[发明专利]一种乙烯生产过程小样本的软测量方法

说明书

本发明公开了一种乙烯生产过程小样本的软测量方法，采用加入高斯白噪声的AANN进行数据校正，生成虚拟样本，扩充样本数据，解决样本数量不足，数据分布不平衡问题；采用ELM进行数据建模，建立智能软测量仪表与乙烯产品单耗模型。本发明发明具有响应时间快、建模精度高、推理能力强、管理方便的特点，为保证乙烯生产的安全进行、提高产品质量、节约生产成本提供了帮助。

技术领域

本发明属于软测量技术领域，特别涉及一种乙烯生产过程小样本的软测量方法，其中，通过引用加入高斯白噪声的自联想神经网络(Auto-Associative Neural Network,AANN)的对称拓扑结构实现虚拟样本的生成，运用极限学习机(Extreme LearningMachine，ELM)算法实现乙烯在工业生产过程的软测量，解决极限学习机建模过程中样本数据少建模精度低的问题。

背景技术

化工过程具有非线性、高维数、强耦合等复杂特征，难以利用机理进行精确过程建模。人工神经网络因其具有自学习自适应性、高度非线性逼近能力、并行分布处理等特点，无须考虑内部机理，正适合于过程建模领域。目前通常使用机理建模、数据驱动建模或者是两者结合的混合模型对工业过程进行软测量，从而实现对整个过程工况的实时监测，提高工业效率、稳定性和安全性。其中机理建模需要根据过程的基本反应原理来对对象进行建模，模型精度较高，然而基于反应机理的建模方法要求对生产过程有十分清晰的认识，在如今化工工艺中，工况多变，机理建模变得愈发困难。由于小样本的数量有限，通常会出现数据不完整和不平衡的情况，从而不能完全刻画总体样本的空间特征。因此，利用小样本构建的模型训练精度很高而泛化精度不甚理想，即出现“过拟合”问题。随着时代智能化的不断推进，人工智能技术不断推陈出新，人工智能技术也常常用于解决小样本问题。神经网络是人工智能技术的重要组成部分，模拟人类大脑的工作机制，具有自学习、快速寻优等优点。因此，将流程工业与神经网络相结合是提高流程智能化的重要方式之一。

近年来，黄广斌提出了一种快速学习算法—极限学习机(Extreme LearningMachine，ELM)，该算法专门针对单隐含层前馈神经网络，只需随机设定输入层权值和隐含层神经元阈值，直接利用Moore-Penrose广义逆快速求解输出权重，无须烦琐训练，可以得到最优解，避免了基于梯度下降学习法产生的许多问题，如各种网络参数设置，调整、学习速度慢及局部极小等，具有收敛速度快且泛化性能好的优点。然而，由于化工过程变量繁多，易受外界干扰，其测量参数含有大量噪声和误差，数据维数较高，导致ELM的学习性能受到较大影响。

自联想神经网络(Auto-Associative Neural Network,AANN)是在1987年由Ballard针对编码/解码问题首先提出的，其网络原型是一种具有对称拓扑结构的五层前馈传递网络，AANN应用到数据检验问题时具有比较明显的物理意义，首先通过输入层、映射层以及瓶颈层实现了输入数据信息的压缩。从网络输入的高维参数空间中提取了反映系统结构的最具代表性的低维子空间，同时有效地滤去了测量数据中的噪声和测量误差，再通过瓶颈层、解映射层和输出层实现数据的解压缩，将前面压缩的信息还原到各个参数值，从而实现各测量数据的重构。

自联想神经网络作为一种特殊的前馈式神经网络，通过设定合适的输入层与隐含层之间的压缩比率，不仅可以实现数据降维，还可以达到剔除噪声、过滤冗余信息的目的，同时可以生成有效的虚拟样本解决小样本问题中样本数量不足的问题。因此，可以将ELM网络同AANN网络相串联，构造一种递阶ELM神经网络，用于处理小样本问题。

发明内容

本发明的目的在于：提供一种乙烯生产过程小样本的软测量方法，通过在AANN网络中加入零均值、固定方差的高斯噪声来产生新样本，改善由于样本数量少导致的样本数据不平衡的特征，相当于给原始样本增添了扰动；在输入样本中添加些许噪声，相当于在神经网络的参数调整过程中使用了正则化方法，从而降低了建模过程的过拟合现象，提高建模精度。

技术方案如下：