论文部分内容阅读
摘 要：為增强石油化工中换热器的前馈控制系统的稳定性和可靠性。本文提出了一种基于LSTM组合多时间尺度的方法对换热器前馈控制中的扰动信号进行预测，来调节操纵变量，补偿干扰信号对被控变量的影响。该方法使换热器的前馈控制系统的精度达到更高，满足精度的同时也注重对预测的稳定性探讨。
关键词：前馈控制;LSTM;多时间尺度
中图分类号：TB 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.25.076
0 引言
基于不变性原理的基础上发展而成的前馈控制，在如今越来越得到广泛的应用。在换热器的前馈控制中，前馈控制系统的时滞显著。如果可以通过增强对扰动信号的预测精度，提前掌握扰动的变化，那么就可以更加及时地对扰动信号做出控制，因此对扰动信号的预测是实现换热器温度控制的关键，换热器的扰动信号呈现时间序列数据，所以我们可以应用时间序列分析的方法对换热器的扰动信号进行预测。
ARIMA模型奠定了时间序列分析发展的基础，ARIMA模型主要用于平稳序列，但对非平稳序列也有一定的作用，随着计算机技术的发展，伴随着机器学习的兴起，在预测中加入人工神经网络（Artificial Neural Network，ANN）使预测的精度更加精确。韩超等应用ARIMA模型对短时交通流的预测取得了较好的预测效果，但由于ARIMA模型只能适用稳定或差分后是稳定的时序数据，而在处理非线性时序数据时较为局限。谭满春、冯荦斌等使用ARIMA与人工神经网络组合对交通流进行预测，发挥了人工神经网络对非线性时序数据的优势。基础的BP神经网络擅长处理非序列数据，但在时序数据上不是很适合，而RNN在基础神经网络的基础上，在隐藏层中加入了时序的概念。在隐藏层中加入了时序的概念，使上一个时刻的神经网络输出会被用于下一刻，固能形成时序上对神经网络输出的影响，而BP不能对时序进行非常好的处理。虽然普通RNN能对时序进行处理，但是普通RNN模型在对长跨度时间时可能会出现长期依赖的情况，而LSTM可以通过精心设计的结构来避免长期依赖问题。王鑫等使用基于LSTM对故障时间序列的预测，体现了在时间序列处理上LSTM很强的适用和准确性。
本文使用一种基于LSTM组合多种时间尺度的方法，并使用换热器入口温度的数据作为预测对象，在LSTM人工神经网络的基础上组合多时间尺度，减小误差，提高精度，增强稳定性。
1 LSTM循环神经网络
经过一代又一代的演变，LSTM深度学习网络得到了极大的发展，隐藏层作为LSTM的核心尤为重要，目前应用最为广泛的隐藏层细胞结构如图1所示，根据LSTM网络模型的结构，每个LSTM单元的计算公式如下：
2.4 实验训练网络设置
求解器使用Adam算法;其中输入层规模为2;隐藏层神经元个数为20;渐变阈值设为1;初始学习率为0.005;衰减参数为0.2;损失函数是均方根误差RMSE;迭代次数为200。
3 实验结果及其分析
3.1 单一时间尺度预测结果分析
对于按小时的预测精度在0.12914到0.20154之间，都满足工业应用的误差范围，从图2可以看出预测的误差在0附近有很小的波动，但是在个别点还是存在较大的偏差，计算其峰度为9.1638，远远偏离3，虽然其预测精度较高，但是其峰度也偏离3较大，同时，通过分析图3，可以看出均方差与峰度两者的关系时相反的，在较高的精度的同时会带来较大的波动，在较低的波动同时会导致较低的精度，所以我们要在注重预测精度的同时也要想办法使预测误差更加稳定，下面我们通过组合多时间尺度的方式使峰度更加接近于3，满足精度和稳定性的要求。
3.2 LSTM组合时间尺度预测分析
我们将不同的时间尺度的预测值单独算出来，在满足精度的条件下，将满足精度的值进行组合，然后判断其精度和峰度是否满足实际工程要求，LSTM组合时间尺度预测分析的流程图如图4所示。
