[发明专利]一种集成多工况分析的化工生产过程质量预测方法

说明书

本发明属于工业生产过程过程变量检测领域，提供了一种集成多工况分析的化工生产过程质量预测方法。本发明方法的优点：1)所提方法创新性地提出用粒子群优化的ELM作为子模型来解决模型集成精度差的问题，不仅提高了由子模型集成的软测量模型的预测精度和速度，而且改善了子模型之间的差异性，能够实现模型之间更好地集成。2)为了提高集合模型的效率，本发明提出利用具有快速收敛性的遗传算法来选择子模型，并有选择地将PSOELM建立的模型进行整合，这样既保证了模型的适用性，又大大降低了存储空间和计算的复杂性。

技术领域

本发明属于工业生产过程过程变量检测领域，具体涉及一种集成多工况分析的化工生产过程质量预测方法。

背景技术

在化工生产过程中，需要对某些重要的过程变量和产品质量变量进行检测时，受限于技术或工艺条件而无法直接测量(如需要用到成分分析仪，时间成本大等)，便利用到软测量技术。软测量建模就是选择一组与主导变量相关性较大的且容易测得的辅助变量，通过建立主导变量以及辅助变量的数学模型来对主导变量的值进行回归预测。

在软测量建模方法当中，极限学习机(Extreme Learning Machine,ELM)由于其结构简单、训练速度快、泛化性能好等优点，被广泛用于工业软测量建模当中。相比于传统的神经网络，极限学习机能够克服梯度下降的反复迭代过程，在保证学习精度的前提下比传统的学习算法速度更快。然而，由于ELM网络生成过程随机产生输入层权值和隐含层阈值，造成参数选取不当，从而导致网络学习性能不足，对样本的预测能力下降，不能满足实际的工业要求。

实际工业软测量建模过程中，由于现代化工过程工况较为复杂，会导致单一软测量模型无法保证全局范围内的预测度。而集成学习能够构建并结合多个学习器来完成学习任务，让部分相对较弱的模型通过某种策略结合起来，使得各子模型发挥出各自的优势，完成全局回归任务，因此被广泛运用于实际数据的回归预测中。传统集成学习将所建立的子模型全部进行集成后预测结果，虽然此种方法获得的集成学习机的预测效果显著优于单个基学习器，但存在以下明显缺陷：(1)与基学习器相比，集成后的模型预测速度明显下降。(2)随着基学习器数目的增加，所需要的存储空间也急剧增加。

发明内容

针对上述问题，本发明提出了一种利用遗传算法有选择地集成粒子群算法优化的极限学习机的新型集合软传感器方法，简称为GASEN-PSOELM。相较于现有传统的方法，所提出的新型集成软测量方法不仅能提高预测速度，而且还能保证良好的预测精度和泛化性能。

为实现上述目标，本发明的技术方案：

一种集成多工况分析的化工生产过程质量预测方法，步骤如下：

(1)将数据集划分为训练集、验证集和测试集；

为了能够利用遗传算法有选择地集成粒子群算法优化的极限学习机的新型集合软测量方法解决多工况的化工生产过程进行质量预测问题，本发明构建了化工生产过程数据和生产装置数据的数据集。面向化工生产过程和化工生产装置分别选取33个过程变量和7个测量变量对生产产品的产品质量进行预测分析，并将数据集随机划分为训练集、验证集和测试集。

(2)基于粒子群优化的极限学习机构建候选子模型；

训练集通过Bootstrap采样生成若干子训练集，针对生成的子训练集建立ELM模型，并通过粒子群优化得到各子训练集的最优权值和阈值，获得最优的ELM模型网络结构，得到候选子模型。

ELM模型的输出表示为：

其中，x_i指的是第i个输入变量，w_i是输入层和隐含层的连接权值，b_i为隐含层神经元阈值，g为激活函数。