CN110222453A - 一种基于宽度学习系统的压缩机出口参数预测建模方法 - Google Patents

Abstract

一种基于宽度学习系统的压缩机出口参数预测建模方法，采集数据并对其进行预处理；利用宽度学习系统构建压缩机的出口参数预测模型，设定宽度学习系统的特征节点组数为n，每组k个特征节点，增强节点组数为m，每组q个增强节点，进行建模；在有新的训练数据输入模型时，利用增量学习算法对原有模型进行在线的更新，设新的训练数据的输入数据矩阵为X_a∈R^a*M，输出数据矩阵为Y_a∈R^a*C，其中，a表示新增加训练数据的个数，进行模型更新；利用均方根误差对所构建的模型进行验证。该方法能快速地建立大型压缩机性能预测模型，能有效地节省模型的开发时间与成本。

Description

一种基于宽度学习系统的压缩机出口参数预测建模方法

技术领域

本发明属于工业过程建模技术领域，具体涉及一种基于宽度学习系统的压缩机出口参数预测建模方法。

背景技术

压缩机因其运行效率高、应用范围广等优点而广泛应用于各工业部门，是许多复杂工业过程中的重要设备，其安全稳定的运行对整个系统至关重要。但是，在实际使用过程中存在性能难以准确预测和实际运行控制效果不理想等问题，并且消耗大量的能量和金钱。因此，压缩机的设计和控制应遵循节能和经济的原则。然而，一个准确的性能预测模型是压缩机设计和控制的基础。所以，建立一个准确的压缩机性能预测模型具有重要意义。

目前，已经有多种用于大型压缩机的性能预测建模方法，如机理建模方法，机理建模是建立在对过程的物理、化学机理分析基础之上，推导出变量之间的函数关系式，但该方法存在建模时间长、计算工作量大等问题，并不实用。随着人工智能越来越受到人们关注，其中的深度学习被广泛应用于工业建模。虽然深度学习有着强大的学习能力，但其复杂的结构导致涉及的参数比较复杂，导致要找到一个合适的模型需要很长的训练过程，大大降低了系统的效率，而且为了获得更好的学习效果，需要大量高性能计算机的支持，导致成本的大幅提升。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于宽度学习系统的压缩机出口参数预测建模方法，该方法能快速地建立大型压缩机性能预测模型，能有效地节省模型的开发时间与成本。

为了实现上述目的，本发明提供一种基于宽度学习系统的压缩机出口参数预测建模方法，包括以下步骤：

步骤1：采集数据并对其进行预处理，其步骤如下：

步骤1.1：采集大型工业多级离心压缩机运行数据，分为训练集和测试集，所述运行数据包括输入数据变量和输出数据变量，输入数据变量包括：入口压力，入口温度和入口流量，输出数据变量为输出压比，设训练集中的输入数据矩阵为X∈R^N*M，输出数据矩阵为Y∈R^N*C，其中：N为训练数据的样本个数；M和C分别对应输入数据和输出数据的变量个数；R为实数域；

步骤1.2：根据公式(1)中的转换函数对训练数据进行线性转换处理，将结果值映射到[-1,1]，其中转换函数为：

其中，代表转化后的数据；

X，Y代表待转换的数据；

X_min，Y_min代表待转换的数据中最小值；

X_max，Y_max代表待转换的数据中最大值；

步骤2：结合步骤1中的训练数据，利用宽度学习系统构建压缩机的出口参数预测模型，设定宽度学习系统的特征节点组数为n，每组k个特征节点，增强节点组数为m，每组q个增强节点，通过以下步骤进行建模：

