CN110619176A - 一种基于dbn-rlssvm的航煤闪点预测方法 - Google Patents

Abstract

本发明涉及一种基于DBN‑RLSSVM的航煤闪点预测方法，包括以下步骤：步骤S1:采集航煤闪点的测量数据，并进行预处理得到训练样本；步骤S2：对训练样本进行DBN特征提取，得到训练样本的特征向量；步骤S3:构建RLSSVM模型；步骤S4:采用GWO算法优化参数摆动因子C和核参数σ,得到DBN‑RLSSVM软测量预测模型；步骤S5:将待测分馏装置的历史航煤闪点测量数据经过预处理和DBN特征提取后，输入DBN‑RLSSVM软测量预测模型，得到预测航煤闪点数据。本发明采用DBN网络，通过逐层特征变换和抽取，能够提取更深刻的特征信息，克服了PCA和PLS无法提取非线性特征信息的不足，从而使得DBN‑RLSSVM模型具有较高的预测精度，能够满足航煤闪点的软测量要求。

Description

一种基于DBN-RLSSVM的航煤闪点预测方法

技术领域

本发明涉及一种基于DBN-RLSSVM的航煤闪点预测方法。

背景技术

常压分馏塔是炼油企业生产煤油、柴油、汽油等的主要装置之一。航空煤油闪点是分馏塔塔顶产品的两个重要的规格分析指标，及时、准确地获取航煤闪点的测量值是进行分馏装置质量控制的关键[1]。然而，由于受到检测技术和工艺条件的限制，在实际生产中航煤闪点无法做到在线实时测量，只能通过定时抽取样本进行离线化验分析获得，存在较大的测量滞后，难以满足实时控制的要求。因此，采用软测量方法对航空煤油闪点进行预测和估计具有重要的意义。

由于分馏过程存在机理复杂，高度非线性、强耦合、大时滞等特点，传统的建模方法往往不能获得理想的效果。

发明内容

有鉴于此，本发明的目的在于提供一种基于DBN-RLSSVM的航煤闪点预测方法，解决常压分馏装置塔顶产品中航煤闪点不能在线测量的问题，提高模型训练速度，具有较高预测精度和泛化能力。

为实现上述目的，本发明采用如下技术方案：

一种基于DBN-RLSSVM的航煤闪点预测方法，包括以下步骤：

步骤S1:采集航煤闪点的测量数据，并进行预处理得到训练样本；

步骤S2：对训练样本进行DBN特征提取，得到训练样本的特征向量；

步骤S3:构建RLSSVM模型；

步骤S4:采用GWO算法优化参数摆动因子C和核参数σ,得到DBN-RLSSVM软测量预测模型；

步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后，输入DBN-RLSSVM软测量预测模型，得到预测航煤闪点数据。

进一步的，所述DBN特征提取包括预训练和微调两个阶段：

1)预训练阶段，采用逐层无监督的方法来学习网络参数；

2)微调阶段，在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量，采用梯度下降算法对整个网络权重进行微调。

进一步的，所述GWO算法具体为：

假定待求解优化问题的维数为D，算法的种群规模为N_P，第i只灰狼的位置表示为：

X_i＝(X_i1,X_i2,,…,X_iD)

在种群中适应度值最大的个体记为α，适应度值排列第2和3的个体分别记为β和δ，其余个体记为ω；在捕食过程中，狼群在α，β和δ狼的引导下，向食物位置即全局最优解逼近，引导模型如下：

D_p＝C·X_p(t)-X(t) (1)

式中：D_p为灰狼和猎物之间的距离；X(t)为第t代灰狼个体的位置；X_p(t)为第t代猎物的位置；A为收敛因子，C为摆动因子，由式(3)和(4)确定：

C＝2r₁ (3)

A＝2ar₂-a (4)

a＝2(1-t/T_max) (5)

式中：r₁r₂为[0,1]之间的随机数；T_max为最大迭代次数；a为控制参数，取值随着算法迭代次数增加而线性递减，灰狼群体通过速度变化和位置更新策略，并借助A和C的随机变化，保障灰狼在全局范围内能够搜索到最优解。

进一步的，所述步骤S1数据预处理具体包括：

(1)数据异常值剔除；

数据异常值剔除主要采用拉伊达准则(3σ准则)，即求出一组测量值的均值μ和标准差σ，剔除绝对值大于|μ+3σ|的测量值。

(2)数据归一化；

求出一组数据X_i(i＝1,2,…,n)中的最大值X_max和最小值X_min，则归一化的数据等于：

进一步的，所述步骤S3具体为：

给定训练集合{(x_i,y_i)|i＝1,2,…,N}，其中，x_i∈R^d为d维训练样本输入，y_i∈R为训练样本输出，则输入与输出之间的关系可表示为：

式中，ω是权系数向量，是输入空间到高维空间的映射，b是阈值；

所求取的f(·)需满足风险要求

R_f＝R_emp+R_reg (8)

