[发明专利]一种基于传递熵与长短期记忆网络的TE过程时序预测方法

说明书

本发明涉及一种基于传递熵与长短期记忆网络的TE过程时序预测方法。针对TE过程变量间关联性强，易将冗余信息引入预测模型，导致时序预测精度低和训练速率慢的问题，本发明将传递熵算法的不对称性用于变量选取，在TE过程反应器单元变量中选择出对反应器温度影响较大的上游变量，剔除下游不相关变量的干扰，从而降低时序预测模型的复杂度。利用LSTM在时序预测方面的优越性能，基于传递熵选择出的变量建立LSTM时间序列预测模型，预测反应器温度的未来时间序列。

技术领域

本发明涉及基于信息熵的关键变量选取和基于深度学习的时序预测技术领域，特别是针对TE(Tennessee Eastman))过程变量间关联性强的特性提出了一种基于传递熵与长短期记忆网络的TE过程时序预测方法，是流程工业技术领域的重要分支。

背景技术

工业过程时序预测的目的是现场操作人员通过监控关键过程变量实现对整个生产流程的控制，从而保证生产过程的安全和平稳运行，因此，对关键过程参数反应器温度准确的时序预测对于提高过程控制性能和优化产品的质量指标以及工业过程安全运行具有重要的作用。

由RNN变化而来的LSTM(Long Short-Term Memory)引入各种门结构，很大程度上提高了预测性能。因此，本发明选用LSTM方法进行TE过程时序预测。但是，在TE生产过程中，由于其复杂的物理连接特点，过程变量间具有复杂的关联性。如果将全部变量纳入到已建立好的模型之中，就会对分析自变量与因变量之间的客观关系形成干扰，还可能增加预测误差。因此，许多学者对变量选择进行了研究。徐圆等利用k-近邻互信息方法对多元时序变量进行相关性选择，得到一组相关变量集以降低系统变量的维数，提高系统故障预测的精度。赵荣荣等将k-近邻互信息(k-MI)引入到辅助变量的选择中，从而达到筛选辅助变量的目的。孙茂伟等采用基于正则化互信息的特征排序指标进行学习器的输入特征抽取。高洁等提出基于互信息筛选出与故障类别高度相关的关键故障变量，有效提升故障诊断模型性能，增强模型可解释性。然而，TE过程属于流程工业生产过程，其物质流、信息流、能量流呈现有序流动的状态。对于一个给定的目标变量，从流动方向上可将过程变量分为“上游变量”(因变量)和“下游变量”(果变量)。下游变量对目标变量的作用是冗余的，上述方法只能衡量两个变量间相关性的大小，而无法从方向上剔除该冗余。

发明内容

针对TE过程变量间关联性强，易将冗余信息引入预测模型，导致时序预测精度低和训练速率慢的问题，提出一种基于传递熵与长短期记忆网络的TE过程时序预测方法。本发明将传递熵算法的不对称性用于变量选取，在TE过程反应器单元变量中选择出对反应器温度影响较大的上游变量，剔除下游不相关变量的干扰，从而降低时序预测模型的复杂度。利用LSTM在时序预测方面的优越性能，基于传递熵选择出的变量建立LSTM时间序列预测模型，预测反应器温度的未来时间序列。

基于传递熵与长短期记忆网络的TE过程时序预测方法，其特征在于包括以下步骤：

(1)采集TE工业过程反应器单元正常操作情况下的历史数据，构成样本集(X₁,X₂,…,X_m,…,X₈,Y)，即其中X_m表示第m个变量，即物料A进入反应器的流量、物料D进入反应器的流量、物料E进入反应器的流量、回收反应物的流量、反应器的进料总流量、反应器压力、反应器液位、反应器冷却水出口温度。Y表示要预测的目标变量，即反应器温度，每个变量包含i＝(1,2,…,I)个采样时刻，即X_m＝(X_m,1,X_m,2,…X_8,i)，Y＝(y₁,y₂,…,y_I)，其中X_m,i表示第i个采样时刻的第m个变量的测量值，Y_i表示第i个采样时刻目标变量反应器温度的测量值。