基于深度信念极限学习机的化工过程软测量方法研究

作     者：李沂蔓 

作者单位：淮阴工学院 

学位级别：硕士

导师姓名：彭甜;何龙标

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081704[工学-应用化学] 08[工学] 0817[工学-化学工程与技术] 081104[工学-模式识别与智能系统] 081701[工学-化学工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：软测量 深度信念网络 极限学习机 灰狼优化算法 污水处理过程 青霉素发酵过程 

摘      要：在复杂化工生产过程中,一些关键过程变量会对生产质量、效率产生严重影响,对这些关键过程变量进行有效实时监测和控制,能够为减少生产成本、提质增效具有重要意义。软测量技术的提出为关键变量的在线实时检测提供了一种行之有效的解决思路。深度学习作为人工智能的分支,因其优异的学习能力在复杂化工过程中的应用受到了广泛的关注。本文在软测量技术的基础上,进一步研究基于深度学习的软测量建模方法。通过对两个具有不同特性的化工过程构建软测量模型,并与其它软测量方法进行比较,验证所提软测量建模方法的性能与表现。本文主要研究内容如下:（1）为了能够更有效选择软测量建模的辅助变量,提出一种基于偏自相关函数（PACF）算法的特征选择方法。污水处理过程与青霉素发酵过程的实验研究表明,与PLS和PCA方法相比,PACF算法所选的辅助变量作为软测量模型的输入,能够为模型训练提供可靠的输入变量,改善模型的预测表现。（2）提出了一种基于PACF-GWO-DBN-ELM的污水处理软测量模型。针对污水处理过程存在的非线性、耦合性与时变性等特点,构建了DBN-ELM软测量模型,DBN-ELM模型结合了DBN与ELM的优点,能够有效实现对出水水质指标BOD预测。同时,为减少模型计算量,利用PACF技术对污水数据进行特征选择,构建软测量模型的输入矩阵;为提高模型寻优效率,采用GWO算法对DBN-ELM的模型参数进行寻优。实验结果表明,相较于其它软测量方法,所提软测量方法在BOD的预测精度上有了显著的提升。（3）提出了一种基于EEMD-PACF-IGWO-DBN-RELM的青霉素发酵过程软测量模型。针对青霉素发酵过程作为间歇过程,具有多阶段、动态性等特点,构建了DBN-RELM软测量模型。在模型训练之前,对数据进行EEMD去噪和PACF特征选择处理,用以除去数据中存在的噪声与干扰,减少模型的计算量。并针对标准GWO算法的不足,对GWO算法进行改进,利用改进的GWO算法（IGWO）对DBN-RELM模型的参数进行优化。将经过处理后的数据送入最优DBN-RELM模型进行训练与预测,实现对青霉素浓度的估计。仿真结果表明,所提软测量方法能够有效估计青霉素浓度的变化。