[发明专利]一种基于块增量随机配置网络的工业过程软测量建模方法

说明书

本发明公开一种基于块增量随机配置网络的工业过程软测量建模方法，包括：初始化块增量随机配置网络学习所需要的参数；根据监督机制，将隐层节点按块配置，并找出满足约束条件的隐层节点块作为新增候选节点块；从新增候选节点块中找出最佳隐层参数，计算新增隐层输出并构建隐层输出矩阵；通过优化算法得到当前网络的输出权值，并根据相邻两次迭代中残差的差值，利用模拟退火来更新下一次迭代的块宽，在当前网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点块，建模完成，得到块增量随机配置网络。本发明不仅能有效提高建模速度，而且所建立网络具有良好的紧致性，能够很好地满足工业过程软测量的需求。

技术领域

本发明涉及工业过程测量技术领域，特别涉及一种基于块增量随机配置网络的工业过程软测量建模方法。

背景技术

工业过程中通常采用在线检测仪对生产过程中的关键参数，如流量、压力、温度等，进行实时监视。随着市场经济全球化的增强与先进制造技术的发展，工业过程所关心的参数逐渐扩展到反映产品质量的运行指标，如洗选煤过程的灰分、高炉铁水中的硅含量、冶金磨矿中的粒度等。然而，这些运行指标的在线检测仪不仅造价昂贵，而且对其进行现场维护的工作量较大，实际工业现场多采用离线化验的人工测量方式，但耗时耗力，且往往因工人的技术水平层次不同，化验的结果差强人意。

解决上述问题的有效方法是软测量技术，就是通过建立可测或易测的过程变量(称为辅助变量)与难以直接检测的待测变量(称为主导变量)的数学关系，实现对难测变量的间接估计。采用软测量的间接估计方法，又分为机理模型与数据驱动模型。其中，机理建模方法均是在忽略或假设一些重要的物理变化后建立的，通常会产生较大的建模误差。因此，多采用数据驱动的方法建立软测量模型，其实质是利用生产过程中的产生的实时和历史数据，建立工业过程中变量之间的数学模型，实现对主导变量的估计。

近年来，神经网络算法被逐渐应用在工业过程软测量领域。尽管许多改进的算法被提出，但在实际的应用中仍存在训练耗时、精度不高、过多的人为干预等问题。作为一种随机化的前馈神经网络，点增量随机配置网络的输入权值和偏置在一个可调区间内快速随机生成，然后通过监督机制进行配置以确保网络的万能逼近特性；同时，该算法作为一种增量实现，每次增加一个节点，可以自动地完成网络的构建。然而，工业过程通常十分复杂，实现对主导变量的估计需要较多的节点来达到预期的结果。在这种情况下，由于点增量随机配置网络在一次迭代中只能增加一个节点，其构建过程往往需要较多的迭代，不可避免地增加了计算负荷、影响了建模效率。

发明内容

本发明旨在解决目前的工业过程变量测量存在的不足，以及目前的算法难以满足实际工业过程对于估计准确性与快速性的需求的技术问题。为此，本发明的目的在于提出一种基于块增量随机配置网络的工业过程软测量建模方法，不仅可以有效提高建模速度，而且所建立网络具有良好的紧致性，能够很好地满足工业过程软测量的需求。

本发明提出的一种基于块增量随机配置网络的工业过程软测量建模方法，包括以下步骤：S1，初始化块增量随机配置网络学习所需要的参数；S2，根据监督机制，将隐层节点按块配置，并找出满足约束条件的隐层节点块作为新增候选节点块；S3，从所述新增候选节点块中找出最佳隐层参数，计算新增隐层输出，并构建隐层输出矩阵；S4，通过优化算法得到当前网络的输出权值，并根据相邻两次迭代中残差的差值，利用模拟退火来更新下一次迭代的块宽，在当前网络隐层节点数超过给定最大隐层节点数或当前迭代中的残差满足期望容差时，不再增加新节点块，建模完成，得到块增量随机配置网络。

根据本发明实施例的基于块增量随机配置网络的工业过程软测量建模方法，从初始化的网络开始，通过引入用于配置隐层参数的监督机制来建立增量式网络模型，不仅确保了其万能逼近特性，而且网络的复杂度可以依工业过程而定，采用模拟退火策略来自适应调整每次迭代时所需的块宽，进一步保证了网络的紧致性；同时，针对过拟合问题，本发明采用提前结束建模的方法，即通过设定最大隐层节点数和期望容差，在网络尚未过拟合之前结束建模，由此，该建模方法不仅模型结构简单，训练速度快，准确率高，而且还具有良好的泛化性能。