基于AMWPSO-LSTM的多阶段间歇过程故障预测
过程安全对于间歇过程生产具有重要意义,为提高间歇过程生产安全性,提出一种基于改进粒子群算法(AMWPSO)优化长短期记忆网络(LSTM)的间歇过程故障预测模型AMWPSO-LSTM.针对LSTM中的神经元个数、迭代次数、学习率等参数需要人为设置的问题,采用AMWPSO对这些参数进行自动寻优.AMWPSO在原有粒子群优化算法(PSO)中融入了自适应变异和非线性递减惯性权重,提高了 PSO的参数寻优能力.由于间歇过程具有多阶段性,因此先根据模糊C均值聚类(FCM)方法对间歇过程进行阶段划分,再利用Pearson相关系数对各阶段实验数据进行相关性分析,以降低系统变量的维数,并建立各阶段T2统计量控制限作为系统是否发生故障的指标.实验以青霉素发酵过程数据为例,建立基于AMWPSO-LSTM的多阶段故障预测模型,并将该模型的预测结果与基于LSTM的多阶段预测模型、基于PSO-LSTM的多阶段预测模型的预测结果进行比较,结果表明,基于AMWPSO-LSTM 的多阶段故障预测模型可取得较高的预测准确度.
粒子群优化、长短期记忆网络、模糊C均值聚类、Pearson相关系数、间歇过程、故障预测
49
TP277(自动化技术及设备)
天津市企业科技特派员项目19JCTPJC60300
2022-09-08(万方平台首次上网日期,不代表论文的发表时间)
共9页
116-124