朱群雄，郎　娜
北京化工大學信息科學與技術學院，北京

摘　　　要：針對過程工業中難以直接測量的變量建立其軟測量模型，對于實現關鍵指標的在線監測和實時控制具有十分重要的意義。變量的選擇直接關系到神經網絡軟測量模型的預測性能，針對現有輸入變量和網絡結構選擇方法在工業應用中的不足，提出了一種基于敏感度分析的方法來確定網絡輸入變量集和前饋神經網絡隱含層節點個數，并建立了高密度聚乙烯（ＨＤＰＥ）產品質量指標熔融指數（ＭＩ）軟測量模型，以實際工業應用驗證了該方法的有效性。

關　鍵　詞：軟測量；敏感度分析；輸入變量選擇；隱含層節點

１　引　言
現代工業過程中，需要對很多重要參數進行實時監測，但由于缺乏在線測量手段，給關鍵參數的控制帶來極大困難。軟測量技術在這種情況下應運而生，得到了廣泛的應用。石油化工工業過程機理復雜，影響因素繁多，很難取得被測變量與輔助變量的精確數學關系，因此實際應用中通常將機理分析作為基礎，而采用基于數據的建模方法來建立軟測量模型［１�玻常�。近些年來，人工神經網絡在復雜工業過程軟測量建模中的應用日益廣泛。輸入變量及網絡結構的選擇是利用神經網絡建模前的一項重要工作，選取一組對期望輸出影響較大的輸入變量集和合適的網絡結構是神經網絡預測的首要問題。本文利用貢獻率來解決這個問題。通過計算各層的貢獻率達到調整網絡結構以及選擇輸入變量的目的。并將此方法用于高密度聚乙烯熔融指數軟測量建模中，應用實例表明此方法在增強網絡泛化能力，提高模型預測精度上起到了良好的效果。

登錄網站后可下載文件