一种基于栈式自编码器的尾气含硫物质浓度实时预测方法技术

本发明专利技术公开一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，旨在应用栈式自编码器解决尾气中硫物质浓度的在线预测问题，并且深度考虑栈式自编码器的无监督特性以及逐层特征提取的信息丢失问题。具体来讲，本发明专利技术方法通过在训练的过程，将栈式自编码器各层编码器的输出数据设定成硫物质浓度数据，从而解决了无监督型问题，此外，将各层自编码器的输入数据同时包含可实时测量的流量数据，从而避免信息丢失问题。与传统方法相比，本发明专利技术方法充分利用各层自编码器的输出估计值，使用最小二乘回归进一步提升软测量的精度，并且通过一个具体的应用案例验证了本发明专利技术方法相对于传统方法的优越性。

【技术实现步骤摘要】
一种基于栈式自编码器的尾气含硫物质浓度实时预测方法
本专利技术涉及一种软测量技术，特别涉及一种基于栈式自编码器的尾气含硫物质浓度实时预测方法。
技术介绍
尾气排放是石化企业生产中必须考虑的一个问题，因为硫物质浓度不符合环保标准的尾气排放会对空气造成非常恶劣的影响。为了排放符合环保标准的尾气，石化企业通常在尾气排放前安装有一个硫回收装置，通过将尾气中的硫物质进行回收，不仅可以得到以硫为主的工业副产品，而且还可以净化尾气。工业硫回收装置在反应炉中主要涉及如下所示的两个化学反应：2H2S+3O2→2SO2+2H2O2H2S+SO2→3S+2H2O简单来讲，就是通过燃烧得到硫磺物质，使得尾气中的含硫物质：二氧化硫(化学式为SO2)和硫化氢(化学式为H2S)得到显著降低。工业硫回收装置中，通过控制反应物流量，可实现对尾气中含硫物质浓度的控制。因此，反应物流量是跟含硫物质浓度存在复杂关系。而且由于生产状态的波动性与环境干扰，需要实时监测尾气含硫物质浓度，从而及时调控反应物流量。实时测量含硫物质浓度最简单、最直接的解决办法是安装硫物质的在线成分分析仪器。然而，不同于温度、流量、压力等常规测量仪器仪表，在线成分分析仪器价格高昂，且需要定期维护。无论是投入成本还是后期运行成本，都是远高于温度流量等常规仪器仪表设备的。若是通过人工实时采样，并通过离线手段分析硫物质浓度，则测量数据反馈不及时，无法做到尾气中硫物质浓度的实时调控。因此，需要一种软测量技术来完成对尾气中硫物质浓度的在线预测。可幸的是，现有专利与科研文献中，软测量方法技术各式各样，但不是都适合尾气硫物质浓度的在线软测量。近年来，自编码器在涉及特征分析与提取的研究领域得到了广泛关注。其中，具备深度学习特征的栈式自编码器已广泛应用于模式识别。栈式自编码器的优势在于利用多层自编码器，分层递进的提取数据的非线性特征。由于工业硫回收装置运行时动态性较强，而且会随机受到环境干扰的影响，因此，对反应物流量数据进行深度特征挖掘，从而得到与尾气硫物质浓度预测相关的特征是非常有必要的。值得注意的是，栈式自编码器是一类无监督型的建模技术。换句话说，只需要输入数据即可，因为输出数据就是输入数据。相比之下，软测量建模需要有监督型的建模技术。也就是说，软测量建模同时需要输入与输出数据。此外，在实施深度特征挖掘时，还得考虑特征在逐层提取过程中的信息丢失问题。因此，无法直接的应用栈式自编码器实施尾气硫物质浓度的在线预测。
技术实现思路
本专利技术所要解决的主要技术问题是：如何应用栈式自编码器解决尾气中硫物质浓度在线预测问题，并且深度考虑栈式自编码器的无监督特性以及逐层特征提取的信息丢失问题。具体来讲，本专利技术方法通过在训练的过程，将栈式自编码器各层编码器的输出数据设定成硫物质浓度数据，从而解决了栈式自编码器本身的无监督型问题，此外，将各层自编码器的输入数据同时包含可实时测量的流量数据，从而避免信息丢失问题。