[發明專利]一種分餾系統過程數據的智能校正方法

有效

• 申請號: 201210017437.7
• 申請日: 2012-01-19
• 公開（公告）號: CN102542173A
• 公開（公告）日: 2012-07-04
• 發明（設計）人: 史旭華;藍艇;劉楠楠;項龍;朱金仁
• 申請（專利權）人: 寧波大學
• 主分類號: G06F19/00
• 分類號: G06F19/00
• 代理公司: 寧波奧圣專利代理事務所(普通合伙) 33226
• 代理人: 程曉明

1.一種分餾系統過程數據的智能校正方法，具體包括以下步驟：

1)采集分餾系統的實時和歷史的過程數據，將已測流量數據記為X，X＝{x₁，x₂，...，x_m}，將未測流量數據記為U，其中，m為設置在分餾系統中的測量儀表的個數，x_i，i＝1，2，...，m為第i個測量儀表上的測量值；

2)根據采集到的實時和歷史的過程數據，計算獲得該分餾系統中的過失誤差在誤差中出現的比例η，η＜0.5，以及過失誤差的標準差與隨機誤差的標準差的比率γ，γ＞5；

3)將過程數據協調轉化為優化問題，其表達式為：

min=Σi=1mln{(1-η)exp[-12(xi-xi^)2σi2]+ηγexp[-12(x1-xi^)2γ2σi2]}]]>

s.t.L(X^,U^)=0]]>

XL≤X^≤XU;]]>UL≤U^≤UU]]>

其中，min為最小值，ln()為取對數函數，exp()為指數函數，為x_i的估計值，i＝1，2，...，m為x_i服從儀表測量誤差的正態分布方差，s.t.為約束條件，為過程數據的物料和組分平衡方程，為X的估計數據，為U的估計數據，X^L為的下限，X^U為的上限，U^L為的下限，U^U為的上限；

4)采用多Agent鄰域競爭-協作學習算法求解步驟3)所述的優化問題，得到協調數據(X′，U′)，其中，X′＝{x₁′，x₂′，...，x_m′}，x_i′為x_i的協調值；

5)計算各個測量值x_i與其協調值x_i′之間的誤差e_i，i＝1，2，...，m，e_i＝x_i-x_i′，判斷e_i是否滿足如果是，則已測流量數據X中含有過失誤差，將作為未測流量數據，調整X＝X-{x_i*}和U＝U+{x_i*}，然后返回步驟3)，其中，σ_i為測量值x_i的標準差，max()為取最大值函數，arg()為取參數函數；否則(X′，U′)為全局最優協調數據。

2.根據權利要求1所述的一種分餾系統過程數據的智能校正方法，其特征在于所述的多Agent鄰域競爭-協作學習算法具體包括下列步驟：

(1)根據約束條件和與已測流量數據X，計算得到N組估計數據n＝1，2，...，N，將n＝1，2，...，N隨機的裝入多Agent群體A，(i＝1，2，...，L_s1；j＝1，2，...，L_s1)，生成Agent網格L(T)，其中，N＝L_s1×L_s1，為網格L(T)上的第i行第j列上的第T代個體，L_s1為網格L(T)的總行數或總列數，網格L(T)的大小為L_s1×L_s1，T為迭代次數，T＝1；

(2)計算網格L(T)中每個個體的競爭力獲得sBest^T，其中，C()為競爭力函數，的競爭力為C(X)^=-Σi=1mln{(1-η)exp[-12(xi-xi^)2σi2]+ηγexp[-12(x1-xi^)2γ2σi2]},]]>sBest^T為Agent網格第T代為止競爭力最大的個體；

