CN114741969B - 基于fir-nma模型的硫回收软测量建模方法 - Google Patents
基于fir-nma模型的硫回收软测量建模方法 Download PDFInfo
- Publication number
- CN114741969B CN114741969B CN202210456916.2A CN202210456916A CN114741969B CN 114741969 B CN114741969 B CN 114741969B CN 202210456916 A CN202210456916 A CN 202210456916A CN 114741969 B CN114741969 B CN 114741969B
- Authority
- CN
- China
- Prior art keywords
- model
- nma
- sequence
- layer
- variable
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 229910052717 sulfur Inorganic materials 0.000 title claims abstract description 51
- 239000011593 sulfur Substances 0.000 title claims abstract description 51
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000011084 recovery Methods 0.000 title claims abstract description 50
- 238000005259 measurement Methods 0.000 title claims abstract description 48
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 10
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000000295 complement effect Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 48
- 230000002087 whitening effect Effects 0.000 claims description 40
- 238000001914 filtration Methods 0.000 claims description 20
- 206010071578 autoimmune retinopathy Diseases 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005312 nonlinear dynamic Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 229910044991 metal oxide Inorganic materials 0.000 claims description 6
- 150000004706 metal oxides Chemical class 0.000 claims description 6
- 239000004065 semiconductor Substances 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 6
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001575 pathological effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000009795 derivation Methods 0.000 claims description 2
- 230000032683 aging Effects 0.000 abstract description 2
- 239000007789 gas Substances 0.000 description 34
- 238000012549 training Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000012880 independent component analysis Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004229 Alkannin Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000002440 industrial waste Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002151 riboflavin Substances 0.000 description 1
