基于KECA和MBA-NARX的多阶段间歇过程质量预测

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%.