CN109034366B - 基于多激活函数的elm集成模型在化工建模中的应用 - Google Patents

Abstract

本发明公开了一种基于多激活函数的ELM集成模型在化工建模中的应用，首先获得生产数据，进行数据预处理，随机生成五组输入权值，选择五个不同的激活函数，获得隐含层与输出层之间的权重，对PTA过程醋酸消耗进行建模，根据ELM集成模型获得醋酸消耗的测量值。本发明提供的技术方案能够清除故障数据，消除量纲对构建模型造成的影响，从而能够实现更高的精度，具有更好的鲁棒性。因此，本发明提供的技术方案具有稳定的网络结构，优越的泛化性能和较好的稳定性，应用范围广泛，从而指导PTA过程的生产状况，减少醋酸消耗，提高生产效益。

Description

基于多激活函数的ELM集成模型在化工建模中的应用

技术领域

本发明涉及精对苯二甲酸的技术领域，尤其涉及一种基于多激活函数的ELM集成模型在化工建模中的应用。

背景技术

在化工产业中，建立监控对象的精准数学模型对生产计划和指导起着至关重要的作用。建立对象的数学模型，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，提高工业效率、稳定性和安全性。目前有三种广泛应用的建模方法：机理建模、数据驱动建模以及两者结合的混合模型。其中，机理建模需要充分可靠的先验知识和大量的实践经验。然而，现代工业过程的复杂性往往越来越大，这增加了获得先验知识和实践经验的难度。因此，机理建模的开发非常昂贵，甚至是不可行的。数据驱动建模是另一种选择，基于历史样本数据拟合输入数据和输出数据之间的映射关系，相对机理建模更加简单高效。数据驱动建模已经获得工程师和研究人员的持续关注。目前已有各种数据驱动的建模方法，例如支持向量回归模型、小波分析模型、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、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，人工神经网络已被广泛而成功地应用于石化产业建模之中。

在建立基于神经网络的模型时，通常选择精确度和稳定性作为判断模型性能的两个主要标准。虽然人工神经网络在拟合复杂的非线性函数方面具有强大的能力，但它仍然是不稳定的技术。权值设定不同或者训练数据集中的一些微小变动都将导致输出结果的明显变化。许多仿真实验已经证明，单个神经网络模型的准确性和泛化性能并不唯一，这表明神经网络的输出不稳定，即鲁棒性不好。网络结构和节点数的设置在人工神经网络性能方面起着重要作用。具有不同数量的隐含层和节点数的人工神经网络泛化效果不同。随着现代化工产业的复杂性迅速增加，需要收集的过程数据变得更加复杂。在处理复杂的过程数据时，即使是最强大的人工神经网络模型仍然无法达到预期的性能。因此，许多研究人员一直在研究如何通过正则化、集成等多种技术来提高神经网络的泛化能力和稳定性。其中，神经网络集成方法非常有效。

现有的神经网络集成模型大多是基于BP(Back Propagation)神经网络模型。然而，BP神经网络基于误差梯度下降的算法进行权值调整和学习，在误差反传中许多参数，例如隐含层节点、学习速率、训练次数以及停止条件都很难确定，很大程度上依赖工程经验，参数选取方法的推广性不足。任意不合理的参数都会影响网络的性能，网络学习过程慢，容易陷入局部最优解。

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多激活函数的ELM集成模型在化工建模中的应用，包括：

获得训练样本(X，Y)；

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

Y_max和Y_min分别是输出模式向量Y的最小值和最大值；

随机生成五组输入权重W¹、W²、W³、W⁴、W⁵为：

其中，A、B、C、D、E分别为五个ELM隐含层节点数；

根据五个ELM模型分别获得对应的五个隐含层节点输入为：

根据五个ELM模型分别获得对应的五个激活函数；

根据五个激活函数获得ELM模型隐含层的输出为：

其中，

分别为五个ELM模型的阈值，

a＝1，2，...，A；b＝1，2，...，B；c＝1，2，...，C；d＝1，2，...，D；e＝1，2，...，E；

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：

β¹＝(H¹)⁺Y (13)

β²＝(H²)⁺Y (14)

β³＝(H³)⁺Y (15)

β⁴＝(H⁴)⁺Y (16)

β⁵＝(H⁵)⁺Y (19)

其中，H⁺为H的Moore-Penrose广义逆矩阵，Y为实际输出；

根据训练形成的ELM网络模型获得ELM网络模型的输出为：

将

进行反归一化处理，获得醋酸消耗的测量值。

可选的，五个所述激活函数分别为：

本发明具有下述有益效果：

本发明提供的基于多激活函数的ELM集成模型在化工建模中的应用，首先获得生产数据，进行数据预处理，随机生成五组输入权值，选择五个不同的激活函数，获得隐含层与输出层之间的权重，对PTA过程醋酸消耗进行建模，根据ELM集成模型获得醋酸消耗的测量值。本发明提供的技术方案能够清除故障数据，消除量纲对构建模型造成的影响，从而能够实现更高的精度，具有更好的鲁棒性。因此，本发明提供的技术方案具有稳定的网络结构，优越的泛化性能和较好的稳定性，应用范围广泛，从而指导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为本发明实施例一提供的PTA反应流程图。