- 150000003463 sulfur Chemical class 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 150000003568 thioethers Chemical class 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于FIR‑NMA模型的硫回收软测量建模方法，包括：采集硫回收数据，并对其进行数据预处理；将FIR滤波层和NMA模型互补，搭建动态模型；以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；将预处理过的数据输入至优化后的动态模型，输出预测结果；本发明可以滤除数据噪声，并消除由于传感器老化造成的零漂噪声，识别出过程的时间滞后，能够稳定工作在带有大滞后、强测量噪声的硫回收工业过程，可提高软测量预测的精确性与可靠性。
Description
技术领域
本发明涉及软测量建模的技术领域，尤其涉及一种基于FIR-NMA模型的硫回收软测量建模方法。
背景技术
质量变量的实时采样是硫回收过程闭环控制系统不可缺少的组成部分。但由于测量技术、环境和成本因素，其中一些质量变量即主导变量难以直接测量。软测量是解决上述问题的可行技术，使用可测量的工业变量即辅助变量和预测模型实时估计主导变量。目前，对软测量的研究大多集中在静态建模上。然而，工业过程往往具有很强的动态特性，这些因素将影响静态模型的准确性。为了解决这一问题，动态建模在软测量领域得到了广泛研究。
NMA模型是目前常用的一种动态软测量模型。而受限于模型复杂度，NMA模型的输入时序边界相对较窄，难以适应带有大滞后、强测量噪声的硫回收工业过程。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案，包括：采集硫回收数据，并对其进行数据预处理；将FIR滤波层和NMA模型互补，搭建动态模型；以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；将预处理过的数据输入至优化后的动态模型，输出预测结果。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述采集硫回收数据包括：利用传感器以固定采样频率对尾气进行实时测量，采集硫回收过程的变量序列；所述传感器包括固体金属氧化物半导体传感器和气体流量传感器，通过所述固体金属氧化物半导体传感器对尾气H2S和SO2浓度进行实时测量采集，通过所述气体流量传感器对MEA_GAS气体流、AIR_MEA空气流、AIR_MEA_2二次空气流、SWS区域气体流和SWS区域空气流的流量进行采集；所述变量序列包括辅助变量和主导变量。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述数据预处理包括：
对辅助变量进行标准化，使其均值为零：
其中，为归一化后辅助变量u在t时刻的取值，ut和uτ分别为辅助变量u在t时刻和τ时刻的取值；
近似估计辅助变量的自相关序列
其中，u为辅助变量，n为数据数量，t为时刻，τ为变量在时间上的滞后量，l为FIR滤波层的输入片段长度，k为NMA模型的输入片段长度，为经过归一化后辅助变量u在t+|τ|时刻的取值。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述FIR滤波层包括：
FIR滤波层输入变量为标准化后的辅助变量序列滤波结果序列h为：
其中，*表示卷积，定义如下：
其中，h＝[ht]t＝0,1,…， 为辅助变量在t-τ时刻的取值，f为FIR滤波层参数序列，fτ为滤波器序列中第τ个元素，Z为整数集合；
计算滤波结果h的自相关序列：
其中，f′为f的逆序列，的有效范围为[-k,k]。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述NMA模型包括变量白化层和非线性回归层。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述变量白化层包括：
计算白化矩阵W：
其中，W为k+1阶对称矩阵，R为Toeplitz矩阵，Ra,b为矩阵R中a行b列的元素，为序列/>在a-b时刻的取值，I为单位矩阵，σ是为防止数值计算病态而设置的常数；
定义k+1个有效范围为[0,k]的有限时间序列w(j)，计算序列w(j)的子片段：
其中，为序列w(j)的子片段，W:,j＝[W0,j,W1,j,…,Wk,j]为矩阵W的第j列；
基于白化矩阵W，利用卷积运算计算出x(j)：
x(j)＝h*w(j)
其中，为序列h中分离出的共k+1个线性无关序列。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述非线性回归层包括：
利用单隐层神经网络模型描述非线性动态特性，搭建非线性回归层：
其中，为模型输出，其含义为模型对主导变量yt在t时刻的估计值；g为神经网络的非线性输入输出关系，θ为单隐层神经网络模型参数；当存在多辅助变量时，记第i个辅助变量为u(i)，针对该变量的滤波器参数序列为f(i)，经过相同的滤波、白化操作后记白化层输出为/>
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中：
所述目标函数为J：
