针对化学工业过程中存在的强非线性和时变特性等问题,提出了一种基于牛顿-拉夫逊优化算法(Newton-Raphson based optimizer,NRBO)驱动的堆叠长短期记忆网络(stacked long short-term memory network,SLSTM)的运行状态评价方法。该方法...针对化学工业过程中存在的强非线性和时变特性等问题,提出了一种基于牛顿-拉夫逊优化算法(Newton-Raphson based optimizer,NRBO)驱动的堆叠长短期记忆网络(stacked long short-term memory network,SLSTM)的运行状态评价方法。该方法通过堆叠多层LSTM网络并引入Dropout层,增强了时序数据的表达能力。同时利用NRBO算法的二阶导数优化特性,有效提高了模型的收敛速度和分类精度,避免了传统LSTM评价方法在高维参数空间中易陷入局部最优的问题。在Tennessee Eastman(TE)过程的实验验证中,所提方法的预测准确率达到了99.31%,显著优于其他几种对比方法。针对非优状态,提出了基于主元分析和组套索正则化贡献(principal component analysis and group lasso regularization contribution,PCA-GLC)相结合的非优因素识别方法,该方法能够有效识别关键变量,减少误判和干扰,为工业过程的实时调整提供准确依据。在TE过程的实验验证中,所提方法相对于基于PCA的图贡献法,对关键变量的识别更加准确,并且降低了其他变量对结果的干扰。展开更多
文摘针对化学工业过程中存在的强非线性和时变特性等问题,提出了一种基于牛顿-拉夫逊优化算法(Newton-Raphson based optimizer,NRBO)驱动的堆叠长短期记忆网络(stacked long short-term memory network,SLSTM)的运行状态评价方法。该方法通过堆叠多层LSTM网络并引入Dropout层,增强了时序数据的表达能力。同时利用NRBO算法的二阶导数优化特性,有效提高了模型的收敛速度和分类精度,避免了传统LSTM评价方法在高维参数空间中易陷入局部最优的问题。在Tennessee Eastman(TE)过程的实验验证中,所提方法的预测准确率达到了99.31%,显著优于其他几种对比方法。针对非优状态,提出了基于主元分析和组套索正则化贡献(principal component analysis and group lasso regularization contribution,PCA-GLC)相结合的非优因素识别方法,该方法能够有效识别关键变量,减少误判和干扰,为工业过程的实时调整提供准确依据。在TE过程的实验验证中,所提方法相对于基于PCA的图贡献法,对关键变量的识别更加准确,并且降低了其他变量对结果的干扰。
