本发明涉及一种能耗分析方法，具体涉及一种基于神经网络透明化的能耗监测方法。
背景技术：
：：复杂工业过程的建模和优化对提高产品质量、降低生产成本和节能减排具有重要的意义。随着机器学习、数据挖掘等理论方法的发展，人工神经网络作为主流方法之一，对于应用传统方法无法胜任的许多问题，显示出其独特的优越性。但利用神经网络来建立工业过程模型存在一个较大的缺陷，即“黑箱”特性，其所获得的模型，不具备将其相应的物理系统直接转化为能被理解的知识表达的能力，模型中的参数不能直观解释真实系统，难以观察模型输入变量的灵敏性。随着输入变量维数和隐层神经元数目的增多，模型结构的复杂度急剧增加，此时神经网络释义图对模型几乎没有了解释能力。如申请号为2016211050935.6，发明名称基于神经网络模型的起重机小车运行能耗分析方法，其采用bp神经网络模型将各个非可直接计算的能耗，规划到每一个物理过程当中，且不谈这种规划是否准确，由于bp神经网络的不可见性，导致模型中的参数不能直观的对系统进行解释。技术实现要素：本发明的目的在于提供实现复杂工业过程神经网络模型的透明化，为企业生产数据的能耗分析进行指导的一种基于神经网络透明化的能耗监测方法包括以下步骤，根据生产数据生成神经网络建立模型；生成神经网络释义图；获取连接权指标数据；依据接权指标数据对连接权进行显著性检验并删除在神经网络释义图中不显著的连接权。进一步的，所述生产数据通过对工业现场监测仪表采集或/和通过企业dcs控制系统中采集。进一步的，所述神经网络释义图包括连接权线条，连接权的绝对值大小用线条的粗细表示，粗线表示的连接权大于细线表示的连接权；线条的类型表示连接权的状态，实线表示连接起正作用的刺激状态，虚线表示连接起负作用的抑制状态。进一步的，连接权指标数据包括，输入到隐层和隐层到输出的连接权矩阵数据、输入-隐层-输出连接权贡献度数据、综合连接权贡献度数据和相对贡献率数据。进一步的，所述依据统计指标对连接权进行显著性检验并删除不显著的连接权包括以下步骤，s1根据标准化后的生产数据样本，构建多个神经网络模型，每个神经网络模型采用小随机数的初始权重和带有动量项及学习速率的训练方式进行训练。s2在多个神经网络模型中，选择出具有最佳预测性能的神经网络模型，并记录下该模型的初始权重和终止权重，获取连接权指标数据；所述获取连接权指标数据包括以下步骤，s21计算输入-隐层-输出连接权贡献度c；s22计算每个变量的综合连接权贡献度oi；s23计算每个变量的相对贡献率ri；s3随机改变训练样本输出集的顺序；s4用改变顺序后的样本和s2中记录的初始权重，重新训练神经网络模型，并记录模型的终止权重。s5多次重复s3和s4，并记录重复次数为count，根据s4中记录的终止权重，得到随机化的c、oi、ri。s6分别计算输入-隐层-输出连接权贡献度c、综合连接权贡献度oi、相对贡献率ri的显著程度p，包括以下步骤s61若标准值大于0，p＝(n+1)/(count+1)，n为随机化值大于等于标准值的个数；s62若标准值小于0，p＝(m+1)/(count+1)，m为随机化值小于等于标准值的个数；s7在神经网络释义图中，若连接权的p小于预设值，则保留该连接权连接线，否则删除该连接权连接线生成修建后的神经网络释义图。本发明的有益效果是，(1)利用神经网络释义图，赋予连接权“可解释”能力，对连接权进行量化并以连接线的大小显示，实现了工业过程模型的可视化。(2)利用连接权法，实现了工业过程神经网络模型决策参数对目标变量重要性的定量分析。(3)利用改进的的随机化测验，修剪了复杂工业过程神经网络模型，剔除了冗余信息，提高了神经网络模型的透明化程度。(4)本发明结合神经网络释义图、连接权法和改进的随机化测验三种方法，为复杂工业过程神经网络模型的透明化提供了一种很好的途径，为企业生产数据的能耗分析提供有效的指导依据。附图说明图1为本发明一实施例神经网络释义图。图2为本发明一实施例修剪前神经网络释义图。图3为本发明一实施例修剪后神经网络释义图。图4为本发明一实施例基于神经网络透明化的能耗监测方法流程图。具体实施方式本发明解决