其中D是一个对角元素为-1的l+1阶约当阵，表示为预测误差，为滤波器参数序列f(i)的片段；α为正则项系数，用于平衡模型的拟合能力与泛化性能。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中，所述优化包括：
采用Adam算法优化各层参数，即非线性回归层、变量白化层、FIR滤波层参数，利用链式法则对各层参数的梯度进行求解，即：
(1)非线性回归层参数的梯度求解：利用反向传播算法得到非线性回归层参数的梯度以及信息矩阵的梯度/>在序列x(j)中只有片段/>与J有关,因此只有当/>时，/>否则/>
(2)变量白化层参数的梯度求解：利用反向求导策略，根据分别求出J的梯度和/>
根据求解梯度/>具体步骤如下：
通过特征值分解将R分解为以下形式：
式中，λj和K:,j分别为R的特征值与特征向量，λ0:k＝[λ0,λ1,…,λk]，K＝[K:,0,K:,1,…,K:,k]，为矩阵T的转置矩阵；
根据开放矩阵的求导法则求解下式：
其中，表示矩阵元素相乘，Ra,b为矩阵R中第a行第b列的元素，/>为J相对Ra,b的梯度，Va,b为矩阵V中第a行第b列的元素，λa、λb分别为矩阵R的第a个、第b个特征值；序列/>中仅有片段/>与J有关，当0＜τ或τ＜k时/>
(3)FIR滤波层参数的梯度求解：根据和/>求解FIR参数的梯度：
其中，f0:l＝[f0,f1,…,fl]，为滤波参数序列f中的一段有效片段。
作为本发明所述的基于FIR-NMA模型的硫回收软测量建模方法的一种优选方案，其中：预测结果包括H2S浓度和SO2浓度。
本发明的有益效果：本发明提出一种动态模型，利用FIR滤波来描述工业过程中的线性动态环节并滤除数据中的采样噪声，并利用NMA模型来描述过程中的非线性动态环节；本发明提出一种变量白化层结构来连接FIR滤波层与NMA模型，能够有效避免二者间的参数耦合问题，提高所提模型的训练效率以及预测精度；本发明给出了该模型结构下的梯度求解方式和参数优化方法，能同步优化NMA模型参数和FIR滤波层参数。本发明可以滤除数据噪声，并消除由于传感器老化造成的零漂噪声；识别出过程的时间滞后；能够稳定工作在带有大滞后、强测量噪声的硫回收工业过程，可提高软测量预测的精确性与可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的硫回收简化工业流程图；
图2为本发明第一个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的建模问题描述图；
图3为本发明第一个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的模型结构示意图；
图4为本发明第一个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的前向后向计算示意图；
图5为本发明第一个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的Adam算法步骤图；
图6为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的H2S浓度预测结果图；
图7为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的SO2浓度预测结果图；
图8为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的训练集误差下降曲线图；
图9为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的测试集误差下降曲线图；
图10为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的FIR-NMA模型的参数相关性矩阵图；
图11为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的归一化操作后FIR-NMA模型的参数相关性矩阵图；
图12为本发明第二个实施例所述的基于FIR-NMA模型的硫回收软测量建模方法的白化操作后FIR-NMA模型的参数相关性矩阵图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1～4，为本发明的第一个实施例，该实施例提供了一种基于FIR-NMA模型的硫回收软测量建模方法，包括：
S1：采集硫回收数据，并对其进行数据预处理。
(1)利用传感器以固定采样频率对尾气进行实时测量，采集硫回收过程的变量序列。
硫回收(SRU)装置负责从酸性气体中提取硫化物,从而减轻工业废气对空气质量的影响,其工艺流程的简化图如图1所示，SRU装置主要吸收两种气体：包含大量H2S的MEA气体和包含大量SO2的SWS气体；首先，将两种气体送入B106与B103单元并与空气发生燃烧，以去除其中的氨气；随后，将两种气体混合并送入E101至E103单元，这些单元通过化学反应吸收H2S和SO2，生成水和纯硫；随后，气体将存储在D104单元中，最终排放进大气。
