[發明專利]丙烯聚合生產過程自適應最優預報系統和方法

有效

• 申請號: 201310659482.7
• 申請日: 2013-12-09
• 公開（公告）號: CN103838209A
• 公開（公告）日: 2014-06-04
• 發明（設計）人: 劉興高;李九寶
• 申請（專利權）人: 浙江大學
• 主分類號: G05B19/418
• 分類號: G05B19/418;G06N3/02
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 周烽

1.一種丙烯聚合生產過程自適應最優預報系統，包括丙烯聚合生產過程、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、自適應最優預報系統以及熔融指數預報顯示儀，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，所述DCS數據庫與自適應最優預報系統的輸入端連接，所述自適應最優預報系統的輸出端與熔融指數預報顯示儀連接，其特征在于：所述自適應最優預報系統包括：

（1）、數據預處理模塊，用于將從DCS數據庫輸入的模型輸入變量進行預處理，對輸入變量中心化，即減去變量的平均值；再進行歸一化處理，即除以變量值的變化區間；

（2）、PCA主成分分析模塊，用于將輸入變量預白化處理及變量去相關，通過對輸入變量施加一個線性變換實現，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。若對原始數據進行重構，可由M=CU^T計算，其中上標T表示矩陣的轉置。當選取的主成分數目小于輸入變量的變量個數時，M=CU^T+E，其中E為殘差矩陣；

（3）、神經網絡模型模塊，用于采用RBF神經網絡、通過誤差函數最小化來完成輸入到輸出的一種高度非線性映射，映射中保持拓撲不變性；

（4）、自適應智能優化模塊，用于采用基于智能粒子群算法的優化模塊對神經網絡進行優化，包括：

（4.1）算法初始化，根據待優化的RBF神經網絡結構構造出初始的粒子群體X=(x¹,x²,…,x^N)，初始移動速度V=(v¹,v²,…,v^N)，初始的各粒子歷代最優值OP=(p¹,p²,…,p^N)和全局最優值p^g；

（4.2）通過下式執行智能粒子群算法，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，k為算法迭代代數，v為粒子速度，p表示初始的各粒子歷代最優值OP=(p¹,p²,…,p^N)和全局最優值p^g的最優值集合。v_kⁱ為第k次迭代代數中第i個粒子的速度；x_kⁱ第k次迭代代數中第i個粒子的位置向量；p_kⁱ為第k次迭代代數中第i個粒子的歷代最優位置，pⁱ為第i個粒子的歷代最優解，w為速度權重系數，c₁、c₂分別為粒子歷代最優解和群體最優解的吸引系數，r₁、r₂分別為隨機數。

（4.3）這里的智能粒子群算法體現在速度權重值w是基于一種進化狀態來進行估計的；粒子群的進化狀態包括了探索期、開拓期、聚合器和跳出期；由f來定量表示；

f=dg-dmindmax-dmin∈[0,1]---(3)]]>

d_i是粒子i到粒子群中其他粒子的平均距離；d_g是粒子群中最優解到粒子群中其他粒子的平均距離；d_max和d_min分別是{d_i}中的最大、最小值；d_i按照下式計算：

di=1P-1Σj=1,j≠iP||xi-xj||2---(4)]]>

x_i為第i個粒子的位置，x_j為第j個粒子的位置，‖·‖為范數表達式，P為粒子群中粒子的數目；

由f值來得到粒子群速度權重的計算式為：

w=11+1.5e-2.6f∈[0.4,0.9]---(5)]]>

所述自適應最優預報系統還包括：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，更新神經網絡模型。

所述的自適應最優預報系統，其特征在于：在所述自適應智能優化模塊中，粒子群執行迭代時所用到的w是根據粒子群的進化狀態來智能變化的；這樣的智能設計目的在于使得粒子群能夠在不同的階段采用不同的速度權重，控制群體的收斂速度，提高整個群體的全局尋優能力。PCA主成分分析模塊中，PCA方法實現輸入變量的預白化處理，能夠簡化神經網絡模型的輸入變量，進而提高模型的性能。

2.一種用如權利要求1所述的丙烯聚會生產過程自適應最優預報系統實現的預報方法，其特征在于：所述預報方法具體實現步驟如下：

(5.1)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，一般操作變量和易測變量取溫度、壓力、液位、氫氣氣相百分數、3股丙烯進料流速和2股催化劑進料流速這些變量，由DCS數據庫獲得；

(5.2)對樣本數據進行預處理，對輸入變量中心化，即減去變量的平均值；再進行歸一化處理，即除以變量值的變化區間；

(5.3)PCA主成分分析模塊，用于將輸入變量預白化處理及變量去相關，通過對輸入變量施加一個線性變換實現，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。若對原始數據進行重構，可由M=CU^T計算，其中上標T表示矩陣的轉置。當選取的主成分數目小于輸入變量的變量個數時，M=CU^T+E，其中E為殘差矩陣；

(5.4)基于模型輸入、輸出數據建立初始神經網絡模型，采用RBF神經網絡，通過誤差最小化來完成輸入到輸出的高度非線性映射，映射中保持拓撲不變性；

(5.5)采用基于智能粒子群算法的優化模塊對神經網絡進行優化，包括：

（5.5.1）算法初始化，根據待優化的RBF神經網絡結構構造出初始的粒子群體X=(x¹,x²,…,x^N)，初始移動速度V=(v¹,v²,…,v^N)，初始的各粒子歷代最優值OP=(p¹,p²,…,p^N)和全局最優值p^g；

（5.5.2）通過下式執行智能粒子群算法，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，k為算法迭代代數，v為粒子速度，p表示初始的各粒子歷代最優值OP=(p¹,p²,…,p^N)和全局最優值p^g的最優值集合。v_kⁱ為第k次迭代代數中第i個粒子的速度；x_kⁱ第k次迭代代數中第i個粒子的位置向量；p_kⁱ為第k次迭代代數中第i個粒子的歷代最優位置，pⁱ為第i個粒子的歷代最優解，w為速度權重系數，c₁、c₂分別為粒子歷代最優解和群體最優解的吸引系數，r₁、r₂分別為隨機數。

（5.5.3）這里的智能粒子群算法體現在速度權重值w是基于一種進化狀態來進行估計的；粒子群的進化狀態包括了探索期、開拓期、聚合器和跳出期；由f來定量表示；

f=dg-dmindmax-dmin∈[0,1]---(3)]]>

d_i是粒子i到粒子群中其他粒子的平均距離；d_g是粒子群中最優解到粒子群中其他粒子的平均距離；d_max和d_min分別是{d_i}中的最大、最小值；d_i按照下式計算：

di=1P-1Σj=1,j≠iP||xi-xj||2---(4)]]>

x_i為第i個粒子的位置，x_j為第j個粒子的位置，‖·‖為范數表達式，P為粒子群中粒子的數目；

由f值來得到粒子群速度權重的計算式為：

w=11+1.5e-2.6f∈[0.4,0.9]---(5)]]>

所述預報方法還包括：定期將離線化驗數據輸入到訓練集中，更新神經網絡模型。

所述的預報方法，其特征在于：在所述自適應智能優化模塊中，粒子群執行迭代時所用到的w是根據粒子群的進化狀態來智能變化的；這樣的智能設計目的在于使得粒子群能夠在不同的階段采用不同的速度權重，控制群體的收斂速度，提高整個群體的全局尋優能力。在所述的步驟（5.3）中采用PCA主成分分析方法實現輸入變量的預白化處理，能夠簡化神經網絡模型的輸入變量，進而提高模型的性能。