汽包液位是煤氣化裝置汽包過程的關(guān)鍵安全參數(shù),汽包工況反映了汽包過程的運(yùn)行狀態(tài),通過對汽包異常工況的預(yù)測,可以及時(shí)監(jiān)控相關(guān)的過程變量、降低事故發(fā)生的風(fēng)險(xiǎn),從而保障煤氣化裝置的安全運(yùn)行。針對難以獲得大量的汽包運(yùn)行數(shù)據(jù)異常樣本問題,本文提出了基于門控遞歸單元（Gated Recurrent Unit,GRU）自編碼神經(jīng)網(wǎng)絡(luò)的煤氣化裝置汽包異常工況預(yù)測方法,利用數(shù)據(jù)間的時(shí)序依賴性重構(gòu)異常樣本從而更好地分析樣本特征,論文的主要研究內(nèi)容及取得的成果如下:1.傳統(tǒng)自編碼神經(jīng)網(wǎng)絡(luò)由于缺少對異常數(shù)據(jù)時(shí)序依賴性的考慮,重構(gòu)的準(zhǔn)確性隨著序列長度的增加而減少,不適用于重構(gòu)長序列的異常數(shù)據(jù)。通過結(jié)合GRU神經(jīng)元優(yōu)秀的長時(shí)間記憶能力和非線性擬合能力,構(gòu)造GRU自編碼神經(jīng)網(wǎng)絡(luò),在異常數(shù)據(jù)重構(gòu)過程中將前一時(shí)刻狀態(tài)信息對當(dāng)前輸入數(shù)據(jù)的影響考慮其中,實(shí)現(xiàn)長序列異常數(shù)據(jù)的有效重構(gòu),采用TE（Tennessee Eastman）過程數(shù)據(jù)對GRU自編碼神經(jīng)網(wǎng)絡(luò)的故障數(shù)據(jù)重構(gòu)性能進(jìn)行了驗(yàn)證。2.通過對汽包數(shù)據(jù)特征分析,提出基于GRU自編碼神經(jīng)網(wǎng)絡(luò)的煤氣化裝置汽包異常液位預(yù)測方法,提早發(fā)現(xiàn)汽包液位超出正常閾值范圍變化的情況。GRU... 

【文章來源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１汽包工藝流程圖??Ｆｉｇ．１－１?Ｓｔｅａｍ?ｄｒｕｍ?ｐｒｏｃｅｓｓ?ｆｌｏｗ?ｃｈａｒｔ??

?北京化工大學(xué)碩士學(xué)位論文???輸入層（ｘ）?？？…—穩(wěn)含層（ｈ｝?？．?輸出層以）??Ｉ??ｐｔｅ??ｉ……一．ｊ?ｉ????ｊ?ｉ???ｊ??圖２－１循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２－１?Ｓｔｒｕｃｔｕｒｅｓ?ｏｆ?ｒｅｃｕｒｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??輸入層接收時(shí)序數(shù)據(jù)的輸入變量，然后將其傳遞到隱含層，隱含層節(jié)點(diǎn)的作用是??特征的非線性變換和特征空間的映射，從而輸出層輸出下一步預(yù)測的數(shù)據(jù)。循環(huán)神經(jīng)??網(wǎng)絡(luò)在時(shí)間維度上的展開結(jié)構(gòu)，如圖２－２所示。??（ｙｔ）?｜?（＾）?（ｙ）?￥ｐ）??＊?ｈ?ｈｔ－ｉ??？?ｈｔ??？?ｈｔ＋ｉ?—？??圖２＿２循環(huán)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)展開??Ｆｉｇ．２－２?Ｕｎｆｏｌｄｅｄ?ＲＮＮｓ??循環(huán)神經(jīng)網(wǎng)絡(luò)具體運(yùn)算過程如下：??ｈ，?＝?ｔａｎｈ（＾ｘ，?＋?Ｗｈｈｈ，＿ｘ?＋?ｂｈ）?式（２－１）??ｙｔ＝ｇ＾，＋ｂｙ）?式（２－２）??其中ｔａｎｈ，ｇ是激活函數(shù)，是輸入層到隱含層的權(quán)值矩陣，％Ａ是隱含層之間的權(quán)??值矩陣，＆是隱含層到輸出層的權(quán)值矩陣，＆和＼是添加到隱含層和輸出層的偏差??向量，以這樣的方式實(shí)現(xiàn)數(shù)據(jù)隨時(shí)間傳遞的過程。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)利用基于時(shí)間的??反向傳播算法（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｈｒｏｕｇｈ?Ｔｉｍｅ，ＢＰＴＴ）對模型內(nèi)部的權(quán)值等重要參數(shù)進(jìn)??行迭代更新。ＢＰＴＴ前向傳播的公式如下：??ａ＇ｙ＝ＨｗｈｙＫ?式（２－３）??ｈ＝＼??１０??

?北京化工大學(xué)碩士學(xué)位論文???輸入層（ｘ）?？？…—穩(wěn)含層（ｈ｝?？．?輸出層以）??Ｉ??ｐｔｅ??ｉ……一．ｊ?ｉ????ｊ?ｉ???ｊ??圖２－１循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??Ｆｉｇ．２－１?Ｓｔｒｕｃｔｕｒｅｓ?ｏｆ?ｒｅｃｕｒｒｅｎｔ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ??輸入層接收時(shí)序數(shù)據(jù)的輸入變量，然后將其傳遞到隱含層，隱含層節(jié)點(diǎn)的作用是??特征的非線性變換和特征空間的映射，從而輸出層輸出下一步預(yù)測的數(shù)據(jù)。循環(huán)神經(jīng)??網(wǎng)絡(luò)在時(shí)間維度上的展開結(jié)構(gòu)，如圖２－２所示。??（ｙｔ）?｜?（＾）?（ｙ）?￥ｐ）??＊?ｈ?ｈｔ－ｉ??？?ｈｔ??？?ｈｔ＋ｉ?—？??圖２＿２循環(huán)神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)展開??Ｆｉｇ．２－２?Ｕｎｆｏｌｄｅｄ?ＲＮＮｓ??循環(huán)神經(jīng)網(wǎng)絡(luò)具體運(yùn)算過程如下：??ｈ，?＝?ｔａｎｈ（＾ｘ，?＋?Ｗｈｈｈ，＿ｘ?＋?ｂｈ）?式（２－１）??ｙｔ＝ｇ＾，＋ｂｙ）?式（２－２）??其中ｔａｎｈ，ｇ是激活函數(shù)，是輸入層到隱含層的權(quán)值矩陣，％Ａ是隱含層之間的權(quán)??值矩陣，＆是隱含層到輸出層的權(quán)值矩陣，＆和＼是添加到隱含層和輸出層的偏差??向量，以這樣的方式實(shí)現(xiàn)數(shù)據(jù)隨時(shí)間傳遞的過程。傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)利用基于時(shí)間的??反向傳播算法（Ｂａｃｋ?Ｐｒｏｐａｇａｔｉｏｎ?Ｔｈｒｏｕｇｈ?Ｔｉｍｅ，ＢＰＴＴ）對模型內(nèi)部的權(quán)值等重要參數(shù)進(jìn)??行迭代更新。ＢＰＴＴ前向傳播的公式如下：??ａ＇ｙ＝ＨｗｈｙＫ?式（２－３）??ｈ＝＼??１０??


本文編號：3261906