基于特征提取的函数连接神经网络研究及其化工过程建模应用

对于化工过程中带噪声、强耦合的高维数据建模问题,常规的函数连接神经网络（functional link neural networks,FLNN）无法有效地进行处理。为解决该问题,提出一种基于主元分析（principal components analysis,PCA）的函数连接神经网络（PCA-FLNN）。通过对FLNN的函数扩展层进行特征提取,不仅去除变量间的线性相关关系,而且提取数据的主成分,进而简化FLNN学习数据的复杂度。为验证所提方法的有效性,首先采用UCI数据Airfoil Self-Noise对其性能进行验证;随后将所提的方法应用于精对苯二甲酸（purified terephthalic acid,PTA）生产过程建模;与传统FLNN进行对比,标准数据和工业数据的仿真结果表明,PCA-FLNN在处理复杂化工过程数据时具有收敛速度快和建模精度高的特点。     

基于正则化的函数连接神经网络研究及其复杂化工过程建模应用

在化工过程的建模中，由于过程数据的高维度和高非线性，导致计算量大幅提升和建模难度加大。为了解决这一问题，提出了一种基于正则化方法的函数连接神经网络模型（regularization based functional link neural network, RFLNN）。所提出的RFLNN方法里，通过使用正则化的方法对函数连接神经网络的权值进行优化，一方面大幅降低网络计算复杂度和计算量，另一方面极大程度上克服网络局部极值和过拟合的问题，以提高函数连接神经网络的学习速度和精度。为了验证所提出方法的有效性，首先采用UCI数据中Real estate valuation数据对其性能进行测试；随后将所提的方法应用于高密度聚乙烯（high density polyethylene，HDPE）复杂生产过程进行建模。UCI标准数据与工业数据的仿真结果表明，与传统FLNN对比，RFLNN在处理高维复杂化工过程数据时具有收敛速度快、建模精度高等特点。     

基于层次分析的FLANN神经网络研究及应用

针对传统函数链接型神经网络(functional link artificial neural networks,FLANN)不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于层次分析(analytic hierarchy process, AHP)的FLANN神经网络(AHP-FLANN)。通过层析分析模型过滤输入数据中的冗余信息,提取特征分量,并把提取的特征分量作为函数链接神经网络的输入进行建模。同时利用化工行业乙烯生产数据进行了验证,并和BP神经网络及FLANN神经网络进行了对比。结果表明,AHP-FLANN神经网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强等特点,同时能够指导乙烯生产,提高能效,具有良好的实用价值。     

基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型(features extracted from auto-encoder based echo state network, FEAE-ESN)。传统回声状态网络(echo state network, ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法 FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。     

基于数据特征提取的AANN-ELM研究及化工应用

针对极限学习机不能有效解决化工过程中高维数据建模的问题,本文将其与自联想神经网络结合,通过自联想神经网络过滤输入数据中存在的冗余信息、提取特征分量,并对所提取的特征分量采用极限学习机进行训练,由此形成了一种基于数据特征提取的AANN-ELM(auto-associative neural network-extreme learning machine)神经网络。同时,以UCI标准数据集进行测试,以精对苯二甲酸(PTA)溶剂系统进行验证,结果表明,AANN-ELM在处理高维数据时具有学习速度快、网络稳定性强、建模精度高的特点,为神经网络在复杂化工生产中的应用提供了新思路。     

基于自编码神经网络特征提取的回声状态网络研究及过程建模应用

在复杂化工建模过程中,由于过程数据的时序性、高非线性以及高维数的特点,导致传统的静态神经网络建模无法满足一定的精度。为了解决该问题,提出一种基于自编码神经网络特征提取的回声状态网络模型（features extracted from auto-encoder based echo state network,FEAE-ESN）。传统回声状态网络(echo state network, ESN)方法中,储备池的节点数目很多,输出的维数很高,数据间存在共线性。为解决上述问题,待回声状态网络训练好之后,使用自编码神经网络对其储备池输出进行特征提取。通过自编码网络特征提取,一方面可以有效地降低储备池输出的维数,从而降低数据的复杂度;另一方面提取的特征去除了原有储备池输出的共线性,能够进一步提高广义逆的计算性能;最终提高回声状态网络的建模精度。所提方法FEAE-ESN用于田纳西-伊斯曼复杂过程建模,仿真结果验证了所提方法的有效性。     

融合过程先验知识的递归神经网络模型及其应用

大部分化工过程具有非线性特性,一般的线性建模方法难以有效应用。针对非线性化工过程动态建模,提出了一种基于过程先验知识的递归神经网络模型,充分发掘化工过程隐含的先验知识,并将这些先验知识以非线性约束的形式嵌入NARMAX结构的前馈神经网络中,同时基于增广拉格朗日乘子法约束处理机制,用PSO-IPOPT混合优化算法对过程先验知识递归神经网络权值进行优化。该过程先验知识递归神经网络模型对非线性化工过程动态建模,不仅有良好的建模精度和预测外推能力,而且能避免零增益的出现和增益反转,确保网络模型在实际应用中的安全性。文中以环管式丙烯聚合反应过程实际工业数据验证了所提网络模型的有效性。     

