基于TSECIT2FNN-LSTM的软传感器建模方法和应用
Huangtao Dai1, Taoyan Zhao2, Jiangtao Cao1
1School of Information and Control Engineering, Liaoning Petrochemical University, Fushun, 113001, China.
Scientific reports
|October 10, 2024
概括
本研究引入了一种新的软传感器模型,即基于TSK类型的自我演化的补偿间隔类型-2模糊的长期短期记忆 (LSTM) 神经网络 (TSECIT2FNN-LSTM),通过更好地处理可变合和参数灵敏度来提高复杂工业过程中的准确性.
科学领域:
- 过程控制 过程控制
- 人工智能的人工智能
- 模糊系统 (Fuzzy Systems) 是一个模糊系统.
背景情况:
- 复杂的工业过程往往由于多变量合和参数灵敏度而遭受软传感器建模精度低的困扰.
- 现有的模型很难有效地捕捉顺序数据中的长期依赖性,从而限制了预测性能.
研究的目的:
- 为了开发一个先进的软传感器模型,TSK类型的基于自演的补偿间隔类型-2模糊的长短期记忆 (LSTM) 神经网络 (TSECIT2FNN-LSTM),以提高复杂过程中的预测准确性.
- 将LSTM网络的优势与间隔类型-2模糊逻辑集成在一起,以更好地处理不确定性和复杂关系.
主要方法:
- TSECIT2FNN-LSTM模型将LSTM的长期依赖门机制与间隔类型-2模糊推理系统相结合.
- 一个基于火力强度的自我进化的结构学习算法,动态生成规则以优化网络架构.
- 参数学习采用梯度下降,具有独特的反向传播的错误条款通过时间和上层来提高准确性和记忆力.
主要成果:
- 该TSECIT2FNN-LSTM模型在预测葡萄酒中的酒精度和燃气轮机中的氧化排放方面表现出卓越的预测准确度.
- 实验结果证实了该模型在克服多变量合和参数灵敏度所带来的挑战方面的有效性.
- 增强的错误传播机制提高了预测准确性和模型的内存能力.
结论:
- 拟议的TSECIT2FNN-LSTM软传感器模型在复杂过程中准确建模关键变量方面取得了重大进展.
- 集成LSTM和间隔类型-2模糊逻辑为处理具有固有不确定性的序列数据提供了一个强大的框架.
- 该模型的自我发展结构和增强的学习机制有助于使其在现有方法上表现优越.