步骤2.1：根据公式(2)得到增强节点矩阵Zⁿ：

Zⁿ≡[Z₁,...,Z_n] (2)；

其中，第i组特征节点

其中，i＝1,...,n；X₀表示所组成的输入数据矩阵；和分别表示特征节点组权值矩阵和偏置矩阵，由系统随机产生；

步骤2.2：根据公式(3)得到增强节点矩阵H^m；

H^m≡[H₁,...,H_m] (3)；

其中，第j组增强节点

其中，j＝1,...,m；和分别表示增强节点组权值矩阵和偏置矩阵，由系统随机产生；ξ(·)表示激活函数，是增强节点上的非线性函数，负责将增强节点的输入映射到输出端，采用sigmod函数作为激活函数，其表达式为：

步骤2.3：根据公式(5)计算系统的扩展输入矩阵A_m：

A_m＝[Zⁿ|H^m] (5)；

步骤2.4：根据公式(6)利用岭回归算法计算连接权重矩阵W^m：

其中，Y₀表示所组成的输出数据矩阵；I表示单位矩阵；λ表示正则化参数；上标‘T’表示矩阵的转置；

步骤2.5：根据公式(7)计算模型输出预测数据y_预测：

y_预测＝[Z_new|H^m]*W^m (7)；

其中，X_new表示新的输入数据；

步骤3：在有新的训练数据输入模型时，利用增量学习算法对原有模型进行在线的更新，设新的训练数据的输入数据矩阵为X_a∈R^a*M，输出数据矩阵为Y_a∈R^a*C，其中，a表示新增加训练数据的个数，通过以下步骤进行模型更新：

步骤3.1：利用公式(1)对新训练数据进行线性转换处理，得到处理后的输入数据矩阵X_a0和输出数据矩阵Y_a0；

步骤3.2：利用公式(8)计算新增训练数据对应的扩展输入矩阵A_x：

其中，其中，和均由系统随机产生；

步骤3.3：利用公式(9)计算新的扩展输入矩阵

步骤3.4：利用公式(10)计算的伪逆矩阵

其中，

步骤3.5：利用公式(11)计算新的连接权重矩阵

步骤3.6：利用公式(12)计算更新后的模型输出预测：

步骤4：结合步骤1中的测试集，利用公式(13)对所构建的模型进行验证：

其中，N表示测试数据的数量，y_i表示第i个测试数据模型输出的预测值，Y_i表示第i个测试数据的真实输出。

本方法首先采集多组大型工业多级离心压缩机实际运行数据，构成训练数据，并对其进行线性转换处理；接头由输入数据矩阵和增强节点矩阵求解扩展输入矩阵，再利用岭回归算法求解连接权重矩阵；最后计算出口参数预测值，构建压缩机的出口参数预测模型，当有新的训练数据输入时，计算新的对应扩展输入矩阵和连接权重矩阵，利用增量学习算法进行模型的在线重构。本方法相比传统的建模方法，提高了建模效率，重构代价小，大大降低了建模成本。

附图说明

图1为宽度学习系统模型对测试数据集的拟合效果图；

图2为随着训练数据的增加，宽度学习系统模型的测试均方根误差变化趋势图。

具体实施方式

下面结合实施例和附图对本发明作进一步说明。

实施例：

一种基于宽度学习系统的压缩机出口参数预测建模方法，利用训练集数据建立压缩机性能预测模型，在有新的训练数据输入模型时，原有模型利用增量学习算法进行网络结构的拓展，实现模型的在线更新，其具体包括以下步骤：

步骤1：采集数据并对其进行预处理，其步骤如下：

步骤1.1：采集510组大型工业多级离心压缩机运行数据(此数据来采自于某钢厂实际运行机组)，分为训练集和测试集，所述运行数据包括输入数据变量和输出数据变量，输入数据变量包括：入口压力，入口温度和入口流量，输出数据变量为输出压比，选择其中的400组数据作为训练集，110组数据作为测试集。设训练集中的输入数据矩阵为X∈R^N*M，输出数据矩阵为Y∈R^N*C，其中：N为训练数据的样本个数，N＝400；M和C分别对应输入数据和输出数据的变量个数，M＝3，C＝1；R为实数域；

