本文關(guān)鍵詞：基于動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的化工過程軟測(cè)量建模研究

  更多相關(guān)文章： 軟測(cè)量技術(shù) 建模 RNN Kalman濾波 化工過程

【摘要】：軟測(cè)量技術(shù)是先進(jìn)過程控制技術(shù)的重要組成部分,同時(shí)也是化工領(lǐng)域過程檢測(cè)和過程控制的重要手段,其能夠有效的克服在線分析儀表成本高、滯后大、維修繁復(fù)的缺點(diǎn),提升化工企業(yè)對(duì)過程變量的實(shí)時(shí)監(jiān)控,進(jìn)而提高產(chǎn)品質(zhì)量,以滿足工業(yè)生產(chǎn)對(duì)控制系統(tǒng)的需求,有效的提升了企業(yè)的競(jìng)爭(zhēng)力。目前,神經(jīng)網(wǎng)絡(luò)已成為重要的軟測(cè)量建模工具。遞歸神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)作為一種動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò),在基于數(shù)據(jù)驅(qū)動(dòng)的軟測(cè)量建模中已得到成功的應(yīng)用。Kalman濾波作為一種狀態(tài)空間模型方法,通過將神經(jīng)網(wǎng)絡(luò)各層間神經(jīng)元之間的連接權(quán)值作為濾波器的狀態(tài)進(jìn)行更新,替代了RNN網(wǎng)絡(luò)的傳統(tǒng)訓(xùn)練算法,有效提高了網(wǎng)絡(luò)的預(yù)測(cè)精度,已成功應(yīng)用于時(shí)間序列預(yù)測(cè)。本文在線性Kalman濾波的基礎(chǔ)上,給出了擴(kuò)展卡爾曼濾波(Extend Kalman Filter,EKF)、容積卡爾曼濾波(Cubature Kalman Filter,CKF)和平方根容積卡爾曼濾波(Square-root Cubature Kalman Filter,SCKF)算法,用于RNN的訓(xùn)練。將上述方法運(yùn)用于化工過程軟測(cè)量建模的實(shí)例中,均取得了令人滿意的效果。本文的主要研究?jī)?nèi)容如下:(1)研究了簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)(Simple Recurrent Network,SRN)和全連接遞歸神經(jīng)網(wǎng)絡(luò)(Fully Connected Recurrent Neural Network,FCRNN)的拓?fù)浣Y(jié)構(gòu),并以SRN為重點(diǎn)研究對(duì)象給出了網(wǎng)絡(luò)的基本訓(xùn)練算法。(2)針對(duì)傳統(tǒng)訓(xùn)練算法存在的不足,根據(jù)狀態(tài)估計(jì)技術(shù),在Kalman濾波的基礎(chǔ)上,研究了EKF算法,給出了基于EKF算法的FCRNN方法;為了進(jìn)一步提高網(wǎng)絡(luò)精度和算法的穩(wěn)定性,研究了CKF算法和SCKF算法,提出了基于SCKF算法的SRN方法。(3)將基于SCKF算法的SRN與非線性滑動(dòng)平均(Nonlinear Moving Average,NMA)、非線性自回歸(Nonlinear Autoregressive,NARX)時(shí)間序列模型相結(jié)合構(gòu)建動(dòng)態(tài)軟測(cè)量模型,用于建立脫丁烷塔底部C4組分濃度的估計(jì)和硫處理裝置(Sulfur Recovery Unit,SRU)尾氣中SO2及H2S濃度的預(yù)估。為了驗(yàn)證本文所用方法的有效性,在同等條件下,將該方法分別與基于傳統(tǒng)訓(xùn)練算法的SRN、基于傳統(tǒng)訓(xùn)練算法的FCRNN、基于EKF算法的多層感知器(Multilayer Perceptron,MLP)、基于EKF算法的SRN、基于SCKF算法的MLP以及基于SCKF算法的FCRNN的建模方法進(jìn)行對(duì)比,結(jié)果表明本文方法能夠獲得很高的建模精度,是一種有效的軟測(cè)量建模方法。
【關(guān)鍵詞】：軟測(cè)量技術(shù) 建模 RNN Kalman濾波 化工過程
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TQ018;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 1 緒論9-13
• 1.1 選題背景與研究意義9-10
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀10-11
• 1.3 研究?jī)?nèi)容和安排11-13
• 2 軟測(cè)量技術(shù)理論與建模方法13-20
• 2.1 軟測(cè)量技術(shù)的基本原理14-16
• 2.2 動(dòng)態(tài)軟測(cè)量技術(shù)建模方法概述16-19
• 2.3 小結(jié)19-20
• 3 動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)理論20-42
• 3.1 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)20-22
• 3.1.1 全連接遞歸神經(jīng)網(wǎng)絡(luò)20-21
• 3.1.2 簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)21-22
• 3.2 傳統(tǒng)遞歸神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法22-24
• 3.2.1 沿著時(shí)間反向傳播學(xué)習(xí)算法22-23
• 3.2.2 實(shí)時(shí)遞歸學(xué)習(xí)算法23-24
• 3.3 基于擴(kuò)展卡爾曼濾波的遞歸神經(jīng)網(wǎng)絡(luò)24-31
• 3.3.1 卡爾曼濾波理論24-27
• 3.3.2 擴(kuò)展卡爾曼濾波算法27-29
• 3.3.3 基于擴(kuò)展卡爾曼濾波算法的全連接遞歸神經(jīng)網(wǎng)絡(luò)29-31
• 3.4 基于平方根容積卡爾曼濾波的遞歸神經(jīng)網(wǎng)絡(luò)31-40
• 3.4.1 容積卡爾曼濾波算法31-36
• 3.4.2 平方根容積卡爾曼濾波算法36-37
• 3.4.3 基于平方根容積卡爾曼濾波的簡(jiǎn)單遞歸神經(jīng)網(wǎng)絡(luò)37-40
• 3.5 小結(jié)40-42
• 4 動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)在化工過程軟測(cè)量建模實(shí)例中的應(yīng)用42-52
• 4.1 脫丁烷塔底C4濃度的軟測(cè)量42-45
• 4.2 硫處理裝置中H2S和SO2濃度的軟測(cè)量45-50
• 4.3 小結(jié)50-52
• 結(jié)論52-53
• 致謝53-54
• 參考文獻(xiàn)54-57
• 攻讀學(xué)位期間的研究成果57

