基于層次分析的FLANN神經(jīng)網(wǎng)絡(luò)研究及應(yīng)用

耿志強，武開英，韓永明（北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 0009；智能過程系統(tǒng)工程教育部工程研究中心，北京 0009）

?

基于層次分析的FLANN神經(jīng)網(wǎng)絡(luò)研究及應(yīng)用

耿志強1,2，武開英1,2，韓永明1,2
（1北京化工大學(xué)信息科學(xué)與技術(shù)學(xué)院，北京 100029；2智能過程系統(tǒng)工程教育部工程研究中心，北京 100029）

摘要：針對傳統(tǒng)函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)(functional link artificial neural networks ,FLANN)不能有效處理化工過程中強耦合、帶噪聲的高維數(shù)據(jù)建模問題，提出了一種基于層次分析(analytic hierarchy process, AHP)的FLANN神經(jīng)網(wǎng)絡(luò)(AHP-FLANN)。通過層析分析模型過濾輸入數(shù)據(jù)中的冗余信息，提取特征分量，并把提取的特征分量作為函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)的輸入進行建模。同時利用化工行業(yè)乙烯生產(chǎn)數(shù)據(jù)進行了驗證，并和BP神經(jīng)網(wǎng)絡(luò)及FLANN神經(jīng)網(wǎng)絡(luò)進行了對比。結(jié)果表明，AHP-FLANN神經(jīng)網(wǎng)絡(luò)在處理復(fù)雜高維數(shù)據(jù)時具有收斂速度快、建模精度高、網(wǎng)絡(luò)穩(wěn)定性強等特點，同時能夠指導(dǎo)乙烯生產(chǎn)，提高能效，具有良好的實用價值。

關(guān)鍵詞：乙烯裝置；生產(chǎn)能力預(yù)測；層次分析法；神經(jīng)網(wǎng)絡(luò)；模型預(yù)測控制；生產(chǎn)

2015-12-15收到初稿，2015-12-21收到修改稿。

聯(lián)系人：韓永明。第一作者：耿志強（1973—），男，博士研究生，教授。

引 言

乙烯工業(yè)作為石油化工產(chǎn)業(yè)的龍頭，其產(chǎn)量的高低已經(jīng)成為判斷一個國家工業(yè)發(fā)展水平的重要標(biāo)志之一。但是在乙烯生產(chǎn)過程模擬與預(yù)測模型中，由于處理分組多，各種影響因素相互關(guān)聯(lián)，存在極強的非線性關(guān)系。目前針對這一過程的機理雖不乏研究，但當(dāng)面臨生產(chǎn)中存在的各類復(fù)雜問題時，利用傳統(tǒng)的數(shù)學(xué)模型很難得到解決。近年來，隨著計算機技術(shù)的發(fā)展，各種人工智能方法也常被應(yīng)用到生產(chǎn)過程模擬與預(yù)測模型中，取得了良好的效果，這些智能方法主要有專家系統(tǒng)[1]、遺傳算法[2]、模糊理論[3]等，但是這些方法大部分是基于大樣本數(shù)據(jù)的學(xué)習(xí)理論，當(dāng)對少量樣本數(shù)據(jù)進行預(yù)測和分析時以上方法則不一定適用。

