基于多模型结构的裂解炉产品质量软测量研究许皖俞金寿.PDFVIP

基于多模型结构的裂解炉产品质量软测量研究 许皖 俞金寿 许皖先生，华东理工大学自动化系硕士研究生；俞金寿先生，教授、博士生导师。 关键词：软测量 多模型 泛化能力 一 引言 裂解炉是石化工业中重要设备之一，其主要用途是通过裂解石脑油等原料来 产生重要的石化基础原料乙烯、丙稀和丁二烯。而其中乙烯的收率是产品质量的 重要指标，它为质量控制和反馈控制提供重要数据。由于在线质量分析仪的种种 不足，软测量技术应用具有很大吸引力。本文主要讨论预测乙烯收率软测量模型 的建立方法。 软测量建模方法主要有：统计回归、神经网络、小波网络、模糊系统、粗糙 集理论和模糊规划以及支持向量机等。这些方法都不同程度应用于软测量建模实 践中，具有不同优缺点及适用范围。将来的发展主要沿两个方向：(1)几种不同方 法的相互融合。如神经网络和模糊技术以模糊神经网络的方式融合以及统计回归 和神经网络方法的结合等，它们在理论和实际应用中展现了良好前景。(2)混合建 模。即使用某种线性或非线性数据驱动模型来补偿简化的机理模型。总之，到目 前为止尚没有一种通用解决方案。因此，在实际应用中，应根据实际问题采用不 同方法加以解决。本文针对裂解炉生产过程的复杂性，对其软测量模型建立的一 些方法进行了比较研究，建立了多模型神经网络的软测量模型，通过采用不同建 模方法独立建立多个模型，并通过加权平均实现各个神经网络输出的集成；并对 各种集成方案进行了比较和仿真研究，结果表明：与传统建模方法比较，该方法 能取得更好的预测结果。 二 多模型结构软测量模型的建立方法 正如上述建立软测量模型的技术及其改进方法很多，这些方法主要是从以下 3 方面，即较高的拟合精确度、较强的泛化能力、较简单的结构为目标加以改进 和提高。这几方面的研究已取得很大进展。 1. 软测量模型的总体结构 通过对各种方法的比较后，认识到神经网络集成方法(network ensemble)是一 种简易、可行的方法，其建模框图如图 1 所示，它能较好地提高模型的精确度和 泛化能力。神经网络集成的基本思想是有限多个神经网络对同一个问题或对象分 别进行训练、学习，整个集成网络的输出，由各个网络输出进行集成共同决定。 到目前为止，神经网络集成方法在实践中的应用主要可归纳为以下两种：第一种 方式，主要思想：一般先在数据处理环节中采取某种聚类方式(如 K 均值聚类或 其改进方法等)把输入数据分成 n 类后，分别训练 n 个神经网络，再通过加权平均 或简单平均对输出进行集成。第二种方式，主要思想：首先，通过对集成网络输 出的误差标准如均方误差(MSE)确定一个阈值，而聚类个数不是预先确定而是从 n=2 开始，首次聚类后分别训练 2 个神经网络，如果 2 个网络的集成输出误差大 于设定的阈值时，增加聚类个数 n。重新聚类以及训练相同数量 n 个网络。如此 继续下去，直到输出误差小于确定阈值为止。 通过比较可知这两种方法各有利弊。第二种方式一般可取得较好的精确度且 泛化能力也较好；但其在应用中过程较为复杂，且阈值的确定没有通用标准，难 以获得最优网络结构。而第一种方式在以往的应用中多采用集成相同结构的神经 网络。这种方式虽然也在应用中取得可接受的结果，但 A. Krogh 等人通过研究发 现集成网络差异越大，集成效果越好。这种差异度一般情况是通过神经网络的训 练集、网络的结构及学习算法的差异来体现。这是因为神经网络的集成方法的精 确度由各个小网络的精确度保证，其泛化误差在任何情况下都能达到或超过组成 其各个网络的平均性能。当各个集成的网络泛化误差一定时，增大其差异性就能 有效降低集成网络的泛化误差。在本文中，根据 A. Krogh 等的理论对第一种集成 方式进行改进，以提高软测量模型的精确度和泛化能力，将通过对 3 个不同结构 的网络分别采用不同方法进行训练，再进行集成以构成软测量模型。以下将对模 型建立方法进行说明。 2. 神经网络结构及其训练方法的选择 对于用来集成的神经网