[發明專利]BP粒子群優化的工業熔融指數軟測量儀表和方法有效
| 申請號： | 201310436856.9 | 申請日： | 2013-09-22 |
| 公開（公告）號： | CN103675012A | 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 |
| 地址： | 310058 浙江*** | 國省代碼： | 浙江;33 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | bp 粒子 優化 工業 熔融指數 測量 儀表 方法 | ||
1.一種BP粒子群優化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DCS數據庫連接，其特征在于：所述軟測量儀表還包括BP粒子群優化的工業熔融指數軟測量模型，所述DCS數據庫與所述BP粒子群優化的工業熔融指數軟測量模型的輸入端連接，所述BP粒子群優化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BP粒子群優化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：
計算方差：
標準化：
其中，TXi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。σx表示訓練樣本的標準差，σ2x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vk、vj，則標準化后的第i個訓練樣本Xi對于模糊群k的隸屬度μik為：
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：
Φik(Xi，μik)=[1func(μik)Xi]???（5）
其中func(μik)為隸屬度值μik的變形函數，一般取exp(μik)等，Φik(Xi，μik)表示第i個輸入變量Xi及其模糊群k的隸屬度μik所對應的新的輸入矩陣。
BP神經網絡作為模糊方程系統的局部方程，設第k個BP神經網絡模糊方程輸出層的預測輸出為輸入為net，與此層相鄰的隱含層中任一神經元l的輸出為sl，則有：
式中，wlk是隱層神經元l與輸出層神經元之間的連接權，f(·)為神經元的輸出函數，通常取為Sigmoid函數，表示為：
式中，h為輸出層神經元的閾值，θ0為陡度參數，用以調節Sigmoid函數的陡度；最后，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：
其中，為第k個BP神經網絡模糊方程輸出層的預測輸出。
粒子群算法優化模塊，用于采用粒子群算法對模糊方程中BP神經網絡局部方程的wlk進行優化，具體實現步驟如下：
①確定粒子群的優化參數為BP神經網絡局部方程的wlk、粒子群個體數目popsize、最大循環尋優次數itermax、第p個粒子的初始位置rp、初始速度vp、局部最優值Lbestp以及整個粒子群的全局最優值Gbest。
②設定優化目標函數，將其轉換為適應度，對每個局部模糊方程進行評價；通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數表示為：
fp=1(Ep+1)???（10）
式中，Ep是模糊方程系統的誤差函數，表示為：
式中，是模糊方程系統的預測輸出，Oi為模糊方程系統的目標輸出；
③按照如下公式，循環更新每個粒子的速度和位置，
vp(iter+1)=ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rp(iter))
?????????????????????????????????????????????????????????????（12）
rp(iter+1)=rp(iter)+vp(iter+1)???（13）
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbestp表示更新粒子p的個體最優值，Gbest即為整個粒子群的全局最優值，iter表示循環次數，ω是粒子群算法中的慣性權重，m1、m2是對應的加速系數，a1、a2是[0，1]之間的隨機數；
④對于粒子p，如果新的適應度大于原來的個體最優值，更新粒子的個體最優值：
Lbestp=fp???（14）
⑤如果粒子p的個體最優值Lbestp大于原來的粒子群全局最優值Gbest，更新原來的粒子群全局最優值Gbest:
Gbest=Lbestp???（15）
⑥判斷是否滿足性能要求，若是，結束尋優，得到一組優化的模糊方程的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
所述BP粒子群優化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BP粒子群優化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：
2.2）計算方差：
2.3）標準化：
其中，TXi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。σx表示訓練樣本的標準差，σ2x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vk、vj，則標準化后的第i個訓練樣本Xi對于模糊群k的隸屬度μik為：
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：
Φik(Xi，μik)=[1func(μik)Xi]???（5）
其中func(μik)為隸屬度值μik的變形函數，一般取exp(μik)等，Φik(Xi，μik)表示第i個輸入變量Xi及其模糊群k的隸屬度μik所對應的新的輸入矩陣。
BP神經網絡作為模糊方程系統的局部方程，設第k個BP神經網絡模糊方程輸出層的預測輸出為y輸入為net，與此層相鄰的隱含層中任一神經元l的輸出為sl，則有：
式中，wlk是隱層神經元l與輸出層神經元之間的連接權，f(·)為神經元的輸出函數，通常取為Sigmoid函數，表示為：
式中，h為輸出層神經元的閾值，θ0為陡度參數，用以調節Sigmoid函數的陡度；最后，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：
其中，為第k個BP神經網絡模糊方程輸出層的預測輸出。
4）、采用粒子群算法對模糊方程中BP神經網絡局部方程的wlk進行優化，具體實現步驟如下：
①確定粒子群的優化參數為BP神經網絡局部方程的wlk、粒子群個體數目popsize、最大循環尋優次數itermax、第p個粒子的初始位置rp、初始速度vp、局部最優值Lbestp以及整個粒子群的全局最優值Gbest。
②設定優化目標函數，將其轉換為適應度，對每個局部模糊方程進行評價；通過相應的誤差函數計算適應度函數，并認為誤差大的粒子適應度小，粒子p的適應度函數表示為：
fp=1(Ep+1)???（10）
式中，Ep是模糊方程系統的誤差函數，表示為：
式中，是模糊方程系統的預測輸出，Oi為模糊方程系統的目標輸出；
③按照如下公式，循環更新每個粒子的速度和位置，
vp(iter+1)=ω×vp(iter)+m1a1(Lbestp-rp(iter))+m2a2(Gbest-rp(iter))
???（12）
rp(iter+1)=rp(iter)+vp(iter+1)???（13）
式中，vp表示更新粒子p的速度，rp表示更新粒子p的位置，Lbestp表示更新粒子p的個體最優值，Gbest即為整個粒子群的全局最優值，iter表示循環次數，ω是粒子群算法中的慣性權重，m1、m2是對應的加速系數，a1、a2是[0，1]之間的隨機數；
④對于粒子p，如果新的適應度大于原來的個體最優值，更新粒子的個體最優值：
Lbestp=fp???（14）
⑤如果粒子p的個體最優值Lbestp大于原來的粒子群全局最優值Gbest，更新原來的粒子群全局最優值Gbest:
Gbest=Lbestp???（15）
⑥判斷是否滿足性能要求，若是，結束尋優，得到一組優化的模糊方程的局部方程參數；否則返回步驟③，繼續迭代尋優，直至達到最大迭代次數itermax。
所述軟測量方法還包括以下步驟：5）、定期將離線化驗數據輸入到訓練集中，更新模糊方程模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于浙江大學，未經浙江大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201310436856.9/1.html，轉載請聲明來源鉆瓜專利網。
