CN110991121B - 基于cdbn-svr的空气预热器转子变形软测量方法 - Google Patents

Abstract

基于CDBN‑SVR的空气预热器转子变形软测量方法，包括以下步骤：对回转式空气预热器运行过程得到的现场数据进行分析；通过无标签和有标签数据，建立基本的连续型深度置信网络模型；通过对连续型深度置信网络进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的支持向量回归算法；通过采用基本算法CDBN和新型CDBN‑SVR算法的预测结果进行对比，分析此模型的预测精度。本发明解决了现有技术中存在的测量转子热变形量建模达不到准确度要求，数据中的特征信息不能充分提取，数据集大时预测效率不高的问题。

Description

基于CDBN-SVR的空气预热器转子变形软测量方法

技术领域

本发明属于火电站热工自动化领域，具体涉及基于CDBN-SVR的空气预热器转子变形软测量方法。

背景技术

回转式空气预热器利用烟气和空气交替地通过金属受热面来加热空气，它由转动地圆形转子和固定地外壳组成，转子式受热面里面装有蓄热板，蓄热板吸收燃气热量并蓄积起来，等到转至空气那面，再将热量释放给空气，自身温度降低。受热面不断旋转，热量便会不断从烟气传送给空气，空气得到加热，烟气冷却。但是，回转式空气预热器的漏风是一个重要问题，会造成巨大的能源浪费和经济损失，严重时会造成设备损毁，甚至会迫使机组降负荷运行。所以如何得到准确的转子热变形量是目前研究的重难点。

连续型深度置信网络(Continuous Deep BeliefNetwork，CDBN)作为一种半监督学习算法，能够充分利用工业现场已有数据，提取数据中有标签信息和无标签信息的隐含特征，同时将网络顶层的概率分类替换成具有强大非线性拟合能力的支持向量回归(Support Vector Regression，SVR)算法，得到的新型模型既具有充分提取数据特征的能力，而且具有很强的非线性回归拟合能力。将新型CDBN-SVR软测量方法与基本算法CDBN的均方误差值大小对比，可以分析得到新型软测量模型更能准确地预测转子热变形量。因此，以回转式空气预热器为研究对象，建立以CDBN-SVR为基础的软测量模型，可更加准确的预测转子热变形量的间隙值。

发明内容

为克服上述现有技术的不足，本发明的目的是提供基于CDBN-SVR的空气预热器转子变形软测量方法，解决了现有技术中存在的测量转子热变形量建模达不到准确度要求，数据中的特征信息不能充分提取，当数据集大时预测效率不高的问题。

为实现上述目的，本发明所采用的技术方案是：基于CDBN-SVR的空气预热器转子变形软测量方法，包括以下步骤：

步骤1：对回转式空气预热器工业现场数据进行分析；

步骤2：建立基本的CDBN网络模型，具体步骤为：

步骤2.1：CDBN网络是由多个RBM组成的特殊结构，一个RBM包含n个可见单元和m个隐含层单元，任意两个相连的神经元之间有一个权值W表示其连接权重，可见层单元和隐含层单元的状态分别用v和h表示；

步骤2.2：添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变，实现连续型RBM，可见层和隐含层单元的状态分别改变为v_i和h_j：

其中，a_i是可见单元i的偏置；b_j是隐含层单元j的偏置；λ为常量；N(0,1)为均值为0、方差为1的高斯随机变量；激活函数

步骤2.3：CDBN的预训练是通过无监督学习算法来实现，即最底层RBM通过吉布斯采样算法得到其权值矩阵W，然后通过公式可以得到隐含层单元的状态h_j，低层的输出作为高层的输入，其中，W_ij是可见单元i和隐含层单元j之间的权重，可见层单元和隐含层单元的状态分别用v和h表示，v_i代表第i个可见单元的状态；

步骤2.4：重复利用该算法逐层训练RBM，得到所有的网络权值，底层的RBM以样本的训练数据为输入，并将其提取的特征作为下一个RBM的输入，利用原始数据对建立的CDBN模型进行分析，以此确定CDBN所有的权值以及隐含层节点数和层数；

步骤3：对CDBN进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法；

步骤4：采用基本算法CDBN和CDBN-SVR算法的预测结果进行对比，分析此模型的预测精度，具体做法为：

训练完成后，CDBN-SVR模型的各层权值以及参数都已经确定，随机选取500组数据作为训练样本，随机选取100组数据作为测试样本，将选取到的500组训练样本数据进行模型训练，利用100组测试样本数据进行测试，为了突出转子热变形量的CDBN-SVR软测量模型的准确性，用相同的训练样本和测试样本对CDBN模型进行训练，利用各个模型的均方误差来分析预测性能。

