一种基于PLS的ESN加热炉操作变量的软测量方法与流程

本发明涉及加热炉技术领域，尤其涉及一种基于pls的esn加热炉操作变量的软测量方法。

背景技术：

现代工业过程越来越复杂，导致现代工业过程的建模也越来越困难。由于操作经验的积累减少了许多不必要的损失，提高了生产效率，使得对工业生产中操作变量的建模变得越来越重要。经验丰富的操作人员可以快速准确地调整参数值，使得整个工业过程始终保持良好的状态。

常用的三种建模方法如下：机理建模、数据驱动建模、机理与数据驱动相结合的混合建模。机理建模适用于具有精确数学模型的对象，数据驱动建模适用于对象模型难以获得而且具有大量过程数据的情况，机理与数据驱动相结合的方法适用于对象精确模型难以获得而且具有历史经验数据的情况。

然而，随着工艺的日益复杂，对有经验的操作人员的需求也越来越大，巨大的人力成本降低了企业的利润。为了降低人工成本，需要更精确的操作模型来自动调整参数，使得调整后的模型总能带来最优的操作，从而可以代替经验丰富的操作人员，实现降低人工成本的目的。

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pls的esn加热炉操作变量的软测量方法，包括：

获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；

使用归一化公式对所述加热炉数据进行归一化处理，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；

对回声状态网络的各个参数值进行初始化；

获取回声状态网络的状态和输出，计算公式如下：

x(t+1)＝f(win×u(t+1)+wbackx(t))(3)

y(t+1)＝fout×(wout×(u(t+1)，x(t+1)))(4)

其中，win和wback为初始化的参数值，u(t+1)为当前的输入，x(t+1)为当前时刻储备池的状态，x(t)为前一时刻储备池的状态，当t＝0时，x(t)的初始化值为0；f(g)为储备池内部神经元的激活功能，fout表示输出层神经元的激活函数；

使用偏最小二乘对输入和输出进行双向主成分分解，计算公式如下：

其中，n为样本数量，qi∈r^k和oi∈r^k为得分向量，q和o为得分矩阵，pi∈r^k和si∈r^k为负载向量，p和s为负载矩阵，eu和et为分解误差矩阵；

根据所述双向主成分分解的结果对回声状态网络模型进行优化；

根据优化之后的回声状态网络模型对加热炉操作变量进行预测。

可选的，所述根据所述双向主成分分解的结果对回声状态网络模型进行优化的步骤包括：

根据单位方差和零均值对如下参数进行初始化：

根据回归计算在ri上的回归权重获得输入矩阵win，将输入权重转化为单位矩阵获得得分向量qi：

根据回归计算在ri上的回归权重获得负载向量si，根据所述负载向量si获得输出得分向量ri：

当ri收敛时，根据eu在qi上的回归权重获得负载向量pi：

获得内部链接模型的回归系数：

根据所述回归系数对回声状态网络模型进行优化。

可选的，还包括：

对et进行回归计算获得et的回归值

根据所述回归值将θ1q1、θ2q2、l、θiqi表示为l、的线性组合；

根据所述线性组合获得输出的预估值为：

通过反归一化获得y关于x的回归等式。

本发明具有下述有益效果：

本发明提供的基于pls的esn加热炉操作变量的软测量方法，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理；对回声状态网络的各个参数值进行初始化；使用偏最小二乘算法对回声状态网络模型进行优化；根据优化之后的回声状态网络模型对加热炉操作变量进行预测。本发明提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。因此，本发明提供的技术方案能够实现对加热炉在生产过程之中操作变量的有效预测，从而提高加热炉的热效率。

