高炉铁水质量鲁棒正则化随机权神经网络建模

高炉炼铁过程运行优化与控制依赖于可靠、稳定的难测铁水质量(Molten iron quality, MIQ)指标模型.针对现有MIQ建模方法的不足,本文提出一种新型的数据驱动鲁棒正则化随机权神经网络(Random vector functional-link networks,RVFLNs)算法,用于实现MIQ指标在线估计的鲁棒建模.首先,为了提高建模效率和降低计算复杂度,采用数据驱动典型相关性分析方法从众多变量中提取与MIQ相关性最强的变量作为建模输入变量;其次,由于传统RVFLNs网络的输出权值由最小二乘估计获得,易受离群数据影响而鲁棒性差,引入基于Gaussian分布加权的M估计技术,提出新型鲁棒RVFLNs算法建立多元MIQ指标的鲁棒模型;同时,在鲁棒加权后的最小二乘损失函数基础上,进一步引入L1和L2两个正则化项以构成优化目标函数的Elastic net,用于稀疏化RVFLNs网络的输出权值矩阵,解决RVFLNs网络多重共线性和过拟合的问题.最后,基于某大型高炉工业数据,进行充分数据实验,结果表明所提方法具有更高的建模与估计精度以及较强的鲁棒性能.

集成自编码与PCA的高炉多元铁水质量随机权神经网络建模

针对随机权神经网络(Random vector functional-link networks, RVFLNs)建模存在的过拟合和泛化能力差的问题,集成自编码(Autoencoder)和主成分分析(Principal component analysis, PCA)技术,提出一种新型的改进RVFLNs算法,即AE-P-RVFLNs算法,用于建立高炉多元铁水质量在线估计的NARX (Nonlinear autoregressive exogenous)模型.首先,为了尽可能挖掘实际复杂工业数据中的有用信息和充分揭示输入数据之间的内在关系,采用Autoencoder前馈随机网络技术训练建模输入数据,并将训练得到的输出权值作为后续RVFLNs的输入权值;然后,引入PCA技术对RVFLNs的高维隐层输出矩阵进行降维,避免隐层输出矩阵多重共线性问题,从而解决由于隐层节点过多导致模型过拟合的问题;最后,基于所提AE-P-RVFLNs算法建立某大型高炉多元铁水质量在线估计的NARX模型.工业实验和比较分析表明:采用本文算法建立的多元铁水质量在线估计模型可有效提高运算效率和估计精度,尤其是避免常规RVFLNs建模存在的过拟合问题.