基于非线性主成分分析与神经网络的参数预测模型
|
摘要
化工生产过程中，产品质量指标和生产过程中参数的预测和控制，对于保证生产系统的连续运行、提高产量和质量起着十分重要的作用。
氢氮比是合成氨生产中一个极为重要的控制指标。针对氢氮比控制大滞后、非线性和时变性的特点，运用非线性主成分分析方法与神经网络相结合，在大量实测生产数据的基础上，建立了氢氮比预测模型。建模时，首先对变量即影响因素进行降维处理，用2个主成分反映5个变量所包含的94.85％的信息。以降维所得的主成分作为模型输入变量，经过网络训练、回想及数据预测等大量的比较计算，确定了模型结构，建立了神经网络氢氮比预测模型。与实测氢氮比相比，预测氢氮比的绝对误差的平均值为0.0352，平均相对误差为1.6926％，能够满足对合成塔入口氢氮比进行实时控制的要求，且具有训练速度快、预测迅速的特点。
磷铵产品的水分含量是重要的质量指标。针对生产过程中影响因素众多，水分含量较难预测和控制的现状，首先用非线性主成分分析方法处理原始数据样本以减少变量数目。采用3个主成分代表9个变量所包含的96.29％的信息。用所得主成分作为输入变量，建立了神经网络磷铵水分预测模型。与磷铵产品的实测水分相比，模型预测水分的绝对误差的平均值为0.2019，平均相对误差为7.1％。
In chemical processes, the prediction and control of product quality indexes and production process parameters play a very important role to steady the whole factory running production system and increase the output and quality.
H_2/N_2 ratio is an important control index for ammonia synthesis. According to the characteristic of H_2/N_2 ratio such as big-lag, non-linear and variety-by-time, non-linear principal component analysis and the neural network are combined, the prediction model of H_2/N_2 ratio is confirmed base on large numbers of the measured data. In the process of modeling, the first step is to decrese the dimensions of variables that are the influential factors, and the result is that the two principal components has contained the information that is 94.85% of the information of the five variables. The principal components are chosen as input variables of the network model. After performing a large number of computing experiment and comparison like training, recalling and predicting data by the network, the model structure of it is confirmed, and the neural network model for predicting H_2/N_2 ratio is established. The result show that the average absolute value of the absolute error between the predicting data and the surveying data is 0.0352, and the average relative error is 1.6926%, these can satisfy the requirement of predicting H_2/N_2 ratio timely, and has training quickly, predicting rapidly characteristic.
The water content of ammonium phosphate is an important quality index. According to the actuality of ammonium phosphate production such as multi -influential factors, predicting and controlling hardly of the water content, firstly, original data is treated by non-linear principal component analysis to lower the number of variables. The result is that the three principal components have contained the information that is 96.29% of the information of the nine variables. The principal components are chosen as input variables of the network model, the neural network model for predicting water content is established. The result show that the average absolute value of the absolute error between the predicting data and the surveying data is 0.2019, and the average relative error is 7.1%.
氢氮比是合成氨生产中一个极为重要的控制指标。针对氢氮比控制大滞后、非线性和时变性的特点，运用非线性主成分分析方法与神经网络相结合，在大量实测生产数据的基础上，建立了氢氮比预测模型。建模时，首先对变量即影响因素进行降维处理，用2个主成分反映5个变量所包含的94.85％的信息。以降维所得的主成分作为模型输入变量，经过网络训练、回想及数据预测等大量的比较计算，确定了模型结构，建立了神经网络氢氮比预测模型。与实测氢氮比相比，预测氢氮比的绝对误差的平均值为0.0352，平均相对误差为1.6926％，能够满足对合成塔入口氢氮比进行实时控制的要求，且具有训练速度快、预测迅速的特点。
磷铵产品的水分含量是重要的质量指标。针对生产过程中影响因素众多，水分含量较难预测和控制的现状，首先用非线性主成分分析方法处理原始数据样本以减少变量数目。采用3个主成分代表9个变量所包含的96.29％的信息。用所得主成分作为输入变量，建立了神经网络磷铵水分预测模型。与磷铵产品的实测水分相比，模型预测水分的绝对误差的平均值为0.2019，平均相对误差为7.1％。
In chemical processes, the prediction and control of product quality indexes and production process parameters play a very important role to steady the whole factory running production system and increase the output and quality.