式中，R_f为实际风险；R_emp为经验风险，表示偏离样本的程度；R_reg为置信范围，表示模型复杂程度；其中经验风险R_emp由损失函数确定，损失函数采用如下：

式中，f(x_i)为函数的输出值，y_i为对应的训练样本值，ε为不敏感度；该损失函数分为3个区域，当偏差|f(x_i)-y_i|≤ε时，则损失为0，使学习机具有稀疏性；当偏差时，采用高斯损失函数，可以抑制符合高斯分布的观测噪音；当偏差ε≤|f(x_i)-y_i|≤ε+μ时，加大惩罚力度，可以较好地抑制幅值较大的噪音和异常点；

采用式(8)的损失函数，引入松弛变量ξ_i,ξ_i ^*，并把b²项加到调整项R_reg中，根据结构风险最小化原则，将式(9)

系统辨识问题表示为：

式中，C是正则化参数，用于平衡模型复杂度与训练误差；I₁表示松弛变量在区间的样本集合，I₂表示松弛变量在区间的样本集合；

根据KKT条件，并引入核函数：

则上述优化问题变为：

式中，为拉格朗日乘子，最后可得决策函数为：

本发明与现有技术相比具有以下有益效果：

本发明采用DBN网络，通过逐层特征变换和抽取，能够提取更深刻的特征信息，克服了PCA和PLS无法提取非线性特征信息的不足，从而使得DBN-RLSSVM模型具有较高的预测精度，能够满足航煤闪点的软测量要求。

附图说明

图1是本发明方法流程图；

图2是本发明一实施例中RBM和DBN网络结构图；

图3是本发明一实施例中DBN特征提取过程。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本发明提供一种基于DBN-RLSSVM的航煤闪点预测方法，包括以下步骤：

步骤S1:采集航煤闪点的测量数据，并进行预处理得到训练样本,具体包括：

(1)数据异常值剔除；

数据异常值剔除主要采用拉伊达准则(3σ准则)，即求出一组测量值的均值μ和标准差σ，剔除绝对值大于|μ+3σ|的测量值。

(2)数据归一化；

求出一组数据X_i(i＝1,2,…,n)中的最大值X_max和最小值X_min，则归一化的数据等于：

步骤S2：对训练样本进行DBN特征提取，得到训练样本的特征向量；

如图2和3所示，DBN网络的训练过程本质上就是DBN网络对输入数据实现的特征提取的过程，所述DBN特征提取包括预训练和微调两个阶段：

1)预训练阶段，采用逐层无监督的方法来学习网络参数；

2)微调阶段，在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量，采用梯度下降算法对整个网络权重进行微调，从而协调和优化整体深度信念网络的参数。使得DBN的特征向量映射达到最优。

步骤S3:构建RLSSVM模型；

给定训练集合{(x_i,y_i)|i＝1,2,…,N}，其中，x_i∈R^d为d维训练样本输入，y_i∈R为训练样本输出，则输入与输出之间的关系可表示为：

式中，ω是权系数向量，是输入空间到高维空间的映射，b是阈值；

所求取的f(·)需满足风险要求

R_f＝R_emp+R_reg (8)

式中，R_f为实际风险；R_emp为经验风险，表示偏离样本的程度；R_reg为置信范围，表示模型复杂程度；其中经验风险R_emp由损失函数确定，损失函数采用如下：

式中，f(x_i)为函数的输出值，y_i为对应的训练样本值，ε为不敏感度；该损失函数分为3个区域，当偏差|f(x_i)-y_i|≤ε时，则损失为0，使学习机具有稀疏性；当偏差时，采用高斯损失函数，可以抑制符合高斯分布的观测噪音；当偏差ε≤|f(x_i)-y_i|≤ε+μ时，加大惩罚力度，可以较好地抑制幅值较大的噪音和异常点；

采用式(8)的损失函数，引入松弛变量ξ_i,ξ_i ^*，并把b²项加到调整项R_reg中，根据结构风险最小化原则，将式(9)

系统辨识问题表示为：

式中，C是正则化参数，用于平衡模型复杂度与训练误差；I₁表示松弛变量在区间的样本集合，I₂表示松弛变量在区间的样本集合；

根据KKT条件，并引入核函数：

则上述优化问题变为：

式中，为拉格朗日乘子，最后可得决策函数为：

步骤S4:采用GWO算法优化参数摆动因子C和σ,得到DBN-RLSSVM软测量预测模型；

所述GWO算法具体为：

假定待求解优化问题的维数为D，算法的种群规模为N_P，第i只灰狼的位置表示为：

X_i＝(X_i1,X_i2,,...,X_iD)

在种群中适应度值最大的个体记为α，适应度值排列第2和3的个体分别记为β和δ，其余个体记为ω；在捕食过程中，狼群在α，β和δ狼的引导下，向食物位置即全局最优解逼近，引导模型如下：