不同时间间隔的组合随着其比例的改变，所表现的特征略有不同，由表1可看出，在小时间间隔组合时，如1小时和2小时，1小时和5小时，1小时和8小时等，在未组合前均方差小却峰度大，峰度小却均方差大，而在组合后其均方差略微向中间靠齐，但是满足实际过程需要，相对于原先的虽然均方差小峰度大，其峰度明显更加偏向于3，这样使满足精度的同时，也增加了其预测的稳定性。如1小时和5小时的组合，在未组合前，1小时虽然均方差小，但是其峰度偏高，5小时虽然峰度更加偏向于3，但是其均方差大，在组合后，误差变为0.17974896，满足实际需求，且峰度相对于1小时的峰度，更加偏向于3。
4 结论
为了提高换热器前馈控制系统的准确性和稳定性，本文使用LSTM前馈预测方法，其预测结果的均方差在0.12914～0.20154之间，满足实际工程需要，但在预测过程中，一些较大的波动依旧存在，于是进一步使用峰度来衡量误差的波动情况，并使用组合多时间尺度的方法，使在保证精度的情况下，减小波动，增加换热器前馈控制系统的稳定性和准确性，这对换热器前馈控制系统的温度控制具有一定的指导意义。
参考文献
[1]Box G E P，Jenkins G.Time Series Analysis[J].Forecasting and Control，1990：28-50.
[2]Brockwell P J，Davis R A.时间序列的理论与方法[M].北京：高等教育出版社，2001：24-36.
[3]韩超，宋苏，王成红，等.基于ARIMA模型的短时交通流实时自适应预测[J].系统仿真学报，2004，（07）：1530-1532+1535.
[4]谭满春，冯荦斌，徐建闽，等.基于ARIMA与人工神经网络组合模型的交通流预测[J].中国公路学报，2007，（04）：118-121.
[5]王鑫，吴际，刘超，等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报，2018，44（04）：772-784.
[6]Hochreiter S，S chmidhuber J.Long Short-Term Memory[J].Neural Computation，1997，9（8）：1735-1780.
[7]Kingma D，Ba J.Adam：A Method for Stochastic Optimization[J].Computer Science，2014.
关键词：前馈控制;LSTM;多时间尺度
中图分类号：TB 文献标识码：A doi：10.19311/j.cnki.1672-3198.2021.25.076
0 引言
基于不变性原理的基础上发展而成的前馈控制，在如今越来越得到广泛的应用。在换热器的前馈控制中，前馈控制系统的时滞显著。如果可以通过增强对扰动信号的预测精度，提前掌握扰动的变化，那么就可以更加及时地对扰动信号做出控制，因此对扰动信号的预测是实现换热器温度控制的关键，换热器的扰动信号呈现时间序列数据，所以我们可以应用时间序列分析的方法对换热器的扰动信号进行预测。
ARIMA模型奠定了时间序列分析发展的基础，ARIMA模型主要用于平稳序列，但对非平稳序列也有一定的作用，随着计算机技术的发展，伴随着机器学习的兴起，在预测中加入人工神经网络（Artificial Neural Network，ANN）使预测的精度更加精确。韩超等应用ARIMA模型对短时交通流的预测取得了较好的预测效果，但由于ARIMA模型只能适用稳定或差分后是稳定的时序数据，而在处理非线性时序数据时较为局限。谭满春、冯荦斌等使用ARIMA与人工神经网络组合对交通流进行预测，发挥了人工神经网络对非线性时序数据的优势。基础的BP神经网络擅长处理非序列数据，但在时序数据上不是很适合，而RNN在基础神经网络的基础上，在隐藏层中加入了时序的概念。在隐藏层中加入了时序的概念，使上一个时刻的神经网络输出会被用于下一刻，固能形成时序上对神经网络输出的影响，而BP不能对时序进行非常好的处理。虽然普通RNN能对时序进行处理，但是普通RNN模型在对长跨度时间时可能会出现长期依赖的情况，而LSTM可以通过精心设计的结构来避免长期依赖问题。王鑫等使用基于LSTM对故障时间序列的预测，体现了在时间序列处理上LSTM很强的适用和准确性。