本专利技术方法解决上述问题所采用的技术方案为：一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，包括以下步骤：步骤(1)：利用5个流量仪表实时测量硫回收装置中的流量数据，直至采集得到N个样本数据，分别记录成5个列向量x1，x2，x3，x4，x5，并利用离线分析仪获取相同测量时刻排放尾气中H2S与SO2的N个浓度数据，对应记录成列向量y1与y2，其中xi由第i个流量的N个样本数据组成，i∈{1，2，3，4，5}分别对应于未进化尾气流量，两个燃烧室的空气进料流量，酸-水汽提过程的气相流量，和酸-水汽提过程的空气流量。步骤(2)：根据如下所示公式对x1，x2，x3，x4，x5和y1，y2分别实施归一化处理，对应得到5个数据向量和2个输出向量并将数据向量组建成一个数据矩阵将输出向量组建成一个输出矩阵其中，RN×5表示N×5维的实数矩阵，表示归一化处理后的第i个数据向量，表示归一化处理后的第j个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，yj(min)与yj(max)分别表示列向量yj中的最小值和最大值，下标号i∈{1，2，...，5}，下标号j∈{1，2}。步骤(3)：根据如下所示公式组建输入矩阵Z中的第k列输入向量zk∈R20×1：zk＝[X(k+9)，X(k+4)，X(k+2)，X(k)]T②上式中，X(k+9)，X(k+4)，X(k+2)，X(k)分别表示数据矩阵X中的第k+9行，第k+4行，第k+2行和第k行的行向量，k∈{1，2，...，n}，R20×1表示20×1维的实数向量，n＝N-9，上标号T表示矩阵或向量的转置。步骤(4)：搭建一个由M层自编码器串联组成的栈式自编码器，并确定隐层神经元活函数f(u)与输出层神经元激活函数ζ(u)，和各层自编码器的隐层神经元个数h1，h2，...，hM；其中u表示函数自变量。步骤(5)：利用反向传播(Back-Propagation，缩写为BP)算法依次训练栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层和输出层的权重系数W1，W2，...，WM和以及隐层和输出层的阈值b1，b2，...，bM和具体的实施过程如下所示。步骤(5.1)：第1层自编码器的输入层有20个神经元，隐层有h1个神经元，输出层有2个神经元，分别初始化隐层和输出层的权重系数和阈值。步骤(5.2)：以z1，z2，...，zn做为第1层自编码器的输入，同时以Y(10)，Y(11)，...，Y(N)做为第1层自编码器的输出，利用BP算法训练得到第1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和后，初始化m＝1，其中Y(10)，Y(11)，...，Y(N)分别表示输出矩阵Y中的第10列，第11列，至第N列的向量。步骤(5.3)：第m+1层自编码器的输入层有hm个神经元，隐层有hm+1个神经元，输出层有2个神经元，并分别初始化隐层和输出层的权重系数和阈值。步骤(5.4)：将第m层自编码器隐层的输出向量g1(m)，g2(m)，...，gn(m)组建成矩阵Gm＝[g1(m)，g2(m)，...，gn(m)]T，并将矩阵Gm与输入矩阵Z合并成一个矩阵Hm＝[Gm，ZT]T，其中，g1(m)，g2(m)，...，gn(m)的计算方式如下所示。步骤(5.5)：以矩阵Hm的n个列向量做为第m+1层自编码器的输入，同时以Y(10)，Y(11)，...，Y(N)做为第m+1层自编码器的输出，再次利用BP算法训练得到第m+1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和其中表示(hm+20)×hm+1维的实数矩阵，表示hm+1×1维的实数向量。步骤(5.6)：判断是否满足m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则训练结束，保留栈式自编码器所有的权重系数W1，W2，...，WM和以及阈值b1，b2，...，bM和步骤(6)：根据公式计算出第m层自编码器的输本文档来自技高网...

