[發(fā)明專利]最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量儀表及方法

有效

• 申請?zhí)枺?/td>: 201310432289.X
• 申請日: 2013-09-22
• 公開（公告）號: CN103675005A
• 公開（公告）日: 2014-03-26
• 發(fā)明（設(shè)計）人: 劉興高;張明明;李見會
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01N25/04
• 分類號: G01N25/04;G05B13/04
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 周烽

1.一種最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量儀表，包括用于測量易測變量的現(xiàn)場智能儀表、用于測量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫以及熔融指數(shù)軟測量值顯示儀，所述現(xiàn)場智能儀表、控制站與DCS數(shù)據(jù)庫連接，其特征在于：所述軟測量儀表還包括最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量模型，所述DCS數(shù)據(jù)庫與所述最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量模型的輸入端連接，所述最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量模型的輸出端與熔融指數(shù)軟測量值顯示儀連接，所述最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量模型包括：

數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型訓(xùn)練樣本進行預(yù)處理，使得訓(xùn)練樣本的均值為0，方差為1，該處理采用以下算式過程來完成：

計算均值：TX‾=1NΣi=1NTXi---(1)]]>

計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

標(biāo)準(zhǔn)化：X=TX-TX‾σx---(3)]]>

其中，TX_i為第i個訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本。σ_x表示訓(xùn)練樣本的標(biāo)準(zhǔn)差，σ²_x表示訓(xùn)練樣本的方差。

模糊神經(jīng)網(wǎng)絡(luò)模塊，對從數(shù)據(jù)預(yù)處理模塊傳過來的輸入變量，進行模糊推理和建立模糊規(guī)則。對從數(shù)據(jù)預(yù)處理模塊傳過來的經(jīng)過預(yù)處理過的訓(xùn)練樣本X進行模糊分類，得到模糊規(guī)則庫中每個模糊聚類的中心和寬度。設(shè)第p個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p=[X_p1,…,X_pn]，其中n是輸入變量的個數(shù)。

設(shè)模糊神經(jīng)網(wǎng)絡(luò)有R個模糊規(guī)則，為了求得每個模糊規(guī)則對于訓(xùn)練樣本X_p的每個輸入變量X_pj,j=1,…,n，下面的模糊化方程將求出其對第i個模糊規(guī)則的隸屬度：

Mij=exp{-(Xpj-mij)2σij2}---(4)]]>

其中m_ij和σ_ij分別表示第i個模糊規(guī)則的第j個高斯成員函數(shù)的中心和寬度，由模糊聚類求得。

設(shè)標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p對模糊規(guī)則i的適應(yīng)度為μ⁽ⁱ⁾(X_p)，則μ⁽ⁱ⁾(X_p)的大小可由下式?jīng)Q定：

μ(i)(Xp)=Πj=1nMij(Xp)=exp{-Σj=1n(Xpj-mij)2σij2}---(5)]]>

求得輸入訓(xùn)練樣本對于每個規(guī)則的適應(yīng)度之后，模糊神經(jīng)網(wǎng)絡(luò)對模糊規(guī)則輸出進行推導(dǎo)以得到最后的解析解。在常用的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，每個模糊規(guī)則推導(dǎo)的過程都可以表示為如下：首先求得訓(xùn)練樣本中所有輸入變量的線性乘積和，然后用此線性乘積和與規(guī)則的適用度μⁱ(X_p)相乘，得到最終的每條模糊規(guī)則的輸出。模糊規(guī)則i的推導(dǎo)輸出可以表示如下：

f(i)=μ(i)(Xp)×(Σj=1naij×Xpj+ai0)---(6)]]>

y^p=Σi=1Rf(i)+b=Σi=1R[μi(Xp)×(Σj=1naij×Xpj+ai0)]+b---(7)]]>

式中，f⁽ⁱ⁾為第i條模糊規(guī)則的輸出，是模糊神經(jīng)網(wǎng)絡(luò)模型對第p個訓(xùn)練樣本的預(yù)測輸出，a_ij,j=1,…,n是第i條模糊規(guī)則中第j個變量的線性系數(shù)，a_i0是第i條模糊規(guī)則中輸入變量線性乘積和的常數(shù)項，b是輸出偏置量。