背景技术：
：中问题的思路之一是，利用神经网络释义图，赋予连接权“可解释”能力，实现工业过程模型的可视化；利用连接权法，实现了工业过程神经网络模型决策参数对目标变量重要性的定量分析；利用改进的的随机化测验，修剪了复杂工业过程神经网络模型，剔除了冗余信息，提高了神经网络模型的透明化程度，最终为复杂工业过程神经网络模型的透明化提供了一种很好的途径，为企业生产数据的能耗分析提供有效的指导依据。如图4所示本发明一种基于神经网络透明化的能耗监测方法包括以下步骤，根据生产数据生成神经网络建立模型；生成神经网络释义图；获取连接权指标数据；依据接权指标数据对连接权进行显著性检验并删除在神经网络释义图中不显著的连接权。本发明通过数据采集，数据存储，模型建立，能耗分析，结合神经网络释义图、连接权法和改进的随机化测验三种方法，对复杂工业过程能耗分析神经网络模型进行透明化研究。首先利用神经网络释义图可视化模型，再用连接权法对决策参数贡献率定量分析，最后利用改进的随机化测验，对模型的连接权、决策参数的综合贡献度和相对贡献率进行显著性检验，进而修剪模型。同现有技术相比较，本方法获取了过程变量的内部信息，极大地提高了模型的“可理解”能力，可以为企业生产数据的能耗分析提供有效的指导依据。所述生产数据通过对工业现场监测仪表采集或/和通过企业dcs控制系统中采集。所述神经网络释义图包括连接权线条，连接权的绝对值大小用线条的粗细表示，粗线表示的连接权大于细线表示的连接权；线条的类型表示连接权的状态，实线表示连接起正作用的刺激状态，虚线表示连接起负作用的抑制状态。通过对连接权大小和状态的跟踪，可以鉴别出单个变量或多个变量之间对目标变量的影响。下面对本发明一实施例中连接权指标数据获取步骤进行说明：(1)记录输入到隐层和隐层到输出的连接权矩阵；表1连接权矩阵table1connectionweightsmatrix(2)计算输入-隐层-输出连接权贡献度c输入-隐层-输出连接权贡献度，表征每个变量通过隐层神经元对输出的贡献大小。其值为输入到隐层的连接权和隐层到输出的连接权的乘积，其表达式为：cij＝wij×wyi,i＝a,b；j＝1,2,3；(1)例：ca1＝wa1×wya＝0.8147×(-0.6557)＝-0.5342，表明决策变量x1通过隐层神经元a对输出y的贡献度为-0.5342。输入-隐层-输出贡献度如表2。表2输入隐层输出贡献度table2thecontributionofinput-hidden-output(3)综合连接权贡献度oioi表征每个输入变量对输出变量的贡献大小。‘+’的表示起正向刺激作用；‘-’的表示起负向抑制作用。绝对值越大表示对输出的贡献度越大，其表达式为：例：表明x1对y的综合贡献度为-0.6001。(4)相对贡献率riri表明每个输入变量整体对输出变量的重要程度，以百分比形式给出。若其大于0，表示该变量对输出变量起正作用；若其小于0表示该变量对输出起负作用。若其等于0，表示该变量对输出变量没有影响。其计算公式为：计算的综合连接权贡献度oi和相对贡献率ri如表3。表3综合贡献度oi和相对贡献率ritable3overallcontribution(oi)andrelativecontributionrate(ri)根据表3，可以得出x1、x3对输出y起负向抑制作用，相对贡献率分别为-60.43％和-29.24％；x2对y起正向刺激作用，相对贡献率为10.33％。因此，连接权法弥补了神经网络释义图的缺陷，实现了输入变量对目标变量贡献率的定量分析。连接权指标数据包括，输入到隐层和隐层到输出的连接权矩阵数据、输入-隐层-输出连接权贡献度数据、综合连接权贡献度数据和相对贡献率数据。所述依据统计指标对连接权进行显著性检验并删除不显著的连接权包括以下步骤，s1根据标准化后的生产数据样本，构建多个神经网络模型，每个神经网络模型采用小随机数的初始权重和带有动量项及学习速率的训练方式进行训练。