[發明專利]一種基于軟測量技術的催化劑活性檢測方法

有效

• 申請號: 201710073255.4
• 申請日: 2017-02-10
• 公開（公告）號: CN106647285B
• 公開（公告）日: 2019-08-09
• 發明（設計）人: 陳豪;王耀宗;張丹;蔡品隆;張景欣
• 申請（專利權）人: 泉州裝備制造研究所
• 主分類號: G05B13/04
• 分類號: G05B13/04
• 代理公司: 泉州市文華專利代理有限公司 35205
• 代理人: 陳云川

1.一種基于軟測量技術的催化劑活性檢測方法，其特征在于：包括離線測試和在線測試兩部分，具體包括以下步驟：

一、系統建模：建立催化劑活性與輔助變量之間的數學模型，該模型的基本結構采用單隱層的徑向基神經網絡，模型無限逼近任何非線性系統，并采用模型結構自適應的方式來確定合適的隱層中心數和中心位置，而寬度參數采用交叉驗證法來確定，模型訓練過程中模擬實時數據輸入和相關異常擾動，使模型能跟蹤復雜的時變系統；

二、輔助變量選取：基于工藝理解的方式定位與催化劑活性相關的過程變量，過程變量包括反應過程中的溫度、壓強、反應物和產物濃度，再采用基于核回歸的非相關性分析法從過程變量中選出可以作為后續分析的輔助變量；

三、數據采集：利用傳感器從實際生產過程中實時地采集步驟二所述輔助變量的數據；

四、數據預處理：針對步驟三采集到的數據進行預處理，預處理流程依次包括數據清理、數據融合、數據變換和數據歸約；

五、離線測試：根據步驟四預處理之后的數據對模型進行訓練，完成模型結構選擇和參數確定，并初步驗證催化劑活性估計是否有效；

六、在線檢測：將實時采集的數據帶入訓練后的模型來分析催化劑活性，給出催化劑活性估計結果，此過程中采用誤差反饋的方式來實時調整模型結構和參數。

2.如權利要求1所述的一種基于軟測量技術的催化劑活性檢測方法，其特征在于：模型采用單隱層的徑向基神經網絡模型RBF-NN，模型包括輸入層、隱層和輸出層，模型輸入為選定的輔助變量，輸出為生產過程的反應速率，t時刻模型的輸出f(X_t)用函數方程可表示為：f(X_t)＝P^T(X_t)θ_t-1 (1)

其中，X_t＝[x_t(1),x_t(2),……,x_t(N_x)]^T，

θ_t-1＝[ω_t-1(1),ω_t-1(2),……,ω_t-1(M)]^T，

P(X_t)＝[g₁(X_t),g₂(X_t),……,g_M(X_t)]^T，

P^T(X_t)＝[g₁(X_t),g₂(X_t),…,g_M(X_t)]，

這里X_t是t時刻的輸入樣本，維度為N_x，ω_t-1是隱層到輸出層的參數，g(X_t)是隱層徑向基函數，選用高斯核函數：

其中C_p＝[c_p(1),c_p(2),……,c_p(N_x)]^T是第p個中心的位置，σ是寬度參數，決定高斯函數的形狀是扁平或窄高，寬度取值與隱層中心之間的最大距離d_max和中心數M有關，由式(3)確定，c是可調節的正實數；

在離線測試中對模型進行訓練，包括：通過大量歷史樣本來選擇中心位置，用最小二乘法確定參數θ，完成RBF-NN模型的初始化；

在線測試時將實時采集的數據帶入訓練后的模型來分析催化劑活性，包括：根據t-1之前的時刻的模型結構和參數，選擇t時刻的模型結構和參數，時刻間隔步長λ，實時模型預測效果由λ個輸出值與真實值對比決定，并進而計算各個隱層中心的貢獻度；

第p個中心C_p的貢獻度由包含C_p的模型和不包含C_p的模型分別測試的預測誤差變化大小來作為判斷依據，如果不包含C_p時模型預測誤差增大很多，則說明C_p的貢獻度大，反之則貢獻度小，每次選擇一個中心作為t時刻的待棄中心；

而對于λ個相近時刻的樣本，依次作為中心引入模型，采用與評判第p個中心的貢獻度同樣的方法，評判其貢獻度，將貢獻度最大的中心作為考察中心，如果考察中心的貢獻度大于待棄中心，則剔除待棄中心，引入考察中心，此時模型的參數也隨之調整。