为了使反应尽可能充分，混合气体中H2S和SO2的摩尔浓度比例应该控制为2:1；因此，需要对尾气中H2S与SO2浓度进行实时监测；利用传感器以固定采样频率对尾气进行实时测量，采集硫回收过程的变量序列；传感器包括固体金属氧化物半导体传感器和气体流量传感器，通过固体金属氧化物半导体传感器对尾气H2S和SO2浓度进行实时测量采集，通过气体流量传感器对MEA_GAS气体流、AIR_MEA空气流、AIR_MEA_2二次空气流、SWS区域气体流和SWS区域空气流的流量进行采集；
变量序列包括辅助变量和主导变量；辅助变量包括MEA_GAS气体流、AIR_MEA空气流、AIR_MEA_2二次空气流、SWS区域气体流和SWS区域空气流；主导变量包括H2S和SO2。
(2)对硫回收过程的变量序列进行数据预处理。
对辅助变量进行标准化，使其均值为零：
其中，为归一化后辅助变量u在t时刻的取值，ut和uτ分别为辅助变量u在t时刻和τ时刻的取值；
近似估计辅助变量的自相关序列
其中，u为辅助变量，n为数据数量，t为时刻，τ为变量在时间上的滞后量，l为FIR滤波层的输入片段长度，k为NMA模型的输入片段长度，/>为归一化后辅助变量u在t+|τ|时刻的取值。
S2：将FIR滤波层和NMA模型互补，搭建动态模型。
酸性气体通常会影响检测仪器寿命，当硬件传感器损坏时需要用软测量模型来完成预测任务；基于动态特征的预测模型和NMA模型是两类不同的动态软测量模型；基于动态特征的预测模型具有较为精简的模型结构，能够以此设计出时序边界较宽的动态软测量模型，但是多数仅能描述线性的动态关系；NMA模型则能够描述非线性动态关系，但受限于模型复杂度，仅适用于无滞后、低噪声且收敛较快的过程；本发明结合两类模型的优点，提出一种非线性、强抗干扰的软测量建模策略。
为了获得更长时段辅助变量信息并避免过拟合问题，本发明设计了一种模型来降低传统NMA模型的复杂度；由于硫回收工业过程可以看作为线性与非线性动态环节的串联组合，本发明将基于动态特征的预测模型即FIR滤波层与NMA模型进行互补，利用FIR滤波层来描述工业过程中较简单的线性动态环节并滤除数据中的采样噪声，利用NMA模型来描述过程中相对复杂的非线性动态环节；首先，利用FIR滤波层来滤除数据中的量测噪声，并辨识出一些简单的线性动态环节；随后，采用NMA模型处理建模对象中复杂的非线性动态关系；模型结构和参数如图2～3所示。
(1)FIR滤波层：
FIR滤波层的输入变量为标准化后的辅助变量序列滤波结果序列h为：
其中，*表示卷积，定义为h＝[ht]t＝0,1,…，/> 为辅助变量在t-τ时刻的取值，f为FIR滤波层参数序列，fτ为滤波器序列中第τ个元素，Z为整数集合；
计算滤波结果h的自相关序列：
其中，f′为f的逆序列；由于f和/>都是有限时间序列，因此滤波结果h的有效范围为[l,n]，/>的有效范围为[-k,k]。
(2)NMA模型包括变量白化层和非线性回归层。
①变量白化层：
计算白化矩阵W：
其中，W为k+1阶对称矩阵，R为Toeplitz矩阵，Ra,b为矩阵R中a行b列的元素，为序列/>在a-b时刻的取值，I为单位矩阵，σ是为防止数值计算病态而设置的常数；
定义k+1个有效范围为[0,k]的有限时间序列w(j)，计算序列w(j)的子片段：
其中，为序列w(j)的子片段，W:,j＝[W0,j,W1,j,…,Wk,j]为矩阵W的第j列；
基于白化矩阵W，利用卷积运算计算出x(j)：
x(j)＝h*w(j)
(7)
其中，为序列h中分离出的共k+1个线性无关序列。
在FIR-NMA模型训练过程中,W会随着迭代而不断更新；当FIR-NMA模型训练完成后，W将视为常量固定不变；当W＝I时，Xt,:＝ht-k:t成立，与NMA模型的时序扩展一致，因此变量白化层与非线性回归层构成了一个输入信息平衡的NMA模型；当σ可忽略且n足够大时，Cov(Xt,:)将依概率趋于I，通过式(6)，W能进一步平衡Xt,:中的信息；表示白化层的运算结果，适用于单辅助变量u。
②非线性回归层：
利用单隐层神经网络模型描述非线性动态特性，搭建非线性回归层其中，/>为模型输出，其含义为模型对主导变量yt在t时刻的估计值；g为神经网络的非线性输入输出关系，θ为单隐层神经网络模型参数；当存在多辅助变量时，记第i个辅助变量为u(i)，针对该变量的滤波器参数序列为f(i)，经过相同的滤波、白化操作后记白化层输出为/>
假定辅助变量个数m＝1，在不设置白化层时非线性回归层的输入变量为h，预测算法为FIR滤波层参数与单隐层神经网络中的连接权重存在直接相乘关系，提升了模型训练难度，存在很强的参数耦合现象；而设置了白化层后，非线性回归层的输入变量为hW，预测算法变为/>此时FIR滤波层参数不再影响非线性回归层输入的一阶矩、二阶矩统计量，非线性回归层也无需处理输入的分布情况，因此减小了层与层间的耦合。
S3：以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型。
(1)以最小化预测误差为目标对各层参数进行整定，目标函数J为：
其中D是对角元素为-1的l+1阶约当阵，et为预测误差，为滤波器参数序列f(i)的片段；α为正则项系数，用于平衡模型的拟合能力与泛化性能；目标函数J可视作为误差平方和与平滑正则项的加权相加,其中正则项使得FIR序列在模型训练时尽可能平滑。
(2)采用Adam算法优化各层参数，即非线性回归层、变量白化层、FIR滤波层参数，利用链式法则对各层参数的梯度进行求解，计算示意见图4，具体如下：
