智能检测理论及技术07.ppt

7.3 基于神经网络智能检测的通用模型 第七章 基于神经网络的智能检测 软测量建模的主要步骤 软测量模型在应用中经常涉及庞大的数据组，这将导致繁琐的处理。此外，实验室数据与现场数据的采样频率不同，因此构造这个混合的数据集可能是十分耗时的工作。实际上构造软测量模型最繁重的部分就是准备这个数据集。 数据采集：根据过程历史数据和实验室数据建立软测量模型。过程数据来自过程控制系统（如DCS系统），实验室数据由间歇采集的数据集构成，来自实验室的数据分析系统。 现场数据和实验室数据的采集总量要求覆盖典型操作期内软测量模型预测有效的整个测量范围。 7.3 基于神经网络智能检测的通用模型 第七章 基于神经网络的智能检测 软测量建模的主要步骤 格式化：所获的数据的形式一般是未经组织的文本格式。格式化步骤是将文本数据转换成易于编辑的表格形式。 预处理：这是数据编辑的步骤，由工程人员检查数据文件，移去无效数据（如过程系统紊乱时的采集数据），用插值法填补丢失数据，对数据进行数字滤波，以及对数据进行归一化处理等。 7.3 基于神经网络智能检测的通用模型 第七章 基于神经网络的智能检测 软测量建模的主要步骤 建模：在建模阶段，用经过预处理的数据集训练神经网络。在训练中，工程人员通常监视训练误差和测试误差的收敛情况。用于软测量建模的数据集一般分为三组：训练集、测试集和确认集。 模型分析：这一步骤的主要目的是从工程意义的角度，通过检验参与网络训练的输入变量，确认它们对于软测量建模的重要程度。这种重要程度可以通过工艺机理作定性分析，也可以通过输出变量对输入变量的敏感度定量反映。 7.3 基于神经网络智能检测的通用模型 第七章 基于神经网络的智能检测 软测量建模的主要步骤 在分析阶段，移去对建模不做贡献的输入变量，而后重复上述建模步骤。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 流化催化裂化单元中的粗汽油干点，轻柴油倾点的软测量 粗汽油干点和轻柴油倾点是反应流化催化裂化单元中主分馏塔产品质量指标的重要参数，对其实行卡边控制以提高经济效益一直都是石油炼制企业关注的问题。 在线质量分析仪价格昂贵、测量滞后大，且存在维护和保养的困难及可靠性差的问题。目前在生产过程中一般采用离线分析化验手段，每8h才能获得一组数据，实时性差，无法直接实现质量闭环控制。 为此，引入适用的软测量技术具有重要意义。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 流化催化裂化单元中的粗汽油干点，轻柴油倾点的软测量 粗汽油干点的软测量 采集50组具有代表性的实际 工况数据，其中30组数据用 作训练样本，另20组数据用 于模型泛化性能的测试。 网络拓扑结构3-6-1（多层前向网络） 辅助变量：塔顶温度、塔顶压力和顶循温差。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 流化催化裂化单元中的粗汽油干点，轻柴油倾点的软测量 轻柴油倾点的软测量模型 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 流化催化裂化单元中的粗汽油干点，轻柴油倾点的软测量 动态误差校正: 动态误差校正环节的引入使整个系统有了一定的动态补偿能力，又不必对神经网络重新进行训练。 线性递归滤波器 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 流化催化裂化单元中的粗汽油干点，轻柴油倾点的软测量 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 两相流流量及浓度的软测量 气固两相流中，固相质量流量的在线测量，对气固两相流工业过程的检测和控制具有重要意义。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 两相流流量及浓度的软测量 将管程总压降及气相质量流量视为固相质量流量的主要关联因素用作神经网络的输入（网络结构2-3-1），其他次要因素认为是常数，包括在网络权值中。训练过程及误差曲线如下图所示。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 两相流流量及浓度的软测量 电极阵列式传感器作为两相流检测系统，这种方法以阵列式电容传感器为输入信号的采集工具，应用多层前向神经网络获得了离散浓度的估计值。 1 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检测 生化反应过程中的软测量建模 生化反应建模的特点 生化反应有大量的活细胞参与，其非线性和不确定性尤为明显，一般基于神经网络的辨识模型是“黑箱模型”，但存在不足，灰箱建模结合了黑箱建模和白箱建模的优点，是较为理想的建模途径。 7.4 基于神经网络智能检测应用实例 第七章 基于神经网络的智能检