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李勝永;季本山;張智華;張江南;;用容積卡爾曼濾波算法進(jìn)行集裝箱吊具姿態(tài)估計(jì)[J];上海海事大學(xué)學(xué)報(bào);2015年01期

2 孫楓;唐李軍;;Cubature卡爾曼濾波-卡爾曼濾波算法[J];控制與決策;2012年10期

3 曹鵬飛;羅雄麟;;化工過程軟測(cè)量建模方法研究進(jìn)展[J];化工學(xué)報(bào);2013年03期

4 楊慶芳;張彪;高鵬;;基于改進(jìn)動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)的交通量短時(shí)預(yù)測(cè)方法[J];吉林大學(xué)學(xué)報(bào)(工學(xué)版);2012年04期

5 蔣霖;;基于EKF的神經(jīng)網(wǎng)絡(luò)在GPS高程轉(zhuǎn)換中的應(yīng)用[J];工程勘察;2012年04期

6 顧力平;;基于EKF-RNN算法的抗震棒材性能預(yù)報(bào)模型研究[J];機(jī)械設(shè)計(jì)與制造;2011年11期

7 張應(yīng)博;;神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的迭代擴(kuò)展卡爾曼粒子濾波算法[J];微電子學(xué)與計(jì)算機(jī);2010年08期

8 王松;劉明光;石雙雙;楊罡;;基于卡爾曼濾波和神經(jīng)網(wǎng)絡(luò)的PMSM參數(shù)辨識(shí)[J];北京交通大學(xué)學(xué)報(bào);2010年02期

9 杜文莉;官振強(qiáng);錢鋒;;一種基于時(shí)序誤差補(bǔ)償?shù)膭?dòng)態(tài)軟測(cè)量建模方法[J];化工學(xué)報(bào);2010年02期

10 賈潤(rùn)達(dá);毛志忠;常玉清;周俊武;;鈷濕法冶煉萃取過程中的組分含量軟測(cè)量[J];控制與決策;2009年04期

，

本文編號(hào)：832035