基于记忆增强优化的CNN加热炉操作变量的软测量方法与流程

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(distributedcontrolsystem，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(backpropagation，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。

技术实现要素：

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：

根据卷积层灵敏度公式获得所述卷积神经网络的卷积层灵敏度，所述卷积层灵敏度公式为：

其中，“o”为对应元素相乘，w为权值，βj为卷积核的数值，up表示上采样操作；

根据所述卷积层灵敏度计算误差代价函数对卷积核k的偏导：

其中，为与做卷积的patch，位置(u，v)是patch中心，输出特征之中位置(u，v)的值由输入特征之中位置(u，v)的patch与卷积核kij进行卷积所得。

可选的，所述对所述卷积神经网络的下采样层的权值进行更新的步骤包括：

根据下采样层灵敏度公式获得所述卷积神经网络的下采样层灵敏度，所述下采样层灵敏度公式为：

其中，“o”为对应元素相乘，rot180(·)为矩阵逆时针旋转180度；

根据所述下采样层灵敏度计算误差代价函数对偏置b的偏导。

可选的，所述归一化公式为：

其中，

ymin和ymax分别是输出模式向量y的最小值和最大值。

本发明具有下述有益效果：

本发明提供的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。

附图说明

图1为本发明实施例一提供的炼油厂减压加热炉的结构示意图。

图2为本发明实施例一提供的加热炉操作变量测量模型的流程示意图。

图3为本发明实施例一提供的泛化过程的预测结果分布图。

图4为本发明实施例一提供的加热炉操作变量测量模型的误差示意图。

具体实施方式

为使本领域的技术人员更好地理解本发明的技术方案，下面结合附图对本发明提供的基于记忆增强优化的cnn加热炉操作变量的软测量方法进行详细描述。

实施例一

图1为本发明实施例一提供的炼油厂减压加热炉的结构示意图。如图1所示，加热炉是现代石油化工生产过程中的重要设备，同时也是能量消耗大户。加热炉的运行热效率受到诸多因素的影响，例如加热炉设计、设备状况、燃烧调整、工艺操作、运行负荷等。对加热炉的良好操作是提高热效率的重要途径。空气阀门的开度往往被作为操作变量，其相关的压力、流量、温度等因素作为检测目标和控制对象，用于对加热炉操作变量进行建模和预测。若操作变量一直保持在最佳状态，则加热炉可以一直保持最佳的热效率水平。

卷积神经网络(convolutionalneuralnetworks，cnn)是一种深度学习方法，通常用于处理栅格化的数据和时序数据，其共享权值和稀疏连接的特点大大降低了算法的复杂度，缩短了算法的运行时间。本实施例的对象是一个管式加热炉，其生产过程数据带有时间序列的特征，因此本实施例采用卷积神经网络方法对生产过程的操作变量进行软测量建模。

尽管卷积神经网络能够很好地处理时序工业数据，对流程生产过程的操作变量进行建模，然而由于存在大量的迭代计算，在每次迭代进行权值更新时，其算法结构均未改变，仅是参数发生了更新。针对卷积神经网络的算法结构特点，本实施例提出了一种记忆增强优化的卷积神经网络方法，将先前迭代计算的经验参数保留下来，从历史计算经验中使用自适应的方法找出使得输出误差最小的权值参数，据此来对卷积神经网络模型进行优化。

为解决目前加热炉建模复杂的问题，本实施例提供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，用于指导加热炉的生产，提高操作变量的精度和热效率，进而增加生产效益。本实施例提供的技术方案包括：获得数据并进行数据预处理，初始化cnn各个参数值，使用记忆增强优化算法对cnn的权值进行优化，对加热炉操作变量进行建模。下面对所述加热炉操作变量的软测量方法进行具体描述。

本实施例获得数据并进行数据预处理。具体来说，本实施例对现场采集的精对苯二甲酸(pureterephthalicacid，pta)数据中存在的缺失数据、异常数据和噪声数据进行处理，最终得到i个样本{(xi，yi)|i＝1，2，...，i}，其中xi＝[xi1，xi2，…，xin]∈rⁿ代表第i个输入样本，xin代表第i个输入样本xi的第n个元素。参见表1，n个元素分别对应加热炉生产中的压力、进料量、温度等，yi∈r代表输出向量-空气阀门开度。本实施例使用多层卷积神经网络来处理石化产业数据的高度非线性，以提高精度和稳定性方面的性能。本实施例基于卷积神经网络算法实现对化工产业中加热炉操作变量的建模。本实施例提供的技术方案获得稳定的网络结构、优越的泛化性能和更高的精度，使得加热炉始终保持在较高热效率水平下平稳运行。