①非线性回归层参数的梯度求解：利用反向传播算法得到非线性回归层参数的梯度以及信息矩阵的梯度/>在序列x(j)中只有片段/>与J有关,因此只有当/>时，否则/>
②变量白化层参数的梯度求解：利用反向求导，根据分别求出J的梯度/>和
根据求解梯度/>具体步骤如下：
通过特征值分解将R分解为其中，λj和K:,j分别为R的特征值与特征向量，λ0:k＝[λ0,λ1,…,λk]，K＝[K:,0,K:,1,…,K:,k]，/>为矩阵T的转置矩阵；
根据开放矩阵的求导法则求解下式：
其中，表示矩阵元素相乘，Ra,b为矩阵R中第a行第b列的元素，/>为J相对Ra,b的梯度，Va,b为矩阵V中第a行第b列的元素，λa、λb分别为矩阵R的第a个、第b个特征值；序列/>中仅有片段/>与J有关，当0＜τ或τ＜k时/>
③FIR滤波层参数的梯度求解：根据和/>求解FIR参数的梯度：
其中，f0:l＝[f0,f1,…,fl]，为滤波参数序列f中的一段有效片段。
经过以上梯度运算，再结合Adam算法即可完成模型参数的同步优化，算法的实现步骤如图5所示；模型的白化层是针对优化过程中参数的耦合问题而设计的解耦方案，用于提高模型的训练效率；当模型训练完成后，白化层参数W将视作为常量参与运算；因此，图4中灰色框内的运算只在模型优化过程中执行。
相比于普通NMA模型，本发明模型的参数数量更加少，在对主导变量yt进行预测时,考虑了时间范围[t-l-k,t]内的辅助变量信息,所包含的参数数量远小于普通NMA模型的参数数量；并且，所提模型更适合解决图2所示的建模问题。
S4：将预处理过的数据输入至优化后的动态模型，输出预测结果。
预测结果包括H2S浓度和SO2浓度。
实施例2
为了对本方法中采用的技术效果加以验证说明，本实施例选择不同方法和本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
硫回收数据即SRU数据一共包含10081个数据，其采样周期为1分钟一个样本；本发明取前7000个样本作为训练样本，其后3081个样本作为测试样本；每个样本都包含5个辅助变量及2个主导变量，其描述见表1：
表1：硫回收过程变量描述。
| 辅助变量 | 变量名称 | 辅助变量 | 变量名称 |
| u(0) | MEA_GAS气体流 | u(4) | SWS区域空气流 |
| u(1) | AIR_MEA空气流 | y(0) | H2S浓度 |
| u(2) | AIR_MEA2二次空气流 | y(1) | SO2浓度 |
| u(3) | SWS区域气体流 |
在对SRU进行建模前，一般需要根据过程知识对数据进行滤波处理，而本发明模型则利用原始数据同时对FIR滤波器以及预测模型进行了优化。
下面基于SRU建模实验对本发明模型的精确性和白化层设计合理性进行验证。
实验一：模型精确性验证
(1)以神经网络为例分别建立FIR-NMA模型和普通NMA模型；模型的超参数设置如下：令NN的隐层单元数为20；在建立NMA策略模型时，令输入时序边界k＝15，在建模前对数据进行了白化处理；令l＝10，k＝5，正则项系数α＝1。
经过训练后,FIR-NMA模型和普通NMA模型在测试集中的预测效果如图6～7所示；如图6所示,气体H2S在时间区间[2630，2670]分钟内出现了两次峰值，在这两次峰值上FIR-NMA模型预测精度均高于NMA模型；此外，如图7所示，当普通NMA模型预测逐渐偏离真实值时，FIR-NMA模型仍能保持精度；由此可见本发明方法有效提高了普通NMA模型的预测精度。
(2)为了验证FIR滤波器在特征提取方面的有效性，在多种模型结构框架下建立不同预测模型；在建模策略方面，采用了常用的特征提取、降维方法来降低传统NMA模型的高复杂度，采用了主元分析即PCA和独立成分分析即ICA；此外，比较了普通基于FIR滤波的动态模型结构，由于该结构可看作为FIR滤波与静态模型的串联组合，将其记为FIR-S。
在预测模型方面,本发明比较了三种模型来验证所提方法的有效性，分别为深度置信网络即DBN、极限梯度提升树即XGBoost和神经网络即NN模型；以三种指标来衡量各模型的预测精度，分别为均方根误差即RMSE、平均绝对误差即MAE和最大绝对误差即ME，结果如表2所示，表中数字为RMSE×100/MSE×100/ME×100。
表2：各建模策略下的建模预测结果。
其中，PCA、ICA能从辅助变量分布的角度提取最具代表性的特征，在多数情况下能提升NMA模型的预测精度；FIR-S策略以有监督方式实现滤波和特征提取，能实现对原始数据的自适应滤波，取得更好的预测效果；本发明在FIR-S基础上进行改进，使其具有更好的动态非线性描述能力；如表2所示，在预测H2S浓度、SO2浓度方面，本发明在多个指标上均取得了较好的测试结果，此结果同时验证了FIR滤波的有效性和本发明模型设计的合理性。
实验二：白化层有效性验证
对FIR-NMA模型的误差下降曲线进行了记录，图8～9显示了每个迭代周期下模型分别对训练集和测试集的预测效果，可见在白化层操作下本发明取得了最好的训练效果和预测精度。
在白化层的作用下，参数间的耦合关系得到了缓解；具体而言,假设θi和θj是两个不同模型参数，训练样本为{xt,yt}～q，是某时刻模型预测误差平方，那么在白化层的作用下相关系数/>更接近0。
