基于时序迁移与双流加权的ONLSTM软测量建模

作     者：李祥宇 隋璘 马君霞 熊伟丽 LI Xiangyu;SUI Lin;MA Junxia;XIONG Weili

作者机构：江南大学物联网工程学院江苏无锡214122 江南大学轻工过程先进控制教育部重点实验室江苏无锡214122 

出 版 物：《化工学报》 (CIESC Journal)

年 卷 期：2023年第74卷第11期

页      面：4622-4633页

核心收录：

学科分类：08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金项目(61773182) 国家重点研发计划子课题项目(2018YFC1603705-03) 江南大学双一流学科与支撑学科协同发展支持计划项目(QGJC20230203)。 

主　　题：时间序列迁移 加权有序神经元长短时记忆网络 双流结构 软测量 神经网络 过程控制 动态建模 

摘      要：实际化工过程建模具有多变量、非线性和动态性等特点,会导致模型复杂度提高且提取特征时产生冗余信息和时序分布漂移问题,因此提出一种基于时序迁移和双流加权的有序神经元长短时记忆网络(ONLSTM)模型。首先,利用时序迁移对特征分布进行匹配以自适应表征特征分布信息,采用划分特征分布差异最大时间域进行训练,减小时序分布失配,从而解决时序分布漂移问题;其次,在时序迁移框架内嵌入双流加权ONLSTM模型,通过对ONLSTM主遗忘门和主输入门分别加权,更精确控制传递信息;进一步结合双流结构设计双信息流控制相应门控单元,减小参数调节过程中的耦合影响,降低模型复杂度,提高其预测性能;最后,将所提模型应用于硫回收过程以及某火电厂脱硫过程排放烟气SO_(2)浓度软测量建模,并与其他深度学习网络进行对比,验证了模型有效性。