基于動態(tài)神經網絡的化工過程軟測量建模研究.pdf

1、軟測量技術是先進過程控制技術的重要組成部分，同時也是化工領域過程檢測和過程控制的重要手段，其能夠有效的克服在線分析儀表成本高、滯后大、維修繁復的缺點，提升化工企業(yè)對過程變量的實時監(jiān)控，進而提高產品質量，以滿足工業(yè)生產對控制系統的需求，有效的提升了企業(yè)的競爭力。目前，神經網絡已成為重要的軟測量建模工具。遞歸神經網絡(RNN)作為一種動態(tài)神經網絡，在基于數據驅動的軟測量建模中已得到成功的應用。
　　Kalman濾波作為一種狀態(tài)空間模型

2、方法，通過將神經網絡各層間神經元之間的連接權值作為濾波器的狀態(tài)進行更新，替代了RNN網絡的傳統訓練算法，有效提高了網絡的預測精度，已成功應用于時間序列預測。本文在線性Kalman濾波的基礎上，給出了擴展卡爾曼濾波(EKF)、容積卡爾曼濾波(CKF)和平方根容積卡爾曼濾波(SCKF)算法，用于RNN的訓練。將上述方法運用于化工過程軟測量建模的實例中，均取得了令人滿意的效果。本文的主要研究內容如下：
　　(1)研究了簡單遞歸神經網絡(

3、SRN)和全連接遞歸神經網絡(FCRNN)的拓撲結構，并以SRN為重點研究對象給出了網絡的基本訓練算法。
　　(2)針對傳統訓練算法存在的不足，根據狀態(tài)估計技術，在Kalman濾波的基礎上，研究了EKF算法，給出了基于EKF算法的FCRNN方法；為了進一步提高網絡精度和算法的穩(wěn)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)將基于SCKF算法的SRN與非線性滑動平均(NMA)、非線性自回

4、歸(NARX)時間序列模型相結合構建動態(tài)軟測量模型，用于建立脫丁烷塔底部C4組分濃度的估計和硫處理裝置(SRU)尾氣中SO2及H2S濃度的預估。為了驗證本文所用方法的有效性，在同等條件下，將該方法分別與基于傳統訓練算法的SRN、基于傳統訓練算法的FCRNN、基于EKF算法的多層感知器(MLP)、基于EKF算法的SRN、基于SCKF算法的MLP以及基于SCKF算法的FCRNN的建模方法進行對比，結果表明本文方法能夠獲得很高的建模精度，是一