CN115938498A - 基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 - Google Patents
基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 Download PDFInfo
- Publication number
- CN115938498A CN115938498A CN202211623518.1A CN202211623518A CN115938498A CN 115938498 A CN115938498 A CN 115938498A CN 202211623518 A CN202211623518 A CN 202211623518A CN 115938498 A CN115938498 A CN 115938498A
- Authority
- CN
- China
- Prior art keywords
- layer
- sequence
- prediction
- multivariable
- neural network
- 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.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法,该方法充分利用历史可测量炉内温度等过程变量数据和历史碳氧化物含量间的相互作用,引入历史过程变量指导,通过堆叠结构提取序列的深层关联特征,通过前向预测和反向重构层,以最小化累计预测误差的方式实现对碳氧化物序列更准确的预测;本发明能够充分利用甲烷化炉过程数据及质量数据的连续性和时序性,提高了过程数据在序列建模上的利用率,丰富了序列特征,并提升了模型预测的准确性,实现了对甲烷化炉碳氧化物含量的多步预测。
Description
技术领域
本发明属于工业过程控制及软测量领域,具体涉及一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法。
背景技术
随着人民日益增长的物质需求和全球现代化进程,化工过程越来越复杂,工业界对产品质量、生产效率和生产过程安全监控的要求也越来越高。针对工业生产中硬传感器高成本和不灵活性,软测量技术被提出并逐渐应用到工业领域中,软测量的目的是利用所有可获得信息,求取所需变量的最佳估计。
合成氨过程是工业产品生产中十分重要的过程,其中,甲烷化炉是合成氨工艺中的一环,它通过甲烷化来吸收上游任务中多余的碳氧化物,从而降低该副产物对后续合成氨环节的影响,最终希望出口碳氧化物控制在一个较低的阈值。由于甲烷化是一个可逆的过程,工业中,往往通过控制反应炉内温度和入口气体流速来维持出口碳氧化物的含量。由于碳氧化物的浓度难以通过硬件设备进行检测,因此传统的检测方法主要为实验室分析,即,间隔一定的时间,采集碳氧化物气体,通过化学方法分析浓度,然而,该方法存在较高的分析成本和检测时延。此外,也有基于机理建模的碳氧化物含量检测方法,然而,由于甲烷化炉过程的复杂性和非线性,准确分析过程机理十分困难。因此,应用较广的,是基于数据驱动的碳氧化炉含量检测方法,如,主成分回归(PCR)、支持向量回归(SVR)、基于树的GBDT、XGBoost等,然而这些方法没有结合甲烷化炉过程的动态性,即,采集的数据之间存在时序关系。随着动态性建模的发展,不少研究将原来静态的模型改良为动态形式,早期的有基于概率统计的自回归模型等,近年随着深度学习的发展,以及对时空序列建模探索的深入,深度网络在复杂工业过程特征提取上的优势越发显著,然而在甲烷化炉工业过程中,由于部分深层网络如RNN、LSTM等训练效率低下,部分易出现训练退化等问题,还未在甲烷化炉碳氧化物检测中,得到良好的应用。
发明内容
针对甲烷化炉的动态性和时序性,以及进行多步质量预测的需要,本发明提出一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法,该方法充分利用过程序列和质量序列,采用堆叠结构不断降低训练残差,实现了甲烷化炉过程中出口碳氧化物含量的多步预测,且降低了训练难度,提升了预测的准确性。
本发明的目的通过如下的技术方案来实现:
一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法,该方法包括如下步骤:
步骤一:收集甲烷化炉过程中的历史数据,构建数据集F=[X′,Y]T,X′∈Rn×m,Y∈Rn;其中,X′是可测量的过程变量,Y表示出口碳氧化物含量;n表示采集样本的个数,R表示实数集;
步骤二:对X′中的每个过程变量归一化至[0,1]区间,得到X;