神經(jīng)網(wǎng)絡(luò)作為一種較為先進的智能方法，近年來常被用于過程建模，同時衍生出了多種神經(jīng)網(wǎng)絡(luò)模型，如反向傳播神經(jīng)網(wǎng)絡(luò)[4](BP)、多層感知機[5](MLP)等。然而，BP算法收斂速度緩慢，迭代次數(shù)常需要數(shù)千次以上。網(wǎng)絡(luò)層數(shù)和結(jié)點數(shù)較多的情況下，計算的復(fù)雜性和計算量大大增加。其次，BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和MLP網(wǎng)絡(luò)結(jié)構(gòu)中隱含層結(jié)點數(shù)的選取缺少理論依據(jù)，人們往往依據(jù)經(jīng)驗來確定。近年來，有學(xué)者提出了函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)(functional link artificial neural networks，F(xiàn)LANN)，通過理論和實踐證明FLANN[6]在預(yù)測的精度和速度上都優(yōu)于MLP和BP神經(jīng)網(wǎng)絡(luò)，并且FLANN沒有隱含層，這樣就大大加快了網(wǎng)絡(luò)的訓(xùn)練速度，計算量大為降低，有很快的收斂速度，近年來，F(xiàn)LANN學(xué)習(xí)算法已經(jīng)在通信[7]、經(jīng)濟[8]、機械[9]等領(lǐng)域開展了研究和應(yīng)用。但是該方法也存在一定的局限性：化工過程產(chǎn)生的數(shù)據(jù)具有強關(guān)聯(lián)、高維數(shù)和非線性等特性，并且大多數(shù)化工過程都運行在比較惡劣的環(huán)境條件下，導(dǎo)致其測量參數(shù)不僅具有很強的耦合性，而且還經(jīng)常會受到噪聲干擾，嚴(yán)重影響FLANN的學(xué)習(xí)性能。針對高維數(shù)據(jù)建模問題，特征提取是一種有效的處理方法。常用的特征提取方法有層次分析法（AHP）、主成分分析法（principal component analysis，PCA）[10]、輸入訓(xùn)練神經(jīng)網(wǎng)絡(luò)[11]等。其中，AHP是一種定性分析和定量分析相結(jié)合的、層次化和多準(zhǔn)則的分析方法[12-15]，通過數(shù)據(jù)壓縮、數(shù)據(jù)過濾來獲得過程特征信息。本文將AHP與FLANN神經(jīng)網(wǎng)絡(luò)結(jié)合，利用AHP模型以實現(xiàn)冗余信息的過濾和噪聲的去除，再將處理后的數(shù)據(jù)作為FLANN神經(jīng)網(wǎng)絡(luò)的輸入，最終探索出了一種基于層次分析模型的AHP-FLANN神經(jīng)網(wǎng)絡(luò)。最后把該神經(jīng)網(wǎng)絡(luò)推廣應(yīng)用到乙烯裝置生產(chǎn)預(yù)測中，結(jié)果驗證了AHP-FLANN在處理復(fù)雜的高維數(shù)據(jù)時的有效性和可行性，為提高產(chǎn)品的質(zhì)量、保證化工生產(chǎn)的安全進行提供了指導(dǎo)。

1 FLANN神經(jīng)網(wǎng)絡(luò)

基于函數(shù)鏈接的神經(jīng)網(wǎng)絡(luò)由Pao等[16]提出，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。建立一個FLANN結(jié)構(gòu)分為以下步驟。

圖1 常規(guī)FLANN結(jié)構(gòu)Fig.1 Conventional FLANN structure

（1）設(shè)x為n維輸入向量，其中xi表示其中的第i個分量。

（2）對原始輸入向量進行函數(shù)擴展，擴展后得到N維神經(jīng)網(wǎng)絡(luò)輸入向量?(x)。?(x)=[ ?1(x), ?2(x), …, ?k(x),…, ?N(x)]，其中?k(x)為在擴展后向量的第k維向量。

（3）w為神經(jīng)網(wǎng)絡(luò)權(quán)向量，其中w=[w1,w2, …, wk,…,wN]T，將擴展函數(shù)向量?(x)與全向量w相乘可得到向量的線性權(quán)重和S= ?(x)w。經(jīng)過非線性功能函數(shù)∫(·)得到神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果。

常規(guī)FLANN神經(jīng)網(wǎng)絡(luò)，在對權(quán)值進行更新時一般采用BP算法，由于網(wǎng)絡(luò)不含有隱含層，算法計算量大大減少。將網(wǎng)絡(luò)的輸出值與期望值y差值的平方和最小化min(E)作為網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)，其數(shù)學(xué)表達式為[17]

權(quán)值更新公式如下

常規(guī)FLANN網(wǎng)絡(luò)采用函數(shù)方式將原始輸入模式轉(zhuǎn)化到另一模式空間，再用增強后的模式代替原始模式作為輸入層的輸入。這種轉(zhuǎn)換是非線性的而且在數(shù)學(xué)上是非線性可分的，雖沒有加入新的信息，但是模式的表達卻得到了增強，因而也就具有了更好的處理非線性問題的能力。另外，由于FLANN無隱含層，在數(shù)學(xué)上和應(yīng)用中都證明了FLANN具有更快的學(xué)習(xí)速度且不易陷入局部極值[6]。

但是將FLANN神經(jīng)網(wǎng)絡(luò)應(yīng)用于化工過程建模時，不可避免地會遇到一些問題。

（1）由于FLANN采用的是先將原始輸入進行增強擴展后再輸入到網(wǎng)絡(luò)中去。而化工過程生產(chǎn)數(shù)據(jù)中存在著大量相互耦合的高維數(shù)據(jù)，如果直接利用還有大量冗余信息的高維數(shù)據(jù)來建模，不僅會使網(wǎng)絡(luò)結(jié)構(gòu)變得復(fù)雜，而且模型的精度也會大大降低。