进一步地，步骤1所述对回转式空气预热器运行过程得到的现场数据进行分析，其具体步骤为：

步骤1.1：剔除数据中不能刻画样本自身分布规律的非数字异常值，并且采用插补方法对含有缺失值的样本数据进行缺失数据的填补；

步骤1.2：为了消除样本不同属性具有不同量级时的影响，并且为了在进行数据训练的时候，将输入样本数据的值能够在模型训练中更加方便，采用min-max标准化方法对数据进行标准化，样本数据归一化后可表示为

其中，x_jmax为第j变量中样本数据的最大值；x_jmin为第j变量中样本数据的最小值；x_ij为第j变量样本中第i个数据对应处理前的数据，即待归一化的值；第j变量样本中第i个数据对应处理后的数据，即归一化后的值；

步骤1.3：初始变量集合可用X_i表示，输出变量表示为Y：

X_i＝{X_i(k)|k＝1,2,…,n},i＝1,2,…,m

Y＝{Y(k)|k＝1,2,…,n}

其中，X_i代表辅助变量集合；Y代表输出变量；m为辅助变量个数，n为数据量个数；

步骤1.4：采用灰色关联度分析法对初始变量集合进行降维，根据灰色关联度值以及阈值大小来确定软测量模型的辅助变量集合。

进一步地，步骤3所述对CDBN进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法，具体的步骤为：

步骤3.1：CDBN网络顶层的分类器可以由具有强大非线性拟合能力的SVR算法所替代；

步骤3.2：将SVR的回归问题转化为凸二次函数规划问题：

若考虑特征映射形式，则将SVR的参数代入到f(x)＝w^T·ψ(x)+b，则SVR可写为如下形式：

式中，α_i和为最小化的解，ψ(·)描述高维特征空间F，f(x)为线性变换后的分布函数矢量，b为阈值向量，k(x,x_i)＝ψ(x_i)^T·ψ(x)为核函数；

步骤3.3：CDBN模块提取数据的特征信息，将提取到的特征作为输入数据输入到具有很强非线性回归预测性能的SVR，计算该输出和输入之间的误差，采用BP神经网络微调模型参数，并结合共轭梯度线性搜索寻优法，得到CDBN-SVR软测量模型参数的最优估计值。

本发明的有益效果是：基于CDBN-SVR的空气预热器转子变形软测量方法，针对工业现场所测得的实际数据，采用插补方法对含有缺失值的样本数据进行缺失数据的填补，通过数据归一化处理消除样本不同属性具有不同量级时的影响，通过灰色关联度分析法选取软测量模型的辅助变量；通过无标签和有标签数据，建立深度置信网络软测量模型，用预测数据和原始数据对建立的CDBN模型进行分析，以此确定CDBN所有的权值以及隐含层节点数和层数；通过CDBN网络顶层的分类器由具有强大非线性拟合能力的支持向量回归算法所替代，将CDBN提取到的特征作为输入数据输入到具有很强非线性回归预测性能的SVR；通过用相同的训练样本和测试样本对CDBN模型进行训练，利用各个模型的均方误差来分析预测性能，通过分析CDBN-SVR模型和其它模型的均方误差值，可以得出，新型的软测量模型具有辨识结果精度高、处理大样本能力强，非线性回归能力强，具有较强的实用性和可行性。

附图说明

图1为本发明的流程图；

图2为经本发明的CDBN-SVR算法模型图；

图3为经本发明得到的CDBN-SVR训练集预测结果图；

图4为经本发明得到的CDBN-SVR测试集预测结果图；

图5为经本发明得到的CDBN-SVR训练集预测误差结果图；

图6为经本发明得到的CDBN-SVR测试集预测误差结果图；

图7为经本发明得到的CDBN-SVR和CDBN训练集对比结果图；

图8为经本发明得到的CDBN-SVR和CDBN测试集对比结果图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

如图1所示，基于CDBN-SVR的空气预热器转子变形软测量方法，包括以下步骤：

步骤1：对回转式空气预热器运行过程得到的现场数据进行分析，其具体步骤为：

步骤1.1：剔除数据中不能刻画样本自身分布规律的非数字异常值，并且采用插补方法对含有缺失值的样本数据进行缺失数据的填补；

步骤1.2：为了消除样本不同属性具有不同量级时的影响，并且为了在进行数据训练的时候，将输入样本数据的值能够在模型训练中更加方便，采用min-max标准化方法对数据进行标准化。样本数据归一化后可表示为

其中，x_jmax为第j变量中样本数据的最大值；x_jmin为第j变量中样本数据的最小值；x_ij为第j变量样本中第i个数据对应处理前的数据，即待归一化的值；第j变量样本中第i个数据对应处理后的数据，即归一化后的值；

