CN108829964A - 基于特征提取elm的pta装置醋酸消耗的软测量方法 - Google Patents
基于特征提取elm的pta装置醋酸消耗的软测量方法 Download PDFInfo
- Publication number
- CN108829964A CN108829964A CN201810579184.XA CN201810579184A CN108829964A CN 108829964 A CN108829964 A CN 108829964A CN 201810579184 A CN201810579184 A CN 201810579184A CN 108829964 A CN108829964 A CN 108829964A
- Authority
- CN
- China
- Prior art keywords
- elm
- hidden layer
- acetic acid
- output
- acid consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法,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ELM算法随机设置输入权值、阈值以及初始隐含层节点数,计算获得隐含层输出,对所述隐含层输出进行PCA特征提取处理,从而可以避免选择隐含层节点数目的困难,获得特征输出与输出节点之间的权重,最后根据训练形成的ELM网络模型获得醋酸消耗的测量值,通过醋酸消耗的测量值指导PTA过程的生产状况,减少醋酸消耗,提高生产效益。
Description
技术领域
本发明涉及精对苯二甲酸的技术领域,尤其涉及一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法。
背景技术
精对苯二甲酸(Pure Terephthalic Acid,PTA)作为聚醋化工生产中的重要原材料之一,在化学纤维、轻工和电子等领域具有广泛的应用,前景十分广阔。图1为现有技术的PTA反应流程图。如图1所示,PTA在醋酸溶剂中以醋酸钴和醋酸锰为催化剂,以空气中的氧气为氧化剂,在氧化反应器的液相中发生氧化反应,最终形成的一种重要有机化工原料。PTA溶剂系统作为PTA生产的重要系统,分为PTA溶剂脱水塔、再蒸馏器和回流槽三个部分,其中醋酸的消耗量被认为是检验反应体系是否有效的重要指标之一,降低醋酸的消耗能够减少生产成本,改善经济效益。由于工业生产中的醋酸消耗很难直接利用传感器进行测量,因此需要通过软测量技术间接的获得醋酸消耗,其中测量模型的优越稳定的泛化性能是提高PTA生产效益的重要保障。
在化工领域,建立监控对象的精准数学模型是研究生产过程的重要手段和前提,建立对象的数学模型,可以描述对象的因果关系。目前,通常使用机理建模、数据驱动建模或者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。机理建模需要根据过程的基本反应原理对对象进行建模,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,但是现在的化工工艺的工况多变,机理建模变得愈发困难。因此,在不需要知道整个化工流程的反应机理的情况下,基于数据的建模方法由于相对简单高效的特性得到广泛应用。基于数据的建模方法对生产过程之中有效数据进行处理,从中选择使得拟合误差最小的模型参数和结构。数据驱动的过程建模方法不需要知道整个化工流程的反应机理,但是在已有的机理模型稳定可靠的前提下,根据已知的机理知识可以修正数据驱动建模的参数和结构。在现在的很多领域,机理复杂而且数据海量,在计算迅捷、数据获取简便的前提下,建立数据驱动模型探索输入输出相关关系的方法逐渐成为研究热点。
随着信息科学技术和计算机技术的发展,神经网络在多个学科以及工程领域获得成功应用。神经网络作为一种黑箱模型,可以从正常的样本数据中拟合出输入输出数据的映射关系。在现在工况多变的情况下,建立传统的机理模型变得日益复杂,而神经网络技术作为一种新兴的数据驱动建模方法能够从数据的角度解决上述问题,神经网络技术的研究重点与难点在于网络的结构和参数的确定,因此,神经网络的合理构造与参数的合理选取是提高函数学习速度、逼近能力和泛化性能的关键。前馈神经网络结构简单、结果精确度较高,其中BP网络与RBF网络是两种提出较早的单隐含层前馈神经网络,上述两种网络在分类聚类、智能识别、预测建模等多个回归领域获得成功应用。然而,BP等网络使用基于误差梯度下降的算法进行权值调整和学习,模型建立过程之中的许多参数,例如,隐含层节点数目、学习速率、训练次数以及停止条件很大程度上依赖工程经验确定,参数选取方法的推广性不足。不合理的参数将会影响网络的性能,而且网络学习过程缓慢而且容易陷入局部最优解。RBF等网络的预测结果对初始聚类中心的选取比较敏感,初始聚类选取不佳会引起的泛化性能下降的问题。
发明内容
为解决现有技术存在的局限和缺陷,本发明提供一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法,包括:
获得训练样本(X,Y),其中
根据归一化公式对所述训练样本进行归一化处理,所述归一化公式为:
