×

基于SAE-NN的污水处理过程关键出水参数软测量建模。 (英语) Zbl 1448.93223号

摘要:关键出水参数的实时测量在废水处理中起着至关重要的作用。在本研究工作中,我们提出了一种基于深度学习的软测量模型,该模型将堆叠式自动编码器与神经网络(SAE-NN)相结合。首先,根据实验数据,选择与生化需氧量(BOD5)密切相关的二级变量(易于测量)作为模型输入。此外,利用随机梯度下降(SGD)对SAE的每一层进行训练以优化权重参数,同时提出了一种用遗传算法识别每个隐含层神经元数量的策略。研究了一种软测量模型来预测污水处理厂的BOD5,以评估所提方法。有趣的是,实验结果表明,所提出的基于SAE-NN的软测量方法比现有的常用方法具有更好的预测性能。

理学硕士:

93C83号 涉及计算机的控制/观察系统(过程控制等)
93立方厘米 控制理论中的应用模型
PDF格式BibTeX公司 XML格式引用
全文: 内政部

参考文献:

[1] Haimi,H。;穆拉斯,M。;科罗纳,F。;Vahala,R.,《生物废水处理厂的数据衍生软传感器:概述》,环境建模与软件,47,88-107(2013)
[2] Han,H。;朱,S。;乔,J。;郭M.,污水处理过程关键变量数据驱动智能监测系统,中国化工杂志,26,10,2093-2101(2018)
[3] 五世戈帕库马尔。;蒂瓦里,S。;Rahman,I.,《基于深度学习的生物过程数据驱动软传感器》,《生物化学工程杂志》,136,28-39(2018)
[4] Kadlec,P。;加布里斯,B。;Strandt,S.,过程工业中的数据驱动软传感器,计算机与化学工程,33,4795-814(2009)
[5] Thürlimann,C.M。;杜伦马特,D.J。;Villez,K.,《污水处理厂控制的软测量与定性趋势分析》,《控制工程实践》,70121-133(2018)
[6] Kaneko,H。;Funatsu,K.,在线支持向量回归在软传感器中的应用,AIChE杂志,60,2,600-612(2014)
[7] Abba,S.I。;Elkiran,G.,利用人工神经网络应用预测废水处理厂的化学需氧量,《Procedia Computer Science》,120,156-163(2017)
[8] 袁,X。;黄,B。;Wang,Y。;杨,C。;Gui,W.,基于深度学习的特征表示及其在可变加权SAE软传感器建模中的应用,IEEE工业信息学汇刊,14,7,3235-3243(2018)
[9] 朱伟。;马云(Ma,Y.)。;周,Y。;本顿,M。;Romagnoli,J.,基于深度学习的软传感器及其在热解反应器中的应用,用于气相组分成分预测,第十三届过程系统工程国际研讨会(PSE 2018),2245-2250(2018),荷兰阿姆斯特丹:荷兰阿姆斯特朗爱思唯尔
[10] 尚,C。;杨,F。;黄,D。;Lyu,W.,基于深度学习技术的数据驱动软传感器开发,《过程控制杂志》,24,3,223-233(2014)
[11] 袁,X。;Ou,C。;Wang,Y。;杨,C。;Gui,W.,《软测量建模的深度质量相关特征提取:混合VW-SAE的深度学习方法》,神经计算,396375-382(2019)
[12] 朱,J。;Ge,Z。;Song,Z.,《利用大数据对大规模工厂流程进行建模和监测的分布式并行PCA》,IEEE工业信息学汇刊,13,4,1877-1885(2017)
[13] Hamedmoghadam H.、N.Joorabloo和M.Jalili,澳大利亚使用深度神经网络的长期电力需求预测,arXiv预印本arXiv:1801.021482018
[14] 张,R。;Tao,J.,使用改进的基于多目标优化的神经网络对焦炉系统进行数据驱动建模,IEEE工业电子学报,64,4,3147-3155(2017)
[15] Bengio,Y.,深度网络贪婪分层训练,神经信息处理系统进展,153-160(2007),马萨诸塞州坎布里奇,美国:麻省理工学院出版社
[16] 邱,Y。;刘,Y。;Huang,D.,利用深度神经网络和遗传算法进行污水生物处理的数据驱动软传感器设计,日本化学工程杂志,49,10,925-936(2016)
[17] 王,X。;Liu,H.,基于堆叠式自动编码器深度神经网络的空气预热器转子变形预测软传感器,先进工程信息学,36,112-119(2018)
[18] Yan,W。;唐棣;Lin,Y.,一种基于深度学习的数据驱动软传感器建模方法及其应用,IEEE工业电子学报,64,5,4237-4245(2016)
[19] 刘,G。;Bao,H。;Han,B.,用于实现变速箱故障诊断的基于堆叠自动编码器的深度神经网络,工程数学问题,2018(2018)
[20] Schölkopf,B。;普拉特,J。;Hofmann,T.,深度网络的贪婪分层训练,神经信息处理系统国际会议,153-160(2006),马萨诸塞州坎布里奇,美国:麻省理工学院出版社
[21] 袁,X。;Wang,Y。;杨,C。;Ge,Z。;宋,Z。;Gui,W.,用于非线性动态工业过程中特征表示和软传感器应用的加权线性动态系统,IEEE工业电子学报,65,2,1508-1517(2018)
[22] Yu,J。;C.洪。;Rui,Y。;Tao,D.,用于恢复人体姿势的多任务自动编码器模型,IEEE工业电子学报,65,6,5060-5068(2017)
[23] Ju,Y。;郭杰。;Liu,S.,稀疏自动编码器与SVM相结合的深度学习方法,2015年网络支持分布式计算与知识发现国际会议论文集
[24] 李S.-Z。;Yu,B。;Wu,W。;苏,S.-Z。;Ji,R.-R.,基于SAE-PCA网络的特征学习用于RGBD图像中的人类手势识别,神经计算,151565-573(2015)
[25] 辛顿,G.E。;Salakhutdinov,R.,《用神经网络降低数据的维数》,《科学》,3135786504-507(2006)·Zbl 1226.68083号
[26] 布莱克,C.L。;Merz,C.J.,UCI机器学习数据库库(1998),加利福尼亚州奥克兰,美国:加利福尼亚大学,加利福尼亚州,美国
[27] Feng,S。;周,H。;Dong,H.,使用小数据集的深度神经网络预测材料缺陷,材料与设计,162300-310(2019)
[28] Lee,C.Y。;谢S。;加拉赫,P。;张,Z。;Tu,Z.,深度监督网络,第18届国际人工智能与统计会议论文集
[29] Xu,K。;沈,X。;姚,T。;田,X。;Mei,T.,《长短记忆网络贪婪分层训练》,2018年IEEE多媒体与博览会研讨会(ICMEW)会议记录
[30] Khan,S。;伊斯兰,N。;Z年1月。;Ud Din,I。;Rodrigues,J.J.P.C.,使用转移学习检测和分类乳腺癌的新型深度学习框架,模式识别快报,125,1-6(2019)
[31] Cholet F.、Keras、,https://keras.io网址, 2015
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。