[發明專利]丙烯聚合生產過程BP最優預報系統和方法

有效

• 申請號: 201310659527.0
• 申請日: 2013-12-09
• 公開（公告）號: CN103839103A
• 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: G06N3/00
• 分類號: G06N3/00;G06N3/02;G01N11/00
• 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BP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、基于連續空間蟻群算法訓練多模BP神經網絡的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數據庫與基于連續空間蟻群算法訓練多模BP神經網絡的最優預報系統的輸入端連接，所述基于連續空間蟻群算法訓練多模BP神經網絡的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：所述基于連續空間蟻群算法訓練多模BP神經網絡的最優預報系統包括：

（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=xU得到，其中x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x=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，x=CU^T+E，其中E為殘差矩陣；

（3）、神經網絡模型模塊，用于采用BP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；需要建立若干子神經網絡，第一個子BP網絡的訓練目標是預報結果與實際結果差距J₁最小；

J1=1NΣl=1N(F1(xl)-d(xl))2---(1)]]>

N為樣本數目，x為輸入變量，l為樣本點序號，F₁(·)為子網絡預報結果，d(·)為實際結果。

從第二個子網絡開始，訓練目標變為使得網絡的預報誤差盡可能小，同時網絡的預報結果與之前的網絡預報結果又盡可能大的差異，目標函數如下：

Ji=1NΣl=1N(Fi(xl)-d(xl))2-λNΣl=1N(Fi(xl)-F(xl))2---(2)]]>

Ji為前i個子網絡的訓練目標，F_i(·)為第i個網絡的預報結果；d(·)為實際結果；F(·)為前i-1個子網絡的綜合結果；λ為調節參數，N為樣本數目。

訓練的終止條件為將得到的新的子網絡加入多模神經網絡后，網絡群的預報誤差不再減小。

采用一種連續空間蟻群算法對每個BP網絡進行訓練和最優化，具體步驟為：

（a）算法初始化，根據待優化的RBF神經網絡結構構造出初始的解集S=(s₁,s₂,…,s_n)，n為初始解的個數，sn為第n個初始解，確定蟻群的大小M，設置蟻群尋優算法迭代次數的閾值MaxGen并初始化蟻群尋優的迭代次數序號gen=0；

（b）計算出解集S對應的適應度值G_i(i=1,2,…,n)，適應度值越大代表解越好；再根據下式確定解集中每個解被取到作為螞蟻尋優的初始解的概率P_i(i=1,2,…,n)

Pa(k)=GaΣa=1nGi(a=1,2,···,n)---(3)]]>

n為初始解的個數，sn為第n個初始解，k為迭代次數。初始化執行尋優算法的螞蟻編號a=0；

（c）螞蟻a選取S中的一個解作為尋優的初始解，選取規則是根據P來做輪盤選；

（d）螞蟻a在選取的初始解的基礎上進行尋優，找到更好的解s_a'；

（e）如果a<M，則a=a+1，返回步驟c；否則繼續向下執行步驟f；

（f）如果gen<MaxGen，則gen=gen+1，使用步驟d中所有螞蟻得到的更好的解取代S中的對應解，返回步驟b；否則向下執行步驟g；

（g）計算出解集S對應的適應度值G_a(a=1,2,…,n)，選取適應度值最大的解作為算法的最優解，結束算法并返回。

每一只螞蟻在它選定的初始解的基礎上尋優時會循環固定的次數，以提高算法的搜索到更好解的概率。

（4）、神經網絡多模優化模塊，用于對步驟（3）中的每個子網絡進行構建

O(x)=1iΣj=1iFj(x)---(4)]]>

i為總的子網絡數目，x為輸入變量，O(·)為模型輸出，F_j(·)為第j個子網絡的輸出；即最終多模BP神經網絡的預報結果為各個子網絡預報結果的平均值。

所述基于連續空間蟻群算法訓練多模BP神經網絡的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。

所述的基于連續空間蟻群算法訓練多模BP神經網絡的最優預報系統，其特征在于：訓練子BP神經網絡，然后將其的構建起來形成神經網絡群；由于子網絡的選取標準是預報誤差小、與其他的子網絡差異大，所以這些預報效果好、又各不相同的子神經網絡的綜合預報效果能夠具有更好的預報精度和穩定性。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所述的丙烯聚合生產過程BP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=xU得到，其中x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x=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，x=CU^T+E，其中E為殘差矩陣；