（2）化工過程測量數(shù)據(jù)中常常包含一些無法避免的噪聲和誤差，單純利用這些數(shù)據(jù)進行FLANN網(wǎng)絡(luò)建模，模型魯棒性較差，性能也會受很大影響。

2 基于層次分析法的FLANN神經(jīng)網(wǎng)絡(luò)(AHP-FLANN)

為了有效處理高維數(shù)據(jù)樣本，解決傳統(tǒng)FLANN學(xué)習(xí)算法在化工生產(chǎn)預(yù)測建模中存在的問題，本文結(jié)合AHP，對高維數(shù)據(jù)樣本進行加權(quán)融合并提取數(shù)據(jù)特征信息。處理完成后將提取到的特征信息作為FLANN神經(jīng)網(wǎng)絡(luò)的輸入。

2.1 層次分析法(AHP)

層次分析法是一種定性分析和定量分析相結(jié)合的、層次化和多準(zhǔn)則的分析方法，利用該方法可以將乙烯生產(chǎn)數(shù)據(jù)燃料、電、水、蒸汽等總耗進行加權(quán)融合處理，這不僅能剔除乙烯異常數(shù)據(jù)，還能夠提高乙烯數(shù)據(jù)的可比性且相對簡單方便。

定義1：設(shè)裝置的j參數(shù)的下側(cè)關(guān)聯(lián)函數(shù)[18]為（i指第i次采樣）

其中，i=1,2, …,n; j=1,2,…,m。

設(shè)預(yù)處理后能效時序數(shù)據(jù)X=[X(1)X(2)…X(n)]T，其中，X(i)為t=i時乙烯裝置的能效價值數(shù)據(jù)，且xj(2)(j=1,2,…,m) 值為平均值。得到信息陣Kn×m如下

對于n階對稱矩陣COR，根據(jù)乘積方根法（幾何平均法），可以求得特征向量

具體過程如下

使用W對方案融合，得到裝置能效價值融合數(shù)據(jù)Xref

由以上分析可知，利用層次分析法，可以過濾高維輸入中的冗余信息，提取特征分量，有效地去除了數(shù)據(jù)中存在的噪聲。

2.2 AHP-FLANN神經(jīng)網(wǎng)絡(luò)

根據(jù)2.1節(jié)提取的輸入特征屬性，來構(gòu)建AHP-FLANN 神經(jīng)網(wǎng)絡(luò)，其組成結(jié)構(gòu)圖如圖2所示。

圖2 AHP-FLANN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 AHP-FLANN network structure

給定K個具有高維輸入的不同訓(xùn)練樣本集合S={(Xk,Yk)|k=1,2,…,K; Xk∈RI;Yk∈RJ}，其中每個訓(xùn)練樣本的輸入含有I個屬性，輸出含有J個屬性。對于訓(xùn)練樣本S，采用基于層次分析法的AHP-FLANN神經(jīng)網(wǎng)絡(luò)建模如下。

（1）層次分析模型建立。將訓(xùn)練樣本集合S中的高維輸入向量作為層次分析模型的輸入向量。利用該模型得到數(shù)據(jù)的特征分量，進而得到經(jīng)過特征提取的新的樣本集合S′={(Xm,Yk)|m=1,2,…,M; k=1,2,…,K; Xm∈RL;Yk∈RJ}。其中RL為經(jīng)過特征提取后得到的新的樣本輸入集合，包含L個樣本屬性。

（2）FLANN神經(jīng)網(wǎng)絡(luò)建立。將步驟（1）得到的樣本集合S′作為FLANN神經(jīng)網(wǎng)絡(luò)的輸入，而訓(xùn)練樣本集合S中的向量{Yk|k=1,2,…,K; Yk∈RJ}作為FLANN神經(jīng)網(wǎng)絡(luò)的期望輸出。由于數(shù)據(jù)中各個變量的量綱一般并不相同，使得變量之間的數(shù)值沒有可比性，因此在訓(xùn)練之前需要對數(shù)據(jù)集進行歸一化處理。采用下面轉(zhuǎn)換公式