s2在多个神经网络模型中，选择出具有最佳预测性能的神经网络模型，并记录下该模型的初始权重和终止权重，获取连接权指标数据；所述获取连接权指标数据包括以下步骤，s21计算输入-隐层-输出连接权贡献度c；s22计算每个变量的综合连接权贡献度oi；s23计算每个变量的相对贡献率ri；s3随机改变训练样本输出集的顺序；s4用改变顺序后的样本和s2中记录的初始权重，重新训练神经网络模型，并记录模型的终止权重。s5多次重复s3和s4，并记录重复次数为count，根据s4中记录的终止权重，得到随机化的c、oi、ri。在本发明一实施例中，重复次数为999次，count值为999。s6分别计算输入-隐层-输出连接权贡献度c、综合连接权贡献度oi、相对贡献率ri的显著程度p，包括以下步骤s61若标准值大于0，p＝(n+1)/(count+1)，n为随机化值大于等于标准值的个数；s62若标准值小于0，p＝(m+1)/(count+1)，m为随机化值小于等于标准值的个数；本发明中的标准值，指oi、ri的值，针对某一输入，二者的正负号是一致的，即若某一变量的oi为正值、则ri也为正值，‘+’的表示起正向刺激作用；‘-’的表示起负向抑制作用。绝对值越大表示对输出的贡献度越大。s7在神经网络释义图中，若连接权的p小于预设值，则保留该连接权连接线，否则删除该连接权连接线生成修建后的神经网络释义图。在本发明一实施例中预设值为0.05。下面通过一个具体的实施例，来对本发明进行说明。在本实施例中的企业氢氰酸生产过程中，利用神经网络对该复杂化工体系进行建模，输入为氨的补偿温度(℃)、氨的补偿流量(nm3·h-1)、天然气/氨气体积比、空气/氨气体积比、氨气的补偿压力(mpa)、天然气的补偿压力(mpa)和大混合器出口温度(℃)9个决策参数，对应的变量为tn,fn,cn,an,pn,pc,pa,pp,td，输出为氢氰酸转化率η(hcn)。生产过程中的决策参数、hcn转化率(η(hcn))及样本数据如表4。把样本数据分为训练集和检验集，经反复训练最终确定网络的拓扑结构为9-7-1，如图2所示。表4hcn生产过程变量及数据集table4processvariablesanddatasetsofhcn然而，现有技术中利用该模型不能获得hcn生产过程中具体的物理信息来解释该化工体系，也无法解释9个决策参数和氢氰酸转化率之间的关系。因此，分别利用连接权法定量计算该模型决策参数的贡献率，利用改进的随机化测验来修剪氢氰酸转化率η(hcn)神经网路释义图，进一步增加氢氰酸转化率η(hcn)神经网络模型的透明化程度。对氢氰酸转化率η(hcn)神经网络模型应用连接权法，得到了9个输入决策参数对氢氰酸转化率η(hcn)的综合贡献度和相对贡献率，如表5所示。表5决策变量的综合贡献率oi和相对贡献率ritable5overallcontributionandrelativecontributionrateofdecisionvariables经过对氢氰酸转化率η(hcn)神经网络释义图进行随机化测验，得到了输入-隐层-输出连接权的随机化p值，如表6所示(α＝0.05既预设值为0.05)。表6随机化的p值(α＝0.05)table6pvalueofrandomization根据表6中的p值移除氢氰酸转化率η(hcn)模型中不显著的连接权，得到了新的氢氰酸转化率η(hcn)神经网络释义图，如图3所示。在α＝0.1既预设值为0.01时，可以发现模型尽管移除了部分不显著的连接权，但是仍然没有得到令人满意的神经网络释义图。在α＝0.05既预设值为0.05时的神经网络释义图，与图2相比，氢氰酸转化率η(hcn)神经网络释义图型较简洁，透明化程度高，更易于解释决策参数与决策参数、决策参数与响应变量之间的关系。同现有技术相比较，本发明通过获取了过程变量的内部信息，极大地提高了模型的“可理解”能力，可以为企业生产数据的能耗分析提供有效的指导依据。最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。当前第1页12当前第1页12