【技术保护点】
1.一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，其特征在于，包括以下步骤：首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；/n步骤(1)：利用5个流量仪表实时测量硫回收装置中的流量数据，直至采集得到N个样本数据，分别记录成5个列向量x

【技术特征摘要】
1.一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，其特征在于，包括以下步骤：首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；
步骤(1)：利用5个流量仪表实时测量硫回收装置中的流量数据，直至采集得到N个样本数据，分别记录成5个列向量x1，x2，x3，x4，x5，并利用离线分析仪获取相同测量时刻排放尾气中H2S与SO2的N个浓度数据，对应记录成列向量y1与y2，其中xi由第i个流量的N个样本数据组成，i∈{1，2，3，4，5}分别对应于未进化尾气流量，两个燃烧室的空气进料流量，酸-水汽提过程的气相流量，和酸-水汽提过程的空气流量；
步骤(2)：根据如下所示公式对x1，x2，x3，x4，x5和y1，y2分别实施归一化处理，对应得到5个数据向量和2个输出向量并将数据向量组建成一个数据矩阵将输出向量组建成一个输出矩阵



其中，RN×5表示N×5维的实数矩阵，表示归一化处理后的第i个数据向量，表示归一化处理后的第j个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，yj(min)与yj(max)分别表示列向量yj中的最小值和最大值，下标号i∈{1，2，…，5}，下标号j∈{1，2}；
步骤(3)：根据如下所示公式组建输入矩阵Z中的第k列输入向量zk∈R20×1：
zk＝[X(k+9)，X(k+4)，X(k+2)，X(k)]T②
上式中，X(k+9)，X(k+4)，X(k+2)，X(k)分别表示数据矩阵X中的第k+9行，第k+4行，第k+2行和第k行的行向量，k∈{1，2，…，n}，R20×1表示20×1维的实数向量，n＝N-9，上标号T表示矩阵或向量的转置；
步骤(4)：搭建一个由M层自编码器串联组成的栈式自编码器，并确定隐层神经元激活函数f(u)，输出层神经元激活函数ζ(u)，和各层自编码器的隐层神经元个数h1，h2，…，hM，其中u表示函数自变量；
步骤(5)：利用BP算法依次训练栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层和输出层的权重系数W1，W2，…，WM和以及隐层和输出层的阈值b1，b2，…，bM和具体的实施过程如下所示；
步骤(5.1)：第1层自编码器的输入层有20个神经元，隐层有h1个神经元，输出层有2个神经元，分别初始化隐层和输出层的权重系数和阈值；
步骤(5.2)：以z1，z2，…，zn做为第1层自编码器的输入，同时以Y(10)，Y(11)，…，Y(N)做为第1层自编码器的输出，利用BP算法训练得到第1层自编码器的隐层和输出层的权重系数和以及隐层和输出层的阈值和后，初始化m＝1，其中Y(10)，Y(11)，…，Y(N)分别表示输出矩阵Y中的第10列，第11列，至第N列的向量；
步骤(5.3)：第m+1层自编码器的输入层有hm个神经元，隐层有hm+1个神经元，输出层有2个神经元，并分别初始化隐层和输出层的权重系数和阈值；
步骤(5.4)：将第m层自编码器隐层的输出向量g1(m)，g2(m)，…，gn(m)组建成矩阵Gm＝[g1(m)，g2(m)，…，gn(m)]T，并将矩阵Gm与输入矩阵Z合并成一个矩阵Hm＝[Gm，ZT]T，...

【专利技术属性】
技术研发人员：葛英辉，朱莹，其他发明人请求不公开姓名，
申请(专利权)人：宁波大学，
类型：发明
国别省市：浙江;33