H_2/N_2 ratio is an important control index for ammonia synthesis. According to the characteristic of H_2/N_2 ratio such as big-lag, non-linear and variety-by-time, non-linear principal component analysis and the neural network are combined, the prediction model of H_2/N_2 ratio is confirmed base on large numbers of the measured data. In the process of modeling, the first step is to decrese the dimensions of variables that are the influential factors, and the result is that the two principal components has contained the information that is 94.85% of the information of the five variables. The principal components are chosen as input variables of the network model. After performing a large number of computing experiment and comparison like training, recalling and predicting data by the network, the model structure of it is confirmed, and the neural network model for predicting H_2/N_2 ratio is established. The result show that the average absolute value of the absolute error between the predicting data and the surveying data is 0.0352, and the average relative error is 1.6926%, these can satisfy the requirement of predicting H_2/N_2 ratio timely, and has training quickly, predicting rapidly characteristic.
The water content of ammonium phosphate is an important quality index. According to the actuality of ammonium phosphate production such as multi -influential factors, predicting and controlling hardly of the water content, firstly, original data is treated by non-linear principal component analysis to lower the number of variables. The result is that the three principal components have contained the information that is 96.29% of the information of the nine variables. The principal components are chosen as input variables of the network model, the neural network model for predicting water content is established. The result show that the average absolute value of the absolute error between the predicting data and the surveying data is 0.2019, and the average relative error is 7.1%.
引文
[1][斯洛文尼亚]J．Zupan，[德]J．Gasteiger著，潘忠孝，陈玲然译．神经网络及其在化学中的应用．中国科学技术大学出版社，2000．5：18～19
[2] 张兴会，杜升之等．主成分分析法在神经网络经济预测中的应用[J]．数量经济技术经济研究，2002．4：122～125
[3] 王明宪，毛遂等．主成分分析与神经网路在物流中心选址决策中的应用[J]．物流科技，2006，131(29)：33～35