其中,为X第j列的最大值,为X第j列的最小值,Ymax为Y的最大值,Ymin为Y的最小值;
根据预设的隐含层节点数S计算ELM隐含层的输出为:
其中,xi=[xi1 … xip],wj=[w1j … wpj]T,bj为第j个隐含层节点的阈值,g(·)为隐含层激活函数而且
对ELM隐含层的输出H进行PCA特征提取处理,将ELM隐含层的输出H降维处理之后获得
其中,Pi=[pi1 … pis]T,Ti=[ti1 … tin]T;
根据ELM算法利用Moore-Penrose广义逆获得隐含层与输出层之间的权重为
将PTA过程变量X′输入至训练形成的ELM网络模型,获得预测值y′;
将预测值y′进行反归一化处理,获得醋酸消耗的测量值为
Y′=y′×(ymax-yminn)+ymin (11)。
可选的,所述对ELM隐含层的输出H进行PCA特征提取处理的步骤包括:
将ELM隐含层的输出H分解为
xi=[xi1 … xip]为负荷向量,wj=[w1j … wpj]T为得分向量,P=[P1 … Ps]为负荷矩阵,T=[T1 … Ts]为得分矩阵,其中
TiTj=0,PiPj=0,i≠j (5)
PiPj=1,i=j (6)
将公式(4)两边同时右乘Pi,再将公式(5)和公式(6)带入获得:
Ti=HPi或T=HP (7)
将ELM隐含层的输出H降维处理之后获得
可选的,所述将PTA过程变量X′输入至训练形成的ELM网络模型,获得预测值y′的步骤包括:
根据公式(1)对PTA过程变量X′进行归一化处理获得x′;
将x′代入ELM网络模型,获得预测值y′。
本发明具有下述有益效果:
本发明提供的基于特征提取ELM的PTA装置醋酸消耗的软测量方法,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ELM算法随机设置输入权值、阈值以及初始隐含层节点数,计算获得隐含层输出,对所述隐含层输出进行PCA特征提取处理,从而可以避免选择隐含层节点数目的困难,获得特征输出与输出节点之间的权重,最后根据训练形成的ELM网络模型获得醋酸消耗的测量值,通过醋酸消耗的测量值指导PTA过程的生产状况,减少醋酸消耗,提高生产效益。
附图说明
图1为现有技术的PTA反应流程图。
图2为本发明实施例一提供的ELM网络结构示意图。
图3为本发明实施例一提供的工作流程图。
图4为本发明实施例一提供的软测量模型训练过程拟合图。
图5为本发明实施例一提供的软测量模型泛化过程拟合图。
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特征提取ELM的PTA装置醋酸消耗的软测量方法进行详细描述。
实施例一
图2为本发明实施例一提供的ELM网络结构示意图。如图2所示,极限学习机(Extreme Learning Machine,ELM)网络是一种简单的三层前馈网络,采用基于广义逆的快速学习算法。因此,ELM算法的单层网络由于结构简单、开放性参数少、训练速度快捷而备受青睐。相对于其他算法,ELM算法不需要选择众多参数,只需要确定隐含层节点数即可。
传统的ELM算法依然存在着不足,隐含层节点需要人为设定,这使得传统的ELM算法很难应用在复杂多变的实时工业生产之中。
一般认为,增加隐含层数可以降低网络误差,提高精度,但是增加隐含层数使得网络复杂化,从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲,设计神经网络时应优先考虑3层网络(即有1个隐含层),并且通过增加隐含层节点数以获得较低的误差,其训练效果要比增加隐含层数更容易实现。
通常,在满足精度要求的前提下选择尽可能紧凑的结构,即尽可能少的隐含层节点数。研究表明,隐含层节点数不仅与输入层/输出层的节点数有关,更与需要解决问题的复杂程度和转换函数的型式以及样本数据的特性等因素有关。若隐含层节点数太少,网络可能根本不能训练或网络性能很差;若隐含层节点数太多,虽然可使网络的系统误差减小,但是一方面使得网络训练时间延长,另一方面使得训练容易陷入局部极小点而得不到最优点,而且训练会出现过拟合的现象。因此,在综合考虑网络结构复杂程度和误差大小的情况下,合理的隐含层节点数会由节点删除法和增加法确定,然而这两种方法不仅会大量增加计算负担,而且终止条件难以人为确定。
本实施例引入主元分析法(Principal Component Analysis,PCA)可以避免选取隐含层节点数目的难点,PCA是在过程工业的建模、故障检测等方面已获得广泛应用的一种多元统计分析方法,它通过将多变量高维数据空间投影到相对独立的低维空间,获得最大化数据方差的正交投影轴以达到消除数据相关性的目的。在模型建立初始时,人为设置较多的隐含层节点数,然后利用PCA对隐含层进行特征提取,对提取的信息再进行广义逆求取输出权值。本实施例提供的软测量方法不仅可以保留原隐含层较多的信息并且获得较高的精度,同时还可以避免出现过拟合的情况。而且,实验结果显示,无论初始隐含层节点数设置为多大的值,最终都可以得到比较稳定的输出和优越的拟合精度。
本实施例提供的软测量方法包括:获得数据并进行数据预处理;设定初始隐含层节点数;根据ELM算法获得输入层与隐含层之间的权重;计算获得隐含层输出并进行PCA处理;获得隐含层与输出层之间的权重;对PTA过程醋酸消耗进行软测量。
