基于最近邻与神经网络融合模型的软测量建模方法

• 作者: 杨逸俊 王振雷 王昕
• 来源期刊: 化工学报
• 关键词: 软测量 动态建模 过程系统 最近邻算法 门限循环单元神经网络
• 年，卷（期）: 2021,（12）
• 所属期刊栏目: 过程系统工程
• 页码范围: 5696-5705
• 页数: 9页
• 分类号: TP273
• 语种: 中文
• DOI: 10.11949/0438-1157.20200401

摘要

软测量建模能够有效地解决生产过程中在线分析仪表测量滞后大、价格昂贵、维护保养复杂等问题。目前，基于数据驱动的神经网络是软测量建模的主要工具之一。而在建模数据的采集过程中，主导变量的采集相对辅助变量要困难得多，由此产生了大量缺失标签的数据。但传统的软测量建模方法却忽视了这些无标签数据，只利用少量的有标签数据建模，从而影响了模型的预测精度。为了解决标签缺失的问题，采用最近邻算法对无标签数据进行伪标记，同时设计了由卷积操作与门限循环单元神经网络（GRU）结合的网络结构来进一步利用无标签数据，提取不同时刻数据中的动态特征，提高神经网络的预测精度。最后将该方法应用于丙烯精馏塔塔顶丙烷浓度的预测，实验结果表明该模型能有效处理非线性动态系统的标签缺失问题，具有更高的预测精度。