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回声状态网络模型的流程示意图。

图3为本发明实施例一提供的泛化过程预测结果分布图。

图4为本发明实施例一提供的回声状态网络模型的误差示意图。

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pls的esn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，工业管式加热炉是一个复杂难以获得精确模型的流程工业对象，但是工业过程之中操作人员使用的最佳操作数据是可以获得。因此，本实施例使用机理与数据驱动结合的方法对生产过程中的操作变量进行建模。基于历史样本数据来拟合输入与输出数据之间的映射关系从而建立加热炉操作变量的软测量模型，这大大简化了建模的过程。目前，有很多种基于数据进行建模的方法，例如人工神经网络、模糊推理、数据挖掘、关联规则分析等。这些基于数据的建模方法中，基于人工神经网络的建模方法因其强大的非线性映射能力而得到广泛应用。任何连续的非线性函数都可以用人工神经网络的方法来进行拟合，加热炉操作变量的建模是一个复杂的流程工业问题，其数据是具有连续非线性的时间序列数据，可以使用人工神经网络的方法来进行建模。

人工神经网络在基于数据进行建模的工业流程中，收到了良好的效果，但是随着流程工业越来越复杂，对应的数据变量和数据量也越来越庞大，传统的人工神经网络在进行建模时，因其算法中每一层网络的全连接特性使得计算量极其庞大，导致建模的速度越来越难以满足人们的需求。回声状态网络算法是一种深层次的学习算法，回声状态网络算法可以用于处理工业过程时序数据。回声状态网络算法的核心结构是一个随机生成的储备池，可以有效地解决动态时序数据的建模问题。随机稀疏连接的神经元被当作隐藏层形成储备池，回声状态网络使用该储备池来实现输入的高维和非线性表示。回声状态网络利用最小二乘算法计算储备池和输出层之间的权重，从而避免陷入局部最优解。本实施例针对的是一个管式加热炉，其生产过程数据带有时间序列的特征，因此可以采用回声状态网络来对生产过程的操作变量进行软测量建模。

虽然回声状态网络模型或者改进的回声状态网络模型被成功地应用在流程工业数据的处理上，但是仍然存在局限性。回声状态网络模型的局限性在于最小二乘算法不能处理隐含层节点输出之间的多重共线性。为了克服这一缺点，本实施例提出了一种将回声状态网络与偏最小二乘(偏最小二乘-回声状态网络)结合的方法来对操作变量进行软测量建模。偏最小二乘-回声状态网络模型使用偏最小二乘算法代替传统的回声状态网络算法中的最小二乘算法来对回声状态网络进行训练，解决了回声状态网络在建模时可能存在的多重共线性问题。

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加热炉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。本实施例提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。

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，本实施例使用偏最小二乘-回声状态网络模型对加热炉操作变量进行软测量，将输入变量参数输入到训练之后的模型之中，从而获得网络预测值，即空气阀门开度的预测值。因此，本实施例提供的技术方案能够实现对加热炉在生产过程之中操作变量的有效预测，从而提高加热炉的热效率。

针对回声状态网络输出的隐藏层节点的多重共线性特点，本实施例提供的偏最小二乘-回声状态网络软测量模型，用于预测加热炉操作变量的变化。本实施例使用偏最小二乘方法代替回声状态网络中的最小二乘算法，解决了传统回声状态网络算法的多重共线性问题，据此来优化回声状态网络模型。本实施例可以实现对加热炉在生产过程中操作变量的有效预测，从而提高加热炉的热效率。

图2为本发明实施例一提供的回声状态网络模型的流程示意图。如图2所示，本实施例提供的基于pls的esn加热炉操作变量的软测量方法包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理；对回声状态网络的各个参数值进行初始化；使用偏最小二乘算法对回声状态网络模型进行优化；根据优化之后的回声状态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。

本实施例对回声状态网络进行初始化，随机选择回声状态网络的初始化状态，一般为0，即x(0)＝0。训练集(u(t)，t=1，2，k，k)通过权值矩阵win被加到储备池。