图3为本发明实施例一提供的工作流程图。如图3所示,本实施例获得数据并进行数据预处理:对现场采集的PTA数据中存在的缺失数据、异常数据和噪声数据进行处理,最终得到训练样本(X,Y),其中
X为输入,Y为输出醋酸消耗,p为每个样本的输入个数,分别对应PTA生产中的进料醋酸含量、进料流量、水回流量、NBA主回流量、NBA侧线回流量、蒸汽流量、塔顶采出量、进料温度、回流温度、塔顶温度、塔板温度、塔板温度、塔板温度、塔内压力、塔板之间可控温度点、回流罐液位、溶剂脱水塔的操作压力作为输入;溶剂脱水塔塔顶电导率作为输出。输入输出变量如表1所示:
表1软测量模型输入输出变量选取
本实施例设定初始隐含层节点数:一般来说,选取神经网络隐含层节点数可以参照以下方法:隐层节点数s与模式数N的关系为:s=log2N,隐含层节点数s=2n+1(n为输入层节点数),隐含层节点数(m是输入层的个数,n是输出层的个数)。在实际应用中,最优的隐含层节点数往往会根据实际过程有所变动,本实施例可以在初始时任意设置较多的隐含层节点数。
本实施例根据ELM算法获得输入层与隐含层之间的权重为
本实施例计算获得隐含层输出并且进行PCA处理。具体来说,根据ELM算法计算得到隐含层节点输出H,然后利用PCA对隐含层进行特征提取获得特征输出H′。上述方法不仅可以设置较多的隐含层节点,而且对隐含层进行PCA处理后既可以保留原隐含层较多的信息又可以避免出现过拟合的情况。
本实施例获得特征输出与输出层之间的权重。具体来说,根据ELM算法利用Moore-Penrose广义逆获得特征输出与输出层之间的权重为
本实施例通过上述方式获得训练好的网络模型,输入参数就可以得到网络预测值,从而可以获得醋酸消耗的测量值。
实际应用中,最优隐含层节点数往往会根据实际过程有所变动,从而导致基于神经网络的数据驱动建模方法要求较高的工程经验。一般来说,合理的隐含层节点数会由节点删除法和增加法确定,然而这两种方法不仅会增加计算负担,而且对于ELM算法而言,输入层到隐含层权值的随机性导致的误差波动会使得终止条件难以人为确定,即难以确定增加或减少到多少节点数是合理的。通常来说,隐含层节点数太少,网络可能根本不能训练或网络性能很差;隐含层节点数太多,一方面使网络训练时间延长,另一方面使得训练过程会出现过拟合的现象。本实施例提供的技术方案不同于以往选取神经网络隐含层节点数的参照方法,可以通过设置较多的隐含层节点,通过对隐含层进行PCA处理在保留原隐含层较多的信息来获得较高精度的同时,还可以避免出现过拟合的情况。实验结果显示,无论初始隐含层节点数被设置为任意较大的数值,最终都可以得到稳定的网络输出和优越的拟合精度。下面对本实施例提供的软测量方法进行具体说明。
本实施例首先获得训练样本(X,Y)并对所述训练样本进行归一化处理,从而消除量纲对模型的影响,其中
本实施例根据归一化公式对所述训练样本进行归一化处理,所述归一化公式为:
其中,为X第j列的最大值,为X第j列的最小值,Ymax为Y的最大值,Ymin为Y的最小值。
本实施例设置隐含层节点数S,计算ELM隐含层的输出为:
其中,xi=[xi1 … xip],wj=[w1j … wpj]T,bj为第j个隐含层节点的阈值,g(·)为隐含层激活函数而且
本实施例对ELM隐含层输出H进行PCA特征提取处理,将矩阵H分解为:
xi=[xi1 … xip]为负荷向量,wj=[w1j … wpj]T为得分向量;相应的,P=[P1 …Ps]为负荷矩阵,T=[T1…Ts]为得分矩阵,代表矩阵H在负荷方向的投影。负荷向量和得分向量互相正交,而且负荷向量为单位向量,即:
TiYj=0,PiPj=0,i≠j (5)
PiPj=1,i=j (6)
本实施例将公式(4)两边同时右乘Pi,再将公式(5)和公式(6)带入获得:
Ti=HPi或T=HP (7)
如果将得分向量按长度进行排列,即||T1||>||T2||>…>||Ts||,负荷向量P1表示矩阵H变化最大的方向,P2表示矩阵H变化次大的方向而且与P1正交,以此类推,Ps代表矩阵H变化最小的方向。矩阵H的变化主要体现在最前面的几个负荷向量方向上,矩阵H在后面负荷方向上的投影(即得分向量)往往是由噪声引起的,因此,可将数据近似表示为
其中,a<s,[T1 … Ta]代表矩阵T的前a列,[P1 … Pa]代表矩阵P的前a行,将隐含层输出H特征提取后得到H′:
本实施例根据ELM算法利用Moore-Penrose广义逆获得隐含层与输出层之间的权重为
本实施例获得训练好的网络模型,输入PTA过程变量X′,根据公式(1)进行归一化处理之后,代入上述网络模型可以获得网络预测值y′,将y′进行反归一化处理,获得醋酸消耗的测量值为
Y′=y′×(ymax-ymin)+ymin (11)。
本实施例形成模型初始时只需要设置较多的隐含层节点数。表2为不同隐含层节点数对应的软测量模型精度,从表2可以看出,初始隐含层节点数设置不同数目时,网络训练和泛化的相对百分比误差都处于稳定状态,并且相对误差值在1.1%附近。
表2不同隐含层节点数对应的软测量模型精度
图4为本发明实施例一提供的软测量模型训练过程拟合图,图5为本发明实施例一提供的软测量模型泛化过程拟合图。可以看出,本实施例提供的软测量方法精度较高,模型建立过程简单,实现了对PTA过程醋酸消耗的准确测量。由此可知,本实施例在保持高精度的同时,能够避免传统建模过程中选择最佳隐含层节点这一困难的问题,有助于企业提高PTA过程的生产效益。