步骤1.2：根据公式(1)中的转换函数对训练数据进行线性转换处理，将结果值映射到[-1,1]，其中转换函数为：

其中，代表转化后的数据；

X，Y代表待转换的数据；

X_min，Y_min代表待转换的数据中最小值；

X_max，Y_max代表待转换的数据中最大值；

步骤2：结合步骤1中的训练数据，利用宽度学习系统构建压缩机的出口参数预测模型，设定宽度学习系统的特征节点组数为n，每组k个特征节点，增强节点组数为m，每组q个增强节点，通过以下步骤进行建模：

步骤2.1：根据公式(2)得到增强节点矩阵Zⁿ：

Zⁿ≡[Z₁,...,Z_n] (2)；

其中，第i组特征节点

其中，i＝1,...,n；X₀表示所组成的输入数据矩阵；和分别表示特征节点组权值矩阵和偏置矩阵，由系统随机产生；

步骤2.2：根据公式(3)得到增强节点矩阵H^m；

H^m≡[H₁,...,H_m] (3)；

其中，第j组增强节点

其中，j＝1,...,m；和分别表示增强节点组权值矩阵和偏置矩阵，由系统随机产生；ξ(·)表示激活函数，是增强节点上的非线性函数，负责将增强节点的输入映射到输出端，采用sigmod函数作为激活函数，其表达式为：

步骤2.3：根据公式(5)计算系统的扩展输入矩阵A_m：

A_m＝[Zⁿ|H^m] (5)；

步骤2.4：根据公式(6)利用岭回归算法计算连接权重矩阵W^m：

其中，Y₀表示所组成的输出数据矩阵；I表示单位矩阵；λ表示正则化参数；上标‘T’表示矩阵的转置；

步骤2.5：根据公式(7)计算模型输出预测数据y_预测：

y_预测＝[Z_new|H^m]*W^m (7)；

其中，X_new表示新的输入数据；

步骤3：在有新的训练数据输入模型时，利用增量学习算法对原有模型进行在线的更新，设新的训练数据的输入数据矩阵为X_a∈R^a*M，输出数据矩阵为Y_a∈R^a*C，其中，a表示新增加训练数据的个数，a＝30，过以下步骤进行模型更新：

步骤3.1：利用公式(1)对新训练数据进行线性转换处理，得到处理后的输入数据矩阵X_a0和输出数据矩阵Y_a0；

步骤3.2：利用公式(8)计算新增训练数据对应的扩展输入矩阵A_x：

其中，其中，和均由系统随机产生；

步骤3.3：利用公式(9)计算新的扩展输入矩阵

步骤3.4：利用公式(10)计算的伪逆矩阵

其中，

步骤3.5：利用公式(11)计算新的连接权重矩阵

步骤3.6：利用公式(12)计算更新后的模型输出预测：

步骤4：结合步骤1中的测试集，利用公式(13)(方根误差)所构建的模型进行验证：

其中，N表示测试数据的数量，y_i表示第i个测试数据模型输出的预测值，Y_i表示第i个测试数据的真实输出。

在上述实施例中，验证结果如下：图1为宽度学习系统模型对测试数据集的拟合效果图，将模型的预测输出与压缩机的实际出口参数(压比)进行比较，由图1可以看出，所建立的模型能够反映压缩机出口参数的趋势，预测结果与实际输出的拟合程度较高，其RMSE为0.0214，能满足实际生产需要。图2为随着训练数据的增加，宽度学习系统模型的测试均方根误差变化趋势图，初始训练数据为100组，每次添加30组训练数据，按照上述步骤更新原有模型，直到所有的400组训练数据添加完毕，停止模型更新，利用测试集对每次更新后的模型进行验证，下表1列出了每次更新后模型的RMSE。由图2可以看出，随着训练数据的增加，其RMSE逐渐减小，说明增加训练数据的增量学习算法是有效的，实现了模型的在线更新。