当不设任何操作时，每个滤波器参数会对特征X(i)的大小和分布情况产生影响，因此组内参数/>和/>对预测结果或预测误差有相似作用；而w(i)直接作用于特征X(i)而w(i)直接作用于特征X(j)，不存在直接耦合，因此不同滤波器间参数耦合现象较弱；由此在图10中FIR参数部分出现了多个明显方框，对应了模型中5组FIR参数；此外，如图11所示，滤波器参数与预测模型参数间也存在较强的耦合现象，会严重影响模型训练效率；标准化层的设计使得FIR参数无法影响特征对特征X(i)的期望及方差，一定程度上减小了滤波器参数与预测模型参数间的耦合关系；而在标准化层基础上，本发明设计的白化层能进一步消除了特征内部的线性相关性，使/>如图12所示，白化层不仅缓解了层与层之间的参数耦合关系，还进一步削减了FIR滤波层内的耦合现象；由此可解释白化层有效优化了模型训练过程。
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.基于FIR-NMA模型的硫回收软测量建模方法，其特征在于，包括：
采集硫回收数据，并对其进行数据预处理；
将FIR滤波层和NMA模型互补，搭建动态模型；
以最小化预测误差建立目标函数，优化FIR滤波层参数和NMA模型参数，从而优化所述动态模型；
将预处理过的数据输入至优化后的动态模型，输出预测结果；
所述数据预处理包括：
对辅助变量进行标准化，使其均值为零：
其中，为归一化后辅助变量u在t时刻的取值，ut和uτ分别为辅助变量u在t时刻和τ时刻的取值；
近似估计辅助变量的自相关序列
其中，u为辅助变量，n为数据数量，t为时刻，τ为变量在时间上的滞后量，l为FIR滤波层的输入片段长度，k为NMA模型的输入片段长度，为经过归一化后辅助变量u在t+|τ|时刻的取值；
利用FIR滤波层来描述工业过程中较简单的线性动态环节并滤除数据中的采样噪声，利用NMA模型来描述过程中相对复杂的非线性动态环节，硫回收工业过程看作为线性与非线性动态环节的串联组合，将FIR滤波层和NMA模型互补，搭建动态模型；
所述FIR滤波层包括：
FIR滤波层输入变量为标准化后的辅助变量序列滤波结果序列h为：
其中，*表示卷积，定义如下：
其中，h＝[ht]t＝0,1,...， 为辅助变量在t-τ时刻的取值，f为FIR滤波层参数序列，fτ为滤波器序列中第τ个元素，Z为整数集合；
计算滤波结果h的自相关序列：
其中，f′为f的逆序列，的有效范围为[-k,k]；
所述NMA模型包括变量白化层和非线性回归层；
所述变量白化层包括：
计算白化矩阵W：
其中，W为k+1阶对称矩阵，R为Toeplitz矩阵，Ra,b为矩阵R中a行b列的元素，为序列在a-b时刻的取值，I为单位矩阵，σ是为防止数值计算病态而设置的常数；
定义k+1个有效范围为[0,k]的有限时间序列w(j)，计算序列w(j)的子片段：
其中，为序列w(j)的子片段，W:,j＝[W0,j,W1,j,…,Wk,j]为矩阵W的第j列；
基于白化矩阵W，利用卷积运算计算出x(j)：
x(jW＝h*w(j)
其中，为序列h中分离出的共k+1个线性无关序列；
所述非线性回归层包括：
利用单隐层神经网络模型描述非线性动态特性，搭建非线性回归层：
其中，为模型输出，其含义为模型对主导变量yt在t时刻的估计值；g为神经网络的非线性输入输出关系，θ为单隐层神经网络模型参数；当存在多辅助变量时，记第i个辅助变量为u(i)，针对该变量的滤波器参数序列为f(i)，经过相同的滤波、白化操作后记白化层输出为
所述目标函数为J：
其中D是一个对角元素为-1的l+1阶约当阵，表示为预测误差，为滤波器参数序列f(i)的片段；α为正则项系数，用于平衡模型的拟合能力与泛化性能；
所述优化包括：
采用Adam算法优化各层参数，即非线性回归层、变量白化层、FIR滤波层参数，利用链式法则对各层参数的梯度进行求解，即：
(1)非线性回归层参数的梯度求解：利用反向传播算法得到非线性回归层参数的梯度▽θ以及信息矩阵的梯度▽X；在序列x(j)中只有片段与J有关,因此只有当/>时，否则/>
(2)变量白化层参数的梯度求解：利用反向求导策略，根据▽X，分别求出J的梯度▽h和▽rh：
根据▽W求解梯度▽rh，具体步骤如下：
通过特征值分解将R分解为以下形式：
R＝Kdiag(λ0:k)K
式中，λj和K:,j分别为R的特征值与特征向量，λ0:k＝[λ0,λ1,…,λk]，K＝[K:,0,K:,1,…,K:,k]，K为矩阵T的转置矩阵；
根据开放矩阵的求导法则求解下式：
其中，表示矩阵元素相乘，Ra,b为矩阵R中第a行第b列的元素，▽Ra,b为J相对Ra,b的梯度，Va,b为矩阵V中第a行第b列的元素，λa、λb分别为矩阵R的第a个、第b个特征值；序列/>中仅有片段/>与J有关，当0＜τ或τ＜k时/>
(3)FIR滤波层参数的梯度求解：根据▽h和▽rh求解FIR参数的梯度：
其中，f0:l＝[f0,f1,…,fl]，为滤波参数序列f中的一段有效片段。
2.如权利要求1所述的基于FIR-NMA模型的硫回收软测量建模方法，其特征在于，所述采集硫回收数据包括：
利用传感器以固定采样频率对尾气进行实时测量，采集硫回收过程的变量序列；
所述传感器包括固体金属氧化物半导体传感器和气体流量传感器，通过所述固体金属氧化物半导体传感器对尾气H2S和SO2浓度进行实时测量采集，通过所述气体流量传感器对MEA_GAS气体流、AIR_MEA空气流、AIR_MEA_2二次空气流、SWS区域气体流和SWS区域空气流的流量进行采集；
