[发明专利]一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法

说明书

本发明公开一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法。本方法对关键变量归一化，得到辅助变量、主导变量，再进行动态建模，使仅具有静态特性时间序列的辅助变量及主导变量转化为具有动态特性的ALIESN输入变量；然后对ALIESN输入变量的前n个数据，采用ALIESN岭回归离线学习算法，进行离线训练学习，得到神经网络离线训练输出权值；最后，将上数值作为在线学习的初始权值，以ALIESN输入变量第n+1个数据起开始进行在线输出权值训练，得到最终的网络输出权值和预测的输出变量。本方法学习算法简单、快速、成本低，训练数据少，且动态非线性系统逼近能力强等，网络输出权值速度快，提升丁烷含量的预测精度，适应精细化工过程中实时学习的要求。

技术领域

本发明涉及一种基于增广泄露积分回声状态网络(ALIESN)快速在线学习算法的脱丁烷塔软测量建模方法，属于软测量领域，具体地说是一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法。

背景技术

化工过程中，重要变量的实时在线监测，在产品质量控制中起着极其重要的作用。但是往往这些变量在化工过程中处于高温度、强非线性、强辐射、快速变化的环境中，无法直接、及时、准确的测量和采集，因此，软测量技术应用而生。

近十年以来，软测量技术有着快速的发展，尤其是基于神经网络的软测量建模方法，已经被很多企业、科研机构应用于实际的化工过程中，取得了良好的应用效果。但是目前已有的化工过程中基于神经网络软测量建模方法，普遍存在算法复杂、需要较大数据集进行学习和训练、输入输出变量的采样时间较长、学习时间长、学习成本高、无法快速实时到达较高的学习精度等问题，造成重要变量的监测无法满足精细化工的相关精度要求。

发明内容

本发明的目的在于提出一种基于增广泄露积分回声状态网络(ALIESN)快速在线学习算法的脱丁烷塔软测量建模方法。本方法先对采集到的关键变量进行归一化预处理，得到辅助变量、主导变量，再对辅助变量及主导变量用非线性自回归模型(NARX)进行动态建模，使仅具有静态特性时间序列的辅助变量及主导变量转化为具有动态特性的ALIESN输入变量；然后对ALIESN输入变量的前n个数据，采用ALIESN岭回归离线学习算法，进行离线训练学习，得到神经网络离线训练输出权值；最后，将该神经网络训练输出权值作为在线学习的初始权值，以ALIESN输入变量第n+1个数据起开始进行在线输出权值训练，得到最终的网络输出权值和预测的输出变量。本方法学习算法简单、快速、学习成本底，训练数据少，且动态非线性系统逼近能力强等，网络输出权值速度快，提升丁烷含量的预测精度，适应精细化工过程中实时学习的要求。

为实现上述目的，本发明所述一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法，包括以下步骤：

首先，将通过传感器采集到的关键变量进行归一化预处理得到辅助变量和主导变量，并对其采用NARX模型进行动态建模，生成具有动态特性的ALIESN输入变量；

其次，对ALIESN输入变量的前n个数据，采用ALIESN岭回归离线学习算法，进行离线训练学习，得到神经网络离线训练输出权值；

最后，将所述神经网络离线训练输出权值作为在线学习的初始权值，从ALIESN输入变量的第n+1个数据开始进行输出权值在线训练，得到最终的网络输出权值和预测的输出变量。

所述一种基于ALIESN在线学习算法的脱丁烷塔软测量建模方法，包括以下步骤：