基于知识融合的多尺度卷积神经网络对加氢裂化特征提取的研究

深度学习凭借其高效的特征提取能力在工艺流程建模中得到广泛研究应用,然而对于工艺流程知识与深度学习融合及多尺度特征提取方面尚未有系统研究。为解决上述问题,构建了一种可容纳局部子流程单元操作的全流程矩阵以实现知识融合,并基于扩展的Inception卷积块提出了多尺度卷积神经网络(MSCNN)。柴油加氢裂化工业实验结果表明:基于知识融合的MSCNN对加氢精制催化剂温度和氢气耗量的预测均方根误差(RMSE)分别仅有0.75和1053,与传统卷积网络(CNN)、全连接网络(BPNN)相比显示出优越的预测性能。提出了一种用于特征评价的GMM-t-SNE框架,其可视化结果表明,MSCNN所提取特征的t-SNE分布与预测目标的GMM聚类分布一致,表明MSCNN提取的特征合理,显著提升了模型的预测性能。

资料为PDF文档格式.

本文档关键词:尺度,提取,融合,特征,卷积