所述变量序列包括辅助变量和主导变量。
3.如权利要求1或2所述的基于FIR-NMA模型的硫回收软测量建模方法，其特征在于，包括：
预测结果包括H2S浓度和SO2浓度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210456916.2A CN114741969B (zh) | 2022-04-27 | 2022-04-27 | 基于fir-nma模型的硫回收软测量建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210456916.2A CN114741969B (zh) | 2022-04-27 | 2022-04-27 | 基于fir-nma模型的硫回收软测量建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114741969A CN114741969A (zh) | 2022-07-12 |
| CN114741969B true CN114741969B (zh) | 2023-10-31 |
Family
ID=82282858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210456916.2A Active CN114741969B (zh) | 2022-04-27 | 2022-04-27 | 基于fir-nma模型的硫回收软测量建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114741969B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2444800A2 (en) * | 2010-10-21 | 2012-04-25 | Institute of Nuclear Energy Research Atomic Energy Council | A direct solid sample analytical technology for determining a content and a uniformity thereof in a lyophilized kit of a sulfur-containing chelator with a stable complex capacity for radiotechnetium (Tc-99m) and radiorhenium (Re-186, Re-188) |
| CN110442991A (zh) * | 2019-08-12 | 2019-11-12 | 江南大学 | 一种基于参数化fir模型的动态硫回收软测量建模方法 |
| WO2020013220A1 (ja) * | 2018-07-13 | 2020-01-16 | 三菱日立パワーシステムズ株式会社 | 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム |
| CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
| CN113988311A (zh) * | 2021-11-01 | 2022-01-28 | 江南大学 | 质量变量的预测方法、装置、终端及存储介质 |
| WO2022033183A1 (zh) * | 2020-08-13 | 2022-02-17 | 重庆邮电大学 | 动静态数据混合驱动的hammerstein非线性工业系统简约灰箱子空间辨识方法 |
-
2022
- 2022-04-27 CN CN202210456916.2A patent/CN114741969B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2444800A2 (en) * | 2010-10-21 | 2012-04-25 | Institute of Nuclear Energy Research Atomic Energy Council | A direct solid sample analytical technology for determining a content and a uniformity thereof in a lyophilized kit of a sulfur-containing chelator with a stable complex capacity for radiotechnetium (Tc-99m) and radiorhenium (Re-186, Re-188) |
| WO2020013220A1 (ja) * | 2018-07-13 | 2020-01-16 | 三菱日立パワーシステムズ株式会社 | 湿式排煙脱硫装置の制御方法、湿式排煙脱硫装置の制御装置、及びこの湿式排煙脱硫装置の制御装置を備えた遠隔監視システム |
| CN110442991A (zh) * | 2019-08-12 | 2019-11-12 | 江南大学 | 一种基于参数化fir模型的动态硫回收软测量建模方法 |