步骤三:就甲烷化炉过程选取合理的输入时间窗T1,同时选择需要预测的碳氧化物含量指标的时间窗T2;对归一化后的过程变量X和出口碳氧化物含量Y进行切分和序列化操作,得到一一对应的输入序列和预测序列;
步骤四:构建并训练多变量深度重构神经网络;所述多变量深度重构神经网络包括s个结构块,每个结构块包括拼接层、共享网络、反向重构层和前向预测层;所述共享网络包括三层非线性层;所述拼接层将过程变量序列和碳氧化物含量序列沿着特征维度连接,得到输入序列所述共享网络的前两层非线性层对输入Zt进行时间维度的特征提取,得到再将该特征表示沿着变量的维度进行特征提取,得到该共享网络最终提取的序列特征Hk×1:随后,将Hk×1分别输入到一个节点数为T1的反向重构层和一个节点数为T2的前向预测层;所述反向重构层重构质量变量的输入历史序列,得到反向重构输出所述前向预测层预测碳氧化物含量未来若干时刻的指标,得到前向预测输出随后,将反向重构层输出的历史质量序列与该结构块的输入质量序列Yt做差,得到质量序列残差该残差与过程序列Xt作为下一个结构块的输入;s个结构块的前向预测输出之和,作为最终的质量指标预测序列
步骤五:将待测的过程变量进行归一化,然后输入训练后的多变量深度重构神经网络,得到出口碳氧化物含量的预测序列。
进一步地,所述步骤二的归一化公式如下:
进一步地,所述共享网络进行特征提取的过程采用如下公式表示:
其中,表示第一层非线性层的权重系数,表示第一层非线性层的偏置系数,表示第二层非线性层的权重系数,表示第一层非线性层的偏置系数,表示第三层非线性层的权重系数,表示第三层非线性层的偏置系数,ReLU是激活函数,对小于0的输入,其输出为0,对大于0的输入,输出保持不变。
所述多变量深度重构神经网络的训练损失函数记为Loss
本发明的有益效果如下:
本发明相较于其他甲烷化炉碳氧化物含量的预测方法,充分利用历史可测量炉内温度等过程变量数据和历史碳氧化物含量间的相互作用,引入历史过程变量指导,通过深度重构神经网络对质量序列的深层重构,逐渐减小碳氧化物含量预测的误差,提升了工业质量预测的准确性;同时,该方法高效地解决了对工业过程重要质量指标的多步预测,不仅可以实现出口碳氧化物含量指标的超前预测,也能解决仪器的检测时延问题。
附图说明
图1为本发明的基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法的流程图。
图2为历史时间窗和预测时间窗的示意图。
图3为多变量深层重构神经网络框架图。
图4为多变量深层重构神经网络中单个结构块的示意图。
图5为甲烷化炉工艺流程图。
图6为本发明的多变量深层重构神经网络和现有的基于MLP、基于单变量重构(N-Beats)的软测量模型的预测拟合度图。
图7为本发明的多变量深层重构神经网络和现有的基于MLP、基于单变量重构(N-Beats)的软测量模型的预测误差图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明的基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法,包括如下步骤:
步骤一:收集甲烷化炉过程中的历史数据,构建数据集F=[X′,Y]T,X′∈Rn×m,Y∈Rn;其中,X′是可测量的过程变量,Y表示出口碳氧化物含量;n表示采集样本的个数,R表示实数集。
步骤二:对X′中的每个过程变量归一化至[0,1]区间。归一化的公式如下:
步骤三:就甲烷化炉过程选取合理的输入时间窗T1,同时选择需要预测的碳氧化物含量指标的时间窗T2,如图2所示;对归一化后的过程变量X和出口碳氧化物含量Y进行切分和序列化操作,得到一一对应的输入序列和预测序列。其中,T1根据专家经验,一般在10~30之间。以一条已序列化的样本为例,形如共n-T1-T2+1条样本。
步骤四:构建并训练多变量深度重构神经网络(以下简称MDRNN)。
如图3所示,多变量深度重构神经网络包括s个结构块。如图4所示,每个结构块包括拼接层(cat)、共享网络(shared bottom)、反向重构层(backcast)和前向预测层(forecast)。拼接层将过程变量序列和碳氧化物含量序列沿着特征维度连接,得到输入序列共享网络包括三层非线性层,前两层节点数为k,对输入Zt进行时间维度的特征提取,即将时间维度映射至k维,得到后一层节点数为1,将变量维度映射至1维,得到该共享网络最终提取的序列特征Hk×1:
其中,表示第一层非线性层的权重系数,表示第一层非线性层的偏置系数,表示第二层非线性层的权重系数,表示第一层非线性层的偏置系数,表示第三层非线性层的权重系数,表示第三层非线性层的偏置系数,ReLU是激活函数,对小于0的输入,其输出为0,对大于0的输入,输出保持不变。