图2为本发明实施例一提供的模型结构示意图。

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泛化过程预测分布示意图。

图5为本发明实施例一提供的模型误差示意图。

其中，附图标记为：1、醋酸-水混合液；2、共沸蒸馏塔；3、空气冷却；4、水冷却；5、水回流；6、水流；7、乙酸；8、新鲜醋酸正丁酯供应；9、来自醋酸正丁酯回收塔；10、回流槽；11、流向醋酸正丁酯回收塔。

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多激活函数的ELM集成模型在化工建模中的应用进行详细描述。

实施例一

神经网络集成方法是指有限个神经网络(也称子网)对同一个问题进行学习，集成系统在某输入的输出由构成集成的各个子网在该示例下的输出共同决定。神经网络集成通过训练多个神经网络并将其组合来提高神经网络系统的泛化能力和模型的鲁棒性，可以实现个体神经网络的差异互补。由于该方法易于使用而且效果明显，即使是缺乏计算经验的普通工程技术人员也可以从中受益，因此它被视为一种非常有效的工程化神经计算方法。到目前为止，大多数网络集成方法都是线性组合，采用线性组合的主要原因在于它可以防止单个网络的故障而且最小化不确定的误差。

本实施例采用一种名为极限学习机(Extreme Learning Machine,ELM)的高效神经网络模型。ELM是一种单隐含层神经网络，相对于其他神经网络，ELM不需要调整众多参数。ELM可以随机生成一些参数，例如输入权值和隐含层节点阈值，并通过计算隐含层输出的Moore-Penrose广义逆来获得输出权值。此外，任何连续或者不连续的激活函数都可以作为ELM的激活函数，ELM学习算法大大提高了神经网络学习速度和泛化性能。因此，ELM由于结构简单、开放性参数少、训练速度快而备受青睐。

为了验证本实施例的有效性，本实施例以一个石化工厂的PTA工业中的溶剂脱水塔生产装置作为实际应用对象进行ELM集成神经网络建模，目的是减少装置运行过程中塔顶的醋酸消耗和提高PTA生产效益。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为本发明实施例一提供的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从而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。本实施例提供的实验结果表明，与其他五个单独的ELM模型相比，本实施例提供的基于多激活函数的极限学习机集成模型不仅可以实现更高的精度，而且具有更好的鲁棒性。

为了解决目前化工过程建模复杂的问题，本实施例提供了一种基于多激活函数的极限学习机集成模型，指导PTA过程的生产状况，减少醋酸消耗，提高生产效益。图2为本发明实施例一提供的模型结构示意图，图3为本发明实施例一提供的工作流程图。如图2-3所示，本实施例提供的技术方案包括：获得数据而且进行数据预处理、随机生成五组输入权值、选择五个不同的激活函数、求取隐含层与输出层之间的权重、对PTA过程醋酸消耗进行建模。

本实施例获得数据而且进行数据预处理，具体为：对现场采集的PTA数据之中存在的缺失数据、异常数据和噪声数据进行处理，最终得到I个样本{(X_i，Y_i)|i＝1，2，...，I}；

其中，X_i＝[x_i1，x_i2，...，x_in]∈Rⁿ，X_i代表第i个输入样本；x_in代表第i个输入样本X_i的第n个元素，n个元素分别对应PTA生产之中进料醋酸含量、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、回流罐液位以及溶剂脱水塔的操作压力；Y_i∈R代表输出向量-溶剂脱水塔塔顶电导率。本实施例的输入输出变量如表1所示：

表1输入输出变量表

本实施例随机生成五组输入权值，具体为：随机生成五组输入权重W¹、W²、W³、W⁴、W⁵，这五组输入权重W¹、W²、W³、W⁴、W⁵为：

其中，A、B、C、D、E分别为五个ELM隐含层节点数。

本实施例为五个单个ELM模型选择五个不同的激活函数，这五个所述激活函数分别为：

本实施例获得隐含层与输出层之间的权重：利用Moore-Penrose广义逆得到隐含层与输出层之间的权重。

本实施例对PTA过程醋酸消耗进行建模：得到训练好的网络模型，输入参数可以得到网络预测值，从而可以获得醋酸消耗的测量值。

本实施例提供的基于多激活函数的ELM集成模型不同于传统ELM模型，本实施例将五个具有不同非线性激活函数的单个ELM模型组合起来形成集成模型，可以提高模型精度和稳定性。对于单个ELM模型，输入层到隐含层权值的随机性导致的误差波动，导致神经网络每次训练结果都不同，模型鲁棒性很差。为了解决这个问题，本实施例训练形成多个ELM，再将这些ELM组合起来提高神经网络系统的泛化能力和模型的鲁棒性，从而实现个体神经网络的差异互补。同时，本实施例使用多个不同的非线性激活函数可以处理石化产业数据的高度非线性，因此实施例可以提高ELM模型精度和稳定性方面的性能。本实施例易于使用而且效果明显，具有优越的泛化性能和较好的稳定性，可以广泛应用于化工生产建模之中。