| WO2022033183A1 (zh) * | 2020-08-13 | 2022-02-17 | 重庆邮电大学 | 动静态数据混合驱动的hammerstein非线性工业系统简约灰箱子空间辨识方法 |
| CN112861076A (zh) * | 2021-01-05 | 2021-05-28 | 广东省科学院资源综合利用研究所 | 一种基于线性回归模型的铂钯品位的预测方法 |
| CN113988311A (zh) * | 2021-11-01 | 2022-01-28 | 江南大学 | 质量变量的预测方法、装置、终端及存储介质 |
Non-Patent Citations (6)
| Title |
|---|
| 一种动态校正的AGMM-GPR多模型软测量建模方法;熊伟丽等;《大连理工大学学报》;20201230(第01期);全文 * |
| 基于最小二乘法的炼厂耗氢装置氢气需求量预测;艾胜兰等;《自动化应用》;20170725(第07期);全文 * |
| 复杂工业过程的动态软测量建模研究;_孙文心;《复杂工业过程的动态软测量建模研究》;20191231;全文 * |
| 带自相关约束的NARX动态软测量模型;熊伟丽;孙文心;马君霞;;控制与决策(第04期);全文 * |
| 带自相关约束的NARX动态软测量模型;熊伟丽等;《控制与决策》;20201230(第04期);全文 * |
| 带自相关约束的NARX动态软测量模型_;熊伟丽;《带自相关约束的NARX动态软测量模型》;20200430;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114741969A (zh) | 2022-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1234092C (zh) | 一种适用于计算机辅助医疗诊断的预测建模方法 | |
| CN110706720B (zh) | 一种端到端无监督深度支撑网络的声学异常检测方法 | |
| CN105676833B (zh) | 发电过程控制系统故障检测方法 | |
| Li et al. | Domain adaptation remaining useful life prediction method based on AdaBN-DCNN | |
| CN103678869A (zh) | 一种飞行参数缺失数据的预测估计方法 | |
| CN103310113A (zh) | 一种基于频带分离和数据建模的通用血糖预测方法 | |
| CN115185937A (zh) | 一种基于sa-gan架构的时间序列异常检测方法 | |
| CN110442991B (zh) | 一种基于参数化fir模型的动态硫回收软测量建模方法 | |
| Shi et al. | A novel unsupervised real‐time damage detection method for structural health monitoring using machine learning | |
| CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
| CN114741969B (zh) | 基于fir-nma模型的硫回收软测量建模方法 | |
| CN117495640A (zh) | 一种区域碳排放量预测方法及系统 | |
| US11449781B2 (en) | Plant abnormality prediction system and method | |
| CN110244690B (zh) | 一种多变量工业过程故障辨识方法及系统 | |
| CN116205135A (zh) | 基于数据分解和神经网络的so2排放预测方法及系统 | |
| CN115829157A (zh) | 基于变分模态分解和Autoformer模型的化工水质指标预测方法 | |
| CN115688865A (zh) | 面向脱硫工艺烟气的长短期记忆网络工业软测量方法 | |
| CN114896895A (zh) | 基于门控循环神经网络的脱硝系统入口氮氧化物排放预测方法及系统 | |
| US20240103920A1 (en) | Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system | |
| CN117874480A (zh) | 基于ico-boss算法的土壤重金属光谱特征提取方法 | |
| CN108182337B (zh) | 一种基于ScMiUKFNN算法的天然气净化工艺建模方法 | |
| JP2002108412A (ja) | モデル構築方法およびモデル構築システム | |
| CN117131465B (zh) | 单管塔损伤识别方法、装置、电子设备及可读存储介质 | |
| CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 | |
| CN117195105B (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |