积分商城

最新搜索： ispLEVER ESAM sonar STM8S003 BRIGHTEK 电解电容封装库
您现在的位置是：首页 > 技术资料 > 基于深层神经网络的多输出自适应软测量建模
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于深层神经网络的多输出自适应软测量建模

更新时间：2019-12-30 04:39:19 大小：2M 上传用户：IC老兵查看TA发布的资源 标签：深层神经网络 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

在污水处理运行过程中,多个重要的难测过程变量的存在,不仅妨碍了生产过程的监控,而且阻碍了过程控制策略的调整或优化。即使软测量模型得到合理的构建,在投入运行后仍然遭受性能的退化和同时带来的高昂的维护成本。此外,合适辅助变量的选取直接影响后续建模的效果。因此,文中提出了一种基于深层神经网络的多输出自适应软测量模型,用于污水处理过程中多个目标变量的同步在线预测。其中,深层神经网络基于一种栈式自编码而构建,在极端复杂场景下具有优异的在线预测性能;并在建模中引入时差建模和变量重要性投影(VIP)这两种算法,以应对性能退化问题和实现辅助变量的精选。最后,通过一个实际案例对所提出模型进行验证。结果表明,所提出的软测量模型不仅具有较好的多输出预测性能,且在单目标预测结果上也有不错的表现。


部分文件列表

文件名 大小
1577651953基于深层神经网络的多输出自适应软测量建模.pdf 2M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
化工学报 2018 年 第69 卷 第7 期 |
CIESC Journal, 2018, 69(7): 3101-3113  
DOI：10.11949/j.issn.0438-1157.20171624  
基于深层神经网络的多输出自适应软测量建模  
邱禹 1，刘乙奇 1,2，吴菁 1，黄道平 1  
（1 华南理工大学自动化科学与工程学院，广东 广州 510640；2 广州中国科学院沈阳自动化研究所分所，  
广东 广州 511458）  
摘要：在污水处理运行过程中，多个重要的难测过程变量的存在，不仅妨碍了生产过程的监控，而且阻碍了过程  
控制策略的调整或优化。即使软测量模型得到合理的构建，在投入运行后仍然遭受性能的退化和同时带来的高昂  
的维护成本。此外，合适辅助变量的选取直接影响后续建模的效果。因此，文中提出了一种基于深层神经网络的  
多输出自适应软测量模型，用于污水处理过程中多个目标变量的同步在线预测。其中，深层神经网络基于一种栈  
式自编码而构建，在极端复杂场景下具有优异的在线预测性能；并在建模中引入时差建模和变量重要性投影（VIP）  
这两种算法，以应对性能退化问题和实现辅助变量的精选。最后，通过一个实际案例对所提出模型进行验证。结  
果表明，所提出的软测量模型不仅具有较好的多输出预测性能，且在单目标预测结果上也有不错的表现。  
关键词：污水；软测量；神经网络；多输出；预测；时差建模；变量重要性投影  
中图分类号：TP 277  
文献标志码：A  
文章编号：0438—1157（2018）07—3101—13  
A self-adaptive multi-output soft sensor modeling based on deep neural network  
QIU Yu1, LIU Yiqi1,2, WU Jing1, HUANG Daoping1  
(1School of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, Guangdong, China;  
2Shenyang Institute of Automation, Guangzhou, Chinese Academy of Sciences, Guangzhou 511458, Guangdong, China)  
Abstract: In wastewater treatment process (WWTP), existence of several important but difficult-to-measure process  
variables hinders not only monitoring of the production process but also adjustment or optimization of process  
control strategies. Even though soft-sensor models are reasonably constructed, it will still suffer degradation problem  
and high maintenance cost in real-time operation. Additionally, selection of proper secondary variables directly  
affects subsequent modeling. Therefore, a self-adaptive multi-output soft sensor model based on deep neural  
network was proposed for simultaneous online prediction of multiple target variables in wastewater treatment. Deep  
neural network was constructed from a stacked auto-encoder, which had satisfactory performance of online  
prediction under extremely complex scenarios. In order to overcome degradation problem and select proper  
secondary variables, time difference modeling and VIP (variable importance in projection) methods were added.  
Finally, validation on a true WWTP process shows that the proposed soft-sensor model has good performance on  
multiple output prediction and satisfactory prediction on single target.  
Key words: wastewater; soft sensor; neural network; multi-output; prediction; time difference modeling; VIP  
2017-12-11 收到初稿，2018-01-29 收到修改稿。  
联系人：黄道平。第一作者：邱禹（1988—），男，博士研究生。  
基金项目：国家自然科学基金项目(61673181,61533002)；广东省自然  
科 学 基 金 项 目 (2015A030313225) ； 广 东 省 科 技 计 划 项 目  
(2016A020221007)。  
Received date: 2017-12-11.  
Corresponding author: Prof. HUANG Daoping, .  
edu.cn  
Foundation item: supported by the National Natural Science Foundation  
of China (61673181,61533002), the Natural Science Foundation of  
Guangdong Province (2015A030313225) and the Science and Technology  
Planning Project of Guangdong Province (2016A020221007).  
·3102·  
化 工 学 报  
第69 卷  
例如，移动窗口（moving window, MW）方法[14]、  
递归方法[15-16]，或者是JIT（just in time）类型方  
引 言  
法
[17-19]，已被证实在处理性能退化问题上是有效  
软测量是过程控制领域中用于解决难测参数  
检测的一种常用技术[1-4]。但是，污水处理运行过程  
中多个重要且难测的过程变量，如五日生化需氧量  
（BOD5）、化学需氧量（COD）、总磷（TP）和污泥  
体积指数（SVI）等，不仅妨碍了污水处理过程的监  
控，更是阻碍了过程控制策略的调整或优化，建立  
多输出模型是解决该问题的一种有效途径。现有的  
多输出回归主要有两种实现方法[5]：局部方法和全  
局方法。局部方法是将多输出问题转换为多个独立  
的单输出问题，即建立多个独立的单输出模型来预  
测多个目标。这种方法是目前最为普遍的解决方案，  
虽然可以同步获取多个目标的实时值，但存在一些  
问题[5-6]。首先，忽略了目标变量之间可能存在的相  
关性。该方法对于所有目标变量相互独立或者相关  
性很弱的情况是合适的。然而，这种情况一般很少  
或不太可能出现在过程工业，特别在污水处理过程  
中，过程变量之间存在着强相关耦合性；再者，预  
测目标类型不同，所建立的每个模型结构也不尽相  
同，这不仅增加建模负担，而且会导致最终模型结  
构的臃肿，运行效率不高，也不利于后续模型的维  
护。而全局方法则是对特定的单输出方法进行多输  
出的调整，使之能直接处理多输出数据集，即建立  
一个多输出结构的单一模型来预测多个目标。该方  
法不仅能够预测多个目标，而且对目标之间存在的  
属性进行建模和解释，因此被认为极具潜力[7-10]。在  
面向污水处理的软测量建模方法中，神经网络凭借  
网络拓扑结构和非线性计算能力，成为了一种颇具  
吸引的全局方法，例如文献[11]提出了一种基于模  
糊神经网络的多输入多输出软测量方法，较好实现  
了出水TP 和NH4-N 的同步预测，但只选取了两种  
过程指标作为预测目标，应用意义不大，且没有就  
多输出的优势与单输出方法进行对比。此外，文献  
[12]提出了一种基于深层神经网络的软测量模型，  
在极端复杂场景下，具有比浅层架构软测量模型更  
好的预测性能，但没有就多输出能力进行验证。  
尽管如此，污水处理过程经常遭遇诸如漂移、  
外部环境变化（如天气、季节）等影响，即使是具  
有多层非线性结构的深层神经网络，模型预测性能  
也不可避免地出现了衰减。为了应对这种性能退化  
问题[13]，目前流行的解决方案是利用最新或最相似  
的过程数据对模型实行在线更新，建立自适应模型，  
的。虽然这些方法的使用取得了许多优异的成果，  
但在实际应用中存在一些问题。首先，更新模型所  
用到的数据集若包含有任何异常的数据，同样会显  
著恶化更新后模型的预测性能[20-21]；其次，更新模  
型意味着对模型进行重构，这对于神经网络模型而  
言是不可接受的。而且，若所用到的数据集较为复  
杂，则进一步加重训练时间；再者，每当重构模型  
时，操作人员都需要检查、调整模型的参数，或含  
有参数的相关指标，以确保模型能够安全运行，这  
不仅需要操作人员具备软测量建模的相关知识，而  
且还会耗费大量的时间和精力。为了克服上述问题，  
一种可行的解决方案是诉诸于时差（time difference,  
TD）建模方法，换言之，软测量模型是基于解释变  
量X 和目标变量y 的时差形式而建立的。时差处理  
有助于数据序列平稳化，并将变量最新的变化包含  
其中，使得随时间衰减的影响，比如漂移，或过程  
状态的渐变，能得到解释，有助于建模。基于时差  
建立的模型因能够预测目标变量的同时，适应外界  
状态的变化，因此也称为自适应模型[13]。  
除此之外，建立面向污水处理的具有出众预测  
性能的软测量模型仍然是一件困难的工作。软测量  
技术通过建立易测辅助变量，例如温度、溶解氧浓  
度、ORP、pH、浊度等，和难测变量，比如BOD、  
COD、TP 等之间的关系（软测量模型），实现对难  
测变量的估测，但与此同时也带来了一个问题，即  
如何选取合适的辅助变量将直接影响后续软测量建  
模的效果。辅助变量的选择确定了软测量的输入信  
息矩阵，因此直接决定了软测量模型的结构和输出。  
现代污水厂某些对象具有数十个检测变量，面对这  
些可测变量集，若采用定性分析方法对每个变量进  
行逐一判断，工作量大，不仅低效，且结果不一定  
令人满意。目前主要根据过程机理、工艺流程以及  
专家经验来选择辅助变量，这样确定的变量仍可能  
不少且相关程度差异大，将它们全部用于建模，不  
仅增加建模难度，且能否提高输出精度值得商榷。  
而对于数据驱动模型而言，过多冗余的输入变量，  
不仅会导致训练时间过多，而且会增加过拟合的风  
险，特别对于参数较多的深层神经网络而言，更是  
如此。如果能用较少合适的辅助变量作为输入不仅  
有利于模型的建立，而且在描述对象过程方面也能  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号