本实施例提供一种基于多激活函数的ELM集成预测模型，用于预测PTA工业生产中的醋酸消耗，通过对多个ELM组合形成的集成模型，可以提高网络模型的泛化能力和鲁棒性。本实施例可以精准预测PTA生产过程中的醋酸消耗，从而提高PTA装置的生产效率。

下面对本实施例提供的技术方案进行具体描述：

本实施例获得训练样本(X，Y)，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

Y_max和Y_min分别是输出模式向量Y的最小值和最大值。

本实施例随机生成五组输入权重W¹、W²、W³、W⁴、W⁵为：

其中，A、B、C、D、E分别为五个ELM隐含层节点数。

本实施例根据五个ELM模型分别获得对应的五个隐含层节点输入为：

根据五个ELM模型分别获得对应的五个激活函数：

根据五个激活函数获得ELM模型隐含层的输出为：

其中，

分别为五个ELM模型的阈值，

a＝1，2，...，A；b＝1，2，...，B；c＝1，2，...，C；d＝1，2，...，D；e＝1，2，...，E。

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：

β¹＝(H¹)⁺Y (13)

β²＝(H²)⁺Y (14)

β³＝(H³)⁺Y (15)

β⁴＝(H⁴)⁺Y (16)

β⁵＝(H⁵)⁺Y (19)

其中，H⁺为H的Moore-Penrose广义逆矩阵，Y为实际输出。

本实施例根据训练形成的ELM网络模型获得ELM网络模型的输出为：

本实施例将

进行反归一化处理，获得醋酸消耗的测量值。

图4为本发明实施例一提供的泛化过程预测分布示意图，图5为本发明实施例一提供的模型误差示意图。如图4-5所示，本实施例提供的PTA案例研究表明，由于五个ELM的输出结果在每次训练中是不同的，因此单个ELM模型是不稳定的。通过表2的模拟结果可知，ELM集成模型的平均相对误差、平均均方根误差和标准偏差均小于其他五个模型，表明本实施例提出的集成方法更精确，更稳定。

表2各种ELM模型的模拟结果

本实施例提供的基于多激活函数的ELM集成模型在化工建模中的应用，首先获得生产数据，进行数据预处理，随机生成五组输入权值，选择五个不同的激活函数，获得隐含层与输出层之间的权重，对PTA过程醋酸消耗进行建模，根据ELM集成模型获得醋酸消耗的测量值。本实施例提供的技术方案能够清除故障数据，消除量纲对构建模型造成的影响，从而能够实现更高的精度，具有更好的鲁棒性。因此，本实施例提供的技术方案具有稳定的网络结构，优越的泛化性能和较好的稳定性，应用范围广泛，从而指导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 (2)

1.一种基于多激活函数的ELM集成模型在化工建模中的应用，其特征在于，包括：

获得训练样本(X，Y)；

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

Y_max和Y_min分别是输出模式向量Y的最大值和最小值；

随机生成五组输入权重W¹、W²、W³、W⁴、W⁵为：

其中，A、B、C、D、E分别为五个ELM隐含层节点数；

根据五个ELM模型分别获得对应的五个隐含层节点输入为：

根据五个ELM模型分别获得对应的五个激活函数；

根据五个激活函数获得ELM模型隐含层的输出为：

其中，

分别为五个ELM模型的阈值，

a＝1，2，...，A；b＝1，2，...，B；c＝1，2，...，C；d＝1，2，...，D；e＝1，2，...，E；

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：

β¹＝(H¹)⁺Y (13)

β²＝(H²)⁺Y (14)

β³＝(H³)⁺Y (15)

β⁴＝(H⁴)⁺Y (16)

β⁵＝(H⁵)⁺Y (19)

其中，H⁺为H的Moore-Penrose广义逆矩阵，Y为实际输出；

根据训练形成的ELM网络模型获得ELM网络模型的输出为：

将

进行反归一化处理，获得醋酸消耗的测量值。

2.根据权利要求1所述的基于多激活函数的ELM集成模型在化工建模中的应用，其特征在于，五个所述激活函数分别为：

sin(x)、cos(x)、tanh(x)、

Images