随后,将共享网络提取的特征Hk×1分别输入到一个节点数为T1的反向重构层backcast和一个节点数为T2的前向预测层forecast;反向重构层重构质量变量的输入历史序列,得到反向重构输出前向预测层预测碳氧化物含量未来若干时刻的指标,得到前向预测输出
其中,模型的训练损失函数记为Loss,最小化该Loss完成训练,保存模型参数:
当得到新的历史过程序列和质量序列时,先根据离线阶段记录的Xmin和Xmax,对其中过程数据进行归一化。随后,将该过程序列同历史质量序列输入到训练好的模型里,得到s个结构块累加的输出,即为模型最终的预测序列
以下以一个具体的实施例来证明本发明的预测方法的效果。
甲烷化炉工艺流程图如图5所示,该实施例以10个过程变量作为软测量建模输入的一部分,其中包括流量、压力、温度和液位等。针对该过程,连续等时间采样约21w条炉内可测量过程变量和碳氧化物含量数据。随后,将数据集按照7:1:2的比例划分为训练集、验证集、测试集。为提前预测甲烷化炉出口CO和CO2的浓度不超出阈值范围,本发明的方法将预测未来5个时刻的浓度。这里,选择输入时间窗大小为30,即,根据历史30个采样时刻的过程序列和质量序列,预测未来5个时刻的碳氧化合物浓度。
同时,为了验证本发明的方法的效果,同时构建了基于MLP和基于单变量重构(N-Beats)的软测量模型。其中,本发明的多变量深层重构网络中,前两层共享基层的节点依次为15-15,沿时间维度进行变换,后一层共享层节点为1,沿特征维度进行变换,其后反向重构层节点为30,前向预测层节点为5。基于MLP的网络对序列数据进行展平,随后接3层网络,节点数依次为330-80-5,基于单变量重构(N-Beats)的软测量模型则不输入过程变量,参数和多变量深层重构网络一致。如图6所示,三种方法对未来不同时刻的预测拟合情况,图7展示了模型的预测误差,可以看到,本发明的基于多变量深层重构网络(MDRNN)的预测方法在任意时刻都能达到更好的预测准确性和更低的误差,可见,通过堆叠并行重构残差结构和前向预测结构,可以通过不断减小每个结构块输入历史质量序列的残差,更准确地逼近需要预测的质量指标。表1给出了三种基于深度网络的软测量方法在不同时刻的预测R2和mse。
表1三种基于深度网络的软测量方法的不同时刻预测效果
从表1中也能够看出,本发明的方法在未来不同时刻的R2均大于MLP和N-Beats,而mse均小于MLP和N-Beats,说明MDRNN在甲烷化炉碳氧化物含量预测任务中,更能捕捉变量的序列性,符合过程的动态性,具备更好的预测准确性。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (5)
1.一种基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法,其特征在于,该方法包括如下步骤:
步骤一:收集甲烷化炉过程中的历史数据,构建数据集F=[X′,Y]T,X′∈Rn×m,Y∈Rn;其中,X′是可测量的过程变量,Y表示出口碳氧化物含量;n表示采集样本的个数,R表示实数集;
步骤二:对X′中的每个过程变量归一化至[0,1]区间,得到X;
步骤三:就甲烷化炉过程选取合理的输入时间窗T1,同时选择需要预测的碳氧化物含量指标的时间窗T2;对归一化后的过程变量X和出口碳氧化物含量Y进行切分和序列化操作,得到一一对应的输入序列和预测序列;
步骤四:构建并训练多变量深度重构神经网络;所述多变量深度重构神经网络包括s个结构块,每个结构块包括拼接层、共享网络、反向重构层和前向预测层;所述共享网络包括三层非线性层;所述拼接层将过程变量序列和碳氧化物含量序列沿着特征维度连接,得到输入序列所述共享网络的前两层非线性层对输入Zt进行时间维度的特征提取,得到再将该特征表示沿着变量的维度进行特征提取,得到该共享网络最终提取的序列特征Hk×1:随后,将Hk×1分别输入到一个节点数为T1的反向重构层和一个节点数为T2的前向预测层;所述反向重构层重构质量变量的输入历史序列,得到反向重构输出所述前向预测层预测碳氧化物含量未来若干时刻的指标,得到前向预测输出随后,将反向重构层输出的历史质量序列与该结构块的输入质量序列Yt做差,得到质量序列残差该残差与过程序列Xt作为下一个结构块的输入;s个结构块的前向预测输出之和,作为最终的质量指标预测序列