本实施例提供的基于特征提取ELM的PTA装置醋酸消耗的软测量方法,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ELM算法随机设置输入权值、阈值以及初始隐含层节点数,计算获得隐含层输出,对所述隐含层输出进行PCA特征提取处理,从而可以避免选择隐含层节点数目的困难,获得特征输出与输出节点之间的权重,最后根据训练形成的ELM网络模型获得醋酸消耗的测量值,通过醋酸消耗的测量值指导PTA过程的生产状况,减少醋酸消耗,提高生产效益。
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。
Claims (3)
1.一种基于特征提取ELM的PTA装置醋酸消耗的软测量方法,其特征在于,包括:
获得训练样本(X,Y),其中
根据归一化公式对所述训练样本进行归一化处理,所述归一化公式为:
其中,为X第j列的最大值,为X第j列的最小值,Ymax为Y的最大值,Ymin为Y的最小值;
根据预设的隐含层节点数S计算ELM隐含层的输出为:
其中,xi=[xi1 … xip],wj=[w1j … wpj]T,bj为第j个隐含层节点的阈值,g(·)为隐含层激活函数而且
对ELM隐含层的输出H进行PCA特征提取处理,将ELM隐含层的输出H降维处理之后获得
其中,Pi=[Pi1 … Pis]T,Ti=[ti1 … tin]T;
根据ELM算法利用Moore-Penrose广义逆获得隐含层与输出层之间的权重为
将PTA过程变量X′输入至训练形成的ELM网络模型,获得预测值y′;
将预测值y′进行反归一化处理,获得醋酸消耗的测量值为
Y′=y′×(ymax-ymin)+ymin (11)。
2.根据权利要求1所述的基于特征提取ELM的PTA装置醋酸消耗的软测量方法,其特征在于,所述对ELM隐含层的输出H进行PCA特征提取处理的步骤包括:
将ELM隐含层的输出H分解为
xi=[xi1 … xip]为负荷向量,wj=[w1j … wpj]T为得分向量,P=[P1 … Ps]为负荷矩阵,T=[T1 … Ts]为得分矩阵,其中
TiTj=0,PiPj=0,i≠j (5)
PiPj=1,i=j (6)
将公式(4)两边同时右乘Pi,再将公式(5)和公式(6)带入获得:
Ti=HPi或T=HP (7)
将ELM隐含层的输出H降维处理之后获得
3.根据权利要求1所述的基于特征提取ELM的PTA装置醋酸消耗的软测量方法,其特征在于,所述将PTA过程变量X′输入至训练形成的ELM网络模型,获得预测值y′的步骤包括:
根据公式(1)对PTA过程变量X′进行归一化处理获得x′;
将x′代入ELM网络模型,获得预测值y′。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810579184.XA CN108829964A (zh) | 2018-06-07 | 2018-06-07 | 基于特征提取elm的pta装置醋酸消耗的软测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810579184.XA CN108829964A (zh) | 2018-06-07 | 2018-06-07 | 基于特征提取elm的pta装置醋酸消耗的软测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108829964A true CN108829964A (zh) | 2018-11-16 |
Family
ID=64144247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810579184.XA Pending CN108829964A (zh) | 2018-06-07 | 2018-06-07 | 基于特征提取elm的pta装置醋酸消耗的软测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108829964A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632032A (zh) * | 2013-10-23 | 2014-03-12 | 华南理工大学 | 一种城市污水处理过程出水指标在线软测量预测方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN106326677A (zh) * | 2016-09-12 | 2017-01-11 | 北京化工大学 | 一种pta装置醋酸消耗的软测量方法 |
-
2018
- 2018-06-07 CN CN201810579184.XA patent/CN108829964A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632032A (zh) * | 2013-10-23 | 2014-03-12 | 华南理工大学 | 一种城市污水处理过程出水指标在线软测量预测方法 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN106326677A (zh) * | 2016-09-12 | 2017-01-11 | 北京化工大学 | 一种pta装置醋酸消耗的软测量方法 |
