[發(fā)明專利]丙烯聚合生產(chǎn)過程徑向基最優(yōu)軟測(cè)量儀表和方法

無效

• 申請(qǐng)?zhí)枺?/td>: 201310659408.5
• 申請(qǐng)日: 2013-12-09
• 公開（公告）號(hào): CN103838957A
• 公開（公告）日: 2014-06-04
• 發(fā)明（設(shè)計(jì)）人: 劉興高;李九寶
• 申請(qǐng)（專利權(quán)）人: 浙江大學(xué)
• 主分類號(hào): G06F19/00
• 分類號(hào): G06F19/00
• 代理公司: 杭州求是專利事務(wù)所有限公司 33200
• 代理人: 周烽

1.一種丙烯聚合生產(chǎn)過程徑向基最優(yōu)軟測(cè)量儀表，包括丙烯聚合生產(chǎn)過程、用于測(cè)量易測(cè)變量的現(xiàn)場(chǎng)智能儀表、用于測(cè)量操作變量的控制站、存放數(shù)據(jù)的DCS數(shù)據(jù)庫、徑向基最優(yōu)軟測(cè)量儀以及熔融指數(shù)軟測(cè)量顯示儀，所述現(xiàn)場(chǎng)智能儀表、控制站與丙烯聚合生產(chǎn)過程連接，所述現(xiàn)場(chǎng)智能儀表、控制站與DCS數(shù)據(jù)庫連接，所述DCS數(shù)據(jù)庫與徑向基最優(yōu)軟測(cè)量模型的輸入端連接，所述徑向基最優(yōu)軟測(cè)量模型的輸出端與熔融指數(shù)軟測(cè)量顯示儀連接，其特征在于：所述徑向基最優(yōu)軟測(cè)量儀包括：

（1）、數(shù)據(jù)預(yù)處理模塊，用于將從DCS數(shù)據(jù)庫輸入的模型輸入變量進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間；

（2）、PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由M=CU^T計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，M=CU^T+E，其中E為殘差矩陣；

（3）、神經(jīng)網(wǎng)絡(luò)模型模塊，采用一個(gè)三層的RBF神經(jīng)網(wǎng)絡(luò)、通過誤差函數(shù)最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃裕?/p>

（4）、徑向基優(yōu)化模塊，用于采用徑向基優(yōu)化模塊對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，包括：（4.1）算法初始化，根據(jù)待優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)構(gòu)造出初始的粒子群體X=(x¹,x²,…,x^N)，初始移動(dòng)速度V=(v¹,v²,…,v^N)，初始的各粒子歷代最優(yōu)值OP=(p¹,p²,…,p^N)和全局最優(yōu)值p^g；

（4.2）通過下式執(zhí)行粒子群優(yōu)化算法，讓粒子群收斂：

xk+1i=xki+vk+1i---(1)]]>

vk+1i=wvki+c1r1(pki-xki)+c2r2(pkg-xki)---(2)]]>

式中x為粒子的位置向量，i為粒子的序號(hào)，k為算法迭代代數(shù)，v為粒子速度，p表示初始的各粒子歷代最優(yōu)值OP=(p¹,p²,…,p^N)和全局最優(yōu)值p^g的最優(yōu)值集合。v_kⁱ為第k次迭代代數(shù)中第i個(gè)粒子的速度；x_kⁱ第k次迭代代數(shù)中第i個(gè)粒子的位置向量；p_kⁱ為第k次迭代代數(shù)中第i個(gè)粒子的歷代最優(yōu)位置，pⁱ為第i個(gè)粒子的歷代最優(yōu)解，w為速度權(quán)重系數(shù)，c₁、c₂分別為粒子歷代最優(yōu)解和群體最優(yōu)解的吸引系數(shù)，r₁、r₂分別為隨機(jī)數(shù)。

（4.3）為了使粒子群算法能夠避免收斂過快導(dǎo)致早熟，同時(shí)也為了提高群體的全局尋優(yōu)能力，r₁和r₂是隨機(jī)數(shù)。

所述徑向基最優(yōu)軟測(cè)量儀還包括：模型更新模塊，用于模型的在線更新，定期將離線化驗(yàn)數(shù)據(jù)輸入到訓(xùn)練集中，更新神經(jīng)網(wǎng)絡(luò)模型。

所述的丙烯聚合生產(chǎn)過程徑向基最優(yōu)軟測(cè)量儀表，其特征在于：RBF神經(jīng)網(wǎng)絡(luò)隱含層的傳遞函數(shù)使用的是高斯函數(shù)：

uqj(2)=exp(-[uq(1)-mqj]2σqj2),q=1,2,...,n,j=1,2,...,N---(3)]]>

式中u⁽¹⁾、u⁽²⁾分別為第二層的輸入和輸出向量，m為中心向量，σ為寬度參數(shù)，q、j分別為維度和節(jié)點(diǎn)序號(hào)。

使用高斯非線性函數(shù)能夠增強(qiáng)RBF神經(jīng)網(wǎng)絡(luò)的非線性擬合能力。

所述的丙烯聚合生產(chǎn)過程徑向基最優(yōu)軟測(cè)量儀表，其特征在于：PCA主成分分析模塊中，PCA方法實(shí)現(xiàn)輸入變量的預(yù)白化處理，能夠簡化神經(jīng)網(wǎng)絡(luò)模型的輸入變量，進(jìn)而提高模型的性能。

