Soft Sensing Modeling Method Based on Elman Neural Network for Chemical Process

桑桦李军(兰州交通大学自动化与电气工程学院，甘肃兰州　730070)



基于Elman神经网络的化工过程软测量建模方法

Expanded Kalman filter algorithmChemical processes

国家自然科学基金资助项目(编号:51467008)。

修改稿收到日期:2015－06－02。

第一作者桑桦(1991－)，男，现为兰州交通大学自动化与电气工程学院在读硕士研究生;主要从事软测量建模、计算智能方面的研究。

0　引言

在化工生产过程中，许多重要的质量变量难以实时测量。软测量技术通过构建某种数学模型，描述可测、易测的辅助变量与难以直接测量的待测主导变量间的函数关系。根据最优准则，软测量技术能够实现对待测变量的测量或估计［1－2］。

近年来，人工神经网络(artificial neural network，ANN)、支持向量机(support vector machine，SVM)等方法被广泛地应用于软测量建模［1－6］。文献［1］提出了基于多层感知器神经网络的软测量建模方法，并将其应用于脱丁烷塔的软测量建模;文献［2］提出了一种基于SVR的软测量建模方法，并把它用于乙烯裂解产物收率的测量中。关于软测量建模的研究大部分都采用静态结构。Elman神经网络是一种递归神经网络(recurrent neural network，RNN)，能够将隐层状态变量反馈到输入端，反馈中包含时间延时，因此具有动态记忆特性，可以有效提高模型的估计精度。传统的RNN训练算法，如沿着时间反向传播(back－propagation through time，BPTT)算法［7］、实时递归(real－time recurrent learning，RTRL)算法［8］，遵循误差梯度最小化的准则，存在收敛速度慢、易陷入局部最优等问题。扩展卡尔曼滤波［8－10］(expanded Kalman filter，EKF)作为卡尔曼算法的一种非线性扩展形式，属于最优状态估计算法，用于训练神经网络，可以提高收敛速度，满足软测量建模实时性的需求。……