（3）訓(xùn)練過程。首先，將步驟（2）得到的經(jīng)過歸一化后的神經(jīng)網(wǎng)絡(luò)輸入進行函數(shù)擴展，擴展后得到N維神經(jīng)網(wǎng)絡(luò)輸入向量?(x)=[ ?1(x), ?2(x),…, ?k(x),…, ?N(x)]。其中?k(x)為在擴展后向量的第k維向量。然后，利用FLANN神經(jīng)網(wǎng)絡(luò)采用梯度下降算法進行訓(xùn)練，記錄訓(xùn)練后的FLANN神經(jīng)網(wǎng)絡(luò)輸入層與輸出層之間的權(quán)值連接矩陣W。

（4）回想過程。根據(jù)步驟（3）訓(xùn)練所得的AHP-FLANN神經(jīng)網(wǎng)絡(luò)，再次利用訓(xùn)練樣本集合S′={(Xm,Yk)|m=1,2,…,M; k=1,2,…,K; Xm∈RL; Yk∈RJ}計算AHP-FLANN神經(jīng)網(wǎng)絡(luò)的回想輸出{Dk|k=1,2,…,K; Dk∈RL}，利用式（11）對輸出進行反歸一化

（5）泛化過程。采用一組不同于訓(xùn)練樣本的數(shù)據(jù)集合，作為AHP-FLANN神經(jīng)網(wǎng)絡(luò)的泛化樣本集合S″={(X′m, Y′k)|m=1,2,…, M′; k=1,2,…,K′; X′m∈RL; Y′k∈RJ}。同理，利用集合S″計算訓(xùn)練好的AHP-FLANN神經(jīng)網(wǎng)絡(luò)泛化輸出{D′k|k=1,2,…, K′; D′k∈RL}，將其與期望輸出{Y′k|k=1,2,…,K′; Y′k∈RJ}進行比較，計算網(wǎng)絡(luò)的泛化相對誤差和泛化標(biāo)準(zhǔn)差。

3 實驗測試

3.1 乙烯投入產(chǎn)出數(shù)據(jù)分析

在乙烯工業(yè)中，不同的乙烯能效分析界區(qū)和計算方法被不同企業(yè)所采用。因此，為更好地分析乙烯裝置能效，本文參照乙烯行業(yè)標(biāo)準(zhǔn)DB 37/751—2007和GB/T 2589—2008進行乙烯生產(chǎn)裝置界區(qū)的劃分。

對于乙烯裝置而言，與生產(chǎn)效率直接相關(guān)的因素主要包括：①原料；②燃料、動力消耗；③產(chǎn)品。由乙烯生產(chǎn)能量界區(qū)可知：原油、燃料、蒸汽、水、電作為乙烯生產(chǎn)的投入指標(biāo)，而主要生產(chǎn)的乙烯、丙烯、碳四[19-22]的產(chǎn)量為產(chǎn)出指標(biāo)。同時表示乙烯裝置能耗水平比較通用的方法是按照《石油化工設(shè)計能量消耗計算方法》（SH/T 3110—2001）中的表3.0.2和表3.0.3的換算關(guān)系將能耗相關(guān)參數(shù)中的燃料、蒸汽、水、電的計量單位統(tǒng)一換算成GJ，原油、乙烯、丙烯、碳四生產(chǎn)單位以t計量。故本文將燃料、蒸汽、水、電，再加上原油作為神經(jīng)網(wǎng)絡(luò)的輸入，乙烯、丙烯及碳四產(chǎn)量之和作為神經(jīng)網(wǎng)絡(luò)的輸出。

3.2 乙烯裝置生產(chǎn)預(yù)測分析

為了驗證本文提出的基于層次分析的函數(shù)鏈接神經(jīng)網(wǎng)絡(luò)的可行性和有效性，本文選取全國7種主要乙烯生產(chǎn)技術(shù)中19個乙烯生產(chǎn)裝置2009～2013年的月生產(chǎn)數(shù)據(jù)為分析對象。首先，選取某生產(chǎn)裝置2010年原油(石腦油、輕柴油、抽余油、加氫尾油1、加氫尾油2、碳三四五、其他)、燃料（輕質(zhì)油、重質(zhì)油、燃料氣）、蒸汽（超高壓蒸汽、高壓蒸汽、中壓蒸汽、低壓蒸汽）、水（循環(huán)水、工業(yè)水、鍋爐積水、其他水）、電這5大類原料作為網(wǎng)絡(luò)的輸入，將產(chǎn)物乙烯、丙烯、碳四產(chǎn)量之和作為網(wǎng)絡(luò)的輸出，由上所述最終構(gòu)成19輸入單輸出訓(xùn)練樣本數(shù)據(jù)。接著，利用層次分析模型對4大類輸入原料進行特征提取，提取之后神經(jīng)網(wǎng)絡(luò)輸入由原來的19個變成了5個。最后，將經(jīng)過特征提取的數(shù)據(jù)輸入FLANN神經(jīng)網(wǎng)絡(luò)進行預(yù)測建模。