步骤1.3：初始变量集合可用X_i表示，输出变量表示为Y：

X_i＝{X_i(k)|k＝1,2,…,n},i＝1,2,…,m

Y＝{Y(k)|k＝1,2,…,n}

其中，X_i代表辅助变量集合；Y代表输出变量；m为辅助变量个数，n为数据量个数；

步骤1.4：采用灰色关联度法对初始变量集合进行降维，根据灰色关联度值以及阈值大小来确定软测量模型的辅助变量集合。

步骤2：建立基本的连续型深度置信网络(Continuous Deep Belief Network，CDBN)模型，其具体步骤为：

步骤2.1：CDBN网络是由多个受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)组成的特殊结构。一个RBM包含n个可见单元和m个隐含层单元，任意两个相连的神经元之间有一个权值W表示其连接权重，可见层单元和隐含层单元的状态分别用v和h表示；

步骤2.2：添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变，实现连续型受限玻尔兹曼机，可见层和隐含层单元的状态分别改变为v_i和h_j：

其中，a_i是可见单元i的偏置；b_j是隐含层单元j的偏置；λ为常量；N(0,1)为均值为0、方差为1的高斯随机变量；激活函数

步骤2.3：CDBN的预训练是通过无监督学习算法来实现，即最底层RBM通过吉布斯采样算法得到其权值矩阵W，然后通过公式可以得到隐含层单元的状态h_j，低层的输出作为高层的输入，其中，W_ij是可见单元i和隐含层单元j之间的权重，可见层单元和隐含层单元的状态分别用v和h表示，v_i代表第i个可见单元的状态；

步骤2.4：重复利用该算法逐层训练RBM，得到所有的网络权值，底层的RBM以样本的训练数据为输入，并将其提取的特征作为下一个RBM的输入，利用原始数据对建立的CDBN模型进行分析，以此确定CDBN所有的权值以及隐含层节点数和层数；

步骤3：对连续型深度置信网络进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法，其具体步骤为：

步骤3.1：CDBN网络顶层的分类器可以由具有强大非线性拟合能力的SVR算法所替代；

步骤3.2：将SVR的回归问题转化为凸二次函数规划问题：

若考虑特征映射形式，则将SVR的参数代入到f(x)＝w^T·ψ(x)+b，则SVR可写为如下形式：

式中，α_i和为最小化的解，ψ(·)描述高维特征空间F，f(x)为线性变换后的分布函数矢量，b为阈值向量，k(x,x_i)＝ψ(x_i)^T·ψ(x)为核函数；

步骤3.3：CDBN模块提取数据的特征信息，将提取到的特征作为输入数据输入到具有很强非线性回归预测性能的SVR，计算该输出和输入之间的误差，采用BP神经网络微调模型参数，并结合共轭梯度线性搜索寻优法，得到CDBN-SVR软测量模型参数的最优估计值。

步骤4：采用基本算法CDBN和CDBN-SVR算法的预测结果进行对比，分析此模型的预测精度，其具体做法：

训练完成后，CDBN-SVR模型的各层权值以及参数都已经确定，随机选取500组数据作为训练样本，随机选取100组数据作为测试样本，将选取到的500组训练样本数据进行模型训练，利用100组测试样本数据进行测试，为了突出转子热变形量的CDBN-SVR软测量模型的准确性，用相同的训练样本和测试样本对CDBN模型进行训练，利用各个模型的均方误差来分析预测性能。

以下以实验说明本发明基于CDBN-SVR的空气预热器转子变形软测量方法是有效可行的：

图2是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法的CDBN-SVR算法模型图；图3是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR训练集预测结果图；图4是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR测试集预测结果图；图5是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR训练集预测误差结果图；图6是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR测试集预测误差结果图；图7是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR和CDBN训练集对比结果图；图8是经本发明基于CDBN-SVR的空气预热器转子变形软测量方法得到的CDBN-SVR和CDBN测试集对比结果图；通过对图2～图8的观察可以清楚的看出，本发明基于CDBN-SVR的空气预热器转子变形软测量方法可以对空气预热器转子热变形量进行有效的、准确的辨识。

本发明是基于CDBN-SVR的空气预热器转子变形软测量方法，对回转式空气预热器运行过程得到的现场数据进行分析，采用插补方法对含有缺失值的样本数据进行缺失数据的填补，通过数据归一化处理消除样本不同属性具有不同量级时的影响，通过灰色关联度分析法确定软测量模型的辅助变量集合；通过无标签和有标签数据，建立基本的连续型深度置信网络；通过对连续型深度置信网络进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法；通过采用基本算法CDBN和CDBN-SVR算法的预测结果进行对比，分析新型模型的预测精度；CDBN-SVR模型的空气预热器转子热变形量的软测量方法，解决了现有技术中存在的测量转子热变形量建模达不到准确度要求，数据中的特征信息不能充分提取，数据集大时预测效率不高等问题。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这仅是举例说明，本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下，可以对这些实施方式做出多种变更或修改，但这些变更和修改均落入本发明的保护范围。