D_p＝C·X_p(t)-X(t) (1)

式中：D_p为灰狼和猎物之间的距离；X(t)为第t代灰狼个体的位置；X_p(t)为第t代猎物的位置；A为收敛因子，C为摆动因子，由式(3)和(4)确定

C＝2r₁ (3)

A＝2ar₂-a (4)

a＝2(1-t/T_max) (5)

式中：r₁r₂为[0,1]之间的随机数；T_m閠x为最大迭代次数；a为控制参数，取值随着算法迭代次数增加而线性递减，灰狼群体通过速度变化和位置更新策略，并借助A和C的随机变化，保障灰狼在全局范围内能够搜索到最优解。

步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后，输入DBN-RLSSVM软测量预测模型，得到预测航煤闪点数据。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (5)

1.一种基于DBN-RLSSVM的航煤闪点预测方法，其特征在于，包括以下步骤：

步骤S1:采集航煤闪点的测量数据，并进行预处理得到训练样本；

步骤S2：对训练样本进行DBN特征提取，得到训练样本的特征向量；

步骤S3:构建RLSSVM模型；

步骤S4:采用GWO算法优化正则化参数C和核参数σ,得到DBN-RLSSVM软测量预测模型；

步骤S5:将待测分流装置的历史航煤闪点测量数据经过预处理和DBN特征提取后，输入DBN-RLSSVM软测量预测模型，得到预测航煤闪点数据。

2.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法，其特征在于：所述DBN特征提取包括预训练和微调两个阶段：

1)预训练阶段，采用逐层无监督的方法来学习网络参数；

2)微调阶段，在DBN的最后一层设置BP网络,接收RBM的输出特征向量作为它的输入特征向量，采用梯度下降算法对整个网络权重进行微调。

3.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法，其特征在于：所述GWO算法具体为：

假定待求解优化问题的维数为D，算法的种群规模为N_P，第i只灰狼的位置表示为：

X_i＝(X_i1,X_i2,,...,X_iD)

在种群中适应度值最大的个体记为α，适应度值排列第2和3的个体分别记为β和δ，其余个体记为ω；在捕食过程中，狼群在α，β和δ狼的引导下，向食物位置即全局最优解逼近，引导模型如下：

D_p＝C·X_p(t)-X(t) (1)

式中：D_p为灰狼和猎物之间的距离；X(t)为第t代灰狼个体的位置；X_p(t)为第t代猎物的位置；A为收敛因子，C为摆动因子，由式(3)和(4)确定：

C＝2r₁ (3)

A＝2ar₂-a (4)

a＝2(1-t/T_max) (5)

式中：r₁r₂为[0,1]之间的随机数；T_m萠x为最大迭代次数；a为控制参数，取值随着算法迭代次数增加而线性递减，灰狼群体通过速度变化和位置更新策略，并借助A和C的随机变化，保障灰狼在全局范围内能够搜索到最优解。

4.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法，其特征在于：所述数据预处理包括数据异常值剔除和数据归一化处理。

5.根据权利要求1所述的基于DBN-RLSSVM的航煤闪点预测方法，其特征在于，所述步骤S3具体为：

给定训练集合{(x_i,y_i)|i＝1,2,…,N}，其中，x_i∈R^d为d维训练样本输入，y_i∈R为训练样本输出，则输入与输出之间的关系可表示为：

式中，ω是权系数向量，是输入空间到高维空间的映射，b是阈值；

所求取的f(·)需满足风险要求

R_f＝R_emp+R_reg (8)

式中，R_f为实际风险；R_emp为经验风险，表示偏离样本的程度；R_reg为置信范围，表示模型复杂程度；其中经验风险R_emp由损失函数确定，损失函数采用如下：

式中，f(x_i)为函数的输出值，y_i为对应的训练样本值，ε为不敏感度；该损失函数分为3个区域，当偏差|f(x_i)-y_i|≤ε时，则损失为0，使学习机具有稀疏性；当偏差时，采用高斯损失函数，可以抑制符合高斯分布的观测噪音；当偏差ε≤|f(x_i)-y_i|≤ε+μ时，加大惩罚力度，可以较好地抑制幅值较大的噪音和异常点；

采用式(8)的损失函数，引入松弛变量ξ_i,ξ_i ^*，并把b²项加到调整项R_reg中，根据结构风险最小化原则，将式(9)

系统辨识问题表示为：

式中，C是正则化参数，用于平衡模型复杂度与训练误差；σ为核参数；I₁表示松弛变量在ζ_i＜μ区间的样本集合，I₂表示松弛变量在ζ_i≥μ区间的样本集合；

根据KKT条件，并引入核函数：

则上述优化问题变为：

式中，α_i,为拉格朗日乘子，最后可得决策函数为：