《表1 网络模型参数：基于深度学习的复杂化工过程软测量模型研究与应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的复杂化工过程软测量模型研究与应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文选取了DCS采集的PTA设备173个时间点的数据，根据生产经验知识，挑选了17个溶剂系统中可以影响塔顶乙酸消耗量的因子作为输入，分别是进料组成、进料流量（FC1501）、水回流量（FC1502）、NBA主回流量（FC15 03）、NBA侧线回流量（FC1504）、蒸汽流量（FC1507）、塔顶采出量（FI1511）、进料温度（TI1504）、回流温度（TI1510）、塔顶温度（TI1511）、塔板温度（TI1515）、塔板温度（TI1516）、塔板温度（TI1517）、灵敏板附近的温度（TC1503a和TC1503b）、第53块和第58块塔板之间可控温度点（TC1501）、回流罐液位（LC1503a）等。因此每个时间点的数据即为以上17个影响因素的测量值和该时间点乙酸的消耗数据。具体处理步骤为:首先用式（1）对数据进行归一化处理，使整个数据的每一个变量的取值都在[0-1]，然后选取时间步n=10，也即利用之前的10个时间点的历史数据再加上当前的17个可观测的数据，使每个时刻对应10个时间点的历史信息，这样就使得原本维度大小为[18]的数据变成了维度大小为[10，18]。接着提取多尺度信息，这里采用的是平稳小波变换，用式（3）、式（4）把每一个时间点上每组变量的10个历史信息进行平稳小波分解（dmey小波基函数），分解层数为1，即每一组变量都被分解成了两组大小都为10的因子数据，总共有18组变量，数据维度大小变为[10，36]。通过以上规整得到163组数据，然后将其划分成训练集和测试集，由于是序列数据，因而没有采取随机的方式划分数据集，而是简单地把后面70组数据当作测试集，前面的93组数据作为训练集。最后用深度学习框架Keras来构建深度学习模型。整个流程和模型中的参数分别如图4和表1所示。通过以上步骤，最后得到的训练和测试结果如表2所示。