(3)在網格L(T)中隨機抽取一個個體i′∈[1，L_s1]，j′∈[1，L_s1]生成一個大小為sL_sl×sL_s1的網格sL(T)；其中，為取上整，sR為搜索半徑，sR∈[0，1]，為網格sL(T)上的第m′行第n′列上的第T代個體，m′＝1，2，...，sL_s1，n′＝1，2，...，sL_s1，Newm',n'T=(eTm',n',1,eTm',n',2,...,eTm',n',m),]]>α_k為個體中的第k個數據值，為X^L中的第k個數據值，為X^U中的第k個數據值，u(1-sR，1+sR)為(1-sR，1+sR)內均勻分布的隨機數；

(4)將網格sL(T)以個體為起點覆蓋到網格L(T)上生成網格L¹(T)；具體為：其中，為網格L¹(T)上的第i行第j列上的第T代個體，mod為余數函數，且當m′+i′-1＝L_s1時，(m′+i′-1)mod?L_s1＝L_s1，當n′+j′-1＝L_s1時，(n′+j′-1)mod?L_s1＝L_s1；

(5)將網格L¹(T)中的每個個體執行鄰域競爭操作，獲得網格L²(T)；其中，鄰域競爭操作具體為：鄰域為個體在其所在的Agent網格中上下左右相鄰的四個個體的集合，且Agent網格中的行或列的首尾兩個個體相鄰，為網格L²(T)上的第i行第j列上的第T代個體，為中競爭力最大的個體的競爭力，為個體的鄰域，loc.aAi,jT={aAi-,jT,aAi,j-T,aAi+,jT,aAi,j+T},]]>i-=i-1,i≠1Ls1,i=1,]]>j-j-1,j≠1Ls1,j=1,]]>i+=i+1,i≠Ls11,i=Ls1,]]>j+=j+1,j≠Ls11,j=Ls1,]]>β＝(β₁，β₂，...，β_m)，b_k為個體中的第k個數據值，r(-1，1)為(-1，1)內均勻分布的隨機數；

(6)將網格L²(T)進行Q-變異操作轉換為網格L³(T)；其中，Q-變異操作具體為：為網格L³(T)上的第i行第j列上的第T代個體，c₁和c₂為學習率，c₁∈[0，1]，c₂∈[0，1]，且滿足約束條件c₁+c₂＝1，為變異因子，ΔbAi,jT=r(0,1)exp(-norm(C(bAi,jT))δ),]]>norm()為歸一化操作函數，δ是控制因子，δ∈(0，2]，r(0，1)為(0，1)內均勻分布的隨機數，為精英學習因子，ΔbA*i,jT=r(0,1)(bAi,jT-sBestT),]]>U(0，1)為(0，1)內均勻分布的隨機數，sPm為預先設置的參數，sPm∈[0.1，0.5]；

(7)對網格L³(T)執行鄰域協作操作獲得網格L(T+1)；鄰域協作操作的具體步驟為：

①根據每個個體的鄰域中的競爭力最大的個體和競爭力最小的個體獲得新個體

c‾Ai,jT=cAi,jT+0.5(argCmax(loc.cAi,jT)-argCmin(loc.cAi,jT));]]>

②根據個體和個體按式生成新個體其中，γ_k為個體中的第k個數據值，γ_k′為個體中的第k個數據值，為個體中的第k個數據值，c_r∈[0，1]為預先設定的參數；

③將個體與個體進行競爭選擇獲得具體為：其中，為網格L(T+1)第i行第j列上的第T+1代個體；

(8)從網格L(T+1)中找出競爭力最大個體sCBest^T，如果C(sCBest^T)＞C(sBest^T)，則令sBest^T+1＝sCBest^T，X^T＝sCBest^T；否則令sBest^T+1＝sBest^T，X^T＝sBest^T，并令sCBest^T＝sBest^T；其中，X^T為第T代競爭力最大個體；

(9)將X^T放入記憶庫，判斷是否滿足T＝sT或記憶庫中連續10次競爭力最大個體的方差都小于方差值如滿足，則轉(10)；否則T＝T+1，轉入步驟(3)；其中，sT為最大疊代次數；

(10)記憶庫中競爭力最大個體即為所得解；根據所得解和約束條件獲得協調數據(X′，U′)。