2.一種用如權(quán)利要求1所述的聚丙烯生產(chǎn)過程徑向基最優(yōu)軟測(cè)量儀表實(shí)現(xiàn)的軟測(cè)量方法，其特征在于：所述軟測(cè)量方法具體實(shí)現(xiàn)步驟如下：

(5.1)對(duì)丙烯聚合生產(chǎn)過程對(duì)象，根據(jù)工藝分析和操作分析，選擇操作變量和易測(cè)變量作為模型的輸入，一般操作變量和易測(cè)變量取溫度、壓力、液位、氫氣氣相百分?jǐn)?shù)、3股丙烯進(jìn)料流速和2股催化劑進(jìn)料流速這些變量，由DCS數(shù)據(jù)庫獲得；

(5.2)對(duì)樣本數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)輸入變量中心化，即減去變量的平均值；再進(jìn)行歸一化處理，即除以變量值的變化區(qū)間；

(5.3)PCA主成分分析模塊，用于將輸入變量預(yù)白化處理及變量去相關(guān)，通過對(duì)輸入變量施加一個(gè)線性變換實(shí)現(xiàn)，即主成分由C=MU得到，其中M為輸入變量，C為主成分得分矩陣，U為載荷矩陣。若對(duì)原始數(shù)據(jù)進(jìn)行重構(gòu)，可由M=CU^T計(jì)算，其中上標(biāo)T表示矩陣的轉(zhuǎn)置。當(dāng)選取的主成分?jǐn)?shù)目小于輸入變量的變量個(gè)數(shù)時(shí)，M=CU^T+E，其中E為殘差矩陣；

(5.4)基于模型輸入、輸出數(shù)據(jù)建立初始神經(jīng)網(wǎng)絡(luò)模型，采用一個(gè)RBF神經(jīng)網(wǎng)絡(luò)，通過誤差最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓?fù)洳蛔冃裕?/p>

(5.5)采用徑向基優(yōu)化模塊對(duì)RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)優(yōu)化，包括：

（5.5.1）算法初始化，根據(jù)待優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)構(gòu)造出初始的粒子群體X=(x¹,x²,…,x^N)，初始移動(dòng)速度V=(v¹,v²,…,v^N)，初始的各粒子歷代最優(yōu)值OP=(p¹,p²,…,p^N)和全局最優(yōu)值p^g；

（5.5.2）通過下式執(zhí)行粒子群優(yōu)化算法，讓粒子群收斂：

xk+1i=xki+vk+1i---(1)]]>

vk+1i=wvki+c1r1(pki-xki)+c2r2(pkg-xki)---(2)]]>

式中x為粒子的位置向量，i為粒子的序號(hào)，k為算法迭代代數(shù)，v為粒子速度，p表示初始的各粒子歷代最優(yōu)值OP=(p¹,p²,…,p^N)和全局最優(yōu)值p^g的最優(yōu)值集合。v_kⁱ為第k次迭代代數(shù)中第i個(gè)粒子的速度；x_kⁱ第k次迭代代數(shù)中第i個(gè)粒子的位置向量；p_kⁱ為第k次迭代代數(shù)中第i個(gè)粒子的歷代最優(yōu)位置，pⁱ為第i個(gè)粒子的歷代最優(yōu)解，w為速度權(quán)重系數(shù)，c₁、c₂分別為粒子歷代最優(yōu)解和群體最優(yōu)解的吸引系數(shù)，r₁、r₂分別為隨機(jī)數(shù)。

（5.5.3）為了使粒子群算法能夠避免收斂過快導(dǎo)致早熟，同時(shí)也為了提高群體的全局尋優(yōu)能力，r₁和r₂是隨機(jī)數(shù)。

所述軟測(cè)量方法還包括：定期將離線化驗(yàn)數(shù)據(jù)輸入到訓(xùn)練集中，更新神經(jīng)網(wǎng)絡(luò)模型。

所述的軟測(cè)量方法，其特征在于：作為建模基礎(chǔ)的RBF神經(jīng)網(wǎng)絡(luò)隱含層的傳遞函數(shù)使用的是高斯函數(shù)：

uqj(2)=exp(-[uq(1)-mqj]2σqj2),q=1,2,...,n,j=1,2,...,N---(3)]]>

式中u⁽¹⁾、u⁽²⁾分別為第二層的輸入和輸出向量，m為中心向量，σ為寬度參數(shù)，q、j分別為維度和節(jié)點(diǎn)序號(hào)。

使用高斯非線性函數(shù)能夠增強(qiáng)該RBF神經(jīng)網(wǎng)絡(luò)的非線性擬合能力。

所述的軟測(cè)量方法，其特征在于：在所述的步驟（5.3）中采用PCA主成分分析方法實(shí)現(xiàn)輸入變量的預(yù)白化處理，能夠簡化神經(jīng)網(wǎng)絡(luò)模型的輸入變量，進(jìn)而提高模型的性能。