圖3 訓(xùn)練誤差變化趨勢Fig.3 Variation trend of training error

設(shè)單層BP網(wǎng)絡(luò)的學(xué)習(xí)因子為0.1，動量因子為0.9，迭代次數(shù)為1000次，激勵函數(shù)為S型函數(shù)。輸入層、隱含層、輸出層的節(jié)點數(shù)分別為19，25，1。FLANN網(wǎng)絡(luò)學(xué)習(xí)因子為0.1，迭代次數(shù)為100次，輸入層和輸出層節(jié)點數(shù)為19和1。AHP-FLANN網(wǎng)絡(luò)學(xué)習(xí)因子為0.1，迭代次數(shù)為100次，輸入層和輸出層節(jié)點數(shù)為5和1。選用2010年的200組真實乙烯生產(chǎn)裝置數(shù)據(jù)建立模型，并對2011年乙烯裝置產(chǎn)出進行模擬，結(jié)果如圖3、圖4所示。圖3為網(wǎng)絡(luò)訓(xùn)練過程中相對誤差變化趨勢，圖4記錄了利用訓(xùn)練好的網(wǎng)絡(luò)對2011年乙烯裝置生產(chǎn)產(chǎn)量進行預(yù)測。

圖4 AHP-FLANN泛化曲線Fig.4 Generalization curve of AHP-FLANN

由圖3可以看出當(dāng)網(wǎng)絡(luò)迭代次數(shù)達到8次時，網(wǎng)絡(luò)訓(xùn)練相對誤差幾乎不再變化，網(wǎng)絡(luò)收斂速度極快。對于處理工業(yè)中產(chǎn)生的大量復(fù)雜數(shù)據(jù)，無疑有巨大的優(yōu)勢。由圖4可以看出由AHP-FLANN神經(jīng)網(wǎng)絡(luò)預(yù)測的2011年乙烯裝置產(chǎn)出值非常接近2011年乙烯裝置的實際產(chǎn)出，經(jīng)過計算，AHP-FLANN網(wǎng)絡(luò)訓(xùn)練的平均相對誤差為0.0512，而網(wǎng)絡(luò)泛化的平均相對誤差為0.0549。

為了更進一步驗證AHP-FLANN神經(jīng)網(wǎng)絡(luò)的可行性，本文又建立了BP神經(jīng)網(wǎng)絡(luò)模型和傳統(tǒng)FLANN神經(jīng)網(wǎng)絡(luò)模型來進行對比驗證。選用2009年的216組真實生產(chǎn)數(shù)據(jù)分別對以上兩種網(wǎng)絡(luò)進行建模，并對2011年乙烯裝置產(chǎn)出進行模擬，并和本文提出的神經(jīng)網(wǎng)絡(luò)進行對比。各個模型的預(yù)測精度、運行時間對比如表1和圖5所示。

表1 BP、FLANN、AHP-FLANN訓(xùn)練、泛化平均相對誤差及運行時間對比Table 1 Relative error of network training, generalization and comparison of running time

由表1可以看出AHP-FLANN的訓(xùn)練結(jié)果較BP和FLANN更接近真實值，AHP-FLANN神經(jīng)網(wǎng)絡(luò)泛化相對誤差為5.51%；而BP神經(jīng)網(wǎng)絡(luò)和FLANN神經(jīng)網(wǎng)絡(luò)的訓(xùn)練相對誤差分別為7.16%和10.66%。其次，AHP-FLANN網(wǎng)絡(luò)對乙烯產(chǎn)量預(yù)測結(jié)果的標(biāo)準(zhǔn)差相對于其他兩種網(wǎng)絡(luò)更小。因此利用AHP-FLANN神經(jīng)網(wǎng)絡(luò)進行預(yù)測，可以更快、更小誤差、更穩(wěn)定地預(yù)測某一年的乙烯生產(chǎn)量。而就整個網(wǎng)絡(luò)訓(xùn)練泛化過程所需要的時間而言，AHP-FLANN明顯更快，它比BP網(wǎng)絡(luò)約快6倍，而比傳統(tǒng)FLANN網(wǎng)絡(luò)約快3倍。

