论文部分内容阅读
随着现代化工过程对生产质量的诉求不断提高,先进传感器设备和测量技术被引入到复杂的化工控制系统中,获得化工过程中越来越详细的过程数据信息,但是对提高生产质量的一些关键变量仍然不能直接测量得到。因此,如何利用已有的过程变量预测这些关键变量成为一个亟待解决的问题。在这种背景下,人工神经网络的预测方法在化工过程中被广泛使用。径向基(RBF)神经网络是人工神经网络中最常使用的预测模型,它具有单隐层的三层前馈神经网络结构,与其他前馈神经网络不同的是具有全局最优和最佳逼近特性,它能够建立变量之间的关系模型,对化工过程中的关键变量进行预测。随着现代化工过程中产生的数据量越来越大,非线性越来越强,对RBF神经网络中所涉及的相关参数没有较好优化,从而导致对关键变量的预测性能不能达到现代化工过程的要求,为了解决以上问题,本文对过程数据进行预处理,并将传统RBF神经网络进行优化,主要研究内容如下:(1)针对RBF神经网络没有对相关参数较好优化,导致预测性能较差的情况,提出了基于PCA的LM-GA优化RBF神经网络的预测方法。首先使用主成分分析(PCA)方法对输入到神经网络的过程变量进行预处理,其次主要利用Levenberg-Marquardt(LM)算法和遗传算法(GA)先后对RBF神经网络进行两次训练,得到最优RBF神经网络预测模型,最后对焦炉炉膛两侧的压力进行预测,并与传统RBF神经网络和基于PCA的GA优化RBF神经网络就预测仿真图像和均方根误差(RMSE)、平均绝对误差(MAE)两个指标进行对比,证明了本文提出的方法相较于其他两种方法具有更好的预测性能。(2)针对化工过程中数据量大,非线性强的特性,且主成分分析法(PCA)不能很好处理非线性数据,影响RBF神经网络的预测性能的情况,提出了基于SPCA的LM-GA优化RBF神经网络的预测方法。首先使用串行PCA(SPCA),即主成分分析法(PCA)和核主成分分析法(KPCA)相结合对输入到神经网络的过程变量进行预处理,其次结合预处理的变量,使用LM算法和GA算法对RBF神经网络模型进行优化,最后应用于田纳西-伊斯曼(TE)过程,并与RBF神经网络和基于PCA的LM-GA优化RBF神经网络就预测仿真图像和RMSE、MAE两个指标进行对比,证明了本文提出的方法相较于其他两种方法具有更好的预测性能。