[发明专利]基于记忆增强优化的CNN加热炉操作变量的软测量方法

说明书

本发明公开了一种基于记忆增强优化的CNN加热炉操作变量的软测量方法，首先获得训练样本数据，对所述训练样本数据进行预处理，根据卷积神经网络算法预先设置卷积神经网络的层数、每层的节点数，初始化每层的权值与偏置，然后使用记忆增强优化算法对卷积神经网络的权值进行优化，得到最优的权值参数，从而提高了模型的建模精度，最后根据训练形成的卷积神经网络模型获得加热炉操作变量的测量值，通过操作变量的测量值使得加热炉的热效率始终保持在最优状况，从而提高了工业生产效益。本发明提供的技术方案能够获得稳定的网络结构、优越的泛化性能和更高的精度，从而提高产品的质量，使得加热炉始终保持在较高热效率水平下平稳运行。

技术领域

本发明涉及加热炉操作技术领域，尤其涉及一种基于记忆增强优化的CNN加热炉操作变量的软测量方法。

背景技术

在化工产业中，被控对象精准的数学模型的建立对于流程工业的生产起着至关重要的作用。建立被控对象良好的数学模型，可以有效描述对象的因果关系，从而实现对整个过程工况的实时监测，提高流程工业的性能和效率。常用的建模方法有以下三种：机理建模、数据驱动建模以及机理与数据驱动相结合的混合建模。其中，机理建模是建立一个准确的物理模型，往往需要充分可靠的先验知识和大量的实践经验。然而，随着工业过程中数据量的增加和复杂性的增大，精确的机理模型越来越难以获得，这对流程工业的建模与优化提出了挑战。与此同时，随着现代的分布式控制系统(Distributed Control System，DCS)的使用，使得获取流程工业中的大量数据成为可能。因此，很多学者开始采用基于数据驱动建模的方式。建立数据驱动模型是基于历史样本数据拟合出输入和输出数据之间的映射关系，这大大简化了建模的过程。

目前已经存在的各种数据驱动的建模方法，例如信号处理，机器学习，人工神经网络等。在这些数据驱动的建模方法之中，基于人工神经网络的建模方法具有强大的非线性映射能力、自适应能力和良好的泛化能力等优点。任何连续的非线性函数都可以使用神经网络进行近似拟合。因此，人工神经网络可以被应用于具有较强非线性的复杂流程系统建模之中。

在建立神经网络模型时，精确度和稳定性常常被选为判断模型性能的两个重要指标。虽然人工神经网络在拟合复杂的反向传播(Back Propagation，BP)是一种常见的数据驱动算法。然而，随着工业数据越来越庞杂，BP神经网络由于其全连接的特性，求解速度越来越难以满足人们的需求。

发明内容

为解决现有技术存在的局限和缺陷，本发明提供一种基于记忆增强优化的CNN加热炉操作变量的软测量方法，包括：

获取训练样本(X，Y)；

使用归一化公式对所述训练样本(X，Y)进行归一化处理；

对卷积神经网络的各个参数值进行初始化，所述参数值包括网络层数、节点数以及卷积核的数值；

对所述卷积神经网络的卷积层的权值进行更新；

对所述卷积神经网络的下采样层的权值进行更新；

使用记忆增强优化算法对所述卷积神经网络的权值进行优化，以形成卷积神经网络模型；

使用所述卷积神经网络模型对加热炉操作变量进行预测。

可选的，所述使用记忆增强优化算法对所述卷积神经网络的权值进行优化的步骤包括：

当所述卷积神经网络的误差代价函数最小时，获得所述卷积神经网络的权值参数，所述卷积神经网络的误差代价函数为：

其中，为第k+1次权值更新时误差代价函数的取值，为第k+1次灵敏度的取值，ε为常数参数。

可选的，所述对所述卷积神经网络的卷积层的权值进行更新的步骤包括：