圖5 BP、FLANN、AHP-FLANN泛化結(jié)果比較Fig.5 Comparison of generalization results

3.3 乙烯裝置生產(chǎn)能效分析

本文選取相同規(guī)模（80萬噸級）不同技術(shù)下的兩套乙烯生產(chǎn)裝置。首先對兩套乙烯裝置2010年的能耗數(shù)據(jù)基于式(4)～式(9)進行層次融合，然后基于FLANN建立預(yù)測模型，預(yù)測2011年乙烯、丙烯和碳四的總產(chǎn)量。兩套裝置產(chǎn)量的預(yù)測結(jié)果方法平均誤差分別如圖6和表2所示。

圖6 不同乙烯生產(chǎn)裝置結(jié)果預(yù)測Fig. 6 Prediction of different ethylene production plant

表2 不同乙烯生產(chǎn)裝置泛化平均誤差對比Table 2 Comparison of average error of different ethylene production units

由圖6和表2可以看出，用AHP-FLANN網(wǎng)絡(luò)預(yù)測乙烯生產(chǎn)裝置產(chǎn)量在兩條生產(chǎn)線上都比用FLANN進行預(yù)測更加準(zhǔn)確。進一步說明了AHPFLANN網(wǎng)絡(luò)具有更高的預(yù)測精度。第一套乙烯生產(chǎn)裝置的泛化相對平均誤差均小于第二套乙烯生產(chǎn)裝置，說明該生產(chǎn)裝置下乙烯的產(chǎn)量穩(wěn)定，生產(chǎn)狀況良好，而第二套乙烯生產(chǎn)裝置的乙烯產(chǎn)量波動較大，說明該生產(chǎn)裝置出現(xiàn)生產(chǎn)能效低下的狀況，可以根據(jù)生產(chǎn)狀況調(diào)整乙烯投入量或者引入第一種技術(shù)，能夠改進乙烯生產(chǎn)狀況，達到生產(chǎn)穩(wěn)定，提高乙烯能效。例如第一套裝置2011年7月投入原油296892 t，燃料19.19 GJ，蒸汽0.48 GJ，水2.93 GJ，電0.74 GJ，而實際乙烯、丙烯、碳四的產(chǎn)出總量為168425 t，預(yù)測模型產(chǎn)出量為165377.13 t，輸出結(jié)果在誤差范圍內(nèi)，說明7月份中該裝置滿負(fù)荷運行，在后續(xù)生產(chǎn)中該裝置可維持該生產(chǎn)狀況。第二套生產(chǎn)裝置2011年6月投入原油58851 t，燃料18.78 GJ，蒸汽2.81 GJ，水1.75 GJ，電1.93 GJ，乙烯、丙烯、碳四的產(chǎn)出總量為17987 t，預(yù)測模型產(chǎn)出為33535 t，說明6月份該裝置能效低下，在以后生產(chǎn)中應(yīng)該調(diào)整投入產(chǎn)出，提高生產(chǎn)效率。

4 結(jié) 論

針對化工過程數(shù)據(jù)高維數(shù)、強關(guān)聯(lián)、非線性等特點，為了解決傳統(tǒng)神經(jīng)網(wǎng)絡(luò)在處理化工過程數(shù)據(jù)時收斂速度慢、輸入節(jié)點多的問題，本文提出了一種AHP-FLANN模型，該網(wǎng)絡(luò)模型運用層次分析法過濾掉數(shù)據(jù)中的冗余信息，提取出數(shù)據(jù)的特征變量，并采用FLANN神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，優(yōu)化了神經(jīng)網(wǎng)絡(luò)處理化工數(shù)據(jù)的能力。通過對乙烯裝置生產(chǎn)建模的應(yīng)用，結(jié)果表明，AHP-FLANN神經(jīng)網(wǎng)絡(luò)相比于單獨的FLANN神經(jīng)網(wǎng)絡(luò)，以及傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，不僅具有信息壓縮、數(shù)據(jù)提取、噪聲抑制的能力，而且網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練速度快、泛化性能好。將所提出的AHP-FLANN神經(jīng)網(wǎng)絡(luò)應(yīng)用于復(fù)雜化工過程建模，能夠較準(zhǔn)確地預(yù)測乙烯生產(chǎn)效率情況，指導(dǎo)乙烯生產(chǎn)，提高能效，同時提出的算法還可以應(yīng)用到其他化工工業(yè)預(yù)測建模中。

References

[1] 張紹兵, 季厭浮, 高志軍. 基于神經(jīng)網(wǎng)絡(luò)專家系統(tǒng)的研究與實現(xiàn)[J]. 計算機工程與科學(xué), 2008, (4): 156-158.

