基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法.pdf
《基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法.pdf》由会员分享,可在线阅读,更多相关《基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法.pdf(8页珍藏版)》请在咨信网上搜索。
1、利用软测量技术实时预测化工过程中的关键参数对生产过程的在线监测、自动控制、实时优化具有十分重要的意义。为此,提出了一种基于隐马尔可夫模型的动态软测量建模方法。首先,针对数据规模大导致模型计算效率低和数据缺失导致数据无法充分利用的问题,提出了一种基于分布式贝叶斯隐马尔可夫回归的预测模型;其次,针对该模型进一步提出了一种能够获得精确后验分布的分布式训练方法。最后,利用蜡油加氢过程对所提方法的有效性进行了验证。关键词:化工过程;动态建模;贝叶斯隐马尔可夫回归;软测量;分布式计算中图分类号:TK 314 文献标志码:A文章编号:0438-1157(2023)06-2495-08Dynamic soft
2、 sensor modeling method based on distributed Bayesian hidden Markov regressionSHAO Weiming1,HAN Wenxue1,SONG Wei2,YANG Yong3,CHEN Can2,ZHAO Dongya1(1 College of New Energy,China University of Petroleum,Qingdao 266580,Shandong,China;2 SINOPEC Qingdao Refining&Chemical Co.,Ltd.,Qingdao 266500,Shan
3、dong,China;3 Technical Detection Center,Shengli Oil Field of SINOPEC,Dongying 257000,Shandong,China)Abstract:Real-time prediction of key parameters in the chemical process by using soft sensing technology is of great significance for on-line monitoring,automatic control,and real-time optimization of
4、 production process.Therefore,a dynamic soft sensor modeling method based on hidden Markov model is proposed.Firstly,aiming at the problem of low computational efficiency caused by large data scales and insufficient utilization of data due to missing data,a predictive model based on distributed Baye
5、sian hidden Markov regression is proposed.Then,a distributed training method that can obtain accurate posterior distribution is proposed for model training.Finally,the effectiveness of the proposed model is verified by the wax oil hydrogenation process.Key words:chemical processes;dynamic modeling;B
6、ayesian hidden Markov regression;soft sensors;distributed computingDOI:10.11949/0438-1157.20230360收稿日期:2023-04-10 修回日期:2023-05-13通信作者:赵东亚(1975),男,博士,教授,第一作者:邵伟明(1986),男,博士,副教授,基金项目:国家自然科学基金项目(62173344,61973315)引用本文:邵伟明,韩文学,宋伟,杨勇,陈灿,赵东亚.基于分布式贝叶斯隐马尔可夫回归的动态软测量建模方法J.化工学报,2023,74(6):2495-2502Citation:SHA