Non-Patent Citations (2)
Title |
---|
汤斌: "紫外-可见光谱水质检测多参数测量系统的关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 * |
贺彦林 等: "基于主成分分析-改进的极限学习机方法的精对苯二甲酸醋酸含量软测量", 《控制理论与应用》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huo et al. | Performance prediction of proton-exchange membrane fuel cell based on convolutional neural network and random forest feature selection | |
Geng et al. | Energy saving and prediction modeling of petrochemical industries: A novel ELM based on FAHP | |
CN111651931B (zh) | 基于深度神经网络的高炉故障诊断规则导出方法 | |
Zhang et al. | A novel robust ensemble model integrated extreme learning machine with multi-activation functions for energy modeling and analysis: Application to petrochemical industry | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
Tian et al. | Identification of abnormal conditions in high-dimensional chemical process based on feature selection and deep learning | |
CN109634108A (zh) | 参数自整定的mimo异因子全格式无模型控制方法 | |
Deng et al. | Sparse stacked autoencoder network for complex system monitoring with industrial applications | |
WO2023216150A1 (zh) | 一种燃料电池的热管理方法 | |
CN111079857B (zh) | 一种基于过完备宽度学习模型的污水处理过程故障监测方法 | |
Fu et al. | An extreme gradient boosting-based thermal management strategy for proton exchange membrane fuel cell stacks | |
CN110221540A (zh) | 基于Hammerstein模型的连续搅拌反应器系统控制方法 | |
Mu et al. | Catalyst optimization design based on artificial neural network | |
CN108829964A (zh) | 基于特征提取elm的pta装置醋酸消耗的软测量方法 | |
CN109034366B (zh) | 基于多激活函数的elm集成模型在化工建模中的应用 | |
CN106326677A (zh) | 一种pta装置醋酸消耗的软测量方法 | |
CN111143968A (zh) | 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法 | |
CN114137829B (zh) | 基于almbo优化算法的质子交换膜燃料电池子空间辨识方法 | |
CN113111588B (zh) | 一种燃气轮机nox排放浓度预测方法及装置 | |
CN115206448A (zh) | 一种基于ann模型的化学反应动力学计算方法 | |
CN106444389A (zh) | 一种废塑料裂解温度系统的模糊rbf网络优化pi控制方法 | |
高学金 et al. | An optimal control strategy combining SVM with RGA for improving fermentation titer | |
CN205480922U (zh) | 一种基于s-400plc的锅炉温度自动控制系统 | |
Bai et al. | Manufacturing quality prediction based on two-step feature learning approach | |
CN106447065A (zh) | 碳纤维原丝生产过程中凝固浴环节性能指标的预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181116 |