本实施例对偏最小二乘-回声状态网络算法进行具体描述。首先获取回声状态网络的状态和输出，计算公式如下：

x(t+l)＝f(win×u(t+l)+wbackx(t))(3)

y(t+l)＝fout×(wout×(u(t+l)，x(t+l)))(4)

其中，win和wback为初始化的参数值，u(t+1)为当前的输入，x(t+1)为当前时刻储备池的状态，x(t)为前一时刻储备池的状态，当t＝0时，x(t)的初始化值为0；f(g)为储备池内部神经元的激活功能，fout表示输出层神经元的激活函数。

为了避免最小二乘方法中的多重共线性，本实施例使用偏最小二乘对输入和输出进行双向主成分分解，计算公式如下：

其中，n为样本数量，qi∈r^k和oi∈r^k为得分向量，q和o为得分矩阵，pi∈r^k和si∈r^k为负载向量，p和s为负载矩阵，eu和et为分解误差矩阵。本实施例提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。

在实施例提供的技术方案之中，潜在变量的数量k^*由交叉验证法决定。本实施例使用单位方差和零均值，对如下参数进行初始化：

根据回归计算在ri上的回归权重获得输入矩阵win，本实施例将输入权重转化为单位矩阵获得得分向量qi：

根据回归计算在ri上的回归权重获得负载向量si，本实施例根据所述负载向量si获得输出得分向量ri：

重复公式8与公式9，直到ri收敛。当ri收敛时，本实施例根据eu在qi上的回归权重获得负载向量pi：

至此，本实施例可以获得内部链接模型的回归系数：

θi＝ri^tqi(11)

对et进行回归计算，本实施例可以获得et的回归值根据所述回归值将θ1q1、θ2q2、l、θiqi表示为l、的线性组合。综上所述，本实施例根据所述线性组合获得输出的预估值为：

最后，本实施例通过反归一化获得y关于x的回归等式，根据优化之后的回声状态网络模型对加热炉操作变量进行预测。

为了验证上述方法的有效性，本实施例将上述方法应用于加热炉操作变量的软测量建模之中，用于提高操作变量建模的精度和加热炉的热效率。加热炉是现代流程工业之中应用广泛的设备，其运行的热效率的高低直接影响经济效益的高低，而热效率的高低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。其中，良好的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，来对加热炉操作变量进行建模和预测。若操作变量始终保持在最佳状态，则加热炉可以始终保持最佳的热效率水平。

图3为本发明实施例一提供的泛化过程预测结果分布图，图4为本发明实施例一提供的回声状态网络模型的误差示意图。如图3和图4所示，本实施例通过测试数据来对偏最小二乘-回声状态网络方法进行测试，进一步验证本实施例提出的技术方案的有效性。

表2效果比较

如表2所示，偏最小二乘-回声状态网络模型的平均相对误差(are)和平均均方根误差(armse)均小于传统回声状态网络模型，表明本实施例提供的偏最小二乘-回声状态网络方法更加精确。因此，本实施例将偏最小二乘-回声状态网络方法与传统的回声状态网络方法进行比较，表明偏最小二乘-回声状态网络的加热炉操作变量软测量模型能够提高精度，具有很好地鲁棒性，从而提高产品的质量，提高了加热炉的热效率。

本实施例提供的基于pls的esn加热炉操作变量的软测量方法，包括：获得加热炉数据，所述加热炉数据包括加热炉压力、进料量、温度；使用归一化公式对所述加热炉数据进行归一化处理；对回声状态网络的各个参数值进行初始化；使用偏最小二乘算法对回声状态网络模型进行优化；根据优化之后的回声状态网络模型对加热炉操作变量进行预测。本实施例提供的技术方案解决了传统的回声状态网络算法的多重共线性问题，据此优化回声状态网络模型，能够提高回声状态网络模型的精度和稳定性，广泛应用于加热炉操作变量的建模之中。因此，本实施例提供的技术方案能够实现对加热炉在生产过程之中操作变量的有效预测，从而提高加热炉的热效率。

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。