[4] 聂军．主成分分析与神经网络在橡胶配方优化中的运用[J]．青岛科技大学，2005．6
[5] 王战魁．基于PCA与BP神经网络的危险化学品车辆的识别[J]．首都经济贸易大学，2006．5
[6] 袁仲泉，伊兵太，尚海燕，朱群雄．基于PCAoBp算法的PTA溶剂脱水塔软测量模型 [J]．计算机与应用化学，2006，23(7)：623～626
[7] 张斌，邵惠鹤，高德林．合成氨氢氮比控制的实现[J]．测控技术，2002，21(3)：25～27
[8] 张献彬，梁文林，马建伟．合成氨生产过程的智能控制[J]．中氮肥，1999(2)：14～16
[9] 李枫，卓正军．合成氨装置氢氮比异常原因分析[J]．大氮肥，2003，26(6)：385～387
[10] 孟燕，赵进．计算机系统在合成氨氢氮比控制中的应用[J]．山东化工，1998(2)：29～31
[11] 施鸿宝．神经网络及其应用[J]．西安交通大学出版社，1993．12
[12] 程相君，王春宁，陈生潭．神经网络原理及应用．国防工业出版社．1995，1
[13] 李晓彬．基于神经网络的工程结构在线监测与故障诊断研究[J]．武汉理工大学，2002．33～42
[14] 飞思科技产品研发中心．MATLAB6.5辅助神经网络分析与设计[J]．第一版．北京：电子工业出版社，2004．3～12
[15] 张铃，张拔．人工神经网络理论及应用．浙江科学技术出版社，1997：5：4～15
[16] 吴简彤，王建华．神经网络技术及应用．哈尔滨工程大学出版社，1998，2
[17] 龙德．MATLAB语言在人工神经元网络中的应用研究[J]．东北大学，2002．10～11
[18] 闻新，周露，李翔，张宝伟．Matlab神经网络仿真与应用．科学出版社，2003，7
[19] 楼顺天，施阳．基于MATLAB的系统分析与设计一神经网络．西安电子科技大学出版 社，1998，9
[20] 韩力群．人工神经网络理论、设计及应用—人工神经细胞、人工神经网络和人工神经系统．化学工业出版社，2002，1
[21] Abhijit S．Pandy，Robert B．Maey著，徐勇，荆涛译．神经网络模式识别及其实现．电子工业出版社，1999，4
[22] 许中华，杨伟华，蒋伟进，曾三友．BP神经网络学习算法的改进和应用．计算机工程与科学，2004，26(12)：61～70
[23] 王青海．BP神经网络算法的一种改进．青海大学学报(自然科学版)，2004，22(3)：82～84
[24] 沈晓蓉，范耀祖，李敬．基于递归模糊神经网络的鲁棒BP算法研究．航天控制．2004，22(3)：26～30
[25] 胡金滨，唐旭清．人工神经网络的BP算法及应用．信息技术，2004，28(4)：1～4
[26] 胡伍生，沙月进．神经网络BP算法的误差分级迭代法．东南大学学报，2003，33(3)：376～378
[27] 李丽霞，王彤，范逢曦．BP神经网络设计探讨．现代医防医学，2005，32(2)：128～130
[28] 苏羽，赵海，王刚，苏威积．一种基于BP算法的融合神经网络．东北大学学报(自然科学版)，2003，24(11)：1037～1040
[29] 沈世缢．神经网络系统理论及应用．科学出版社，1998，11
[30] 贺清碧，周建丽．BP神经网络收敛性问题的改进措施．重庆交通学院学报，2005，24 (1)：143～145
[31] 胡金滨，唐旭清．BP神经网络算法的改进及在MATLAB中的实现．陕西科技大学学报，2004，22(2)：45～47
[32] 张磊，胡春，钱锋．BP算法局部小问题改进的研究进展．工业控制计算机，2004，17 (9)：33～35
[33] 黄华江．实用化工计算机模拟—MATLAB在化学工程中的应用．化学工业出版社，2004，7
[34] 周爱月．化工数学．化学工业出版社，2001，7：40～60
[35] 杨虎．数理统计．高等教育出版社，2004，9：296～315
[36] 胡国定．多元数据分析方法．南开大学出版社，1989．12：147～192
[37] 刘振航．数学建模．中国人民大学出版社，2004：95～128
[38] 侯定丕．非线性评估的理论探索与应用．中国科学技术大学出版社，2001：142～148
[39] 孙尚拱．医学多变量统计与统计软件．北京大学医学出版社，2002：134～185
[40] 金丕焕．医用SAS统计分析．复旦大学出版社，2000：148～181
[41] 董大钧．SAS-统计分析软件应用指南．电子工业出版社，1993．8：201～210
[42] 薛富波．SAS 8．2统计应用教程．兵器工业出版社，2004：516～601
[43] 闻新，周露，王丹力，熊晓英．Matlab神经网络应用设计．科学出版社，2000，9
[44] 丛爽．面向Maflab工具箱的神经网络理论与应用．中国科学技术大学出版社，1998，11
[2] 张兴会，杜升之等．主成分分析法在神经网络经济预测中的应用[J]．数量经济技术经济研究，2002．4：122～125
[3] 王明宪，毛遂等．主成分分析与神经网路在物流中心选址决策中的应用[J]．物流科技，2006，131(29)：33～35