表1输入输出变量

本实施例对加热炉操作变量-空气阀门开度进行建模。具体来说，本实施例利用提出的基于记忆增强优化卷积神经网络方法训练网络模型，输入相关的变量参数就可以得到网络预测值，即可以获得空气阀门开度的测量值。

本实施例提供的技术方案不同于传统的卷积神经网络模型，针对卷积神经网络中权值更新问题的重复性和相似性特点，将先前的计算经验保留下来，从历史计算经验中使用自适应的方法找出使得输出误差最小的权值参数，据此来对卷积神经网络模型进行优化，从而提高卷积神经网络模型的精度和稳定性。本实施例提供的技术方案易于使用而且效果明显，能够提高模型训练的精度，可以广泛应用于加热炉的建模。

图2为本发明实施例一提供的加热炉操作变量测量模型的流程示意图。如图2所示，本实施例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。

本实施例获得训练样本(x，y)并对其进行归一化处理，消除量纲对模型的影响。其中，归一化过程如公式(1)和公式(2)所示：

其中，

ymin和ymax分别是输出模式向量y的最小值和最大值。

本实施例对卷积神经网络进行初始化，设置网络层数、节点数以及卷积核的个数。然后，本实施例定义误差代价函数如下：

其中，n为样本数量，c为label的维度，表示第n个样本的labeltn的第k维，为第n个样本网络输的第k维。本实施例更新网络权值的目的就是使得网络输出y与真实值t更接近，即使误差代价函数e最小化。当考虑单个样本时，第n个样本的误差代价函数为：

本实施例提供的卷积神经网络的权值更新涉及到两部分：一部分是卷积层权值的更新，一部分是下采样层的更新，本实施例首先对卷积层的权值更新进行如下推导：

对于卷积层的每一种输出的特征图xj有

其中，mj表示选择的输入特征组合,kij是输入的第i个特征和输出的第j种特征之间连接所用的卷积核，bj是第j种特征对应的偏置，f为激活函数。

本实施例根据卷积层灵敏度公式获得所述卷积神经网络的卷积层灵敏度，所述卷积层灵敏度公式为：

其中，“o”为对应元素相乘，因为l+1层是采样层，因此相当于做卷积。例如，scale＝2的下采样，就是用2*2的每个值为的卷积核来做卷积，因此这里的权值w实际上就是这个2*2的卷积核，它的值为βj。up表示上采样操作，因为l+1采样层的灵敏度矩阵是l层灵敏度矩阵尺寸的(scale＝2时)，因此这里要对l+1层的灵敏度矩阵做上采样，使得它们的尺寸一致。

本实施例对l层的灵敏度的所有节点求和，这里(u，v)代表灵敏度矩阵中的元素位置，形成如下公式：

本实施例根据所述卷积层灵敏度计算误差代价函数对卷积核k的偏导：

其中，为与kij做卷积的patch，位置(u，v)是patch中心，输出特征之中位置(u，v)的值由输入特征之中位置(u，v)的patch与卷积核kij进行卷积所得。

本实施例对卷积神经网络下采样层的权值更新公式的推导如下：

首先计算l层的输出，在卷积神经网络中对采样层的每一种输出特征xj有：

其中，down表示下采样，β为乘性偏置，b是加性偏置。

根据下采样层灵敏度公式获得所述卷积神经网络的下采样层灵敏度，所述下采样层灵敏度公式为：

其中，“o”为对应元素相乘，rot180(·)为矩阵逆时针旋转180度。最后，本实施例根据所述下采样层灵敏度计算误差代价函数对偏置b的偏导。至此，本实施例获得了卷积神经网络的权值更新公式。

本实施例使用记忆增强优化算法对卷积神经网络的权值进行优化，从而完成对网络模型的建立。将先前的计算经验保留下来的方法，从历史计算经验中使用自适应的方法找出使得输出误差最小的权值参数。

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。

本实施例使用所述卷积神经网络模型对加热炉操作变量进行预测。具体来说，就是利用优化后的卷积神经网络模型对加热炉操作变量—空气阀门开度进行预测。

表2优化后的卷积神经网络与传统的卷积神经网络的比较

通过表2可以看出，本实施例提出的优化后的卷积神经网络模型的平均相对误差(are)、平均均方根误差(rmse)均小于传统的卷积神经网络模型，因此本实施例提出的集成方法更精确。

图3为本发明实施例一提供的泛化过程的预测结果分布图，图4为本发明实施例一提供的加热炉操作变量测量模型的误差示意图。如图3和图4，本实施例提供的实验将优化后的卷积神经网络方法与传统的卷积神经网络方法、反向传播方法等进行对比，表明本实施例提出的记忆增强优化的卷积神经网络方法能够在保证速度的同时提高模型的精度，而且具有很好的鲁棒性，从而提高产品的质量，使得加热炉始终保持在较高的热效率下运行。

本实施例提供的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。本实施例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。

可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。