训练样本数量	RMSE
		100	0.5705
130	0.0852
		160	0.0662
190	0.0654
		220	0.0651
250	0.0503
		280	0.0510
310	0.0487
		340	0.0452
370	0.0343
		400	0.0331

表1

Claims (1)

1.一种基于宽度学习系统的压缩机出口参数预测建模方法，其特征在于，包括以下步骤：

步骤1：采集数据并对其进行预处理，其步骤如下：

步骤1.1：采集大型工业多级离心压缩机运行数据，分为训练集和测试集，所述运行数据包括输入数据变量和输出数据变量，输入数据变量包括：入口压力，入口温度和入口流量，输出数据变量为输出压比，设训练集中的输入数据矩阵为X∈R^N*M，输出数据矩阵为Y∈R^N*C，其中：N为训练数据的样本个数；M和C分别对应输入数据和输出数据的变量个数；R为实数域；

步骤1.2：根据公式(1)中的转换函数对训练数据进行线性转换处理，将结果值映射到[-1,1]，其中转换函数为：

其中，代表转化后的数据；

X，Y代表待转换的数据；

X_min，Y_min代表待转换的数据中最小值；

X_max，Y_max代表待转换的数据中最大值；

步骤2：结合步骤1中的训练数据，利用宽度学习系统构建压缩机的出口参数预测模型，设定宽度学习系统的特征节点组数为n，每组k个特征节点，增强节点组数为m，每组q个增强节点，通过以下步骤进行建模：

步骤2.1：根据公式(2)得到增强节点矩阵Zⁿ：

Zⁿ≡[Z₁,...,Z_n] (2)；

其中，第i组特征节点

其中，i＝1,...,n；X₀表示所组成的输入数据矩阵；和分别表示特征节点组权值矩阵和偏置矩阵，由系统随机产生；

步骤2.2：根据公式(3)得到增强节点矩阵H^m；

H^m≡[H₁,...,H_m] (3)；

其中，第j组增强节点

其中，j＝1,...,m；和分别表示增强节点组权值矩阵和偏置矩阵，由系统随机产生；ξ(·)表示激活函数，是增强节点上的非线性函数，负责将增强节点的输入映射到输出端，采用sigmod函数作为激活函数，其表达式为：

步骤2.3：根据公式(5)计算系统的扩展输入矩阵A_m：

A_m＝[Zⁿ|H^m] (5)；

步骤2.4：根据公式(6)利用岭回归算法计算连接权重矩阵W^m：

其中，Y₀表示所组成的输出数据矩阵；I表示单位矩阵；λ表示正则化参数；上标‘T’表示矩阵的转置；

步骤2.5：根据公式(7)计算模型输出预测数据y_预测：

y_预测＝[Z_new|H^m]*W^m (7)；

其中，X_new表示新的输入数据；

步骤3：在有新的训练数据输入模型时，利用增量学习算法对原有模型进行在线的更新，设新的训练数据的输入数据矩阵为X_a∈R^a*M，输出数据矩阵为Y_a∈R^a*C，其中，a表示新增加训练数据的个数，通过以下步骤进行模型更新：

步骤3.1：利用公式(1)对新训练数据进行线性转换处理，得到处理后的输入数据矩阵X_a0和输出数据矩阵Y_a0；

步骤3.2：利用公式(8)计算新增训练数据对应的扩展输入矩阵A_x：

其中，其中，和均由系统随机产生；

步骤3.3：利用公式(9)计算新的扩展输入矩阵

步骤3.4：利用公式(10)计算的伪逆矩阵

其中，

步骤3.5：利用公式(11)计算新的连接权重矩阵

步骤3.6：利用公式(12)计算更新后的模型输出预测：

步骤4：结合步骤1中的测试集，利用公式(13)对所构建的模型进行验证：

其中，N表示测试数据的数量，y_i表示第i个测试数据模型输出的预测值，Y_i表示第i个测试数据的真实输出。