基于KECA和MBA-NARX的多阶段间歇过程质量预测

摘要

间歇过程产品质量与过程特性或过程反应原理密切相关,为解决其过程数据呈现的多阶段性、时序性和动态性的问题,提出一种基于带外源输入的非线性自回归(NARX)神经网络进行多阶段质量预测.首先,对间歇过程数据进行K均值(K-means)聚类阶段划分和核熵成分分析(KECA)数据降维,保证输入数据阶段特征的同时提升后续预测过程的效率;然后,在各阶段内构造NARX预测模型,利用改进蝙蝠算法(MBA)优化网络的隐含层节点数,实现间歇过程在线质量预测;最后,利用青霉素仿真实验数据验证所提方法的有效性.研究结果表明:NARX神经网络开环模式具有较好的预测效果,核熵成分分析的数据降维方式更有利于后续的质量预测研究;MBA对于网络隐含层节点数的优化效率高、稳定性好,阶段划分可以一定程度上提高间歇过程的预测性能,提出的多阶段质量预测模型预测性能较高,均方根误差和平均绝对百分比误差分别达到0.02和1.20%.