Dynamic Process Modelling using a PCA-based Output Integrated Recurrent Neural Network

A new methodology for modelling of dynamic process systems, the output integrated recurrent neural network (OIRNN), is presented in this paper. OIRNN can be regarded as a modified Jordan recurrent neural network, in which the past values for certain steps of the output variables are integrated with the input variables, and the original input variables are pre-processed using principal component analysis (PCA) for the purpose of dimension reduction. The main advantage of the PCA-based OIRNN is that the input dimension is reduced, so that the network can be used to model the dynamic behavior of multiple input multiple output (MIMO) systems effectively. The new method is illustrated with reference to the Tennessee-Eastman process and compared with principal component regression and feedforward neural networks. On presente dans cet article une nouvelle methodologie pour la modelisation de systemes de procedes dynamiques, soit le reseau neuronal recurrent avec integration de la reponse (OIRNN). Ce dernier peut etre vu comme un reseau neuronal recurrent de Jordan modifie, dans lequel les valeurs passees pour certaines etapes des valeurs de sortie sont integrees aux variables d'entree et les variables d'entree originales pre-traitee par l'analyse des composants principaux (PCA) dans un but de reduction des dimensions. Le principal avantage de l'OIRNN base sur la PCA est que la dimension d'entee est reduite de sorte que le reseau peut servir a modeliser le comportement dynamique de systemes a entree et sorties multiples (MIMO) de facon efficace. La nouvell method est illustree dans le cas du procede Tennessee-Eastman et est comparee aux reseaux neuronaux anticipes et a regression des composants principaux.