[4] 聂军．主成分分析与神经网络在橡胶配方优化中的运用[J]．青岛科技大学，2005．6
[5] 王战魁．基于PCA与BP神经网络的危险化学品车辆的识别[J]．首都经济贸易大学，2006．5
[6] 袁仲泉，伊兵太，尚海燕，朱群雄．基于PCAoBp算法的PTA溶剂脱水塔软测量模型 [J]．计算机与应用化学，2006，23(7)：623～626
[7] 张斌，邵惠鹤，高德林．合成氨氢氮比控制的实现[J]．测控技术，2002，21(3)：25～27
[8] 张献彬，梁文林，马建伟．合成氨生产过程的智能控制[J]．中氮肥，1999(2)：14～16
[9] 李枫，卓正军．合成氨装置氢氮比异常原因分析[J]．大氮肥，2003，26(6)：385～387
[10] 孟燕，赵进．计算机系统在合成氨氢氮比控制中的应用[J]．山东化工，1998(2)：29～31
[11] 施鸿宝．神经网络及其应用[J]．西安交通大学出版社，1993．12
[12] 程相君，王春宁，陈生潭．神经网络原理及应用．国防工业出版社．1995，1
[13] 李晓彬．基于神经网络的工程结构在线监测与故障诊断研究[J]．武汉理工大学，2002．33～42
[14] 飞思科技产品研发中心．MATLAB6.5辅助神经网络分析与设计[J]．第一版．北京：电子工业出版社，2004．3～12
[15] 张铃，张拔．人工神经网络理论及应用．浙江科学技术出版社，1997：5：4～15
[16] 吴简彤，王建华．神经网络技术及应用．哈尔滨工程大学出版社，1998，2
[17] 龙德．MATLAB语言在人工神经元网络中的应用研究[J]．东北大学，2002．10～11
[18] 闻新，周露，李翔，张宝伟．Matlab神经网络仿真与应用．科学出版社，2003，7
[19] 楼顺天，施阳．基于MATLAB的系统分析与设计一神经网络．西安电子科技大学出版 社，1998，9
[20] 韩力群．人工神经网络理论、设计及应用—人工神经细胞、人工神经网络和人工神经系统．化学工业出版社，2002，1
[21] Abhijit S．Pandy，Robert B．Maey著，徐勇，荆涛译．神经网络模式识别及其实现．电子工业出版社，1999，4
[22] 许中华，杨伟华，蒋伟进，曾三友．BP神经网络学习算法的改进和应用．计算机工程与科学，2004，26(12)：61～70
[23] 王青海．BP神经网络算法的一种改进．青海大学学报(自然科学版)，2004，22(3)：82～84
[24] 沈晓蓉，范耀祖，李敬．基于递归模糊神经网络的鲁棒BP算法研究．航天控制．2004，22(3)：26～30
[25] 胡金滨，唐旭清．人工神经网络的BP算法及应用．信息技术，2004，28(4)：1～4
[26] 胡伍生，沙月进．神经网络BP算法的误差分级迭代法．东南大学学报，2003，33(3)：376～378
[27] 李丽霞，王彤，范逢曦．BP神经网络设计探讨．现代医防医学，2005，32(2)：128～130
[28] 苏羽，赵海，王刚，苏威积．一种基于BP算法的融合神经网络．东北大学学报(自然科学版)，2003，24(11)：1037～1040
[29] 沈世缢．神经网络系统理论及应用．科学出版社，1998，11
[30] 贺清碧，周建丽．BP神经网络收敛性问题的改进措施．重庆交通学院学报，2005，24 (1)：143～145
[31] 胡金滨，唐旭清．BP神经网络算法的改进及在MATLAB中的实现．陕西科技大学学报，2004，22(2)：45～47
[32] 张磊，胡春，钱锋．BP算法局部小问题改进的研究进展．工业控制计算机，2004，17 (9)：33～35
[33] 黄华江．实用化工计算机模拟—MATLAB在化学工程中的应用．化学工业出版社，2004，7
[34] 周爱月．化工数学．化学工业出版社，2001，7：40～60
[35] 杨虎．数理统计．高等教育出版社，2004，9：296～315
[36] 胡国定．多元数据分析方法．南开大学出版社，1989．12：147～192
[37] 刘振航．数学建模．中国人民大学出版社，2004：95～128
[38] 侯定丕．非线性评估的理论探索与应用．中国科学技术大学出版社，2001：142～148
[39] 孙尚拱．医学多变量统计与统计软件．北京大学医学出版社，2002：134～185
[40] 金丕焕．医用SAS统计分析．复旦大学出版社，2000：148～181
[41] 董大钧．SAS-统计分析软件应用指南．电子工业出版社，1993．8：201～210
[42] 薛富波．SAS 8．2统计应用教程．兵器工业出版社，2004：516～601
[43] 闻新，周露，王丹力，熊晓英．Matlab神经网络应用设计．科学出版社，2000，9
[44] 丛爽．面向Maflab工具箱的神经网络理论与应用．中国科学技术大学出版社，1998，11
© 2004-2018 中国地质图书馆版权所有 京ICP备05064691号 京公网安备11010802017129号 地址：北京市海淀区学院路29号 邮编：100083 电话：办公室：(+86 10)66554848；文献借阅、咨询服务、科技查新：66554700 |