(5.4)基于模型輸入、輸出數據建立若干個初始子神經網絡模型，采用BP神經網絡，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，映射中保持拓撲不變性；第一個子BP網絡的訓練目標是預報結果與實際結果差距J₁最小；

J1=1NΣl=1N(F1(xl)-d(xl))2---(1)]]>

N為樣本數目，x為輸入變量，l為樣本點序號，F₁(·)為子網絡預報結果，d(·)為實際結果。

從第二個子網絡開始，訓練目標變為使得網絡的預報誤差盡可能小，同時網絡的預報結果與之前的網絡預報結果又盡可能大的差異，目標函數如下：

Ji=1NΣl=1N(Fi(xl)-d(xl))2-λNΣl=1N(Fi(xl)-F(xl))2---(2)]]>

Ji為前i個子網絡的訓練目標，F_i(·)為第i個網絡的預報結果；d(·)為實際結果；F(·)為前i-1個子網絡的綜合結果；λ為調節參數，N為樣本數目。

訓練的終止條件為將得到的新的子網絡加入多模神經網絡后，網絡群的預報誤差不再減小。

采用一種連續空間蟻群算法對每個BP網絡進行訓練和最優化，具體步驟為：

（a）算法初始化，根據待優化的RBF神經網絡結構構造出初始的解集S=(s₁,s₂,…,s_n)，n為初始解的個數，sn為第n個初始解，確定蟻群的大小M，設置蟻群尋優算法迭代次數的閾值MaxGen并初始化蟻群尋優的迭代次數序號gen=0；

（b）計算出解集S對應的適應度值G_i(i=1,2,…,n)，適應度值越大代表解越好；再根據下式確定解集中每個解被取到作為螞蟻尋優的初始解的概率P_i(i=1,2,…,n)

Pa(k)=GaΣa=1nGi(a=1,2,···,n)---(3)]]>

n為初始解的個數，sn為第n個初始解，k為迭代次數。初始化執行尋優算法的螞蟻編號a=0；

（c）螞蟻a選取S中的一個解作為尋優的初始解，選取規則是根據P來做輪盤選；

（d）螞蟻a在選取的初始解的基礎上進行尋優，找到更好的解s_a'；

（e）如果a<M，則a=a+1，返回步驟c；否則繼續向下執行步驟f；

（f）如果gen<MaxGen，則gen=gen+1，使用步驟d中所有螞蟻得到的更好的解取代S中的對應解，返回步驟b；否則向下執行步驟g；

（g）計算出解集S對應的適應度值G_a(a=1,2,…,n)，選取適應度值最大的解作為算法的最優解，結束算法并返回。

每一只螞蟻在它選定的初始解的基礎上尋優時會循環固定的次數，以提高算法的搜索到更好解的概率。

（5.5）神經網絡多模優化模塊，用于對步驟（5.4）中的每個子網絡進行構建

O(x)=1iΣj=1iFj(x)---(4)]]>

i為總的子網絡數目，x為輸入變量，O(·)為模型輸出，F_j(·)為第j個子網絡的輸出；即最終多模BP神經網絡的預報結果為各個子網絡預報結果的平均值。

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：訓練子BP神經網絡，然后將其構建起來形成神經網絡群；由于子網絡的選取標準是預報誤差小、與其他的子網絡差異大，所以這些預報效果好、又各不相同的子神經網絡的綜合預報效果能夠具有更好的預報精度和穩定性。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。