ZHANG S B, JI Y F, GAO Z J. Research and implementation of an expert system based on neural networks [J]. Computer Engineering and Science, 2008, (4): 156-158.

[2] 楊國軍, 崔平遠, 李琳琳. 遺傳算法在神經(jīng)網(wǎng)絡(luò)控制中的應(yīng)用與實現(xiàn) [J]. 系統(tǒng)仿真學(xué)報, 2001, (5): 567-570.

YANG G J, CUI P Y, LI L L. Applying and realizing of geneticalgorithm in neural networks control [J]. Journal of System Simulation, 2001, (5): 567-570.

[3] 嚴(yán)宇, 劉天琪. 基于神經(jīng)網(wǎng)絡(luò)和模糊理論的電力系統(tǒng)動態(tài)安全評估 [J]. 四川大學(xué)學(xué)報(工程科學(xué)版), 2004, (1): 106-110.

YAN Y, LIU T Q. Dynamic security assessment of power system based on ann and fuzzy theory [J]. Journal of Sichuan University (Engineering Science Edition), 2004, (1): 106-110.

[4] DING S F, SU C Y, YU J Z. An optimizing BP neural network algorithm based on genetic algorithm [J]. Artificial Intelligence Review, 2011, 36(2): 153-162.

[5] MOALLEM P, MONADJEMI S A. An efficient MLP-learning algorithm using parallel tangent gradient and improved adaptive learning rates [J]. Connection Science, 2010, 22(4): 373 - 392.

[6] 徐科軍, 殷銘.基于FLANN的腕力傳感器動態(tài)建模方法 [J]. 儀器儀表學(xué)報, 2000, 21(1): 92-94.

XU K J, YIN M. A dynamic modeling method based on FLANN for wrist force sensor [J]. Chinese Journal of Scientific Instrument, 2000, 21(1): 92-94.

[7] MISHRA S K, PANDA G, MEHER S, et al. Exponential functional link artificial neural networks for denoising of image corrupted by Gaussian noise[C]// Proceedings of the 2009 International Conference on Advanced Computer Control. Washington, DC, USA: IEEE Computer Society, 2009: 355-359.

[8] MAJHI R, PANDA G, SAHOO G. Development and performance evaluation of FLANN based model for forecasting of stock markets [J]. Expert Systems with Applications: An International Journal, 2009, 36(3): 6800-6808.

[9] HUANG S L, HAO K S, ZHAO W. New improved FLANN approach for dynamic modelling of sensors [J]. International Journal of Computer Applications in Technology, 2011, 41(1/2): 4-10.

[10] LEE J M, YOO C K, CHOI S W, et al. Nonlinear process monitoring using kernal principal component analysis [J]. Chem. Eng. Sci., 2004, 59(1): 223-234.

[11] GENG Z Q, ZHU Q X. Multiscale nonlinear principal component analysis(NLPCA) and its application for chemical process monitoring [J]. Ind. Eng. Chem. Res., 2005, 44(10): 3585-3593.

[12] PASCOE S, BUSTAMANTE R, WILCOX C, et al. Spatial fisheries management: a framework for multi-objective qualitative assessment [J]. Ocean & Coastal Management, 2009, 52(2): 130-138.

[13] 孫才志, 林學(xué)鈺. 基于層次分析的模糊一致性判斷矩陣及其應(yīng)用[J]. 模糊系統(tǒng)與數(shù)學(xué), 2002, 16(3): 59-63.

SUN C Z, LIN X Y. Fuzzy consistent matrix based on AHP and its application [J]. Fuzzy Systems and Mathematics, 2002, 16(3): 59-63.

[14] 魏翠萍. 層次分析法中和積法的最優(yōu)化理論基礎(chǔ)及性質(zhì) [J].系統(tǒng)工程理論與實踐, 1999, 9: 113-115

WEI C P. The optimization basis and properties of the sum-product method in AHP [J]. Systems Engineering - Theory & Practice, 1999, 9: 113-115.