支持向量機優(yōu)化模塊，在式（7）中，輸入變量線性乘積和中的參數(shù)的確定是模糊神經(jīng)網(wǎng)絡(luò)使用中用到的一個主要問題，這里我們采用把原有的模糊規(guī)則推導(dǎo)輸出形式轉(zhuǎn)換為支持向量機優(yōu)化問題，再使用支持向量機進行線性優(yōu)化，轉(zhuǎn)換過程如下：

y^p=Σi=1Rf(i)+b]]>

=Σi=1R[μ(i)(Xp)×(Σj=1naij×Xpj+ai0)]+b---(8)]]>

=Σi=1RΣj=0naij×μ(i)(Xp)×Xpj+b]]>

其中X_p0為常數(shù)項且恒等于1。令

φ→(Xp)=[μ(1)×Xp0,...,μ(1)×Xpn,......,μ(R)×Xp0,...,μ(R)×Xpn]---(9)]]>

其中，表示原訓(xùn)練樣本的轉(zhuǎn)化形式，即把原來的訓(xùn)練樣本轉(zhuǎn)換為如上式形式，作為支持向量機的訓(xùn)練樣本：

S={(φ→(X1),y1),(φ→(X2),y2),...,(φ→(XN),yN),}---(10)]]>

其中y₁,…,y_N是訓(xùn)練樣本的目標(biāo)輸出，取S作為新的輸入訓(xùn)練樣本集合，那么原有問題可以轉(zhuǎn)化為如下的支持向量機對偶優(yōu)化問題：

R(ω,b)=γ1NΣp=1NLϵ(yp,f(Xp))+12ωTω---(11)]]>

其中y_p是輸入訓(xùn)練樣本X_p的目標(biāo)輸出，ω是支持向量機超平面的法向量，f(X_p)是對應(yīng)于X_p的模型輸出，γ是支持向量機的懲罰因子，R(ω,b)是優(yōu)化問題的目標(biāo)函數(shù)，N是訓(xùn)練樣本數(shù)，L_ε(y_p,f(X_p))表達式如下：

其中ε是優(yōu)化問題的誤差容限，接下來使用支持向量機求得模糊神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則最優(yōu)推導(dǎo)線性參數(shù)和對偶優(yōu)化問題的預(yù)報輸出：

aij=Σk=1N(αk*-αk)μ(i)Xkj=Σk∈SVN(αk*-αk)μ(i)Xkji=1,...,R;j=0,...,n---(13)]]>

y^p=Σk=1N(αk*-αk)<φ→(X),φ→(Xk)>+b---(14)]]>

其中α_k，(k=1,…,N)分別是y_p-f(X_p)大于0和小于0時對應(yīng)的拉格朗日乘子,即為對應(yīng)于第p個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p的MI預(yù)報值。

所述最優(yōu)模糊網(wǎng)絡(luò)的工業(yè)熔融指數(shù)軟測量模型還包括：

模型更新模塊，用于模型的在線更新，定期將離線化驗數(shù)據(jù)輸入到訓(xùn)練集中，更新模糊神經(jīng)網(wǎng)絡(luò)模型。

2.一種用如權(quán)利要求1所述的基于支持向量機優(yōu)化模糊神經(jīng)網(wǎng)絡(luò)的丙烯聚合生產(chǎn)過程軟測量儀表實現(xiàn)的軟測量方法，其特征在于：所述軟測量方法具體實現(xiàn)步驟如下：

1）、對丙烯聚合生產(chǎn)過程對象，根據(jù)工藝分析和操作分析，選擇操作變量和易測變量作為模型的輸入，操作變量和易測變量由DCS數(shù)據(jù)庫獲得；

2）、用于將從DCS數(shù)據(jù)庫輸入的模型訓(xùn)練樣本進行預(yù)處理，使得訓(xùn)練樣本的均值為0，方差為1，該處理采用以下算式過程來完成：

計算均值：TX‾=1NΣi=1NTXi---(1)]]>

計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

標(biāo)準(zhǔn)化：X=TX-TX‾σx---(3)]]>

其中，TX_i為第i個訓(xùn)練樣本，N為訓(xùn)練樣本數(shù)，為訓(xùn)練樣本的均值，X為標(biāo)準(zhǔn)化后的訓(xùn)練樣本。σ_x表示訓(xùn)練樣本的標(biāo)準(zhǔn)差，σ²_x表示訓(xùn)練樣本的方差。

3）、對從數(shù)據(jù)預(yù)處理模塊傳過來的輸入變量，進行模糊推理和建立模糊規(guī)則。對從數(shù)據(jù)預(yù)處理模塊傳過來的經(jīng)過預(yù)處理過的訓(xùn)練樣本X進行模糊分類，得到模糊規(guī)則庫中每個模糊聚類的中心和寬度。設(shè)第p個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p=[X_p1,…,X_pn]，其中n是輸入變量的個數(shù)。

設(shè)模糊神經(jīng)網(wǎng)絡(luò)有R個模糊規(guī)則，為了求得每個模糊規(guī)則對于訓(xùn)練樣本X_p的每個輸入變量X_pj,j=1,…,n，下面的模糊化方程將求出其對第i個模糊規(guī)則的隸屬度：

