[發明專利]模糊方程的工業熔融指數軟測量儀表及方法

有效

• 申請號: 201310435088.5
• 申請日: 2013-09-22
• 公開（公告）號: CN103675009A
• 公開（公告）日: 2014-03-26
• 發明（設計）人: 劉興高;張明明;李見會
• 申請（專利權）人: 浙江大學
• 主分類號: G01N25/04
• 分類號: G01N25/04;G05B13/04
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種模糊方程的工業熔融指數軟測量儀表，包括用于測量易測變量的現場智能儀表、用于測量操作變量的控制站、存放數據的DCS數據庫以及熔融指數軟測量值顯示儀，所述現場智能儀表、控制站與丙烯聚合生產過程連接，所述現場智能儀表、控制站與DCS數據庫連接，其特征在于：所述軟測量儀表還包括模糊方程的工業熔融指數軟測量模型，所述DCS數據庫與所述模糊方程的工業熔融指數軟測量模型的輸入端連接，所述模糊方程的工業熔融指數軟測量模型的輸出端與熔融指數軟測量值顯示儀連接，所述模糊方程的工業熔融指數軟測量模型包括：

數據預處理模塊，用于將從DCS數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化：

計算均值：TX‾=1NΣi=1NTXi---(1)]]>

計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

標準化：X=TX-TX‾σx---(3)]]>

其中，TX_i為第i個訓練樣本，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本。σ_x表示訓練樣本的標準差，σ²_x表示訓練樣本的方差。

模糊方程模塊，對從數據預處理模塊傳過來的標準化后的訓練樣本X，進行模糊化。設模糊方程系統中有c^*個模糊群，模糊群k、j的中心分別為v_k、v_j則第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度μ_ik為：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n為模糊分類過程中需要的分塊矩陣指數，通常取作2，||·||為范數表達式。

使用以上隸屬度值或者它的變形以獲得新的輸入矩陣，對于模糊群k，其輸入矩陣變形為：

Φ_ik(X_i,μ_ik)=[1func(μ_ik)X_i]???（5）

其中func(μ_ik)為隸屬度值μ_ik的變形函數，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。

最小二乘支持向量機作為模糊方程系統的局部方程，對每個模糊群進行優化擬合。設模型訓練樣本的第i個目標輸出為O_i，加權重的支持向量機通過變換把擬合問題等價于如下二次規劃問題：

min R(w,ξ)=12wTw+12γΣi=1Nξi2---(6)]]>

同時定義拉格朗日函數：

其中，R(w,ξ)是優化問題的目標函數，minR(w,ξ)是優化問題的目標函數的最小值，是非線性映射函數，N是訓練樣本數，ξ={ξ₁,…,ξ_N}是松弛變量，ξ_i是是松弛變量的第i個分量，α_i，i=1,…,N是對應的拉格朗日乘子的第i個分量，w是支持向量機超平面的法向量，b是相應的偏移量，而ω_i,i=1,…,N和γ分別是最小二乘支持向量機的權重和懲罰因子，上標T表示矩陣的轉置，μ_ik表示第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：

y^ik=Σm=1Nαm×K⟨Φim(Xm,μmk),Φik(Xi,μik)⟩+b---(9)]]>

其中，為模糊群k在訓練樣本i的輸出，K〈·〉是最小二乘支持向量機的核函數，這里K〈·〉取線性核函數，μ_mk表示第m個訓練樣本X_m對于模糊群k的隸屬度，Φ_mk(X_m,μ_mk)表示第m個輸入變量X_m及其模糊群k的隸屬度μ_mk所對應的新的輸入矩陣。α_m，m=1,…,N是對應的拉格朗日乘子的第m個分量。