[15] 演克武,朱金福,何濤.層次分析法在多目標(biāo)決策過程中的不足與改進 [J]. 統(tǒng)計與決策, 2007, 5: 10-11.

YAN K W, ZHU J F, HE T. Inadequate and improved multi-objective decision-making process in AHP [J]. Statistics and Decision, 2007, 5: 10-11.

[16] PAO Y H, PHILIPS S M, SOBAJIC D J. Neural-net computing and intelligent control systems [J]. International Journal of Control, 1992, 56(2): 263-289.

[17] 葉世偉, 史忠植. 神經(jīng)網(wǎng)絡(luò)原理[M].北京: 機械工業(yè)出版社, 2004: 10-12.

YE S W, SHI Z Z. Neural Networks:A Comprehensive Foundation [M]. Beijing: China Machine Press, 2004: 10-12.

[18] HAN Y M, GENG Z Q, LIU Q Y. Energy efficiency evaluation based on data envelopment analysis integrated analytic hierarchy process in ethylene production [J]. Chinese Journal of Chemical Engineering , 2014, 22(12): 1279-1284.

[19] 耿志強, 朱群雄, 顧祥柏.基于關(guān)聯(lián)層次模型的乙烯裝置能效虛擬對標(biāo)及應(yīng)用 [J].化工學(xué)報, 2011, 62(8): 2372-2377.

GENG Z Q, ZHU Q X, GU X B. Dependent function analytic hierarchy process model for energy efficiency virtual benchmark and its applications in ethylene equipments [J]. CIESC Journal, 2011, 62(8): 2372-2377.

[20] GENG Z Q, HAN Y M, YU C P. Energy efficiency evaluation of ethylene product system based on density clustering data envelopment analysis model [J]. Advanced Science Letters, 2012, 5: 1-7.

[21] 王學(xué)雷. 面向乙烯生產(chǎn)流程的能源消耗動態(tài)定標(biāo)方法 [J].計算機與應(yīng)用化學(xué), 2010, 27(9): 1166-1170.

WANG X L. A dynamic benchmarking method for energy consumption of ethylene production process [J]. Computers and Applied Chermistry, 2010, 27(9): 1166-1170.

[22] GENG Z Q, HAN Y M, GU X B, et al. Energy efficiency estimation based on data fusion strategy: case study of ethylene product industry [J]. Industrial & Engineering Chemistry Research, 2012, 51: 8526-8534.

研究論文

Received date: 2015-12-15.

Foundation item: supported by the National Natural Science Foundation of China (61374166, 61533003), the Specialized Research Fund for the Doctoral Program of Higher Education of China (20120010110010), and the Fundamental Research Funds for the Central Universities (YS1404, JD1502).

Research and application of FLANN neural network based on AHP

GENG Zhiqiang1,2, WU Kaiying1,2, HAN Yongming1,2
(1College of Information Science and Technology, Beijing University of Chemical Technology, Beijing 100029, China;2Engineering Research Center of Intelligent PSE, Ministry of Education in China, Beijing 100029, China)

Abstract:The traditional functional link artificial neural network (FLANN) is inefficient in the high-dimensional data modeling of the chemical process, where the data has characteristics of multi-dimensional, strongly coupled and noisy. In order to dealing with this problem, the FLANN based on analytical hierarchy process (AHP-FLANN) is proposed. The analytical hierarchy process (AHP) is constructed to filter redundant information and extract characteristic components. And then these characteristic components are trained by the FLANN. Meanwhile, the proposed AHP-FLANN method is applied to analyze the ethylene production data in the chemical industry. Compared with the BP network and the FLANN, the AHP-FLANN has the advantages of fast convergence speed with high modeling accuracy and strong network stability. The experimental result shows that the proposed method can guide the ethylene production conditions and improve the efficiency of energy utilization during ethylene production process. It has the practical value in practice.

Key words：ethylene plant；production capacity forecast；analytic hierarchy process；neural networks；model-predictive control；production

DOI：10.11949/j.issn.0438-1157.20151911

中圖分類號：TP 29

文獻標(biāo)志碼：A

文章編號：0438—1157（2016）03—0805—07

基金項目：國家自然科學(xué)基金項目（61374166, 61533003）；高等學(xué)校博士學(xué)科點專項科研基金（20120010110010）；中央高?；究蒲袠I(yè)務(wù)費（YS1404，JD1502）。

Corresponding author:HAN Yongming, hanym @mail.buct.edu.cn