实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and para...实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and parallel input bidirectional long short-term memory,DNMPI-BiLSTM)软测量模型。在所提策略中,首先为了阐述过程变量与质量变量之间的关联性,采用互信息以及最大相关最小冗余方法对输入数据集进行分类。随后,为了充分挖掘工业过程内部所包含的高度复杂的非线性关系,利用深度极限学习机的隐藏层对子过程变量空间进行非线性映射到高维空间。最后,将三类数据的非线性映射结果并行,建立了基于分布式非线性映射和并行输入的DNMPI-BiLSTM软测量模型,以提升模型对复杂工业过程质量变量的预测能力。通过三个工业案例验证所提方法的有效性,仿真结果表明,所提出的基于分布式非线性映射和并行输入的BiLSTM软测量建模方法的预测精度优于其他先进模型。展开更多
文摘实际化工工业过程数据往往存在多重共线性、高度非线性等多重特性,这会严重影响传统软测量模型对关键质量变量的预测精度。针对这一局限性,提出了一种分布式非线性映射和并行输入的双向长短记忆(distributed nonlinear mapping and parallel input bidirectional long short-term memory,DNMPI-BiLSTM)软测量模型。在所提策略中,首先为了阐述过程变量与质量变量之间的关联性,采用互信息以及最大相关最小冗余方法对输入数据集进行分类。随后,为了充分挖掘工业过程内部所包含的高度复杂的非线性关系,利用深度极限学习机的隐藏层对子过程变量空间进行非线性映射到高维空间。最后,将三类数据的非线性映射结果并行,建立了基于分布式非线性映射和并行输入的DNMPI-BiLSTM软测量模型,以提升模型对复杂工业过程质量变量的预测能力。通过三个工业案例验证所提方法的有效性,仿真结果表明,所提出的基于分布式非线性映射和并行输入的BiLSTM软测量建模方法的预测精度优于其他先进模型。