步骤五:将待测的过程变量进行归一化,然后输入训练后的多变量深度重构神经网络,得到出口碳氧化物含量的预测序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623518.1A CN115938498A (zh) | 2022-12-16 | 2022-12-16 | 基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211623518.1A CN115938498A (zh) | 2022-12-16 | 2022-12-16 | 基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115938498A true CN115938498A (zh) | 2023-04-07 |
Family
ID=86697565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211623518.1A Pending CN115938498A (zh) | 2022-12-16 | 2022-12-16 | 基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938498A (zh) |
-
2022
- 2022-12-16 CN CN202211623518.1A patent/CN115938498A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079836B (zh) | 基于伪标签方法和弱监督学习的过程数据故障分类方法 | |
CN108897354B (zh) | 一种基于深度置信网络的铝熔炼过程炉膛温度预测方法 | |
Shen et al. | Weighted nonlinear dynamic system for deep extraction of nonlinear dynamic latent variables and industrial application | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN111914897A (zh) | 一种基于孪生长短时间记忆网络的故障诊断方法 | |
CN110189800B (zh) | 基于多粒度级联循环神经网络的炉氧含量软测量建模方法 | |
CN110569566A (zh) | 一种板带力学性能预测方法 | |
CN114358435A (zh) | 双阶段时空注意力机制的污染源-水质预测模型权重影响计算方法 | |
CN111639304B (zh) | 基于Xgboost回归模型的CSTR故障定位方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN110222825B (zh) | 一种水泥成品比表面积预测方法及系统 | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
CN115438897A (zh) | 一种基于blstm神经网络的工业过程产品质量预测方法 | |
CN114297921A (zh) | 基于am-tcn的故障诊断方法 | |
CN116842323A (zh) | 一种供水管线运行数据异常检测方法 | |
CN113707240B (zh) | 基于半监督非线性变分贝叶斯混合模型的成分参数鲁棒软测量方法 | |
CN116244596A (zh) | 基于tcn和注意力机制的工业时序数据异常检测方法 | |
CN115938498A (zh) | 基于多变量深度重构神经网络的甲烷化炉碳氧化物含量多步预测方法 | |
CN114021469B (zh) | 一种基于混合序列网络进行一段炉过程监测的方法 | |
Zhang et al. | Multivariate discrete grey model base on dummy drivers | |
CN116386756A (zh) | 一种基于集成神经网络可信度估计与加权学习的软测量建模方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
Jiang et al. | Gaussian Mixture Model and Double-Weighted Deep Neural Networks for Data Augmentation Soft Sensing | |
CN111291020A (zh) | 基于局部加权线性动态系统的动态过程软测量建模方法 | |
CN114841000B (zh) | 一种基于模态共有特征分离的软测量建模方法 |
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 |