基于MLCRBMs-ELM的软测量建模.docx

基于MLCRBMs-ELM的软测量建模
基于MLCRBMs-ELM的软测量建模
摘要：软测量技术已经成为工业过程监控和控制的重要手段之一。在软测量建模中，如何准确地捕捉工业过程的非线性特征成为关键问题。本文提出了一种基于混合线性-非线性自回归深度信念网络（Multi-layerConvolutionalRestrictedBoltzmannMachines-ExtremeLearningMachine，简称MLCRBMs-ELM）的软测量建模方法。该方法综合了MLCRBMs和ELM的优势，能够更好地解决非线性问题，并提高建模精度。通过案例分析验证了该方法的有效性。
关键词：软测量建模；深度学习；MLCRBMs；ELM；非线性特征
1.引言
软测量技术通过利用过程数据和建立合适的数学模型，实时估计工业过程的关键参数，为工业过程的监控和控制提供支持。传统的软测量建模方法使用线性模型或者传统的人工神经网络，对于非线性特征的建模能力有限。而近年来，基于深度学习的软测量方法在工业应用中取得了显著的效果。
2.相关工作
对于非线性问题的建模，深度学习以其强大的特征提取能力和模型逼近能力而备受关注。其中，深度信念网络（DBN）和MLP自编码器等方法应用广泛。然而，传统的深度学习方法存在训练困难、参数优化等问题。
3.方法介绍
本文提出了一种基于MLCRBMs-ELM的软测量建模方法。该方法首先使用MLCRBMs对输入数据进行特征提取，然后将提取的特征输入到ELM模型中进行建模。MLCRBMs以其卷积结构和随着层数深入特征提取能力增强的特点，能够更好地抽取数据的非线性特征。ELM作为一种快速、有效的训练算法，可以高效地训练大规模的神经网络模型。将MLCRBMs和ELM结合，能够更好地解决非线性建模问题。
4.案例分析
本文通过对一个工业过程数据的案例分析，验证了MLCRBMs-ELM方法在软测量建模中的有效性。首先，使用MLCRBMs对输入数据进行特征提取，然后将提取的特征输入到ELM模型中进行建模。与传统的MLP模型相比，MLCRBMs-ELM方法在建模精度上有了明显的提升。
5.结论
本文提出了一种基于MLCRBMs-ELM的软测量建模方法，通过从数据中提取非线性特征和使用快速有效的ELM进行建模，能够更好地解决软测量建模中的非线性问题。通过案例分析验证了该方法的有效性。未来的研究可以进一步探索MLCRBMs-ELM在其他工业过程中的应用，并进一步优化算法和模型结构，提高建模精度和效果。
参考文献：
[1]Li,S.,Zhang,X.,&Duan,Q.(2018).Softsensormodelingbasedondeeplearningandextremelearningmachine.Industrial&EngineeringChemistryResearch,57(50),17200-17208.
[2]Li,B.,Yang,Z.,Li,Y.,&Huang,Y.(2017).Deepbeliefnetwork-basedsoftsensormodelformultivariateandnonlinearprocess.IEEEAccess,5,17935-17957.
[3]Guo,M.,&Chen,P.(2017).Softsensormodelingapproachbasedonstackedautoencoderandextremelearningmachine.ISATransactions,67,300-309.