7、O Weiming,HAN Wenxue,SONG Wei,YANG Yong,CHEN Can,ZHAO Dongya.Dynamic soft sensor modeling method based on distributed Bayesian hidden Markov regressionJ.CIESC Journal,2023,74(6):2495-2502研究论文第74卷化 工 学 报引言在化工生产过程中,及时跟踪一类关键参数(如电化学废水中的离子浓度、合成氨过程的一氧化碳浓度以及污水处理过程中的水质指标等)对产品质量监测、“卡边”控制与实时优化具有十分重要的意义1-3。由于实
8、验室化验分析时延大、在线分析仪表投资和维护成本高昂等问题,利用软测量技术对这类参数进行实时估计越来越受到企业的认可。软测量技术通过建立易测变量(如温度、压力等)与关键变量(即难测变量,如反应物浓度)之间的数学模型,对关键变量进行实时估计或预测4-5。化工过程一般具有很强的动态特性6,但多数软测量模型为静态模型,如主成分分析(principal component analysis,PCA)模型7、偏最小二乘(partial least squares,PLS)模型8以及高斯混合模型及其拓展模型等9-11。静态软测量模型经历动态过程时,预测效果通常较差。因此,开发针对动态过程的软测量模型在实际应
9、用中具有很大的潜力。常用的动态软测量模型主要分为两类,第一类是基于有限脉冲响应的模型,如动态 PCA 模型、动态 PLS 模型等12-14,这类方法通过对静态数据的增广来描述过程动态特性;另一类则是基于状态空间描述的模型,这类方法利用隐变量之间的信息传播捕捉过程动态特性,典型的模型包括隐马尔可夫模型(hidden Markov model,HMM)15、线性动态系统16-17、概率慢特征分析18-19以及部分的神经网络模型(如循环神经网络20、长短时间记忆21等)。化工生产过程除了具有动态特性外,工况的变化使得数据不再服从高斯分布。HMM由于能同时有效地处理过程的动态特性与非高斯特性,因而在动
10、态过程软测量建模中获得了广泛的应用。例如,刘国海等22利用连续HMM面向发酵过程建立软测量模型,用于测量红霉素发酵过程中的菌体浓度。Liu等15提出了一种基于HMM软测量模型用于测量丙烯酸制备过程中丙烯醛的转化率。Shao等23针对非高斯动态特性以及关键变量缺失问题,提出了一种基于变分贝叶斯框架的半监督隐马尔可夫软测量模型。朱熀秋等24利用改进的连续HMM建立了磁轴承转子位移的软测量模型用于解决传感器成本高、体积大以及可靠性差等问题。Xiao等25提出了一种基于期望最大化算法的分布式半监督HMM用于估计低温变换单元中的一氧化碳浓度。Wang等26针对非高斯离群动态数据,提出了一种鲁棒的贝叶斯H
11、MM。除此之外,Wang等27提出了一种基于HMM的过程监测方法,并通过Tennessee Eastman仿真平台进行了验证。尽管研究者对 HMM 的应用做出了许多拓展,然而,HMM在当前基于工业互联网平台的软测量应用中仍然存在一些问题尚未得到解决。随着工业互联网平台技术的发展与应用,获取大规模数据已不再是难题。虽然这些数据蕴含着丰富的信息,成为HMM获得高精度的前提,但也给HMM的应用带来了新的挑战。首先,面对大规模的化工过程时间序列数据,传统的训练方式中串行的前向与后向学习导致HMM的训练效率非常低下。此外,用于收集数据的传感器和数据传输系统容易发生故障,导致数据缺失,致使所收集的大规模时
12、间序列数据链出现断裂。传统HMM训练方法只能利用局部的连续时间序列数据,无法充分利用收集到的全部数据,导致软测量模型的预测精度不高。针对上述问题,本文提出一种基于分布式贝叶斯隐马尔可夫回归(distributed Bayesian hidden Markov regression,Dis-BHMR)模型的软测量建模方法。进一步针对Dis-BHMR的训练过程提出一种精确的变量后验分布求解方法,并进行严格的理论推导与证明。最后,利用蜡油加氢过程对所提方法的有效性进行验证。1 分布式贝叶斯隐马尔可夫回归模型1.1 模型结构假设xn Rq和yn R分别为第n个样本的输入变量和输出变量,并将其表示为dn
