究的LiESN動態(tài)軟測量建模方法與非線性滑動平均(Nonlinear Moving Average,NMA)、非線性自回歸(Nonlinear Autoregressive,NARX)時間序列動態(tài)模型結構相結合，應用于一類強