基于数据属性划分的递阶ELM研究及化工应用

针对极限学习机（ELM）不能有效处理化工过程中强耦合、带噪声的高维数据建模问题,提出了一种基于数据属性划分的递阶ELM神经网络DHELM。该神经网络采用数据属性划分（DAD）方法对高维输入进行聚类、建立自联想子网,并将自联想子网所提取的特征分量作为极限学习机的输入进行建模。同时,利用UCI标准数据集进行了测试,通过工业应用实例进行了验证,并进行了模型对比。结果表明,DHELM网络在处理复杂高维数据时具有收敛速度快、建模精度高、网络稳定性强的特点,为神经网络发展及其化工应用提供了新思路。     

基于递归神经网络的化工反应过程建模

化工过程系统往往具有很强的非线性。针对含有大量序列数据的化工过程建模,当序列数据作为深层神经网络输入时,往往权重系数过多、训练难度增大。而递归神经网络通过在不同时间步间共享参数,更适用于对序列数据的处理。作者研究了递归神经网络在化工动力学建模中的应用,探讨了化学反应中物质浓度的时序变化,反应动力学参数回归,工业油田轻烃裂解过程模拟以及操作条件优化等3种应用场景。从预测精度和计算速度方面,验证了递归神经网络方法在化工过程建模中的优越性。     

基于加权RBF神经网络的诺西肽发酵过程菌体浓度软测量

结合诺西肽发酵过程的实际情况,提出了基于加权RBF神经网络(weighted RBF neural network, WRBFNN)的菌体浓度软测量建模方法。在诺西肽发酵过程非结构模型的基础上,根据隐函数存在定理确定出辅助变量,从而使其选择有严格的理论依据。针对菌体浓度变化范围大这一特点,将传统RBF神经网络(RBF neural network, RBFNN)的误差函数进行了改进;然后根据每批训练样本对被预测对象的预估能力,自适应地为各个批次的训练样本分配权重,进而实施WRBFNN建模。实验结果验证了所提方法的有效性。     

基于交叉迭代BLSTM网络的乙烯裂解炉建模

数据驱动的乙烯裂解炉模型通常忽视了裂解炉结构和反应机理,存在预测误差偏大的缺点,为此提出基于知识和数据融合驱动的乙烯裂解炉乙烯收率等关键参数的双向长短时间记忆网络(BLSTM)预测模型。为了解决BLSTM建模缺少可用数据的问题,提出了一种采用交叉迭代的BLSTM (CIBLSTM)模型。所提CIBLSTM模型采用了正反向交叉迭代方法,逐步逼近所缺数据的真实值,进而建立乙烯裂解炉的预测模型。为了验证所提CIBLSTM模型的有效性,选取9种工业实际原料与分析数据进行仿真测试,仿真结果验证了所提的CIBLSTM模型的有效性与实用性,所提方法也可应用于其他复杂化工过程建模。     

基于交叉迭代BLSTM网络的乙烯裂解炉建模

数据驱动的乙烯裂解炉模型通常忽视了裂解炉结构和反应机理，存在预测误差偏大的缺点，为此提出基于知识和数据融合驱动的乙烯裂解炉乙烯收率等关键参数的双向长短时间记忆网络(BLSTM)预测模型。为了解决BLSTM建模缺少可用数据的问题，提出了一种采用交叉迭代的BLSTM(CIBLSTM)模型。所提CIBLSTM模型采用了正反向交叉迭代方法，逐步逼近所缺数据的真实值，进而建立乙烯裂解炉的预测模型。为了验证所提CIBLSTM模型的有效性，选取9种工业实际原料与分析数据进行仿真测试，仿真结果验证了所提的CIBLSTM模型的有效性与实用性，所提方法也可应用于其他复杂化工过程建模。     

基于多元时序驱动的ELM全流程故障预测及其应用

多元时序驱动建模方法是复杂系统故障预测和系统状态评估的一种有效途径, 其中人工神经网络作为一种数据驱动的处理非线性问题的有效建模工具, 近年来在处理多元时序建模这个问题上得到了较广泛的关注。从全流程的角度出发, 首先, 运用k-近邻互信息方法对多元时序变量进行降维与相关性计算, 从而选择特征变量;其次, 提出了一种改进的趋势分析方法对系统的状态进行实时监测, 并对系统运行状态进行有效细分;最后, 针对系统潜在故障阶段, 应用极限学习机(extreme learning machine, ELM)神经网络方法对其进行故障预测。通过对青霉素发酵过程(penicillin fermentation process)进行仿真实验, 结果验证了所提方法的有效性。     

