期刊名称：Advanced Engineering Informatics, 2018, 36: 112-119, https://doi.org/10.1016/j.aei.2018.03.003

影响因子：5.603 中科院1区

作者：王晓，刘涵

论文介绍：

在过去的二十年里，软测量已经被广泛地应用于工业生产过程中，使用易于测量的过程变量来预测难以测量的变量。基于主成分分析（PCA）和偏最小二乘法（PLS）等统计学的传统软测量建模方法取得了一些成功，但在处理强非线性数据时，它们通常变得无能为力。本文提出了一种基于深度学习网络的新的软测量建模方法。首先，叠加自动编码器（SAE）被用来提取输入数据的高级特征表示。在SAE每一层的训练过程中，采用有限记忆BFGS方法来优化权重参数。随后，支持向量回归（SVR）也被引入，在SAE获得的特征基础上预测目标值。为了提高模型的性能，使用遗传算法（GA）来获得SVR的最佳参数。为了评估所提出的方法，研究了一个软测量模型来估计火力发电厂锅炉中空气预热器的转子变形。实验结果表明，基于SAE-SVR的软传感器比已有的方法更有效。

相关图片：