由反模糊方法中的重心法得到最后的模糊方程系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)]]>

其中，為模糊群k在訓練樣本i的輸出。

所述模糊方程的工業熔融指數軟測量模型還包括：

模型更新模塊，用于模型的在線更新，定期將離線化驗數據輸入到訓練集中，更新模糊方程模型。

2.一種用如權利要求1所述的模糊方程的工業熔融指數軟測量儀表實現的軟測量方法，其特征在于：所述軟測量方法具體實現步驟如下：

1）、對丙烯聚合生產過程對象，根據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數據庫獲得；

2）、將從DCS數據庫輸入的模型訓練樣本進行預處理，對訓練樣本中心化，即減去樣本的平均值，然后對其進行標準化，使得其均值為0，方差為1。該處理采用以下算式過程來完成：

2.1）計算均值：TX‾=1NΣi=1NTXi---(1)]]>

2.2）計算方差：σx2=1N-1Σi=1N(TXi-TX‾)---(2)]]>

2.3）標準化：X=TX-TX‾σx---(3)]]>

其中，TX_i為第i個訓練樣本，N為訓練樣本數，為訓練樣本的均值，X為標準化后的訓練樣本。σ_x表示訓練樣本的標準差，σ²_x表示訓練樣本的方差。

3）、對從數據預處理模塊傳過來的訓練樣本，進行模糊化。設模糊方程系統中有c^*個模糊群，模糊群k、j的中心分別為v_k、v_j則第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度μ_ik為：

μik=(Σj=1c*(||Xi-vk||||Xi-vj||)2n-1)-1---(4)]]>

式中，n為模糊分類過程中需要的分塊矩陣指數，通常取作2，||·||為范數表達式。

使用以上隸屬度值或者它的變形以獲得新的輸入矩陣，對于模糊群k，其輸入矩陣變形為：

Φ_ik(X_i,μ_ik)=[1func(μ_ik)X_i]???（5）

其中func(μ_ik)為隸屬度值μ_ik的變形函數，一般取exp(μ_ik)等，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。

最小二乘支持向量機作為模糊方程系統的局部方程，對每個模糊群進行優化擬合。設模型訓練樣本的第i個目標輸出為O_i，加權重的支持向量機通過變換把擬合問題等價于如下二次規劃問題：

minR(w,ξ)=12wTw+12γΣi=1Nξi2---(6)]]>

同時定義拉格朗日函數：

其中，R(w,ξ)是優化問題的目標函數，，minR(w,ξ)是優化問題的目標函數的最小值，是非線性映射函數，N是訓練樣本數，ξ={ξ₁,…,ξ_N}是松弛變量，ξ_i是是松弛變量的第i個分量，α_i，i=1,…,N是對應的拉格朗日乘子的第i個分量，w是支持向量機超平面的法向量，b是相應的偏移量，而ω_i,i=1,…,N和γ分別是最小二乘支持向量機的權重和懲罰因子，上標T表示矩陣的轉置，μ_ik表示第i個標準化后的訓練樣本X_i對于模糊群k的隸屬度，Φ_ik(X_i,μ_ik)表示第i個輸入變量X_i及其模糊群k的隸屬度μ_ik所對應的新的輸入矩陣。由（6）（7）（8）式可推導出模糊群k在訓練樣本i的輸出為：

y^ik=Σm=1Nαm×K⟨Φim(Xm,μmk),Φik(Xi,μik)⟩+b---(9)]]>

其中，為模糊群k在訓練樣本i的輸出，K〈·〉是最小二乘支持向量機的核函數，這里K〈·〉取線性核函數，μ_mk表示第m個訓練樣本X_m對于模糊群k的隸屬度，Φ_mk(X_m,μ_mk)表示第m個輸入變量X_m及其模糊群k的隸屬度μ_mk所對應的新的輸入矩陣。α_m，m=1,…,N是對應的拉格朗日乘子的第m個分量。

由反模糊方法中的重心法得到最后的模糊方程系統的輸出：

y^i=Σk=1c*μiky^ikΣk=1c*μik---(10)]]>

其中，為模糊群k在訓練樣本i的輸出。

所述軟測量方法還包括以下步驟：4）、定期將離線化驗數據輸入到訓練集中，更新模糊方程模型。