Claims (3)

1.基于CDBN-SVR的空气预热器转子变形软测量方法，其特征在于，包括以下步骤：

步骤1：对回转式空气预热器工业现场数据进行分析；

步骤2：建立基本的CDBN网络模型，具体步骤为：

步骤2.1：CDBN网络是由多个RBM组成的特殊结构，一个RBM包含n个可见单元和m个隐含层单元，任意两个相连的神经元之间有一个权值W表示其连接权重，可见层单元和隐含层单元的状态分别用v和h表示；

步骤2.2：添加均值为0、方差为1的高斯随机噪声变量实现对单元状态连续化的转变，实现连续型RBM，可见层和隐含层单元的状态分别改变为v_i和h_j：

其中，a_i是可见单元i的偏置；b_j是隐含层单元j的偏置；λ为常量；N(0,1)为均值为0、方差为1的高斯随机变量；激活函数

步骤2.3：CDBN的预训练是通过无监督学习算法来实现，即最底层RBM通过吉布斯采样算法得到其权值矩阵W，然后通过公式可以得到隐含层单元的状态h_j，低层的输出作为高层的输入，其中，W_ij是可见单元i和隐含层单元j之间的权重，可见层单元和隐含层单元的状态分别用v和h表示，v_i代表第i个可见单元的状态；

步骤2.4：重复利用该算法逐层训练RBM，得到所有的网络权值，底层的RBM以样本的训练数据为输入，并将其提取的特征作为下一个RBM的输入，利用原始数据对建立的CDBN模型进行分析，以此确定CDBN所有的权值以及隐含层节点数和层数；

步骤3：对CDBN进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法；

步骤4：采用基本算法CDBN和CDBN-SVR算法的预测结果进行对比，分析此模型的预测精度，具体做法为：

训练完成后，CDBN-SVR模型的各层权值以及参数都已经确定，随机选取500组数据作为训练样本，随机选取100组数据作为测试样本，将选取到的500组训练样本数据进行模型训练，利用100组测试样本数据进行测试，为了突出转子热变形量的CDBN-SVR软测量模型的准确性，用相同的训练样本和测试样本对CDBN模型进行训练，利用各个模型的均方误差来分析预测性能。

2.根据权利要求1所述的基于CDBN-SVR的空气预热器转子变形软测量方法，其特征在于，步骤1所述对回转式空气预热器运行过程得到的现场数据进行分析，其具体步骤为：

步骤1.1：剔除数据中不能刻画样本自身分布规律的非数字异常值，并且采用插补方法对含有缺失值的样本数据进行缺失数据的填补；

步骤1.2：为了消除样本不同属性具有不同量级时的影响，并且为了在进行数据训练的时候，将输入样本数据的值能够在模型训练中更加方便，采用min-max标准化方法对数据进行标准化，样本数据归一化后可表示为

其中，x_jmax为第j变量中样本数据的最大值；x_jmin为第j变量中样本数据的最小值；x_ij为第j变量样本中第i个数据对应处理前的数据，即待归一化的值；第j变量样本中第i个数据对应处理后的数据，即归一化后的值；

步骤1.3：初始变量集合可用X_i表示，输出变量表示为Y：

X_i＝{X_i(k)|k＝1,2,…,n},i＝1,2,…,m

Y＝{Y(k)|k＝1,2,…,n}

其中，X_i代表辅助变量集合；Y代表输出变量；m为辅助变量个数，n为数据量个数；

步骤1.4：采用灰色关联度分析法对初始变量集合进行降维，根据灰色关联度值以及阈值大小来确定软测量模型的辅助变量集合。

3.根据权利要求1所述的基于CDBN-SVR的空气预热器转子变形软测量方法，其特征在于，步骤3所述对CDBN进行改进，将网络顶层的概率分类替换成具有强大非线性拟合能力的SVR算法，具体的步骤为：

步骤3.1：CDBN网络顶层的分类器可以由具有强大非线性拟合能力的SVR算法所替代；

步骤3.2：将SVR的回归问题转化为凸二次函数规划问题：

若考虑特征映射形式，则将SVR的参数代入到f(x)＝w^T·ψ(x)+b，则SVR可写为如下形式：

式中，α_i和为最小化的解，ψ(·)描述高维特征空间F，f(x)为线性变换后的分布函数矢量，b为阈值向量，k(x,x_i)＝ψ(x_i)^T·ψ(x)为核函数；

步骤3.3：CDBN模块提取数据的特征信息，将提取到的特征作为输入数据输入到具有很强非线性回归预测性能的SVR，计算该输出和输入之间的

误差，采用BP神经网络微调模型参数，并结合共轭梯度线性搜索寻优法，

得到CDBN-SVR软测量模型参数的最优估计值。