Mij=exp{-(Xpj-mij)2σij2}---(4)]]>

其中m_ij和σ_ij分別表示第i個模糊規(guī)則的第j個高斯成員函數(shù)的中心和寬度，由模糊聚類求得。

設(shè)標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p對模糊規(guī)則i的適應(yīng)度為μ⁽ⁱ⁾(X_p)，則μ⁽ⁱ⁾(X_p)的大小可由下式?jīng)Q定：

μ(i)(Xp)=Πj=1nMij(Xp)=exp{-Σj=1n(Xpj-Mij)2σij2}---(5)]]>

求得輸入訓(xùn)練樣本對于每個規(guī)則的適應(yīng)度之后，模糊神經(jīng)網(wǎng)絡(luò)對模糊規(guī)則輸出進行推導(dǎo)以得到最后的解析解。在常用的模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，每個模糊規(guī)則推導(dǎo)的過程都可以表示為如下：首先求得訓(xùn)練樣本中所有輸入變量的線性乘積和，然后用此線性乘積和與規(guī)則的適用度μ⁽ⁱ⁾(X_p)相乘，得到最終的每條模糊規(guī)則的輸出。模糊規(guī)則i的推導(dǎo)輸出可以表示如下：

f(i)=μ(i)(Xp)×(Σj=1naij×Xpj+ai0)---(6)]]>

y^p=Σi=1Rf(i)+b=Σi=1R[μi(Xp)×(Σj=1naij×Xpj+ai0)]+b---(7)]]>

式中，f⁽ⁱ⁾為第i條模糊規(guī)則的輸出，是模糊神經(jīng)網(wǎng)絡(luò)模型對第p個訓(xùn)練樣本的預(yù)測輸出，a_ij,j=1,…,n是第i條模糊規(guī)則中第j個變量的線性系數(shù)，a_i0是第i條模糊規(guī)則中輸入變量線性乘積和的常數(shù)項，b是輸出偏置量。

4）、在式（7）中，輸入變量線性乘積和中的參數(shù)的確定是模糊神經(jīng)網(wǎng)絡(luò)使用中用到的一個主要問題，這里我們采用把原有的模糊規(guī)則推導(dǎo)輸出形式轉(zhuǎn)換為支持向量機優(yōu)化問題，再使用支持向量機進行線性優(yōu)化，轉(zhuǎn)換過程如下：

y^p=Σi=1Rf(i)+b]]>

=Σi=1R[μ(i)(Xp)×(Σj=1naij×Xpj+ai0)]+b---(8)]]>

=Σi=1RΣj=0naij×μ(i)(Xp)×Xpj+b]]>

其中X_p0為常數(shù)項且恒等于1。令

φ→(Xp)=[μ(1)×Xp0,...,μ(1)×Xpn,......,μ(R)×Xp0,...,μ(R)×Xpn]---(9)]]>

其中，表示原訓(xùn)練樣本的轉(zhuǎn)化形式，即把原來的訓(xùn)練樣本轉(zhuǎn)換為如上式形式，作為支持向量機的訓(xùn)練樣本：

S={(φ→(X1),y1),(φ→(X2),y2),...,(φ→(XN),yN),}---(10)]]>

其中y₁,…,y_N是訓(xùn)練樣本的目標(biāo)輸出，取S作為新的輸入訓(xùn)練樣本集合，那么原有問題可以轉(zhuǎn)化為如下的支持向量機對偶優(yōu)化問題：

R(ω,b)=γ1NΣp=1NLϵ(yp,f(Xp))+12ωTω---(11)]]>

其中y_p是輸入訓(xùn)練樣本X_p的目標(biāo)輸出，ω是支持向量機超平面的法向量，f(X_p)是對應(yīng)于X_p的模型輸出，γ是支持向量機的懲罰因子，R(ω,b)是優(yōu)化問題的目標(biāo)函數(shù)，N是訓(xùn)練樣本數(shù)，L_ε(y_p,f(X_p))表達式如下：

其中ε是優(yōu)化問題的誤差容限，接下來使用支持向量機求得模糊神經(jīng)網(wǎng)絡(luò)的模糊規(guī)則最優(yōu)推導(dǎo)線性參數(shù)和對偶優(yōu)化問題的預(yù)報輸出：

aij=Σk=1N(αk*-αk)μ(i)Xkj=Σk∈SVN(αk*-αk)μ(i)Xkji=1,...,R;j=0,...,n---(13)]]>

y^p=Σk=1N(αk*-αk)<φ→(X),φ→(Xk)>+b---(14)]]>

其中α_k，(k=1,…,N)分別是y_p-f(X_p)大于0和小于0時對應(yīng)的拉格朗日乘子,即為對應(yīng)于第p個標(biāo)準(zhǔn)化后的訓(xùn)練樣本X_p的MI預(yù)報值。

所述軟測量方法還包括以下步驟：5）、定期將離線化驗數(shù)據(jù)輸入到訓(xùn)練樣本集中，更新模糊神經(jīng)網(wǎng)絡(luò)模型。