本文使用一种基于LSTM组合多种时间尺度的方法，并使用换热器入口温度的数据作为预测对象，在LSTM人工神经网络的基础上组合多时间尺度，减小误差，提高精度，增强稳定性。
1 LSTM循环神经网络
经过一代又一代的演变，LSTM深度学习网络得到了极大的发展，隐藏层作为LSTM的核心尤为重要，目前应用最为广泛的隐藏层细胞结构如图1所示，根据LSTM网络模型的结构，每个LSTM单元的计算公式如下：
2.4 实验训练网络设置
求解器使用Adam算法;其中输入层规模为2;隐藏层神经元个数为20;渐变阈值设为1;初始学习率为0.005;衰减参数为0.2;损失函数是均方根误差RMSE;迭代次数为200。
3 实验结果及其分析
3.1 单一时间尺度预测结果分析
对于按小时的预测精度在0.12914到0.20154之间，都满足工业应用的误差范围，从图2可以看出预测的误差在0附近有很小的波动，但是在个别点还是存在较大的偏差，计算其峰度为9.1638，远远偏离3，虽然其预测精度较高，但是其峰度也偏离3较大，同时，通过分析图3，可以看出均方差与峰度两者的关系时相反的，在较高的精度的同时会带来较大的波动，在较低的波动同时会导致较低的精度，所以我们要在注重预测精度的同时也要想办法使预测误差更加稳定，下面我们通过组合多时间尺度的方式使峰度更加接近于3，满足精度和稳定性的要求。
3.2 LSTM组合时间尺度预测分析
我们将不同的时间尺度的预测值单独算出来，在满足精度的条件下，将满足精度的值进行组合，然后判断其精度和峰度是否满足实际工程要求，LSTM组合时间尺度预测分析的流程图如图4所示。
不同时间间隔的组合随着其比例的改变，所表现的特征略有不同，由表1可看出，在小时间间隔组合时，如1小时和2小时，1小时和5小时，1小时和8小时等，在未组合前均方差小却峰度大，峰度小却均方差大，而在组合后其均方差略微向中间靠齐，但是满足实际过程需要，相对于原先的虽然均方差小峰度大，其峰度明显更加偏向于3，这样使满足精度的同时，也增加了其预测的稳定性。如1小时和5小时的组合，在未组合前，1小时虽然均方差小，但是其峰度偏高，5小时虽然峰度更加偏向于3，但是其均方差大，在组合后，误差变为0.17974896，满足实际需求，且峰度相对于1小时的峰度，更加偏向于3。
4 结论
为了提高换热器前馈控制系统的准确性和稳定性，本文使用LSTM前馈预测方法，其预测结果的均方差在0.12914～0.20154之间，满足实际工程需要，但在预测过程中，一些较大的波动依旧存在，于是进一步使用峰度来衡量误差的波动情况，并使用组合多时间尺度的方法，使在保证精度的情况下，减小波动，增加换热器前馈控制系统的稳定性和准确性，这对换热器前馈控制系统的温度控制具有一定的指导意义。
参考文献
[1]Box G E P，Jenkins G.Time Series Analysis[J].Forecasting and Control，1990：28-50.
[2]Brockwell P J，Davis R A.时间序列的理论与方法[M].北京：高等教育出版社，2001：24-36.
[3]韩超，宋苏，王成红，等.基于ARIMA模型的短时交通流实时自适应预测[J].系统仿真学报，2004，（07）：1530-1532+1535.
[4]谭满春，冯荦斌，徐建闽，等.基于ARIMA与人工神经网络组合模型的交通流预测[J].中国公路学报，2007，（04）：118-121.
[5]王鑫，吴际，刘超，等.基于LSTM循环神经网络的故障时间序列预测[J].北京航空航天大学学报，2018，44（04）：772-784.
[6]Hochreiter S，S chmidhuber J.Long Short-Term Memory[J].Neural Computation，1997，9（8）：1735-1780.
[7]Kingma D，Ba J.Adam：A Method for Stochastic Optimization[J].Computer Science，2014.