13、=(xn,yn)。整体数据集则可以表示为D=d1,d2,dN,其中N为样本数量。图 1为 Dis-BHMR 概率图模型。可以看出,首先需要将数据集划分为M组,且每一组的数据均为连续的时间序列数据。数据划分方式有两种,如果数据本身是连续时间序列数据,可以对数据进行平均划分,用以保证模型的训练时间最短;如果数据是非连续数据,则可通过人工将数据集在断点处自然划分。将第m(1 m M)组数据表示为Dm=d()m1,第6期d()m2,d()mNm,其中Nm为第m组数据的样本数量。对每个观测量样本d()mn(1 n Nm)引入具有k个离散状态的隐变量z()mnz()mn=(z()mn1,z()mn2,z(
14、)mnk)(1)式中,z()mnk0,1,1kK,且满足k=1Kz()mnk=1的约束。隐变量的条件分布设为p(z()m1|)=k=1Kz()m1kk(2)p(z()mn|z()mn-1,A)=j=1Kk=1KAz()mnkz()mn-1,jjk(3)观测变量的条件分布设为p(d()mn|z()mn,)=k=1KN()d()mn|k,kz()mnk(4)式中,N()是高斯分布的概率密度函数;k、k分别是相应的高斯分布的均值和协方差矩阵。Dis-BHMR中参数的先验分布分别设为p()=Dir(|a0)k=1Ka0-1k(5)p(A)=j=1KDir()Aj|b0j=1Kk=1KAb0-1jk(6
15、)p(,)=k=1Kp()k,k=k=1KN()k|m0,()0k-1W(k|W0,v0)(7)式中,Dir()为狄利克雷分布的概率密度函数;W()为威沙特分布的概率密度函数。为简洁表示,将隐变量与模型参数统一记为=Z,A,。1.2 模型训练记模型参数的后验分布为q(),并假设q()可以分解为q()=q(Z)q()q(A)q(,)(8)Dis-BHMR模型中随机变量的联合分布为lnp(D,)=m=1Mn=1Nmlnp()d()mn|z()mn,+m=1Mn=1Nmlnp()z()mn|z()mn-1,A+m=1Mp()z()m1|+lnp()+lnp()+lnp(,)(9)基于变分推框架28,
16、可得到模型参数,A,的变分后验q*()、q*(A)以及q*(k,k)。具体来说q*()=Dir(|a)(10)式 中,a=(a1,a2,ak),ak=a0+m=1Mz()m1k,代表变量的期望。q*(A)=j=1KDir()Aj|Bj(11)式中,Bj=(Bj1,Bj2,BjK),Bjk=b0+m=1Mm=2Nmz()mnkz()mn-1,j。q*(k,k)=N(k|mk,()kk-1)W(k|Wk,vk)(12)其中k=0+m=1Mn=1Nmz()mnkmk=()0m0+m=1Mn=1Nmz()mnkd()mnkW-1k=W-10+m=1Mn=1Nmz()mnkd()mn()d()mnT+0
17、m0mT0-kmkmTkvk=v0+m=1Mn=1Nmz()mnk(13)利用模型参数,A,的变分后验,可得到隐变量的后验分布p(z()m1)=p(z()m1|)q*()d=(14)式中,k=akk=1Kak。同理,可得p(z()mn|z()mn-1)=p(z()mn|z()mn-1,A)q*(A)dA=A(15)p(d()mn|z()mn)=k=1Kp()d()mn|z()mnk=1,k,kq*(k,k)dkdk=k=1KSt()d()mn|mk,k,k(16)式中,Ajk=Bjkk=1KBjk;St()为学生 t 分布的概率密度函数;k=kWk()1+-1k,k=vk+1-D,D为观测变量
18、的维度。针对第m组数据,做如下分解图1 分布式贝叶斯隐马尔可夫回归概率图表示Fig.1 Probabilistic graphical representation of the Dis-VBHMR2497第74卷化 工 学 报p(z()mn|Dm)=p()d()m1,d()m2,d()mn,z()mnp()d()m1,d()m2,d()mn()z()mn p()d()mn+1,d()mn+2,d()mNm|z()mnp()d()mn+1,d()mn+2,d()mNm|d()m1,d()m2,d()mn()z()mn(17)求解(z()mn)的前向学习公式为(z()mn)=1c()d()mnp