基于时延挖掘模糊时间认知图的化工过程多变量时序预测方法

模糊认知图(fuzzy cognitive maps, FCM）作为一种复杂系统的建模工具，能够对系统的非线性和不确定性进行处理。由于工业过程变量间往往存在着时间延迟，传统的FCM模型难以处理这类多变量的时间序列数据，建立的预测模型往往不能反映系统内各变量真实的因果关系，从而导致预测结果的解释性差、准确度低等问题。为此，提出了一种时延挖掘模糊时间认知图(time-delay-mining fuzzy time cognitive maps, TM-FTCM)，它使用互相关函数(cross-correlation function，CCF)从数据中挖掘时延信息，并通过在推理机制中添加自我影响因子和偏置及优化转换函数等参数，有效地解决了由于工业过程变量间的时延导致的预测模型不准确等问题。通过数值仿真实例及实际化工过程数据，验证了所提方法的有效性。     

基于主元独立性分析与混合核RVM的复杂过程区间预测方法研究及应用

近年来,随着化工过程日趋复杂,对过程监控及关键变量预测提出了更高的要求。传统意义上的点预测已不能满足化工过程上的实际需求,且点预测无法描述过程上的不确定性问题,因此不能很好地把握预测变量的趋势。由此,提出了一种基于主元独立性分析(principal component independent analysis,PCIA)与混合核相关向量机(RVM)的区间预测方法。首先,结合核主元成分分析(KPCA)和独立元分析(ICA)对复杂过程原始变量进行主元成分提取和独立性分析,形成独立主元;其次,将高斯核函数与多项式核函数相结合形成混合核,与RVM结合对得到的独立主元进行回归建模预测,并运用T分布对预测值进行区间估计;然后,构造区间评价综合函数对区间估计结果进行优劣分析,在分析预测区间覆盖率(PICP)及预测区间宽度(NMPIW)的基础上,引入累积偏差(AD)提高区间评判的合理性。最后,将所提方法应用到TE仿真过程进行区间预测分析,仿真结果表明,提出的区间预测方法对实际生产过程具有较高的预测精度和区间估计质量,可以有效地预测关键变量的趋势。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂，传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题，提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析，提取数据的主元特征，去除变量间的线性相关性，简化研究问题。可以减小隐含层节点数对模型精度的影响，实现对ELM隐含层节点数的快速随机选取，同时使ELM具有鲁棒性。为验证提出方法的有效性，将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示，相比传统的ELM，PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势，可以对化工过程控制、分析起到指导作用。     

基于主元提取的鲁棒极限学习机研究及其化工建模应用

化工生产过程日益复杂,传统极限学习机(extreme learning machine, ELM)无法有效地对化工过程数据建模。针对该问题,提出一种基于主元提取(principal components extraction, PCE)的鲁棒极限学习机(PCE-RELM)。通过对ELM隐含层进行主元分析,提取数据的主元特征,去除变量间的线性相关性,简化研究问题。可以减小隐含层节点数对模型精度的影响,实现对ELM隐含层节点数的快速随机选取,同时使ELM具有鲁棒性。为验证提出方法的有效性,将PCE-RELM模型应用于精对苯二甲酸(purified terephthalic acid,PTA)生产过程建模。仿真结果显示,相比传统的ELM,PCE-RELM模型具有设计简单、鲁棒性好、精度高等优势,可以对化工过程控制、分析起到指导作用。     

基于分位数回归CGAN的虚拟样本生成方法及其过程建模应用

针对复杂工业过程因难以检测变量或因时间上和经济上成本因素导致的建模样本稀缺问题,提出了一种将分位数回归（quantile regression）嵌入到条件生成式对抗网络（conditional generative adversarial network, CGAN）的虚拟样本生成方法QRCGAN。首先,在标准CGAN“生成器-判别器”两元对弈结构中嵌入回归器,使模型不仅具备标签样本生成能力,同时也具备处理回归预测问题的能力。其次,以分位数回归神经网络实现回归器,连同判别器和生成器进行同步对抗训练。当模型到达Nash平衡时,在分位数回归神经网络回归器的作用下,生成器能够产生落在一定置信区间的新样本。然后,利用Kullback-Leibler（KL）散度评估生成样本的质量。最后,通过标准函数数据和实际化工过程数据验证所提方法的有效性。     

基于互补神经网络级联模型的聚丙烯MFR预报

提出了一种基于集成数据处理的,由高斯基-自适应复合基函数构成的互补径向基函数(RBF)神经网络系统和隐马尔科夫模型(HMM)的聚丙烯熔体流动速率(MFR)预报方法。首先构造HES-KDE-TVW集成数据处理方法,挖掘建模数据规律;然后构造自适应复合基函数,搭建互补的RBF神经网络预报模型;最后引入HMM对聚丙烯生产过程中的随机误差进行估计。经过工厂实际数据检验,模型在精度、泛化性及可靠性方面具有较好的综合性能。此种建模方法能为聚丙烯生产过程中牌号切换和质量控制提供一种备选的指导方案。