19、(d()mn|z()mn)z()mn-1(z()mn-1)p()z()mn|z()mn-1 (18)式中,c(d()mn)为式中的标准化项,具体表达式为c(d()mn)=p(d()mn|d()m1,d()m2,d()mn-1)=z()mnp()d()mn|z()mnz()mn-1()z()mn-1p()z()mn|z()mn-1(19)当n=1时(z()m1)=p(z()m1|d()m1)=1c()d()m1p(d()m1|z()m1)p(z()m1)(20)式中,c(d()m1)=p(d()m1)=z()m1p()d()m1|z()m1p()z()m1。求解(z()mn)的后向学习表达式为(
20、z()mn)=1c()d()mn+1z()mn+1(z()mn+1)p(d()mn+1|z()mn+1)p()z()mn+1|z()mn (21)由 式(17)可 知,当n=Nm时,p(z()mNm|Dm)=(z()mNm),则(z()mNm)=1(22)在完成前向与后向的学习后,可得到隐变量的联合后验分布表达式p(z()mn-1,z()mn|Dm)=1c()d()mn(z()mn-1)(z()mn)p(d()mn|z()mn)p(z()mn|z()mn-1)(23)通过式(17)和式(23)可以得到z()mn=p(z()mnk=1|Dm)z()mn-1,z()mn=p(z()mn-1,j=1
21、,z()mnk=1|Dm)(24)在Dis-BHMR模型中,难以获取精确的变分下界,因此,利用完整数据的似然函数代替变分下界,其具体表达式为J()i)=m=1Mn=1Nmlnp()d()mn|d()m1,d()m2,d()mn-1=m=1Mc()d()mNm (25)式中,()i为在迭代i次时得到的参数。似然函数随着迭代次数单调递增,因此 Dis-BHMR模型的迭代收敛条件可以设置为J()()i-J()()i-1J()()i-1(26)式中,是人为设定的收敛阈值。1.3 关键参数在线预测在完成训练模型训练阶段后,利用所得参数进行在线预测。假设xn是在线预测阶段n时刻的输入变量,xn对应的隐变量
22、zn=zn1,zn2,znkT。利用前向学习的方式可得(zn)=1c()xnp(xn|zn)zn-1(zn-1)p()zn|zn-1(27)其中,c(xn)可由式(19)得到。模型训练阶段得到的参数k=mk=xkyk,k=L-1k=xkxykyxkyk(28)式中,Lk=()vk+1-D Wk()1+-1k。第k个组分中输出变量y关于输入变量x 的条件分布为pk(yn|xn)=N(yn|y|xk,-1y|xk)(29)式中,p()=Gam(|v2,v2),Gam()为伽马分布的概率密度函数。y|xk=yk+yxk(xk)-1(xn-xk)y|xk=yk-yxk(xk)-1xyk(30)因此,y
23、n的估计值为yn=Eyn=k=1K(zn)y|xk(31)2 案例研究蜡油加氢工艺(wax oil hydrogenation process,WOHP)是炼油厂中去除蜡油中硫、氮、氧等杂质的重要手段。蜡油加氢工艺流程如图2所示,各区蜡油进入缓冲罐后,经过过滤器去除杂质,再与氢气混合后进入加热炉,然后进入反应器,在催化剂的作用下进行加氢反应。反应后的产品经过分离装置进行脱硫和氢气的回收操作,最终得到石脑油、柴油和尾油等产品。尾油中的硫含量是评价尾油质量的关键参数,因此需要对尾油中的硫含量进行监测和控制,以保证产品质量。工厂中尾油中的硫含量往往通过实验室化验分析或质谱仪来测量(图2中Y),前者存
24、在时间延迟大的问题,而后者虽然可以降低测量时延,但存在维护成本高和精度漂移等问题。因此,利用软测量技术对加氢尾油的硫含量进行在线预测,一方面,可以对加氢尾油的产品质量进行实时监测;另一方面,通过对比实时预测数据与质谱仪的测量结果,实现对质谱仪精度的在第6期线校验。基于工艺原理与专家经验,选取了13个易测的过程变量V1V13作为输入变量(图2),输入变量的具体含义如表1所示。图3为蜡油加氢工艺部分输入变量和输出变量的概率密度图,可以看出这些变量的分布几乎没有呈现正态分布或近似正态分布,而是呈现各种强非高斯分布(例如多峰特性),表明该过程的生产数据具有很强的非高斯特性。除了采用Dis-BHMR模型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 分布式 贝叶斯隐马尔可夫 回归 动态 测量 建模 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。